En la mayoría de la investigación biomédica, los investigadores plantean la hipótesis de las relaciones de varios factores, recopilan datos para probar esas relaciones e intentan sacar conclusiones sobre las relaciones de los datos recopilados. En muchos casos, los investigadores prueban las relaciones al comparar el nivel promedio de un factor entre 2 grupos o entre 1 grupo y una referencia estándar. Este marco es tan cierto para comprender el papel básico de la fosforilación de la proteína-C de unión a la miosina cardíaca en la fisiología cardíaca1 como lo es para evaluar el colesterol de lipoproteínas no de alta densidad (HDL-C) como predictor de infarto de miocardio en grandes grupos de individuos. 2 En este artículo describimos las pruebas de hipótesis, que es el proceso de sacar conclusiones sobre la base de las pruebas estadísticas de los datos recopilados, y el enfoque específico utilizado para probar medios (o niveles promedio de un elemento de datos recopilados). Estos conceptos están cubiertos en detalle en muchos libros de texto estadísticos en varios niveles, incluidos Pagano y Gauvreau, 3 Zar, 4 y Kleinbaum et al.5
El propósito de la inferencia estadística es sacar conclusiones sobre una población sobre la base de los datos obtenidos de una muestra de esa población. La prueba de hipótesis es el proceso utilizado para evaluar la fuerza de la evidencia de la muestra y proporciona un marco para hacer que las determinaciones sean relacionadas con la población, es decir, proporciona un método para comprender cuán confiablemente se puede extrapolar los hallazgos en una muestra en estudio a la mayor. población de la cual se extrajo la muestra. El investigador formula una hipótesis específica, evalúa los datos de la muestra y utiliza estos datos para decidir si apoyan la hipótesis específica.
El primer paso en la prueba de hipótesis es la transformación de la pregunta de investigación en una hipótesis nula, H0, y una hipótesis alternativa, HA.6 Las hipótesis nulas y alternativas son declaraciones concisas, generalmente en forma matemática, de 2 posibles versiones de «verdad» sobre la relación entre el predictor de interés y el resultado en la población. Estas 2 posibles versiones de la verdad deben ser exhaustivas (es decir, cubrir todas las verdades posibles) y mutuamente excluyentes (es decir, no superpuesto). La hipótesis nula se usa convencionalmente para describir una falta de asociación entre el predictor y el resultado; La hipótesis alternativa describe la existencia de una asociación y es típicamente lo que al investigador le gustaría mostrar. El objetivo de las pruebas estadísticas es decidir si hay evidencia suficiente de la muestra en estudio para concluir que se debe creer la hipótesis alternativa.
Las pruebas de hipótesis se han comparado con un juicio penal, en el que un jurado debe usar evidencia para decidir cuál de las 2 posibles verdades, inocencia (H0) o culpa (HA), se debe creer. Así como se le indica a un jurado que asuma que el acusado es inocente a menos que se demuestre lo contrario, el investigador debe asumir que no hay asociación a menos que haya pruebas sólidas de lo contrario. El veredicto de un jurado debe ser culpable o no culpable, en cuyo caso un veredicto de no guancia no es igual a la inocencia. Más bien, indica que la carga de la prueba no se ha cumplido. Del mismo modo, un investigador solo puede rechazar H0 o no rechazarlo; No rechazar no prueba que el H0 nulo sea cierto.
¿Qué es una prueba de hipótesis?
Una hipótesis estadística es una suposición sobre una población
parámetro. Esta suposición puede o no ser cierta.
La prueba de hipótesis se refiere a los procedimientos formales utilizados
por estadísticos para aceptar o rechazar hipótesis estadísticas.
La mejor manera de determinar si una hipótesis estadística es verdadera
sería examinar
toda la población. Ya que a menudo no es práctico, los investigadores
típicamente examinar una muestra aleatoria de la población. Si los datos de muestra
no son consistentes con la hipótesis estadística, la hipótesis es
rechazado.
- Hipótesis nula. La hipótesis nula, denotada por
Ho, suele ser la hipótesis
que las observaciones de muestra dan como resultado puramente del azar. - Hipótesis alternativa. La hipótesis alternativa,
denotado por H1 o HA, es el
Hipótesis de que las observaciones de la muestra están influenciadas por alguna causa no aleatoria.
