La hipótesis nula es una afirmación estadística inicial que asume la ausencia de efecto, diferencia o relación entre variables en una población. Representa el estado de cosas por defecto, a menudo descrito como la "hipótesis del estatus quo" o de "ningún cambio", y sirve como punto de partida para el método de prueba de hipótesis en la inferencia estadística. El objetivo del análisis no es demostrar que esta hipótesis es cierta con absoluta certeza, sino recopilar suficiente evidencia en sus contra para poder rechazarla a favor de una explicación alternativa.
Este concepto es fundamental en la investigación científica porque impone una carga de la prueba estricta. Al asumir que "nada ha cambiado" hasta que los datos digan lo contrario, se reduce la probabilidad de creer en un efecto que podría ser simplemente fruto del azar. Sin esta estructura lógica, los resultados de experimentos médicos, estudios sociales o pruebas de calidad industrial carecerían de un estándar objetivo para determinar su significancia.
Definición y concepto
La hipótesis nula, denotada habitualmente como H0, es la afirmación base en una prueba de significancia estadística. Establece que no existe efecto, diferencia o asociación entre las variables estudiadas. Representa el estado de cosas por defecto o la ausencia de cambio. No es simplemente una suposición al azar; es la posición de escepticismo que debe ser refutada con evidencia cuantitativa.
El principio de inocencia estadística
En el razonamiento estadístico, la hipótesis nula se asume verdadera hasta que los datos sugieran lo contrario. Este enfoque se asemeja al principio legal de "inocente hasta que se demuestre lo contrario". El investigador no prueba directamente la hipótesis nula, sino que recopila evidencia para ver si es lo suficientemente fuerte como para rechazarla. Si la evidencia es débil, se mantiene la hipótesis nula, aunque esto no la confirma definitivamente.
Dato curioso: El término "nula" proviene del latín nulla, que significa "ninguna". Refleja la idea de que no hay efecto medible o que la diferencia observada es esencialmente cero.
Es fundamental entender que la hipótesis nula rara vez es lo que el investigador desea demostrar. Generalmente, el interés científico reside en encontrar un efecto nuevo o una diferencia significativa. Sin embargo, la estructura lógica de la prueba requiere plantear lo opuesto como punto de partida. Esto permite cuantificar la probabilidad de observar los datos si el efecto fuera, de hecho, inexistente.
Contraste con la hipótesis alternativa
La hipótesis nula siempre tiene una contraparte: la hipótesis alternativa, denotada como H1 o Ha. Mientras que H0 afirma que no hay efecto, H1 afirma que sí lo hay. Ambas hipótesis deben ser mutuamente excluyentes y, en muchos casos, exhaustivas. No pueden ser verdaderas al mismo tiempo para el mismo parámetro poblacional.
Por ejemplo, si se estudia la eficacia de un nuevo fármaco, la hipótesis nula podría ser que la media de recuperación con el fármaco es igual a la media con el placebo. Matemáticamente, esto se expresa como:
H0:μfaˊrmaco=μplaceboLa hipótesis alternativa, en cambio, afirmaría que las medias son diferentes:
H1:μfaˊrmaco=μplaceboLa elección entre aceptar o rechazar H0 depende del valor p, que mide la probabilidad de obtener resultados tan extremos como los observados, asumiendo que la hipótesis nula es cierta. Un valor p bajo indica que los datos son poco probables bajo H0, lo que lleva a su rechazo en favor de H1.
Este marco lógico evita errores comunes en la interpretación de datos. Sin una hipótesis nula bien definida, sería difícil distinguir entre una variación aleatoria y un efecto real. La claridad en la formulación de H0 es, por tanto, el primer paso crítico en cualquier análisis estadístico riguroso. La consecuencia es directa: sin un punto de referencia nulo, la significancia pierde su significado.
¿Qué diferencia la hipótesis nula de la alternativa?
