La contrastación de hipótesis permite evaluar una afirmación sobre una población utilizando datos y un procedimiento estadístico. En una tesis cuantitativa, puede emplearse para examinar relaciones entre variables, diferencias entre grupos o cambios en indicadores.
El proceso requiere coherencia entre la pregunta de investigación, la hipótesis, el diseño y la prueba elegida. Un programa estadístico realiza cálculos, pero la interpretación depende de esas decisiones metodológicas.
1. Formular la hipótesis de investigación
La hipótesis debe expresar una expectativa concreta y medible.
Por ejemplo, en una investigación de ingeniería:
“El tiempo promedio de ejecución de la tarea cambia después de aplicar un nuevo procedimiento”.
Esta afirmación identifica el resultado —tiempo de ejecución— y las condiciones que se compararán —antes y después—. Luego debe traducirse en hipótesis estadísticas.
2. Establecer la hipótesis nula y la alternativa
Supongamos que se mide la misma tarea en cada uno de varios operadores antes y después de la intervención. Definimos la diferencia como:
d = tiempo posterior − tiempo anterior
Las hipótesis de un contraste bilateral serían:
- H₀: μd = 0. La diferencia media poblacional es cero.
- H₁: μd ≠ 0. La diferencia media poblacional es distinta de cero.
Si se quiere contrastar específicamente una reducción, corresponde planificar un contraste unilateral con alternativa μd < 0. La dirección debe justificarse antes de examinar los resultados.
3. Definir el nivel de significancia
El nivel de significancia, representado por α, fija el riesgo de rechazar una hipótesis nula verdadera bajo las condiciones del procedimiento.
Es frecuente utilizar α = 0,05, pero su elección debe responder al contexto. Por ejemplo, las consecuencias de una decisión equivocada pueden ser diferentes al evaluar una mejora administrativa y al evaluar un sistema crítico de seguridad.
También conviene planificar el tamaño de muestra y la potencia estadística antes de recolectar los datos.
4. Elegir la prueba según los datos y el diseño
La prueba no se selecciona únicamente porque la tesis sea correlacional o experimental. Debe corresponder al parámetro estudiado, al tipo de variables y a la estructura de las observaciones.
| Pregunta estadística | Procedimiento posible |
|---|---|
| ¿Existe relación lineal entre dos variables cuantitativas? | Correlación de Pearson. |
| ¿Existe asociación monotónica entre variables ordinales o rangos? | Correlación de Spearman. |
| ¿Difieren las medias de dos grupos independientes? | Prueba t para muestras independientes, considerando la variante apropiada. |
| ¿Difiere la media antes y después en las mismas unidades? | Prueba t para muestras relacionadas. |
| ¿Difieren las medias de tres o más grupos independientes? | ANOVA de un factor. |
| ¿Existe asociación entre dos variables categóricas? | Chi cuadrada de independencia, si las frecuencias permiten aplicarla. |
En el ejemplo de los operadores, las mediciones están emparejadas. La prueba t relacionada analiza las diferencias dentro de cada pareja, no trata las mediciones como dos grupos independientes.
5. Revisar los datos y los supuestos
Antes de ejecutar el contraste, se deben revisar datos faltantes, errores de registro, valores atípicos y condiciones de aplicación.
En la prueba t relacionada, interesa la distribución de las diferencias, especialmente con muestras pequeñas, y la independencia entre las parejas. No basta con comprobar por separado la normalidad de los valores anteriores y posteriores.
Si las condiciones no son adecuadas, debe elegirse otro procedimiento coherente con los datos y la pregunta. Una prueba no paramétrica no es automáticamente una solución para cualquier incumplimiento.
6. Interpretar el valor p
El valor p indica la probabilidad de obtener un resultado tan extremo como el observado, o más, suponiendo la hipótesis nula y los supuestos del modelo.
No representa la probabilidad de que H₀ sea verdadera ni la probabilidad de que los resultados se deban solamente al azar. La Asociación Americana de Estadística advierte también que el valor p no mide la magnitud ni la importancia de un resultado.
Con una regla de decisión previamente definida:
- Si p ≤ α: se rechaza H₀.
- Si p > α: no se rechaza H₀.
No rechazar H₀ no demuestra igualdad ni ausencia de efecto; puede existir incertidumbre suficiente para que el estudio no detecte una diferencia.
7. Informar la magnitud y la incertidumbre
La conclusión debe acompañarse de la estimación del resultado y su intervalo de confianza. También puede incluir un tamaño del efecto apropiado.
Para el ejemplo de los operadores, convendría informar:
- Número de parejas analizadas.
- Diferencia media de tiempo.
- Intervalo de confianza.
- Estadístico t, grados de libertad y valor p.
- Importancia operativa del cambio.
Un intervalo de confianza permite valorar la precisión de la estimación y, cuando corresponde al mismo contraste, su relación con la hipótesis nula.
8. Redactar una conclusión acorde con el diseño
Una estructura de redacción, que debe completarse con resultados reales, sería:
La diferencia media entre la medición posterior y la inicial fue de [valor] minutos, con un intervalo de confianza del 95 % de [límite inferior] a [límite superior]. La prueba [nombre] obtuvo [estadístico] y p = [valor]. Con α = [nivel], se [rechaza/no se rechaza] la hipótesis nula. El resultado se interpreta considerando [relevancia práctica y limitaciones].
Si el estudio es preexperimental, una diferencia significativa no demuestra que la intervención haya causado por sí sola el cambio. Deben examinarse otras explicaciones, como variaciones de carga de trabajo, aprendizaje o modificaciones simultáneas del proceso.
Contrastar una hipótesis exige más que obtener p < 0,05: implica analizar datos apropiados, justificar el procedimiento y formular una conclusión proporcional a la evidencia.
Fuentes
Hernández Sampieri, R., Fernández Collado, C., & Baptista Lucio, M. del P. (2014). Metodología de la investigación (6.ª ed.). McGraw-Hill Education. Capítulo 10.
Wasserstein, R. L., & Lazar, N. A. (2016). The ASA’s statement on p-values: Context, process, and purpose. The American Statistician, 70(2), 129–133. https://doi.org/10.1080/00031305.2016.1154108