XII w: 1

Utilizamos el Análisis de Covarianza cuando: Queremos estudiar el efecto de covariación entre dos o más variables. Queremos aislar, estadísticamente, el efecto de alguna variable extraña en nuestro diseño. No tenemos datos suficientes para realizar un análisis de varianza. Queremos realizar un análisis de tendencias de los datos. Queremos realizar un análisis de varianza pero los grupos están relacionados.

Si transformamos unas puntuaciones Xi (X1, X2,… Xn) en otras puntuaciones Yi (Y1, Y2,… Yn), de modo que Y1 = X1 + C, Y2 = X2 + C, …., Yn = Xn +C. La varianza de las nuevas puntuaciones (Y) es la misma que la de las puntuaciones primitiva (X). La varianza de las nuevas puntuaciones (Y) es la varianza de las puntuaciones X, incrementada en la constante C. La varianza de las nuevas puntuaciones (Y) es la varianza de las puntuaciones X, multiplicada en la constante C. La varianza de las nuevas puntuaciones (Y) varía o no, respecto a la varianza de las puntuaciones X en función de cuál sea el valor de la constante C. Ninguna de las anteriores afirmaciones es cierta, habría que calcularlo en cada caso.

¿Podemos obtener como resultado de un análisis de varianza un valor de F menor que la unidad?: Puede suceder y no plantea ningún problema. Si esto ocurre es que nos hemos equivocado en los cálculos. Si esto ocurre es que nuestros datos no se ajustan a los requisitos exigibles para la aplicación del análisis de varianza. Esto sucede cuando no hay diferencias significativas entre los grupos. La F de un análisis de varianza siempre es menor que la unidad.

Cuando en un informe de investigación se dice que la diferencia fue significativa y que p < 0,001 se quiere decir que: La diferencia no es relevante aunque sea significativa. Probablemente la hipótesis nula es verdadera. La diferencia es significativa al 5 por ciento, pero también lo sería al 1 por mil. El nivel de confianza es de 0,001. El intervalo es intersesgado.

Una correlación de - 0,90 entre activación y rendimiento laboral nos indica que: La activación y el rendimiento laboral no se relacionan. A mayor activación mayor rendimiento. A mayor activación menor rendimiento. Hay otras variables extrañas que tienen gran peso. La activación es la causa del rendimiento laboral.

La diferencia entre las medias de una muestra de hombres y otra de mujeres es 0,75. Si esta diferencia no resulta estadísticamente significativa entonces podemos afirmar que: Los hombres y las mujeres difieren pero no lo suficiente. No hay diferencias reales entre las muestras. El contraste es poco potente. Las variables correlacionan. Los hombres y las mujeres no difieren en cuanto a la característica medida.

Una técnica que se utiliza para contrastar si cuatro poblaciones difieren en sus promedios es: Análisis discriminante. Análisis factorial. Diferencia de medias (t de Student). Análisis de varianza. Componentes principales.

En el análisis estadístico de los datos de una investigación, el error tipo I es: El cometido por errores de redondeo cuando no se trabaja con un ordenador potente. La probabilidad de rechazar la hipótesis nula siendo verdadera. La probabilidad de aceptar la hipótesis nula siendo falsa. El error que se comete debido a las expectativas de los sujetos. El error que se comete debido a las expectativas del experimentador.

Si sabemos que el Centil 75 de unos datos es igual a -5 (C75 = -5) podemos asegurar: Que la varianza de esos datos es negativa. Que la amplitud semi-intercuartil es negativa. Que hay 75 puntuaciones negativas. Que la mediana es negativa. Que la media es negativa.

¿Qué es el nivel de significación de un contraste de hipótesis?: La probabilidad de que rechacemos la hipótesis nula siendo verdadera. La probabilidad de que rechacemos la hipótesis nula siendo falsa. La probabilidad de que aceptemos la hipótesis nula siendo verdadera. La probabilidad de que aceptemos la hipótesis nula siendo falsa. La probabilidad de tomar una decisión correcta.

¿Cuál es el procedimiento estadístico que permite valorar la correlación entre dos variables, eliminando el efecto de una tercera?: La correlación parcial. La correlación biserial puntual. La correlación múltiple. La correlación canónica. La correlación biserial.

¿A qué se refiere la característica "robustez" o "fortaleza" de un contraste de hipótesis?: A que se basa en pocos supuestos. A que es muy potente. A que no exige homocedisticidad. A que es insensible a la violación de los supuestos en los que se basa. A que los resultados obtenidos con él son muy fiables.

