Estadístico de contraste: definición, propiedades y tipos

Definición y concepto

Un estadístico de contraste es un valor numérico derivado de los datos observados que sirve como herramienta fundamental en el proceso de inferencia estadística, específicamente dentro de la metodología de los contrastes de hipótesis. Su función principal es resumir la información contenida en una muestra en un solo indicador cuantitativo que permita evaluar la verosimilitud de la hipótesis nula frente a los datos empíricos. Este concepto no es meramente descriptivo, sino que actúa como el núcleo del mecanismo de decisión estadística, transformando la incertidumbre de la muestra en una base objetiva para aceptar o rechazar afirmaciones sobre un parámetro poblacional.

Función en la toma de decisiones

La construcción de un contraste de hipótesis se basa habitualmente en este tipo de estadístico, el cual sintetiza la discrepancia entre lo observado y lo esperado bajo la suposición de que la hipótesis nula es cierta. El proceso de decisión no es arbitrario; se sustenta en la comparación del valor calculado del estadístico con un umbral crítico determinado de antemano. Cuando el valor del estadístico supera este límite fijado a priori, se considera que la evidencia muestral es lo suficientemente fuerte como para rechazar la hipótesis nula. Este mecanismo permite cuantificar el grado de sorpresa de los datos observados, facilitando una decisión estructurada basada en la probabilidad y no solo en la intuición.

Importancia de la distribución muestral

Una propiedad esencial y definitoria de todo estadístico de contraste es que su distribución muestral bajo la hipótesis nula debe ser conocida o al menos calculable, ya sea de forma exacta o aproximada. Esta característica es lo que otorga validez al contraste, ya que permite determinar la probabilidad de obtener un valor tan extremo como el observado si la hipótesis nula fuera verdadera. Sin un conocimiento claro de esta distribución, sería imposible establecer los umbrales de significancia ni calcular los valores p que guían la decisión final. La capacidad de calcular esta distribución asegura que el proceso de inferencia sea reproducible y riguroso, permitiendo a los investigadores cuantificar el error asociado a cada decisión tomada sobre los datos.

¿Cómo funciona el proceso de decisión?

El proceso de decisión en un contraste de hipótesis se fundamenta en la evaluación de la rareza del valor observado del estadístico de contraste bajo el supuesto de que la hipótesis nula sea verdadera. Este mecanismo no busca probar la verdad absoluta de la hipótesis, sino determinar si los datos proporcionan evidencia suficiente para rechazarla. Esta calculabilidad es lo que distingue a un estadístico de contraste adecuado de otros resúmenes de datos que, aunque útiles, no sirven para la inferencia formal.

Diferenciación con estadísticos descriptivos

No todo valor calculado a partir de una muestra puede funcionar como estadístico de contraste. Por ejemplo, estadísticos puramente descriptivos como el rango presentan dificultades significativas para determinar su distribución muestral bajo condiciones específicas de la hipótesis nula. Sin una distribución conocida o aproximable, es imposible cuantificar la probabilidad de observar un valor extremo, lo que impide establecer un criterio objetivo de rechazo. En cambio, los estadísticos de contraste, como la prueba t de Student o la prueba F, poseen distribuciones teóricas bien establecidas (distribución t, distribución F, etc.) que permiten este cálculo preciso.

Mecanismo de rechazo basado en umbrales

La decisión de rechazar o no la hipótesis nula se toma comparando el valor calculado del estadístico con un umbral fijado a priori. Este umbral se determina en función de la distribución muestral del estadístico y del nivel de significancia deseado. Cuando el valor del estadístico supera este umbral, se considera que el resultado es lo suficientemente raro bajo la hipótesis nula para justificar su rechazo. Este procedimiento transforma la información resumida en los datos observados en una decisión binaria fundamentada en la probabilidad, permitiendo a los investigadores tomar decisiones sobre hipótesis nulas basándose en la distribución muestral. La claridad de este mecanismo es esencial en tipos de contrastes variados, incluyendo pruebas para una muestra, dos muestras independientes, muestras pareadas, independencia de variables, bondad de ajuste y comparación de modelos.