Por ejemplo, supongamos que queríamos determinar si una moneda era justa y
equilibrado. Una hipótesis nula podría ser que la mitad de los flips resultarían en cabezas
y la mitad, en las colas. La hipótesis alternativa podría ser que el número de
Las cabezas y las colas serían muy diferentes. Simbólicamente, estas hipótesis
expresarse como
Supongamos que volteamos la moneda 50 veces,
resultando en 40 cabezas y 10 colas. Dado este resultado, nos inclinaríamos a
rechazar la hipótesis nula. Concluiríamos, según la evidencia, que
La moneda probablemente no era justa y equilibrada.
Algunos investigadores dicen que una hipótesis
La prueba puede tener uno de dos resultados: acepta la hipótesis nula o usted
rechazar la hipótesis nula. Muchos estadísticos, sin embargo, están en desacuerdo con
La noción de «aceptar la hipótesis nula». En cambio, dicen: rechazas
la hipótesis nula o no puede rechazar la hipótesis nula.
¿Cuándo se usa la prueba de hipótesis?
La distribución de muestreo nos muestra que es relativamente poco probable que obtengamos una muestra de 330.6 si la media de la población es 260. ¿Es nuestra media de muestra tan poco probable que podamos rechazar la noción de que la media de la población es 260?
En estadísticas, llamamos a esto rechazando la hipótesis nula. Si rechazamos el nulo para nuestro ejemplo, la diferencia entre la media de la muestra (330.6) y 260 es estadísticamente significativa. En otras palabras, los datos de la muestra favorecen la hipótesis de que el promedio de la población no es igual a 260.
Sin embargo, mire nuevamente la tabla de distribución de muestreo. Observe que no hay una ubicación especial en la curva donde puede sacar definitivamente esta conclusión. Solo hay una disminución constante en la probabilidad de observar medias de muestra que están más lejos del valor de hipótesis nula. ¿Dónde decidimos que una media de muestra está lo suficientemente lejos?
Para responder a esta pregunta, necesitaremos más herramientas: ¡pruebas de hipótesis! El procedimiento de prueba de hipótesis cuantifica la inusualidad de nuestra muestra con una probabilidad y luego la compara con un estándar probatorio. Este proceso le permite tomar una decisión objetiva sobre la fuerza de la evidencia.
Vamos a agregar las herramientas que necesitamos para tomar esta decisión al gráfico: ¡niveles de importancia y valores p!
Un nivel de significancia, también conocido como alfa o α, es un estándar probatorio que un investigador establece antes del estudio. Define cuán fuertemente debe la evidencia de la muestra contradecir la hipótesis nula antes de que pueda rechazar la hipótesis nula para toda la población. La fuerza de la evidencia se define por la probabilidad de rechazar una hipótesis nula que es verdadera. En otras palabras, es la probabilidad de que digas que hay un efecto cuando no hay efecto.
¿Qué es prueba de hipótesis ejemplos?
La salida nos dice que la dureza promedio de Brinell de la n = 25 piezas de hierro dúctil fue de 172.52 con una desviación estándar de 10.31. (El error estándar de la media «media SE», calculada al dividir la desviación estándar 10.31 por la raíz cuadrada de n = 25, es 2.06). La estadística de prueba T* es 1.22, y el valor p es 0.117.
Si el ingeniero estableció su nivel de significancia α en 0.05 y usó el enfoque de valor crítico para realizar su prueba de hipótesis, rechazaría la hipótesis nula si su estadística de prueba T* fuera mayor que 1.7109 (determinado usando software estadístico o una tabla T):
Dado que la estadística de prueba del ingeniero, t* = 1.22, no es mayor que 1.7109, el ingeniero no puede rechazar la hipótesis nula. Es decir, la estadística de prueba no cae en la «región crítica». No hay evidencia suficiente, en el nivel ( alpha ) = 0.05, para concluir que la dureza media de Brinell de todas esas piezas de hierro dúctil es mayor que 170.
Si el ingeniero utilizara el enfoque de valor p para realizar su prueba de hipótesis, determinaría el área bajo una curva TN – 1 = T24 y a la derecha de la estadística de prueba T* = 1.22:
En la salida anterior, Minitab informa que el valor p es 0.117. Dado que el valor p, 0.117, es mayor que ( alpha ) = 0.05, el ingeniero no puede rechazar la hipótesis nula. No hay evidencia suficiente, en el nivel ( alpha ) = 0.05, para concluir que la dureza media de Brinell de todas esas piezas de hierro dúctil es mayor que 170.