La escala de eneatipos es una escala derivada de puntuaciones: Centiles. Percentiles. Típicas normalizadas. Quartiles. Típicas lineales.

En un diseño factorial intrasujetos, cuando se viola la esfericidad: Se cumple el principio de circularidad. No se recomienda utilizar procedimientos tipo ARIMA. Se supravaloran los valores obtenidos de F en los efectos principales e interacción. Se cumple el supuesto de homogeneidad. Se cumple el supuesto de independencia de las observaciones.

¿Qué estadístico utilizaría para comparar la variabilidad de dos distribuciones con medias marcadamente distintas?: La varianza. El coeficiente de variación. El coeficiente de contingencia. La amplitud semi-intercuartil. La covarianza.

¿Qué medida de tendencia central utilizaría para representar a una muestra si está estudiando la variable "lugar de nacimiento"?: La media. La mediana. El centil 50. La desviación típica. La moda.

En el caso de que tengamos un diseño factorial y un factor categorial de 4 niveles haya dado una F significativa, ¿qué tipo de análisis estadístico podríamos llevar a cabo?: Pruebas múltiples a posteriori. Efectos principales simples. Efectos simples. Efectos simples - simples. Análisis de tendencias.

¿Cuál es la ventaja de trabajar con puntuaciones típicas?: Que sabemos que se distribuyen según un modelo normal. Que no adoptan valores negativos. Que su media y varianza son constantes. Que en ellas coinciden media, mediana y moda. Que todas las puntuaciones oscilan entre menos 1 y más 1.

Cohen propone como un criterio válido para aumentar la potencia de la prueba de hipótesis: Aumentar la probabilidad de error tipo I. Aumentar la probabilidad de error tipo II. Aumentar la probabilidad de error de tipo I y de tipo II simultáneamente. Disminuir la probabilidad de error de tipo I. Disminuir el tamaño del efecto.

La correlación entre las puntuaciones en un test de inteligencia y las de una prueba de rendimiento es de 0,70 mientras que las de las puntuaciones en un test de ansiedad y las de la mencionada prueba de rendimiento es -0,80. ¿Qué test utilizaríamos para pronosticar las puntuaciones en rendimiento?: El test de inteligencia, puesto que mantiene una relación directa con las puntuaciones en rendimiento. El test de ansiedad, puesto que la correlación es más alta y por tanto también lo será el coeficiente de determinación. El test de inteligencia, puesto que la correlación es más alta. El test de ansiedad, puesto que mantiene una relación inversa con el rendimiento. Ninguno de los dos, pues para poder predecir una variable a partir de otra la correlación entre las puntuaciones debe ser igual a 1.

Si un sujeto obtiene una puntuación típica igual a 2, entonces: Coincide con la media. Supera a la media en dos desviaciones típicas. Su centil es negativo. Su directa es mayor de 100. Es significativa al 1%.

La variable "carrera elegida en primera opción" por un grupo de estudiantes de C.O.U. es una variable: Nominal. Ordinal. Cuantitativa de intervalo. Cuantitativa de razón. Escalar.

En un artículo en el que se encuentra que la media de las mujeres en aptitud espacial es de 57 y la de los hombres 60 se informa que no hay diferencias significativas en tal aptitud entre hombres y mujeres (t80=1,6; p > 0,50). ¿Qué significa esto?: Que la diferencia entre las medias poblacionales de hombres y mujeres no es lo suficientemente grande para ser tenida en consideración. Que la diferencia entre las medias muestrales de hombres y mujeres no es lo suficientemente grande para ser tenida en consideración. Que la información encontrada es compatible con la hipótesis de que las medias poblacionales de hombres y mujeres son idénticas. Que la información encontrada es compatible con la hipótesis de las medias muestrales de hombres y mujeres son iguales. Que la información encontrada es compatible con la hipótesis de las medias poblacionales de hombres y mujeres es pequeña.

¿Que podemos afirmar ante una correlación de r=-0,90 entre creatividad e introversión?: Que ambas variables no se relacionan. Que la creatividad es producida en su mayor parte por la introversión. Que el 90% de la variabilidad en creatividad es explicada por la introversión. Que el 10% de la variabilidad en creatividad es explicada por la introversión. Que el 19% de la variabilidad en creatividad no es explicada por la introversión.

En un grupo de 200 sujetos evaluamos la variable inteligencia y encontramos que el centil 80 es 100. Por tanto: El 80% de los sujetos obtienen puntuaciones superiores a 100. 100 sujetos superan la puntuación 80. El 80% de los sujetos obtienen puntuaciones inferiores a 100. El centil 80 coincide con la mediana. 100 sujetos tienen puntuaciones inferiores a 100.