La distinción entre la hipótesis nula (H0) y la hipótesis alternativa (H1 o Ha) no es meramente simbólica; define la estructura lógica de toda prueba estadística. Mientras la nula representa el estado de "cosecha" o ausencia de efecto, la alternativa es lo que el investigador intenta demostrar. Esta asimetría es fundamental para controlar el error.
Lógica de la prueba y carga de la prueba
En la inferencia estadística clásica, la hipótesis nula suele formularse como una afirmación de igualdad o no diferencia. Por ejemplo, si se evalúa un nuevo fármaco, H0 establece que la media del efecto del medicamento es igual a la del placebo. Matemáticamente, esto se expresa como:
H0:μmed=μplaceboLa hipótesis alternativa, en cambio, postula una diferencia. Puede ser unilateral (mayor que, menor que) o bilateral (distinto de). La lógica de la prueba es contrapuntística: no se demuestra H1 directamente, sino que se recopilan datos suficientes para rechazar H0. Si la evidencia contra la nula es suficientemente fuerte (generalmente con un nivel de significancia α=0.05), se acepta la alternativa.
Dato curioso: Esta lógica se debe en gran parte a Ronald Fisher y Jerzy Neyman. Fisher veía la prueba como un filtro para descartar la nula, mientras que Neyman introdujo la idea de elegir entre dos hipótesis competidoras para minimizar el coste del error.
Comparativa de características
La siguiente tabla resume las diferencias estructurales clave entre ambas hipótesis. Es crucial entender que la "carga de la prueba" recae casi siempre sobre la alternativa, aunque la decisión formal se toma sobre la nula.
| Característica | Hipótesis Nula (H0) | Hipótesis Alternativa (H1) |
|---|---|---|
| Simbología típica | Contiene igualdad: =, ≤, ≥ | Contiene desigualdad: =, >, < |
| Carga de la prueba | Se asume verdadera hasta que se demuestre lo contrario (status quo) | Requiere evidencia estadística significativa para ser aceptada |
| Error asociado si se rechaza incorrectamente | Error Tipo I (Falso Positivo): Se rechaza H0 cuando era cierta | Error Tipo II (Falso Negativo): Se acepta H0 cuando H1 era cierta |
| Ejemplo: Moneda | La moneda es justa (P(Cara)=0.5) | La moneda está sesgada (P(Cara)=0.5) |
El riesgo de cometer un Error Tipo I (α) es el que controla el investigador al fijar el nivel de significancia. Por otro lado, el Error Tipo II (β) depende del tamaño de la muestra y del efecto real. Equilibrar ambos errores es el arte del diseño experimental. No confundir la aceptación de H0 con su "verdad absoluta" es vital: a menudo, simplemente no hay suficiente evidencia para descartarla.
Historia y contexto
El concepto de hipótesis nula no nació como una verdad absoluta, sino como una herramienta práctica para tomar decisiones bajo la incertidumbre. Sus raíces se hunden en la estadística inferencial de principios del siglo XX, específicamente en los campos experimentales, donde distinguir la señal del ruido era vital para el progreso científico. La evolución de esta noción refleja un cambio de paradigma: pasar de la mera descripción de los datos a la inferencia sobre la población general a partir de una muestra limitada.
Los orígenes: Fisher, Neyman y Pearson
Ronald Fisher introdujo la hipótesis nula en la década de 1920, principalmente en el contexto de la experimentación agrícola en la estación de investigación de Rothamsted. Para Fisher, la hipótesis nula (generalmente denotada como H0) representaba el estado de "no efecto" o "diferencia cero". Su enfoque se centraba en el valor p, que mide la probabilidad de observar un resultado tan extremo como el obtenido, asumiendo que la hipótesis nula es verdadera. Si esta probabilidad era suficientemente baja, el investigador rechazaba H0 a favor de la alternativa.