Clasificación de los estadísticos de contraste

Contrastes de parámetros poblacionales

Este primer grupo de estadísticos se centra en evaluar hipótesis sobre parámetros específicos de una o más poblaciones. Incluye los contrastes para una sola muestra, donde se compara el parámetro muestral con un valor teórico bajo la hipótesis nula. También abarca los contrastes para dos muestras independientes, útiles cuando se desea determinar si existen diferencias significativas entre dos grupos no relacionados. Por último, se incluyen las pruebas para muestras pareadas, que analizan la diferencia entre observaciones emparejadas dentro de la misma unidad experimental. En estos casos, la distribución muestral del estadístico bajo la hipótesis nula debe ser conocida o aproximable para calcular el umbral de rechazo.

Contrastes de independencia y distribución

La segunda categoría aborda aspectos estructurales de los datos más allá de parámetros simples. Aquí se encuentran las pruebas de independencia, que determinan si dos variables categóricas están asociadas o son estadísticamente independientes entre sí. También se incluyen las pruebas de bondad de ajuste, que evalúan si una muestra de datos sigue una distribución de probabilidad específica. Un ejemplo destacado es la prueba de Kolmogórov-Smirnov, que compara la función de distribución empírica con una distribución teórica o entre dos distribuciones empíricas. Estos estadísticos permiten tomar decisiones sobre la estructura subyacente de los datos observados.

Estadísticos en el contexto de modelos

El tercer grupo se aplica dentro del marco de modelos estadísticos más complejos. Incluye pruebas sobre la significancia de parámetros individuales dentro de un modelo, evaluando si un predictor aporta información significativa. También abarca estadísticos de bondad de ajuste para modelos, que miden qué tan bien el modelo explica los datos observados. Además, se utilizan para la comparación de modelos anidados o no anidados, permitiendo seleccionar la mejor estructura explicativa. Ejemplos incluyen el test de Wald, el estadístico de desviación y la razón de verosimilitudes. Estos métodos son fundamentales en la inferencia estadística moderna para la selección y validación de modelos.

Tipo de contraste	Ejemplo de estadístico
Parámetros (una muestra, dos muestras, pareadas)	Prueba t de Student, Prueba F
Independencia y distribución	Prueba χ² de Pearson, Prueba de Kolmogórov-Smirnov
Modelos estadísticos	Test de Wald, Estadístico de desviación, Razón de verosimilitudes

Pruebas estadísticas específicas y sus aplicaciones

La aplicación práctica de los estadísticos de contraste se materializa a través de pruebas específicas, cada una diseñada para evaluar hipótesis nulas bajo diferentes estructuras de datos y supuestos distribucionales. La selección del estadístico adecuado depende fundamentalmente de la naturaleza de las variables, el número de muestras y la distribución subyacente.

Prueba t de Student

Este estadístico es fundamental para el contraste de medias. Se emplea cuando se desea evaluar si la media de una población difiere de un valor hipotético o si dos medias poblacionales son iguales. Existen variantes específicas para distintos diseños experimentales: la prueba t para una sola muestra compara la media muestral contra un valor fijo; la prueba t para dos muestras independientes evalúa la diferencia entre las medias de dos grupos no relacionados; y la prueba t para muestras pareadas analiza las diferencias entre mediciones repetidas en los mismos sujetos o en pares emparejados. Su validez depende de que la distribución muestral de la media sea aproximadamente normal, especialmente útil cuando el tamaño de la muestra es pequeño y la varianza poblacional es desconocida.

Prueba F y comparación de varianzas

El estadístico F se utiliza principalmente para comparar las varianzas de dos poblaciones normales o para evaluar la significancia global en el análisis de varianza (ANOVA). En el contexto de contraste de hipótesis, se rechaza la hipótesis nula de igualdad de varianzas cuando el cociente de las varianzas muestrales supera un umbral crítico determinado por la distribución F. Esta prueba es sensible a la normalidad de los datos y es esencial en la validación de modelos lineales y en la comparación de la bondad de ajuste de modelos anidados.

