Hipótesis nula y ejemplo alternativo
Supongamos que estas medidas siguen una distribución normal. Si el instrumento fuera insesgado (= 50), ¿cuál sería la probabilidad de que la media de la muestra 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 es elegido por el analista, la potencia de una prueba depende (entre otras cosas) del tamaño real del efecto. En nuestro ejemplo, para un tamaño y diseño fijos, es más fácil detectar un sesgo grande que un sesgo pequeño.
La tabla de datos InsectSprays incluida en R contiene datos de un experimento de Geoffrey Beall (1942) sobre el número de insectos (recuento) en parcelas tratadas con diferentes insecticidas (pulverización), con 12 mediciones independientes por tipo de insecticida.
Definición de hipótesis 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 bivariadas. Los siguientes gráficos de dispersión describen los datos de la tabla: 0 1 2 3 4 5 6 7 8 9 10 1 2 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+5²+6²+7²+8²+9²+10²= 385 ∙
Hipótesis nula def
Atención, un error frecuente: en un estudio de no inferioridad que utiliza una prueba unilateral, 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 de referencia.
De hecho, la ley de los grandes números indica que cuando se realiza un sorteo de una serie grande, 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
Hipótesis alternativa def
Cuando aceptamos H0, no decimos que sea verdadera, sólo que nuestra prueba no nos permite cuestionarla. De hecho, puede ser que el tamaño de la muestra sea demasiado pequeño (lo que aumenta la desviación estándar), que la muestra esté mal elegida/ sesgada, etc.
Cuando se desconoce la desviación estándar de la población (σ), se debe utilizar la desviación estándar de una muestra (s). Al igual que con los intervalos de confianza, la ley de Student se utiliza para encontrar el valor crítico con n-1 grados de libertad para tamaños de muestra pequeños (n < 30).