Dato curioso: Fisher originalmente sugería que un valor p menor a 0,05 era un umbral conveniente para la significancia, pero rara vez lo consideraba una barrera rígida. La rigidez actual es, en gran medida, una herencia posterior.
Posteriormente, Jerzy Neyman y Egon Pearson ampliaron este marco en la década de 1930. A diferencia de Fisher, que se centraba en la fuerza de la evidencia contra H0, Neyman y Pearson introdujeron un enfoque de decisión binaria. Definieron formalmente los errores de Tipo I (rechazar H0 cuando es verdadera) y de Tipo II (aceptar H0 cuando es falsa). Este enfoque dio lugar al concepto de poder estadístico, que es la probabilidad de detectar un efecto cuando realmente existe. La fórmula del poder, 1 - β, se convirtió en un pilar para el diseño experimental.
De los campos de cultivo a la crisis de reproducibilidad
Lo que comenzó como una herramienta para comparar variedades de guisantes o la eficacia de fertilizantes se convirtió en el estándar de oro para casi todas las ciencias empíricas. Sin embargo, la aplicación generalizada de la hipótesis nula trajo consigo problemas metodológicos. En 2026, la crisis de reproducibilidad sigue siendo un tema central en la ciencia. Muchos estudios clásicos, especialmente en psicología y medicina, han demostrado que los resultados significativos bajo H0 no siempre se mantienen cuando se repiten los experimentos.
Esta crisis ha llevado a un cuestionamiento del uso dogmático de la hipótesis nula. Los críticos señalan que confiar únicamente en el umbral de 0,05 puede llevar a falsos positivos y a una sobreestimación del efecto. La consecuencia es directa: la ciencia está adoptando enfoques complementarios, como los intervalos de confianza y los tamaños del efecto, para ofrecer una visión más matizada de los datos. La hipótesis nula sigue siendo útil, pero ya no es la única verdad estadística.
¿Cómo se calcula y prueba la hipótesis nula?
La prueba de hipótesis es un procedimiento estadístico formal para evaluar la evidencia contra una afirmación inicial. No se trata de demostrar que algo es "cierto" con absoluta certeza, sino de medir qué tan probable es observar los datos obtenidos si esa afirmación fuera verdadera. El proceso sigue una lógica deductiva estructurada en cinco pasos fundamentales que permiten tomar decisiones basadas en datos en lugar de intuiciones.
Planteamiento y nivel de significancia
El primer paso consiste en definir claramente las dos hipótesis en juego. La hipótesis nula (H0) representa el estado de cosas por defecto o la ausencia de efecto. Por ejemplo, al probar un nuevo medicamento, H0 podría ser que la media de recuperación con el fármaco es igual a la del placebo. La hipótesis alternativa (H1) es lo que el investigador desea demostrar, como que el medicamento acelera la recuperación. Estas dos afirmaciones deben ser mutuamente excluyantes y agotar las posibilidades relevantes.
Una vez definidas, se establece el nivel de significancia, denotado por la letra griega alfa (α). Este valor cuantifica el riesgo de cometer un error de primer tipo: rechazar la hipótesis nula cuando en realidad es verdadera. En ciencias sociales y biológicas, el estándar más común es α = 0.05, lo que implica una tolerancia del 5% de error. En campos más exigentes, como la física de partículas o los ensayos clínicos farmacéuticos, se suele reducir a 0.01 o incluso 0.001 para mayor rigor.
Cálculo del estadístico y toma de decisión
Con los datos recolectados, se calcula un estadístico de prueba. La elección de este estadístico depende del tipo de dato y del tamaño de la muestra. Para comparar medias con muestras grandes, se utiliza la estadística Z. Para muestras pequeñas con varianza desconocida, se emplea la estadística t de Student. Si se comparan varianzas, se usa la distribución F, y para tablas de contingencia, la chi-cuadrado.