¿Qué prueba utilizaríamos como índice de acuerdo interjueces cuando nuestra variable es nominal?: La correlación de Pearson. La correlación biserial. La Kappa de Cohen. La correlación curvilínea. El coeficiente Q de Yule.

El popular método de bisección puede ser considerado, en términos de Stevens, como un método de: Producción de intervalos. Estimación de intervalos. Emparejamiento cruzado de intervalos. Producción de magnitudes. Estimación de magnitudes.

Un diseño entresujetos analizado por análisis de varianza necesita asumir: Homogeneidad, independencia y normalidad. Homogeneidad y normalidad. Homogeneidad, independencia, normalidad y esfericidad. Esfericidad, homogeneidad e independencia. Esfericidad, homogeneidad, independencia y simetría compuesta.

La distribución muestral de un estadístico: Es la distribución que se realiza con las observaciones de una muestra. Es la distribución de ese estadístico obtenido en todas las muestras posibles de la población. Es la distribución que se realiza con las observaciones de una población. No es una distribución única, dado que hay tantas como muestras posibles. No existe, sólo podemos hablar de distribución poblacional o de distribución de una muestra.

¿A qué será igual la media de las puntuaciones directas pronosticadas, mediante la recta de regresión, en una variable Y a partir de unas puntuaciones en una variable X?: A la media de las puntuaciones directas obtenidas en Y más la ordenada en el origen de la recta de regresión. A la media de las puntuaciones directas obtenidas en X. A la media de las puntuaciones directas obtenidas en Y multiplicada por la pendiente de la recta de regresión. A la media de las puntuaciones diferenciales, o de desviación, obtenidas en X. A la media de las puntuaciones directas obtenidas en Y.

¿Cuánto valdrá la varianza de unas puntuaciones Y que son una transformación lineal de unas puntuaciones X?: La varianza de Y será igual a la varianza de X. La pendiente al cuadrado de la transformación lineal multiplicada por la varianza de X. La varianza de X más la ordenada en el origen de la transformación lineal. La pendiente al cuadrado de la transformación lineal multiplicada por la varianza de X más la ordenada en el origen de la transformación lineal. La raíz cuadrada de la varianza de X.

¿Qué tipos de puntuaciones nos aportan más información sobre la posición de una observación en una distribución de frecuencias?: Diferenciales. Equivalentes. Directas. Típicas. Pronosticadas.

¿Qué coeficiente de correlación entre los propuestos es el más apropiado para medir el grado de semejanza entre los valores de dos sucesiones ordinales?: De Kendall. Biserial-puntual. Phi. Parcial. Tetracórica.

¿Cuál de las siguientes alternativas define correctamente a la media geométrica de “n” valores X1, X2;…Xn?: La raíz enésima de la suma de los “n” valores. La raíz cuadrada de la medida aritmética de los cuadrados de los “n” valores. La raíz enésima del producto de los “n” valores. La raíz cuadrada del producto de esos “n” valores. La raíz enésima de la media aritmética de los cuadrados de esos “n” valores.

Si la ecuación de regresión para predecir el éxito académico, Y, a partir de las puntuaciones de un test, X, fuese Y = -2 + 5X, entonces la correlación de Pearson entre estas dos variables X e Y sería: Mayor que uno. No se podría calcular. Nula. Negativa. Positiva.

Si a la puntuación obtenida por un niño en un test de inteligencia le corresponde el percentil 80, significa que su nivel de inteligencia: Coincide con el 80% de los niños de su edad. Ha alcanzado un desarrollo madurativo del 80%. Es superado por el 80% de la población general. Supera al 80% de los niños de su edad. Supera al 20% de los niños de su edad.

El coeficiente de variación se utiliza para: Cuantificar la variación conjunta entre dos variables. Comparar la variabilidad de la misma variable en el mismo grupo. Comparar la variabilidad de distintas variables en distinto grupo. Comparar la tendencia central de la misma variable en distintos grupos. Ninguna de las anteriores es cierta.

En inferencia estadística, las pruebas de bondad de ajuste son aquéllas en las que: Se prueba que el muestreo realizado por el investigador es correcto. Probamos si la forma de distribución supuesta en la población es compatible con los resultados muestrales. Se mide la fiabilidad de los datos. Se analiza la validez de las observaciones. Probamos la homogeneidad de las varianzas.