¿Cómo hacer una prueba de hipotesis ejemplos?
Joon cree que el 50% de las novias primerizas en los Estados Unidos son más jóvenes que sus novios. Ella realiza una prueba de hipótesis para determinar si el porcentaje es el mismo o diferente del 50%. Joon muestras 100 novias por primera vez y 53 responden que son más jóvenes que sus novios. Para la prueba de hipótesis, ella usa un nivel de importancia del 1%.
El nivel de significancia del 1% significa que α = 0.01. Esta es una prueba de una sola proporción de población.
Las palabras «son las mismas o diferentes de» decirte que esta es una prueba de dos colas.
Variable aleatoria: (p ′ = ) El porcentaje de novias por primera vez que son más jóvenes que sus novios.
Distribución para la prueba: el problema no contiene una mención de una media. La información se proporciona en términos de porcentajes. Use la distribución para P ‘, la proporción estimada.
[P ‘ – n izquierdo (p, sqrt { frac {p -q} {n}} right) nonumber ]
[P ‘ – n izquierdo (0.5, sqrt { frac {0.5-0.5} {100}} right) nonumber ]
donde (p = 0.50, q = 1 – p = 0.50 ) y (n = 100 )
Calcule el valor p utilizando la distribución normal para proporciones:
[p text {-value} = p (p ′ <0.47 o p ′> 0.53) = 0.5485 nonumber ]
donde [x = 53, p ‘= frac {x} {n} = frac {53} {100} = 0.53 nonumber ].
Interpretación de (p text {-value}) : Si la hipótesis nula es verdadera, hay 0.5485 probabilidad (54.85%) de que la muestra (estimada) proporción (p ‘) es 0.53 o más o 0.47 o 0.47 o Menos (ver el gráfico en la figura).
¿Qué es una prueba de hipotesis?
Una hipótesis estadística es una hipótesis en un parámetro de la población. Esta hipótesis puede ser cierta o no. Las pruebas de hipótesis se refieren a los procedimientos formales utilizados por los estadísticos para aceptar o rechazar hipótesis estadísticas.
El enfoque
Lo más ideal para decidir si una teoría fáctica es auténtica es
Considere a toda la población. Como es regularmente
Imposible, los especialistas normalmente examinan un ejemplo arbitrario del
población. En caso de que la información en el ejemplo no esté de acuerdo con
Especulación objetiva, la teoría es rechazada.
Especulación
inválido. La teoría inválida, significada por Ho, es normalmente la
especulación de que los ejemplos de percepción son absolutamente de
la posibilidad.
Teoría
electivo. La especulación electiva, indicada por H1 o HA, es la teoría de acuerdo con
qué percepciones de ejemplos están influenciadas por una razón no
arbitrario.
Por
Ejemplo, supongamos que tuvimos que decidir si una habitación era razonable y
equilibrado. La especulación sin control puede ser que una gran parte de los flips
causaría batería y media, en la batería. La especulación electiva puede ser que
El número de baterías y el frente sería completamente diferente. De manera
emblemático, estas especulaciones se comunicarían como
Suponer
que hemos jugado batería o cara varias veces, lo que da alrededor de 40
caras y 10 colas. Dado este resultado, nos inclinaríamos a rechazar
Especulación no válida. En vista de la prueba, concluiríamos que la obra
Lo más probable es que no fuera razonable y ajustado.
¿Qué es prueba de hipótesis según autores?
Según Jim Frost, las pruebas de hipótesis son una forma de estadísticas inferenciales que nos permite sacar conclusiones sobre una población completa basada en una muestra representativa [..] En la mayoría de los casos, es simplemente imposible observar a toda la población comprender sus propiedades. La única alternativa es recopilar una muestra aleatoria y luego usar estadísticas para analizarla [1].
Al realizar pruebas de hipótesis, en primer lugar, se debe formular una hipótesis. Un ejemplo de hipótesis es «hay una correlación entre la altura y el género en una población», o «Hay una diferencia entre dos grupos de una población».