Este cálculo transforma los datos crudos en un valor estandarizado que indica qué tan lejos está el resultado observado de lo esperado bajo H0. A partir de ahí, se determina el valor p (p-value), que representa la probabilidad de obtener un resultado igual o más extremo que el observado, asumiendo que la hipótesis nula es cierta.
Dato curioso: El valor p no mide la probabilidad de que la hipótesis nula sea verdadera, sino la probabilidad de los datos dados la hipótesis. Confundir estas dos probabilidades es uno de los errores más frecuentes en la interpretación estadística.
La decisión final se basa en comparar el valor p con α. Si el valor p es menor o igual al nivel de significancia, se rechaza H0. Esto sugiere que los datos son poco probables bajo la hipótesis nula, ofreciendo evidencia a favor de H1. Si el valor p es mayor que α, se "no rechaza" la hipótesis nula.
Es crucial entender que "no rechazar" no equivale a "aceptar" definitivamente. Significa simplemente que la evidencia disponible no fue lo suficientemente fuerte para descartar H0. Podría ser que el efecto exista pero sea pequeño, o que la muestra fue insuficiente. Decir que se "acepta" la hipótesis nula implica una certeza que los datos, por sí solos, rara vez proporcionan. La consecuencia es directa: la carga de la prueba recae siempre en demostrar el cambio, no en mantener el estatus quo.
Errores tipo I y tipo II
La toma de decisiones en estadística rara vez es perfecta. Al evaluar la hipótesis nula (H0), siempre existe la posibilidad de equivocarse. Estos fallos se clasifican en dos categorías fundamentales: el Error Tipo I y el Error Tipo II. Comprender la diferencia entre ambos es crucial para interpretar correctamente los resultados de cualquier estudio científico o análisis de datos.
Definición de los errores
El Error Tipo I ocurre cuando se rechaza la hipótesis nula cuando, en realidad, es verdadera. Es lo que comúnmente se conoce como un "falso positivo". Imagina un juicio donde el jurado declara "culpable" a un hombre inocente. La consecuencia directa es que se atribuye un efecto o diferencia que no existe realmente. Este error se asocia con el nivel de significancia, denotado como Alpha (α).
Por otro lado, el Error Tipo II sucede cuando no se rechaza la hipótesis nula cuando, de hecho, es falsa. Esto equivale a un "falso negativo". Volviendo al ejemplo legal, sería declarar "inocente" a un hombre culpable. En este caso, se pasa por alto un efecto real porque la prueba no fue lo suficientemente potente para detectarlo. Este error está ligado a la probabilidad Beta (β).
Matriz de decisión
La relación entre la realidad (el estado verdadero de H0) y la decisión estadística se puede visualizar claramente en la siguiente tabla. Es fundamental notar que solo dos de las cuatro combinaciones representan errores.
| Decisión Estadística \ Realidad | H0 es Verdadera | H0 es Falsa |
|---|---|---|
| No rechazar H0 | Acierto (Verdadero Negativo) | Error Tipo II (β) |
| Rechazar H0 | Error Tipo I (α) | Acierto (Verdadero Positivo) |
Dato curioso: En el método científico, tradicionalmente se ha temido más al Error Tipo I (falso positivo) que al Tipo II. Por eso, el valor estándar de α suele fijarse en 0.05, lo que significa que estamos dispuestos a aceptar un 5% de falsos descubrimientos para asegurar que los hallazgos sean robustos.
Relación con Alpha, Beta y el tamaño de la muestra
Existe una tensión inherente entre estos dos errores. Si intentas reducir el Error Tipo I (haciendo α más pequeño, por ejemplo, bajándolo de 0.05 a 0.01), generalmente aumentas la probabilidad de cometer un Error Tipo II (β), a menos que aumentes el tamaño de la muestra. Es difícil mantener ambos errores bajos simultáneamente sin más datos.
El tamaño de la muestra es la palanca más efectiva para controlar ambos errores. Al aumentar el número de observaciones, la potencia estadística (1−β) aumenta. Esto significa que es más probable detectar un efecto real si existe (reduciendo el Error Tipo II) sin necesariamente aumentar la tasa de falsos positivos (manteniendo α constante). Sin embargo, en la práctica, aumentar la muestra siempre tiene un costo en tiempo y recursos.
Ejercicios resueltos
Ejemplo 1: Prueba de media con distribución normal
Supongamos que una fábrica de galletas afirma que cada paquete contiene, en promedio, 500 gramos. Para verificarlo, un inspector toma una muestra aleatoria de 36 paquetes. El peso promedio de la muestra es de 495 gramos. Se sabe que la desviación estándar de la población es de 12 gramos. Queremos probar si el peso real es menor que 500 gramos con un nivel de significancia del 5%.
Primero, establecemos las hipótesis. La hipótesis nula (H₀) es que la media es igual a 500 g. La hipótesis alternativa (H₁) es que la media es menor a 500 g. Esto es una prueba de cola izquierda.
Cálculo del estadístico Z:
Z = \frac{\bar{x} - \mu_0}{\sigma / \sqrt{n}} = \frac{495 - 500}{12 / \sqrt{36}} = \frac{-5}{2} = -2.5 \]\El valor crítico para una prueba de cola izquierda al 5% (α = 0.05) es aproximadamente -1.645. Como -2.5 es menor que -1.645, cae en la región de rechazo. Por lo tanto, rechazamos la hipótesis nula. Hay evidencia suficiente para afirmar que los paquetes pesan menos de 500 gramos en promedio.
Ejemplo 2: Prueba de proporción
Una empresa lanza una campaña publicitaria y afirma que el 40% de los consumidores recordarán la marca después de ver el anuncio. Para comprobarlo, se encuestan 200 personas y 65 de ellas recuerdan la marca. Queremos saber si la proporción real es diferente al 40% con un nivel de significancia del 10%.
Las hipótesis son: H₀: la proporción (p) es igual a 0.40. H₁: la proporción es diferente a 0.40. Esto es una prueba de dos colas.
La proporción muestral es 65/200 = 0.325. Calculamos el estadístico Z:
Z = \frac{\hat{p} - p_0}{\sqrt{\frac{p_0(1-p_0)}{n}}} = \frac{0.325 - 0.40}{\sqrt{\frac{0.40 \times 0.60}{200}}} = \frac{-0.075}{\sqrt{0.0012}} \approx \frac{-0.075}{0.0346} \approx -2.17 \]\El valor p para Z = -2.17 en una prueba de dos colas es aproximadamente 0.03. Como 0.03 es menor que el nivel de significancia de 0.10, rechazamos la hipótesis nula. La tasa de recuerdo parece ser estadísticamente diferente al 40%.
Dato curioso: En la práctica, elegir entre una prueba de una o dos colas antes de ver los datos es crucial. Si eliges mal, el valor p puede cambiar significativamente, alterando la conclusión final.
Aplicaciones prácticas
La hipótesis nula, denotada como H0, sigue siendo la columna vertebral de la toma de decisiones basada en datos en 2026. Su función principal no es probar que algo es "cierto", sino establecer una línea de base de "ningún efecto" o "estado quo" contra la cual se mide la evidencia. Rechazar H0 requiere un umbral de certeza estadística, lo que convierte a esta herramienta en un filtro de ruido en múltiples disciplinas.
Ensayos clínicos y farmacología
En el desarrollo de fármacos, H0 establece que un nuevo tratamiento tiene el mismo efecto que el placebo o la terapia estándar. Los investigadores buscan suficiente evidencia para rechazar esta igualdad. Un error aquí puede significar que un medicamento eficaz se descarta (error tipo II) o que uno con efectos secundarios sutiles se aprueba (error tipo I). La rigurosidad en la definición de H0 es crítica porque los costos de los ensayos clínicos son elevados y la salud del paciente depende de la precisión del rechazo de la hipótesis.
Control de calidad industrial
En la manufactura, H0 se utiliza para verificar la estabilidad de los procesos. Por ejemplo, si se produce un componente con una longitud objetivo de 10 cm, H0 establece que la media de la población de componentes es exactamente 10 cm. Si las mediciones de una muestra muestran una desviación significativa, se rechaza H0 y se activa una alarma para ajustar la maquinaria. Este uso permite detectar desviaciones antes de que se conviertan en defectos masivos, ahorrando costos de producción.
Ciencias sociales y encuestas
En sociología y ciencias políticas, H0 a menudo postula que no hay diferencia entre dos grupos o que una variable no influye en otra. Por ejemplo, al analizar el impacto de una nueva ley educativa, H0 podría ser que el rendimiento académico medio es el mismo antes y después de la implementación. Las encuestas de opinión también usan H0 para determinar si los cambios en la preferencia del votante son estadísticamente significativos o simplemente ruido muestral.
Machine Learning y ciencia de datos
En el aprendizaje automático, H0 es fundamental para la selección de características. Al evaluar si una variable de entrada (como la edad o el ingreso) influye realmente en la variable objetivo (como la probabilidad de compra), se prueba la hipótesis de que el coeficiente de esa variable es cero. Si se rechaza H0, la característica se considera significativa y se mantiene en el modelo. Esto ayuda a simplificar los modelos y a evitar el sobreajuste, mejorando la capacidad de generalización.
Debate actual: En 2026, la dependencia exclusiva del valor p para rechazar H0 está siendo cuestionada. Muchos estadísticos abogan por complementar las pruebas de significancia con intervalos de confianza y tamaños del efecto. Esto permite entender no solo si hay una diferencia, sino qué tan grande es y cuál es su precisión, ofreciendo una visión más rica que un simple "rechazar" o "no rechazar".
La evolución del uso de H0 refleja un cambio hacia una interpretación más matizada de los datos. Ya no se trata solo de cruzar un umbral arbitrario, sino de integrar múltiples fuentes de evidencia para tomar decisiones más robustas.
Críticas y limitaciones actuales
El uso masivo de la hipótesis nula ha generado un debate intenso en la metodología científica, especialmente tras lo que se conoce como la crisis de reproducibilidad en psicología, medicina y biología. Una de las críticas más recurrentes es la dependencia excesiva del valor p como único criterio de verdad. Este enfoque fomenta fenómenos como el p-hacking, donde los investigadores ajustan los datos o el modelo hasta obtener un valor p inferior al umbral convencional de 0.05, a menudo sin informar adecuadamente sobre las decisiones tomadas durante el análisis.
El error de la ausencia de evidencia
Interpretar un resultado "no significativo" como prueba de que no hay efecto es un error lógico frecuente. En muchos casos, la falta de significancia estadística se debe simplemente a un bajo poder estadístico, es decir, a una muestra demasiado pequeña para detectar un efecto real pero sutil. Confundir "ausencia de evidencia" con "evidencia de ausencia" puede llevar a descartar tratamientos o fenómenos válidos. La consecuencia es directa: se pierden oportunidades de descubrimiento al centrarse únicamente en el umbral arbitrario de 0.05.
Significancia estadística versus práctica
Un hallazgo puede ser estadísticamente significativo sin tener ninguna relevancia práctica. Con muestras suficientemente grandes, incluso diferencias mínimas pueden generar valores p muy bajos. Por ejemplo, un medicamento que reduce la duración de un resfriado en 12 minutos puede ser estadísticamente significativo en un ensayo con 10.000 pacientes, pero clínicamente irrelevante para la mayoría de los usuarios. Los investigadores deben distinguir entre la precisión del dato (estadística) y su magnitud real (práctica), utilizando medidas de tamaño del efecto como complemento obligatorio del valor p.
Alternativas metodológicas
Para mitigar estas limitaciones, la comunidad científica está adoptando enfoques complementarios. Los intervalos de confianza ofrecen una visión más rica que el simple valor p, mostrando el rango de valores plausibles para el parámetro estudiado. La estadística bayesiana, por su parte, permite incorporar conocimiento previo y actualizar las probabilidades a medida que llegan nuevos datos, ofreciendo una interpretación más intuitiva de la incertidumbre.
Debate actual: La crisis de reproducibilidad ha revelado que muchos hallazgos publicados no se mantienen al ser repetidos por otros equipos. Esto ha impulsado la revisión de los umbrales tradicionales y el uso de métodos más robustos para validar los resultados científicos.
Estas alternativas no buscan eliminar la hipótesis nula, sino integrarla en un marco más completo. El objetivo es pasar de una decisión binaria (rechazar o no rechazar) a una evaluación matizada de la evidencia. La precisión metodológica requiere reconocer que ningún único número resume toda la complejidad de un fenómeno científico. La evolución continúa hacia una práctica más transparente y menos dependiente de umbrales rígidos.
Preguntas frecuentes
¿Qué significa exactamente que la hipótesis nula sea "verdadera"?
No significa que sea la verdad absoluta, sino que, con base en los datos recolectados, no hay evidencia suficiente para descartarla. Es similar a un juicio donde el acusado se considera "inocente hasta que se pruebe lo contrario"; si la evidencia es débil, se mantiene la inocencia (hipótesis nula), aunque el acusado pueda seguir teniendo dudas.
¿Por qué se le llama "nula" si a veces implica un efecto pequeño?
El término "nula" hace referencia a la ausencia de diferencia significativa o al valor cero en la diferencia entre grupos. Por ejemplo, si se compara la altura media de dos grupos, la hipótesis nula establece que la diferencia es exactamente cero. Si hay una diferencia, por pequeña que sea, esa sería la hipótesis alternativa.
¿Se puede "aceptar" la hipótesis nula o solo se puede "rechazar"?
En rigor estadístico, se suele decir que se "rechaza" o se "no rechaza" la hipótesis nula. Decir que se "acepta" puede ser engañoso porque implica una certeza mayor de la que suele tenerse. No rechazarla significa que los datos son compatibles con ella, pero no necesariamente que sea la única explicación posible.
¿Qué pasa si se rechaza la hipótesis nula cuando en realidad era verdadera?
Eso se conoce como un Error de Tipo I o "falso positivo". Ocurre cuando el estudio concluye que hay un efecto (por ejemplo, que un medicamento funciona) cuando en realidad el efecto era producto del azar. La probabilidad de este error se controla mediante el nivel de significancia, comúnmente fijado en 0.05.
¿Es la hipótesis nula siempre la misma en todos los estudios?
No, depende de lo que se esté midiendo. En un estudio de medicamentos, podría ser "el medicamento tiene el mismo efecto que el placebo". En un estudio de educación, podría ser "el nuevo método de enseñanza produce la misma calificación media que el antiguo". Siempre formula la ausencia de cambio o diferencia específica.
Resumen
La hipótesis nula es la piedra angular de la prueba estadística, estableciendo una afirmación de "ningún efecto" que debe ser desafiada por los datos. Su correcta formulación y prueba permiten a los investigadores distinguir entre señales reales y el ruido aleatorio, utilizando conceptos clave como el valor p y los errores de Tipo I y Tipo II. Comprender este mecanismo es esencial para interpretar críticamente los resultados de estudios científicos, evitando conclusiones precipitadas basadas únicamente en la intuición.
Véase también
- Tesauros en la investigación científica
- Tasas de crecimiento variables
- Investigación cualitativa
- Pasos de la investigación cuantitativa
- Artículo científico
- Tesis doctoral
- Revisión por pares
- Método científico