¿Qué es la hipótesis nula?
Todos los valores p que has calculado en tu vida se calcularon dentro de un mundo en el que la hipótesis nula es cierta. Entender qué está haciendo esa suposición es la mayor parte de lo que hace falta para leer bien un resultado.
7 min de lectura · Última revisión: 7 de agosto de 2026
Definición de hipótesis nula
La hipótesis nula, que se escribe H₀, es la afirmación de que no hay
ningún efecto, ninguna diferencia y ninguna relación — que cualquier patrón que
veas en tus datos es obra de la variación aleatoria de siempre.
Es la posición desde la que parte tu contraste y, salvo que la evidencia sea lo bastante
fuerte, la posición en la que se queda. La hipótesis alternativa, H₁ o
Hₐ, es sencillamente su negación: sí hay un efecto.
Por qué los contrastes funcionan en este sentido
No puedes calcular la probabilidad de tus datos bajo "hay un efecto", porque eso abarca infinitas posibilidades — un efecto de 0.1, de 5, de 400. No hay una única distribución contra la que calcular.
"No hay ningún efecto" es preciso. Fija la diferencia exactamente en cero, lo que determina una distribución concreta que el estadístico tiene que seguir, y eso es lo que hace que una probabilidad de cola exacta sea calculable siquiera. Todo el aparato existe porque la nula es la única hipótesis lo bastante específica como para calcular con ella.
Así que el valor p responde a una pregunta estrecha: si la nula fuera cierta, ¿con qué frecuencia se verían unos datos al menos así de extremos? Una respuesta pequeña deja a la nula en una posición incómoda. No hace probable la alternativa — eso necesitaría una probabilidad previa, y ningún valor p la tiene. El explicador del valor p desarrolla por qué son cosas distintas.
Cómo formularla en cada contraste
| Contraste | Hipótesis nula |
|---|---|
| t de una muestra | La media poblacional es igual al valor de referencia |
| t de dos muestras | Las dos medias poblacionales son iguales |
| t para datos emparejados | La diferencia media es cero |
| Dos proporciones | Las dos tasas poblacionales son iguales |
| Correlación | La correlación poblacional es cero |
| Independencia con chi-cuadrado | Las dos variables son independientes |
| ANOVA de un factor | Todas las medias de los grupos son iguales |
Fíjate en la última. La nula del ANOVA es que todas las medias son iguales, así que rechazarla solo te dice que al menos una difiere en algún sitio — no cuál, y no cuántas. Por eso un ANOVA significativo es un principio y no una conclusión.
Fíjate también en que toda nula es una afirmación sobre la población, nunca sobre tu muestra. Las medias de tus muestras van a diferir; la pregunta es si difieren las poblaciones.
Rechazar, o no rechazar — nunca aceptar
Un contraste de hipótesis tiene exactamente dos resultados posibles, y ninguno de los dos es "la nula es cierta".
- Rechazar H₀ — los datos serían sorprendentes si la nula se cumpliera, así que la nula es inverosímil.
- No rechazar H₀ — los datos son compatibles con la nula. También son compatibles con un efecto real que tu estudio era demasiado pequeño para detectar.
La expresión torpe "no rechazar" está haciendo un trabajo real. Un resultado no significativo no puede distinguir entre que no haya efecto y que haya un efecto que no tuviste potencia para ver, así que escribir "no hubo diferencia" afirma algo que el contraste nunca estableció. La versión honesta informa del intervalo de confianza: si va de −0.24 a 9.04, valores de hasta 9 siguen siendo perfectamente compatibles con tus datos, y llamar a eso "ninguna diferencia" es sencillamente falso.
La ausencia de evidencia no es evidencia de ausencia. Demostrar equivalencia exige un diseño distinto — un contraste de equivalencia o de no inferioridad — y no un contraste de significación fallido.
¿Un valor p menor que 0.05 significa rechazar la hipótesis nula?
Sí — esa es la convención, y es toda la regla de decisión. Un valor p menor que 0.05 significa rechazar la hipótesis nula con α = 0.05, porque unos datos al menos así de extremos aparecerían menos del 5% de las veces si la nula fuera cierta. Por encima de 0.05, no la rechazas.
La formulación especular, la de que un valor p menor que 0.05 significa que aceptas la hipótesis nula, tiene la regla del revés por partida doble, y vale la pena separar los dos errores:
- La dirección está invertida. Un valor p pequeño es evidencia en contra de la nula, no a favor. Por debajo de tu α la rechazas; es un valor p por encima de α el que deja la nula en pie.
- "Aceptar" no es un resultado disponible. Incluso cuando p es grande, el resultado es "no rechazar" — los datos son compatibles con que no haya efecto, e igual de compatibles con un efecto real demasiado pequeño para que tu muestra lo detecte.
Así que no hay ninguna combinación de valor p y α que te permita aceptar H₀. O la rechazas o no la rechazas, y ninguno de los dos veredictos es una prueba de ella. Qué te autoriza y qué no te autoriza a afirmar "p < 0.05" se desarrolla en detalle en qué significa realmente un valor p menor que 0.05, y el umbral en sí es una elección y no una ley — véase cómo elegir un nivel de significación.
Contrastar una hipótesis nula con una calculadora de valor p
Convertir una nula ya formulada en una decisión son tres pasos, y una calculadora de valor p se encarga del de en medio.
- Formula H₀ y elige α antes de mirar los datos. Las dos decisiones pierden todo su sentido si las tomas después de ver el resultado.
- Calcula el valor p. Si tu software ya te ha dado un estadístico de contraste, la calculadora de valor p lo convierte — con el área de la cola sombreada, que es una imagen literal de la probabilidad que la nula asigna a unos datos como los tuyos. Si en cambio tienes números en bruto, la calculadora de prueba t y la calculadora de pruebas A/B van directas de los datos a p.
- Compara e informa. Por debajo de α rechazas H₀; por encima, no la rechazas. En cualquiera de los dos casos, informa del valor p exacto junto con un tamaño del efecto y un intervalo de confianza, ya que el valor p por sí solo nunca dice cómo de grande es el efecto.
La ruta equivalente es comparar tu estadístico con un umbral en lugar de calcular un área de cola — la calculadora de valores críticos te da esa frontera. Las dos llegan siempre al mismo veredicto.
Nulas direccionales
Un contraste bilateral tiene la nula "las medias son iguales" y trata una diferencia en cualquiera de los dos sentidos como evidencia en contra. Un contraste unilateral estrecha la alternativa a un solo sentido, así que la nula pasa a ser "ningún efecto, o un efecto en el otro sentido".
El sentido hay que comprometerlo antes de ver los datos. Elegirlo después divide tu valor p entre dos sin añadir ninguna evidencia, y aproximadamente duplica tu tasa de falsos positivos. La guía de unilateral frente a bilateral expone los casos en que es legítimo: son más estrechos de lo que casi todo el mundo supone.
Lo que la nula no es
No es lo que tú crees. Quien investiga suele esperar un efecto; la nula es un instrumento para contrastar esa expectativa, no una declaración de la opinión de nadie.
No es "no ha pasado nada". Es la afirmación concreta de que un parámetro poblacional determinado toma un valor determinado — normalmente cero, pero no siempre. Contrastar si una moneda está equilibrada hace que la nula sea p = 0.5.
Un valor p pequeño no la vuelve falsa. La vuelve improbable en el sentido de que unos datos así de extremos surgieran si fuera cierta. Son afirmaciones distintas, y en la distancia que las separa es donde vive la mayor parte de la mala lectura de los valores p.