Explicación clara de qué es el valor p en una prueba de hipótesis, cómo se calcula a partir del estadístico de prueba y de la distribución muestral, y cómo compararlo con el nivel de significancia para tomar una decisión estadística. Incluye un ejemplo numérico resuelto paso a paso.
¿Qué es el valor p en una prueba de hipótesis?
El valor p es la probabilidad de obtener un resultado muestral tan extremo, o más extremo, que el observado, suponiendo que la hipótesis nula es verdadera. En otras palabras, mide qué tan "raro" sería el resultado que obtuviste si en realidad no hubiera ningún efecto o diferencia real en la población.
Cuanto más pequeño sea el valor p, más evidencia hay en contra de la hipótesis nula \( H_0 \). Un valor p grande, en cambio, indica que el resultado observado es perfectamente compatible con \( H_0 \) y que no hay razón suficiente para dudar de ella.
Cómo se calcula el valor p
El valor p no se calcula directamente de los datos crudos, primero hay que obtener el estadístico de prueba. Para una media muestral, cuando se conoce la desviación estándar poblacional, el estadístico es:
\( z = \dfrac{\bar{x} - \mu}{\sigma/\sqrt{n}} \)
donde \( \bar{x} \) es la media muestral, \( \mu \) es la media que propone la hipótesis nula, \( \sigma \) es la desviación estándar poblacional y \( n \) es el tamaño de la muestra. Una vez que tienes ese valor de \( z \), el valor p es el área bajo la curva de la distribución normal estándar que queda más allá de ese punto.
Si la prueba es de una cola, el valor p es el área de esa única cola. Si la prueba es de dos colas, el valor p es la suma de las áreas de ambas colas, es decir, se duplica el área de una sola cola cuando la distribución es simétrica.
Curva normal estándar. El área sombreada más allá del estadístico de prueba observado representa el valor p.
Cómo interpretar el valor p
Para tomar una decisión, el valor p se compara con el nivel de significancia \( \alpha \), que normalmente se fija en 0.05 antes de realizar la prueba. La regla de decisión es sencilla:
Si el valor p es menor que \( \alpha \), se rechaza \( H_0 \) porque el resultado observado sería demasiado inusual para haber ocurrido solo por azar. Si el valor p es mayor o igual que \( \alpha \), no hay evidencia suficiente para rechazar \( H_0 \), y esta se mantiene como plausible.
Es importante recordar que un valor p grande no demuestra que la hipótesis nula sea verdadera, solo indica que los datos no la contradicen.
Ejemplo resuelto
Un fabricante afirma que la duración media de sus baterías es de 50 horas, con una desviación estándar poblacional de 5 horas. Se toma una muestra de \( n = 40 \) baterías y se obtiene una media de \( \bar{x} = 48.2 \) horas. Se quiere probar, con \( \alpha = 0.05 \), si la duración real es menor que la afirmada.
Las hipótesis son \( H_0: \mu = 50 \) y \( H_1: \mu < 50 \), una prueba de una cola. El estadístico de prueba es:
\( z = \dfrac{48.2 - 50}{5/\sqrt{40}} \approx -2.28 \)
Buscando el área de la curva normal estándar a la izquierda de \( z = -2.28 \), se obtiene un valor p de aproximadamente 0.0113. Como \( 0.0113 < 0.05 \), se rechaza \( H_0 \): hay evidencia suficiente para concluir que la duración real de las baterías es menor a 50 horas.
Errores comunes al usar el valor p
Un error frecuente es confundir el valor p con la probabilidad de que la hipótesis nula sea verdadera, cuando en realidad es la probabilidad de los datos observados dado que \( H_0 \) es cierta. Otro error es olvidar si la prueba es de una o dos colas, lo que cambia directamente el valor p calculado. Para ver cómo se organiza todo este proceso de decisión de principio a fin, revisa el método de prueba de hipótesis.