En las estadísticas, una hipótesis nula es una disposición de la hipótesis que se anulará o refutada para apoyar una hipótesis del suplente. Cuando está utilizada, la hipótesis nula es verdad presumido hasta que la evidencia estadística bajo la forma de prueba de la hipótesis indique de otra manera. En ciencia, la hipótesis nula se utiliza para probar diferencias en grupos del tratamiento y de control, y la asunción al principio del experimento es que ninguna diferencia existe entre los dos grupos para el variable que es comparado. El término fue acuñado por el genetista inglés y el Ronald Fisher del estadístico.

Introducción

La hipótesis nula propone algo verdad inicialmente presumida. Se rechaza solamente cuando llega a ser evidentemente falsa, es decir, cuando el investigador tiene cierto grado de confianza, el generalmente 95% a el 99%, que los datos no apoyan la hipótesis nula.

Un ejemplo

Por ejemplo, si queremos comparar las puntuaciones del test de dos muestras al azar de hombres y de mujeres, una hipótesis nula sería que la cuenta mala de la población masculina era igual que la cuenta mala de la población femenina: H 0 del

l : μ 1 = μ 2

donde: H del

l 0 = el &mu del
de la hipótesis nula; 1 = el medio de la población 1, y &mu del
; 2 = el medio de la población 2.

Alternativo, la hipótesis nula puede postular que las dos muestras están extraídas de la misma población, de modo que la variación y la forma de las distribuciones sean iguales, así como los medios.

La formulación de la hipótesis nula es un paso vital en la significación estadística de la prueba. Formular tal hipótesis, una puede establecer la probabilidad de observar los datos obtenidos o los datos más diferentes de la predicción de la hipótesis nula, si la hipótesis nula es verdad. Que la probabilidad es qué comúnmente se llama el " level" de la significación; de los resultados.

Es decir, en diseño experimental científico, podemos predecir que un factor particular producirá un efecto sobre nuestra variable dependiente - ésta es nuestra hipótesis alternativa. Entonces consideramos cuantas veces esperábamos observar nuestros resultados experimentales, o de los resultados extremo aún más, si recogiéramos muchas muestras de una población donde no había efecto (es decir nosotros prueban contra nuestra hipótesis nula). Si encontramos que sucede esto raramente (hasta el, por ejemplo, 5% del tiempo), podemos concluir que nuestros resultados apoyan nuestra predicción experimental - rechazamos nuestra hipótesis nula.

Carencia de la direccionalidad

La hipótesis nula no tiene dirección. Es decir, si formulamos un uno-atado de la hipótesis alternativa que el uso de la droga A lleve al crecimiento creciente en los pacientes, la hipótesis nula sigue siendo que el uso de la droga A no tendrá ningún efecto en crecimiento en los pacientes . No es simplemente el contrario de la hipótesis alternativa - es decir, no es el que el uso de la droga A no llevará al crecimiento creciente en pacientes.

Para explicar porqué éste debe estar así pues, es instructivo considerar la naturaleza de las hipótesis contorneadas arriba. Estamos prediciendo que los pacientes expuestos para narcotizar A verán el crecimiento creciente comparado a un grupo de control que no reciben la droga. Es decir, H 1 del

l : μ drug > μ control

donde:

μ = el crecimiento malo de los pacientes.

La hipótesis nula es el H 0: μdrug = μcontrol

No es el H 0incorrect: <= μcontrol de μdrug

Esto es porque, para calibrar la ayuda para la hipótesis alternativa, la prueba clásica de la hipótesis nos requiere calcular cuantas veces habríamos obtenido extremo de los resultados tan como nuestras observaciones experimentales. Para hacer esto, necesitamos poder modelar la distribución de muestra característica de la hipótesis nula. No podemos crear este modelo si es impreciso: como Fisher, que primero acuñó el " del término; hypothesis" nulo; dicho, " la hipótesis nula debe ser exacta, eso está libre de la imprecisión y de la ambigüedad, porque debe suministrar la base del “problema de la distribución,” cuyo la prueba de la significación es el solution."

Así la hipótesis nula debe ser numéricamente exacta - debe indicar que una cantidad o una diferencia particular es igual a un número particular. En ciencia clásica, es lo más típicamente posible la declaración que hay ningún efecto de un tratamiento particular; en observaciones, es típicamente que hay ninguna diferencia entre el valor de una variable medida particular y el de una predicción.

(Sin embargo, muchos estadísticos creen que es válido indicar la dirección como parte de la hipótesis nula (por ejemplo ven http://davidmlane. La lógica es absolutamente simple: si se omite la dirección, después si la hipótesis nula no se rechaza es absolutamente confusa interpretar la conclusión. Decir, la falta de información es que el medio de población = 10, y la alternativa uno-atada: medio > 10. ¿Si la evidencia de la muestra obtenida a través de x-barra iguala -200 y la estadística correspondiente de la t-prueba iguala -50, cuál es la conclusión? ¿No bastante evidencia para rechazar la hipótesis nula? ¡Seguramente no! Pero no podemos aceptar la alternativa unilateral en este caso. Por lo tanto, para superar esta ambigüedad, es mejor incluir la dirección del efecto si la prueba es unilateral.)

Limitaciones

Una hipótesis nula es solamente útil si es posible calcular la probabilidad de observar un conjunto de datos con parámetros particulares de él. En general es mucho más duro ser exacto sobre cómo el probable los datos sería si la hipótesis alternativa era verdad.

Si las observaciones experimentales contradicen la predicción de la hipótesis nula, significa que o la hipótesis nula es falsa, o el acontecimiento bajo observación ocurre muy improbable. Esto nos da alta confianza en la falsedad de la hipótesis nula, que se puede mejorar en proporción con el número de ensayos conducidos. Sin embargo, aceptar la hipótesis alternativa nos confía solamente a una diferencia en parámetros observados; no prueba que la teoría o los principios que predijeron tal diferencia es verdades, puesto que es siempre posible que la diferencia podría ser debido a los factores adicionales no reconocidos por la teoría.

Por ejemplo, rechazando de nulo hipótesis que predice que los índices de relevación del síntoma en una muestra de pacientes que recibieron un placebo y una muestra que recibieron una droga medicinal serán iguales permiten que hagamos una declaración no nula (que diferenciaron las tarifas); no prueba que la droga relevó los síntomas, aunque nos da más confianza en esa hipótesis.

La formulación, la prueba, y el rechazamiento de hipótesis nulas es metodológico constantes con el modelo de Falsifiability del descubrimiento científico formulado por el Karl Popper y creído extensamente para aplicarse a la mayoría de las clases de la investigación empírica . Sin embargo, las preocupaciones con respecto a la alta energía de las pruebas estadísticas de detectar diferencias en muestras grandes para haber llevado a las sugerencias para redefinir la hipótesis nula, por ejemplo como hipótesis que un efecto baja dentro de una gama consideraban insignificante. Esto es una tentativa de tratar la confusión entre no-estadísticos entre el significativo y el substancial, puesto que bastante grandes las muestras son probables poder indicar a menor de edad de las diferencias sin embargo.

La teoría que es la base de la idea de una hipótesis nula se asocia de cerca a la teoría de la frecuencia de la probabilidad, en la cual las declaraciones de probabilidad se pueden hacer solamente sobre las frecuencias relativas de acontecimientos en muestras arbitrariamente grandes. Una falta de rechazar la hipótesis nula es significativa solamente en lo referente a una población arbitrariamente grande de quien la muestra observada se suponga para ser extraída.

Diagonal de la publicación

considera también:

l diagonal de la publicación

En el 2002, un grupo de psicólogos lanzó un nuevo diario dedicado a los estudios experimentales en psicología que apoyan la hipótesis nula. El diario del de artículos en apoyo de la hipótesis nula (JASNH) fue fundado para tratar un diagonal de publicación científico contra tales artículos. Según los redactores,

"otros diarios y revisores han exhibido un diagonal contra los artículos que no rechazaron la hipótesis nula. Planeamos cambiar eso ofreciendo un enchufe para los experimentos que no alcanzan los niveles de significación tradicionales (p < 0. Así, reduciendo el problema del cajón de archivo, y reduciendo el diagonal en literatura psicologica. Sin tal recurso los investigadores podrían perder su tiempo que examinaban las preguntas empíricas que se han examinado ya. Recogemos estos artículos y los proporcionamos a la comunidad científica libre de cost."

El " Problem" del cajón de archivo; es un problema que existe debido al hecho de que el académico tiende a no publicar los resultados que indican que la hipótesis nula no podría ser rechazada. Es decir, consiguieron un resultado estadístico significativo que indicó que no existió la relación que buscaban. Aunque estos papeles pueden a menudo ser interesantes, tienden a terminar para arriba inédito, en " archivo drawers."

Ioannidis ha hecho un inventario los factores que deben alertar a lectores a los riesgos de diagonal de la publicación.

¡Controversia

La prueba de la hipótesis nula es polémica cuando la hipótesis alternativa se sospecha para ser verdad al principio del experimento, haciendo la hipótesis nula el revés de lo que cree el experimentador realmente; se propone para permitir solamente que los datos lo contradigan. Muchos estadísticos han precisado que rechazando la hipótesis nula no dice nada o muy poco sobre la probabilidad que la falta de información es verdad. Debajo de la prueba tradicional de la hipótesis nula, se rechaza la falta de información cuando P (datos | Falta de información) (donde P (x|y) denota la probabilidad de y dada x ) es muy pequeña, dice 0. Sin embargo, los investigadores están realmente interesados en P (falta de información | Datos) cuál no se puede deducir de un P-valor . En algunos casos, P (falta de información | Los datos) se acercan a 1 mientras que P (datos | La falta de información) se acerca a 0, es decir podemos rechazar la falta de información cuando virtualmente es seguramente verdad. Por esto y otras razones, el Gerd Gigerenzer ha llamado el " de la prueba de la hipótesis nula; statistics" despreocupado; mientras que Jacob Cohen lo describe como ritual conducido para convencerse que hacemos la evidencia necesitar para confirmar nuestras teorías.

Los estadísticos Bayesian rechazan normalmente la idea de la prueba de la hipótesis nula. Dado un la distribución de probabilidad anterior para uno o más parámetros, la evidencia de la muestra se puede utilizar para generar una distribución posterior actualizado. En este marco, pero el no en el marco de la prueba de la hipótesis nula, es significativa hacer declaraciones del " general de la forma; la probabilidad que el valor verdadero del parámetro es mayor de 0 es p".

  • Zenithic
  • Bellou
    Random links:Centro de comunicaciones | Rastro de la edad de hielo | Lista de cuatro miembros fantásticos | Harry Vincent | Lista de apodos del jugador del billar

  • © 2007-2008 enciclopediaespana.com; article text available under the terms of GFDL, from en.wikipedia.org
    ="http://pagead2.googlesyndication.com/pagead/show_ads.js">