En la inferencia estadística, las técnicas no paramétricas en el contraste de hipótesis se utilizan cuando: El nivel de medida de la variable es ordinal. El nivel de medida de la variable es de intervalos. Queremos estimar un parámetro de la población. El tamaño de la muestra es grande. El nivel de medida de la variable es de razón.

En estadística, utilizamos el análisis de covarianza cuando: Queremos controlar estadísticamente, el efecto de alguna variable extraña en nuestro diseño. Queremos estudiar el efecto de covariación entre dos o más variables. Tenemos dos o más grupos relacionados para comparar. Queremos realizar un análisis de tendencias de los datos. No se cumplen los supuestos paramétricos para poder realizar un Análisis de Varianza.

En el análisis de varianza: El error experimental es la variabilidad en intergrupos o entre los grupos. El error experimental es la variabilidad intragrupos o dentro de los grupos. Los grupos o niveles de la variable independiente deben ser grupos relacionados. Los grupos a compara deben proceder de poblaciones que difieran significativamente entre sus varianzas. La variabilidad intragrupo debe coincidir con la variabilidad intergrupo.

¿Qué podemos afirmar si, como resultado de una investigación, obtenemos una correlación de r = -0.80 entre inteligencia e introversión?: Que cuanto más introvertido es el sujeto, más inteligente. Que ambas variables no se relacionan. Que el 80% de la variabilidad en inteligencia es explicada por la introversión. Que el 36% de la variabilidad en inteligencia no es explicada por la introversión. Que el 20% de la variabilidad en inteligencia es explicada por la introversión.

En estadística inferencial: Para poder realizar un análisis de covarianza basta con que se cumplan los supuestos del análisis de varianza. Para poder realizar un análisis de covarianza se exigen menos supuestos que para el análisis de varianza. Para poder realizar un análisis de covarianza son necesarios los supuestos del análisis de varianza más otros supuestos adicionales. El valor que se obtiene de F en el análisis de varianza debe coincidir con el del análisis de covarianza. El análisis de covarianza se realiza cuando no se cumplen los supuestos paramétricos para realizar un análisis de varianza.

En estadística inferencial, si al realizar un contraste de hipótesis obtenemos que no es posible aceptar la hipótesis nula con un nivel de confianza del 95%, pero sí del 99%: Estamos afirmando que hay una probabilidad del 95% de que la hipótesis nula sea verdadera. La hipótesis nula tiene una probabilidad de un 4% de ser verdadera. Resulta imposible que este caso se dé, dado que si no se acepta a un nivel de confianza del 95%, tampoco se puede aceptar al 99%. Estamos afirmando que hay una probabilidad del 99% de que la hipótesis nula sea verdadera. Hay una probabilidad del 1% de que la hipótesis nula sea verdadera.

En inferencia estadística, el nivel de confianza al que trabajamos en los contrastes de hipótesis: Es sinónimo o equivalente al nivel de significación. Es la probabilidad de rechazar una hipótesis nula que es falsa. Es la probabilidad de aceptar una hipótesis nula que es falsa. Es la probabilidad de rechazar una hipótesis nula que es cierta. Es la probabilidad de aceptar una hipótesis nula que es cierta.

En estadística inferencial, con la estimación puntual de parámetros: No podemos establecer el error cometido al estimar el parámetro. Conocemos la fiabilidad de nuestra estimación. Estimamos el valor del parámetro con una probabilidad de confianza. Conocemos el error cometido al estimar el parámetro. Establecemos dos puntos que forman un intervalo de confianza.

¿De qué se ocupa la estadística descriptiva?: Describe a una población mediante estimaciones muestrales. Describe las características de una muestra utilizando estadísticos muestra. Describe a una población mediante las inferencias realizadas de una muestra. Describe las características de una población utilizando estadísticos muestrales. Describe las características de una muestra mediante parámetros estadísticos.

El porcentaje de sujetos de un grupo normativo que puntúa por debajo de la puntuación empírica de un sujeto, viene determinado por la puntuación: Cronológica. Típica derivada. Empírica. Centil. Típica.

El cociente entre dos varianzas se distribuye según: La curva normal. La distribución t de Student. Chi cuadrado. La distribución de F de Snedecor. No sigue ninguna distribución conocida.

Si en un contraste de hipótesis estadísticas tenemos más de dos muestras relacionadas, una posible prueba a aplicar es: El test de Kruskal-Wallis. El test de Signos. El test de Friedman. La prueba de Wilcoxon. La prueba U de Mann-Whitney.