Por lo general, la tesis a demostrar se llama hipótesis alternativa (HA), y su opuesto es la hipótesis nula (H0). En la práctica, la hipótesis nula establece que no hay nada nuevo en la población.
En los ejemplos anteriores, las hipótesis nulas podrían formularse de la siguiente manera: no hay correlación entre la altura y el género en la población, y no hay una diferencia entre los dos grupos. El objetivo de las pruebas de hipótesis es verificar si la hipótesis nula puede ser rechazada o no. En general, rechazar la hipótesis nula no significa automáticamente que se acepte la hipótesis alternativa. Sin embargo, en algunos casos, rechazar la hipótesis nula puede implicar que se puede aceptar la hipótesis alternativa.
Al realizar una prueba de hipótesis, podrían ocurrir dos tipos de errores:
- Error de tipo I: rechace la hipótesis nula cuando en realidad es cierto.
¿Qué es la prueba de hipótesis según Sampieri?
Se realizó un análisis descriptivo univariado de frecuencias y porcentajes para variables cualitativas como la aparición de complicaciones en la curación, y las características basales de los participantes, incluida la información sociodemográfica y clínica, (ver archivo S1). La media, la desviación estándar y la mediana se usaron para determinar el tiempo de separación del cordón y otras variables cuantitativas.
Se realizó un análisis bivariado para comparar variables dependientes e independientes y puntos finales dependientes entre sí. El diagnóstico de normalidad se realizó previamente a través de la prueba Kolmogorov -Smirnov para determinar el uso de pruebas paramétricas o no paramétricas. Determinar la asociación entre el tiempo de cuidado del cordón umbilical y el tiempo de separación del cordón y para determinar la asociación entre el tiempo de separación del cordón umbilical y las variables sociodemográficas y clínicas, se utilizaron las pruebas del estudiante T, Mann-Whitney-U y Rho-Spearman, dependiendo, dependiendo En el contraste de hipótesis. Para contrastar la asociación entre el tiempo de separación del cordón y el diámetro del cordón, se utilizó la prueba R-Pearson. Para medir la asociación entre diferentes cuidado del cordón umbilical, variables sociodemográficas y clínicas, y complicaciones curativas, dependiendo del contraste de hipótesis, se utilizaron las siguientes: prueba exacta de Fisher, regresión logística binaria simple y prueba de chi cuadrado.
Se realizó un análisis multivariado que usó regresión lineal múltiple para determinar los predictores del tiempo de separación del cordón umbilical. Las variables independientes se operacionalizaron, según los requisitos de codificación de las variables independientes en modelos de regresión múltiple, y las variables independientes politomosas se establecieron como variables ficticias. Las variables independientes continuas se mantuvieron con el valor numérico original, y las variables dicotómicas se codificaron como 1 y 0. El método de regresión paso a paso hacia atrás se utilizó en este estudio. Incluimos en el análisis aquellas variables que se correlacionaron en el análisis bivariado y las variables recomendadas por la literatura. La precaución no era incluir un número excesivo de variables según el tamaño de la muestra [22]. Se realizaron pruebas de diagnóstico del modelo, y se cumplieron los siguientes criterios: independencia de residuos: Durbin -Watson; Normalidad de los residuos: residuo de Kolmogorov -Smirnov; Linealidad: visto con gráficos de regresión parcial; Homoscedasticidad: gráfico de residuos estandarizados; No colineidad: factor de inflación de varianza y tolerancia. El análisis de los valores extremos se realizó con la distancia de Cook.
Todos los análisis estadísticos se realizaron utilizando IBM SPSS versión 24 [23]. Los valores de P de .05 se consideraron estadísticamente significativos.
El estudio se realizó de acuerdo con los principios básicos para todas las investigaciones médicas [24], respetando los preceptos legales aplicables con respecto a la protección de los datos personales, así como los derechos y obligaciones remitidas a la información de salud, los registros de salud y la documentación. El Comité de Ética de Investigación de Jaén (26 de noviembre de 2015) aprobó el estudio. Las consideraciones como la confidencialidad, la participación voluntaria y la información completa sobre la naturaleza del estudio se extendieron a todos los participantes, y obtuvimos el consentimiento informado de las mujeres para participar. Las mujeres estaban seguras de que su participación, o la falta de ella, no tuvieran influencia en su atención clínica.
Artículos Relacionados:
