Teoría de Pruebas Estadísticas

¿Cuál es el objetivo principal de la teoría de Neyman-Pearson?

¿Qué representa la letra α en la teoría de Neyman-Pearson?

¿Qué es el resultado de aceptar la hipótesis nula en un contraste de hipótesis?

¿Qué se busca en la teoría de Neyman-Pearson?

¿Qué sucede cuando se acepta la hipótesis alternativa en un contraste de hipótesis?

¿Cuál es el propósito de adoptar una decisión en la prueba de hipótesis?

¿Qué es una consecuencia desafortunada del auge de la prueba de hipótesis en las revistas de ciencias de la salud?

¿Qué es lo que se ha considerado erróneamente equivalente a asociaciones o diferencias importantes?

¿Qué sucede cuando se realizan varias comparaciones en un estudio?

¿Qué es lo que se ha comprobado a partir de un resultado estadísticamente significativo?

La teoría de Neyman-Pearson permite controlar la probabilidad de cometer error tipo I (α) y minimizar la probabilidad de cometer error tipo II (β).
El objetivo es fijar α y encontrar la prueba que minimiza β, o maximiza la potencia de la prueba (1 - β).

Un contraste de hipótesis se utiliza para discernir entre dos hipótesis rivales: la hipótesis nula (H0) y la hipótesis alternativa (H1).
El contraste de hipótesis conduce a aceptar o rechazar la hipótesis nula planteada.

En los años cuarenta, los métodos de Fisher y Neyman-Pearson se unieron para dar lugar a la prueba estadística de hipótesis que se conoce hoy en día.
El método toma del valor p como un índice que mide la fuerza de la evidencia.

El uso de la prueba de hipótesis en ciencias de la salud se ha incrementado enormemente en los últimos cincuenta años.
Sin embargo, se ha olvidado el significado clínico del resultado, y se ha enfatizado demasiado en el valor obtenido.

La significación estadística no es lo mismo que la importancia clínica.
Las asociaciones o diferencias estadísticamente significativas no siempre son importantes o relevantes.
La inferencia apropiada es que se ha comprobado una asociación o diferencia distinta de cero, no que sea necesariamente intensa o importante.
El aumento del número de comparaciones aumenta las posibilidades de encontrar una diferencia "estadísticamente significativa".