Aceptar la hipótesis nula
Atención, un error frecuente: en un estudio de no inferioridad que utiliza una prueba de una cola, un resultado no significativo no permite afirmar que no hay diferencia entre los 2 tratamientos y que, por tanto, son equivalentes. Sólo significa que el estudio no demuestra la superioridad del nuevo tratamiento sobre el tratamiento de referencia.
De hecho, la ley de los grandes números indica que, cuando se realiza un sorteo aleatorio de una gran serie, cuanto mayor sea el tamaño de la muestra, más se acercarán las características estadísticas del sorteo (la muestra) a las características estadísticas de la población.
1. Messerli FH. Consumo de chocolate, función cognitiva y premios Nobel. New England Journal of Medicine [Internet]. 2012 Oct 18 [citado 2016 Apr 27];367(16):1562-4. Disponible en: http://dx.doi.org/10.1056/NEJMon1211064
¿Cómo formular una hipótesis alternativa?
La hipótesis alternativa, H1, es la negación de H0 y equivale a decir “H0 es falsa”. La decisión de rechazar H0 significa que o bien H1 es cierta o bien H1 es falsa. Nota: Existe una asimetría importante en las conclusiones de las pruebas.
¿Cómo formular la hipótesis nula?
La hipótesis nula (H0) es la hipótesis que queremos comprobar: consiste en decir que no hay diferencia entre los parámetros que se comparan o que la diferencia observada no es significativa y se debe a fluctuaciones del muestreo. Esta hipótesis se formula con el objetivo de ser rechazada.
Ejercicios de comprobación de hipótesis s3
Supongamos que estas mediciones siguen una distribución normal. Si el instrumento fuera insesgado (= 50), ¿cuál sería la probabilidad de que la media muestral se alejara tanto del valor de referencia?
En nuestro ejemplo del principio del curso, ¿podríamos calcular la potencia de la prueba, es decir, la probabilidad de detectar un sesgo del instrumento con la muestra de 9 mediciones? ¿Qué información adicional necesitamos?
A diferencia del nivel de significación, que elige el analista, la potencia de una prueba depende (entre otras cosas) del verdadero tamaño del efecto. En nuestro ejemplo, para un tamaño y un diseño fijos, es más fácil detectar un sesgo grande que uno pequeño.
La tabla de datos InsectSprays incluida con R contiene datos de un experimento de Geoffrey Beall (1942) sobre el número de insectos (recuento) en parcelas tratadas con diferentes insecticidas (spray), con 12 mediciones independientes por tipo de insecticida.
Pruebas de hipótesis – ejercicios corregidos
Para comprender intuitivamente la noción de significación, pregúntese si la inteligencia de Albert Einstein es una inteligencia excepcional o una inteligencia típica de la población humana.
Para formalizar las cosas, los grandes hombres deben interesar a nuestra joven durante 5400 segundos. Sin embargo, dentro de la categoría de grandes hombres, hay algunos que son menos habladores, hay algunos que son más tímidos. Así, los grandes hombres se distribuirán realmente en torno a la media de 5400 segundos con una desviación típica de 1000 segundos siguiendo la distribución presentada en la Figura 3.
A nivel universitario, por ejemplo, publicar te permite conseguir trabajo, ascensos, primas, financiación. Cuando tienes financiación, tienes que ser capaz de justificarla y explicar lo que has hecho con ella. En general, la necesidad de publicar para los investigadores se resume en el adagio: “¡publicar o perecer!
Hipótesis nula y alternativa
La importancia de las ecuaciones lineales radica no sólo en el hecho de que muchas correlaciones son de esta forma, sino también en que pueden proporcionar buenas aproximaciones de correlaciones complicadas que serían difíciles de describir en términos matemáticos. Un conjunto de pares de variables se denomina población bivariante o población definida por dos variables. Los mínimos cuadrados y la regresión lineal se aplican a poblaciones bivariantes. Los siguientes diagramas de dispersión describen los datos de la tabla: 0 1 2 3 4 5 6 7 8 9 10 1 2 4 4 3 6 8 10 9 7 12 con una aproximación lineal de los datos :
Con el conjunto de datos [ 0 1 2 3 4 5 6 7 8 9 10 1 2 4 4 3 6 8 10 9 7 12 ], ∙ ∑_{i=1}ⁿX_{i}Y_{i}=(0⋅1) +(1⋅2) +(2⋅4) +(3⋅4) +(4⋅3) +(5⋅6) +(6⋅8) +(7⋅10) +(8⋅9) +(9⋅7) +(10⋅12)= 437 ∙ ∑_{i=1}ⁿX_{i}=0+1+2+3+4+5+6+7+8+9+10= 55 ∙ ∑_{i=1}ⁿY_{i}=1+2+4+3+6+8+10+9+7+12= 66 ∙ ∑_{i=1}ⁿX_{i}=0²+1²+2²+3²+4²+5²²+6²+7²+8²+9²+10²= 385 ∙