Prueba χ² de Pearson

La prueba de chi-cuadrado de Pearson es un estadístico de contraste no paramétrico utilizado para evaluar la independencia entre dos variables categóricas o la bondad de ajuste de una distribución observada frente a una distribución teórica. El estadístico mide la discrepancia entre las frecuencias observadas en una tabla de contingencia y las frecuencias esperadas bajo la hipótesis nula. Se aplica ampliamente en estudios de asociación y en la validación de modelos de clasificación, donde la decisión de rechazo se basa en si el valor calculado excede el punto crítico de la distribución χ² correspondiente a los grados de libertad del conjunto de datos.

Prueba de Kolmogórov-Smirnov

Este estadístico mide la máxima diferencia absoluta entre las funciones de distribución empírica de las muestras y la función de distribución teórica (en el caso de una muestra) o entre las funciones de distribución empírica de dos muestras independientes. Es una prueba no paramétrica robusta para evaluar la bondad de ajuste o la igualdad de distribuciones sin asumir una forma funcional específica (como la normalidad). Se rechaza la hipótesis nula cuando la distancia máxima observada supera un umbral crítico, lo que indica que las diferencias entre las distribuciones son estadísticamente significativas.

Test de Wald

El test de Wald es un estadístico de contraste basado en la estimación puntual de un parámetro y su error estándar estimado. Se utiliza frecuentemente en la inferencia asintótica y en la comparación de modelos estadísticos, particularmente en la regresión logística y los modelos lineales generales. El estadístico evalúa si la diferencia entre el valor estimado del parámetro y el valor hipotético bajo la hipótesis nula es significativa en relación con la variabilidad de la estimación. Su ventaja radica en su simplicidad computacional, aunque su precisión depende de que el tamaño de la muestra sea suficientemente grande para garantizar la normalidad asintótica del estimador.

Ejemplo práctico: contraste de hipótesis con una moneda

El contraste de hipótesis se ilustra claramente mediante el ejemplo clásico de determinar si una moneda está trucada. Supóngase que se lanza una moneda 100 veces y se desea evaluar la hipótesis nula de que la moneda es justa, es decir, que la probabilidad de obtener cruz (cara o sello, según convención) es de 1/2. Para esto, se define el estadístico de contraste X como el número total de cruces obtenidas en las 100 lanzamientos.

Bajo la hipótesis nula, el estadístico X sigue una distribución binomial con parámetros n = 100 y p = 1/2. La esperanza matemática de esta distribución es de 50 cruces, lo que significa que, si la moneda es justa, se espera obtener aproximadamente 50 cruces en 100 lanzamientos. Para muestras grandes, como en este caso con n = 100, la distribución binomial puede aproximarse por una distribución normal, lo que facilita el cálculo de la significancia del resultado observado.

Este proceso demuestra cómo un conjunto de 100 observaciones individuales (cada lanzamiento) se reduce a un solo número (el valor de X), que luego se utiliza para calcular el p-valor. El p-valor indica la probabilidad de obtener un resultado tan extremo o más que el observado, asumiendo que la hipótesis nula es verdadera. Si el p-valor es menor que un umbral fijado a priori (como 0.05), se rechaza la hipótesis nula, concluyendo que la moneda probablemente está trucada.

Ejercicios resueltos

Ejercicio 1: Cálculo de la esperanza bajo la hipótesis nula

Consideremos un contraste de hipótesis clásico utilizando el ejemplo de una moneda lanzada 100 veces. La hipótesis nula establece que la moneda es justa, lo que implica que la probabilidad de obtener cara es 1/2. El estadístico de contraste se basa en la variable aleatoria X, que representa el número de caras obtenidas. Dado que cada lanzamiento es independiente y tiene dos resultados posibles, X sigue una distribución binomial con parámetros n = 100 y p = 1/2.

La propiedad fundamental del estadístico de contraste requiere conocer su distribución muestral bajo la hipótesis nula. Para la distribución binomial, la esperanza matemática (media) se calcula multiplicando el número de ensayos por la probabilidad de éxito. Aplicando los valores permitidos:

E [ X ] = n ⋅ p = 100 ⋅ 1 2 = 50

El valor esperado es 50. Esto significa que, si la hipótesis nula es cierta, esperaríamos observar aproximadamente 50 caras en 100 lanzamientos. Este valor sirve como punto central para evaluar si el resultado observado se desvía significativamente.

Ejercicio 2: Aproximación normal y toma de decisión

En la práctica, calcular la distribución binomial exacta puede ser laborioso. Una propiedad clave es que la distribución muestral puede ser aproximada por una distribución normal cuando el número de ensayos es suficientemente grande. Para n = 100 y p = 1/2, esta aproximación es válida. La distribución normal está definida por su media (μ = 50) y su varianza, que depende de n, p y 1/2.

El contraste de hipótesis se construye a partir de este estadístico muestral que resume la información de los datos observados en un valor único. Se rechaza la hipótesis nula cuando el valor del estadístico supera un umbral fijado a priori. Si, por ejemplo, observamos un número de caras muy alejado de 50, el valor del estadístico de contraste aumentará. Si este valor supera el umbral crítico determinado por la distribución normal aproximada, se toma la decisión de rechazar la hipótesis de que la moneda es justa.

¿Qué diferencia un estadístico de contraste de un estadístico descriptivo?

Diferencias fundamentales entre estadísticos descriptivos y de contraste

La distinción entre un estadístico descriptivo y un estadístico de contraste radica en su función dentro del proceso de inferencia estadística, aunque ambos surgen del mismo conjunto de datos observados. Un estadístico descriptivo tiene como objetivo principal resumir o caracterizar las propiedades de una muestra específica, ofreciendo una visión simplificada de los datos, como la media o la mediana. En cambio, un estadístico de contraste es una herramienta de decisión utilizada en la prueba de hipótesis. Su propósito no es solo describir, sino cuantificar la evidencia en contra de la hipótesis nula para determinar si esta debe ser rechazada o mantenida.

Aunque existe una superposición significativa, ya que muchos estadísticos pueden cumplir ambos roles, no todos los estadísticos descriptivos son aptos para servir como estadísticos de contraste. Esta calculabilidad permite establecer umbrales críticos y valores p, esenciales para tomar decisiones estadísticas rigurosas.

El caso del rango y la dificultad de la distribución muestral

Un ejemplo ilustrativo de esta diferencia es el rango, que es un estadístico descriptivo muy común utilizado para medir la dispersión de los datos. Sin embargo, el rango rara vez se utiliza como estadístico de contraste principal. La razón técnica es la dificultad para determinar su distribución en el muestreo bajo la hipótesis nula, especialmente cuando el tamaño de la muestra varía o la distribución subyacente no es normal. Sin una distribución muestral conocida o fácilmente aproximable, resulta complejo establecer el umbral a priori necesario para decidir si se rechaza la hipótesis nula.

Por el contrario, estadísticos como la media muestral, cuando se utiliza en la prueba t de Student, son excelentes candidatos para ser estadísticos de contraste porque su distribución (la distribución t) está bien definida bajo ciertas condiciones. Esto permite a los investigadores cuantificar la probabilidad de observar un valor tan extremo como el calculado si la hipótesis nula fuera cierta. Así, la utilidad de un estadístico en la inferencia depende menos de su capacidad descriptiva inmediata y más de las propiedades probabilísticas de su comportamiento bajo el muestreo.

Véase también

Referencias

#Estadística #Inferencia estadística #contraste de hipótesis #distribución muestral #Prueba t de Student