La declaración de que la media de una población es igual a algún valor dado de μ0 se conoce como: Hipótesis unilateral Hipótesis bilateral. Hipótesis nula.
Cuando la hipótesis alternativa adopta la forma HA:μ≠μ0, se deberá efectuar: Prueba de una cola. Prueba de dos colas. Prueba Z.
Mediante un censo poblacional se determina que el promedio de hijos por familias es de tres, al cabo de 10 años y para optimizar recursos se realiza un muestreo al 10 % de dicha población. Para conocer si el promedio de hijos por familia es igual o difie e del anterior, usaría: Una prueba t. Una prueba F. Una prueba Z.
Cuando el valor-p digamos 0,1 es mayor al valor de α 0,05 para una prueba de hipótesis de tipo H0:μ=μ0, la decisión sería: Aceptar la hipótesis. Rechazar la hipótesis. Reservarse en su decisión.
La suposición de normalidad requiere que los datos para una prueba provengan de una población cuya distribución es: Simétrica y mesocúrtica. Simétrica y leptocúrtica. Asimétrica y platicúrtica.
En una prueba de hipótesis la probabilidad con la cual estamos dispuestos a arriesgar el rechazo de una hipótesis aun cuando esta es verdadera, está dado por: El valor de Z. El valor de t. El nivel de significancia.
Para efectuar un contraste de hipótesis para un solo promedio poblacional μ con varianza σ2 conocida, usando la distribución normal. Se debe utilizar la siguiente prueba estadística: Prueba Z. Prueba t. Prueba F.
Cuando el valor-p digamos 0,1 es mayor al valor de α 0,05 para una prueba de hipótesis de tipo H0:μ=μ0, la decisión sería: Aceptar la hipótesis. Rechazar la hipótesis. No tiene sentido comparar el valor-p vs α.
En un contraste de hipótesis se comete un error de tipo 1, cuando la declaración respecto a la hipótesis nula es: Aceptar una H0 que es verdadera. Rechazar una H0 que es verdadera. Aceptar una H0 que es falsa.
Cuál de las siguientes afirmaciones no corresponde a una caracteriza una muestra apareada: Son medidas hechas sobre un mismo individuo en tiempos diferentes. Un individuo de un grupo se aparecen tanto como sea posible a otro del segundo grupo. El número de observaciones del primer y segundo grupo no necesariamente son iguales.
El tamaño de una muestra apareada está dada por: El conjunto con mayor cantidad de observaciones La suma de las observaciones entre los dos conjuntos El número de pares entre los dos conjuntos de observaciones.
Luego de realizar una encuesta de seguridad laboral a los empleados de dos fábricas diferentes, que criterio usaría para establecer un diseño de muestras apareadas: El salario. El sexo. La estatura.
Cuál de los siguientes es un dato apareado. Peso entre machos y hembras. Altura entre machos y hembras Peso antes y después de una dieta.
Con que propósito usted usaría un diseño de muestras apareadas, para: Controlar aquellas variables que pueden influir en los resultados. Establecer la misma cantidad de observaciones en dos grupos. Conocer si dos grupos no están relacionados entre sí-.
En un diseño de muestras apareadas, las unidades de medida de cada grupo deben ser: Diferentes entre grupos. Iguales entre grupos Iguales entre grupos y diferentes entre los pares.
Un agricultor selecciona 10 frutales y registra la cantidad de frutos producidos por individuo, luego les aplica un abono orgánico para probar su efectividad en la producción de frutos y vuelve a medir la cantidad de frutos producidos. Estamos frente a un ejemplo de: Muestras apareadas. Muestras independientes Muestras múltiples.
En los diseños de muestras apareadas se analiza principalmente las diferencias entre dos grupos, por lo tanto la prueba estadística se reduce a una: Prueba t. Prueba F. Prueba Z.
En un experimento de laboratorio en donde se prueban dos hormonas de crecimiento A y B sobre un grupo de plantas, la prueba t de muestras pareadas nos permite: Identificar el efecto de las hormonas sobre las plantas. Identificar los factores que influyeron en el crecimiento de las plantas. Confirmar que el efecto producido por las hormonas no es al azar.
La prueba de McNemar sirve para: Verificar hipótesis basadas en la diferencia de medias Determinar qué tipo de distribución presenta una población. Analizar resultados dicotómicos.
Se desea comparar si el nivel de hierro en la sangre es diferente entre un grupo de individuos que padece una enfermedad A y un grupo que padece de una enfermedad B. Este caso corresponde a: Muestras apareadas. Muestras independientes. Muestras múltiples.
Indique cuál de las siguientes afirmaciones caracteriza a un ejemplo de muestras independientes: Cada observación del primer grupo posee una observación del segundo grupo. El número de individuos entre los grupos no necesariamente es el mismo. Un individuo de un grupo se aparece tanto como sea posible a otro del segundo grupo.
Un diseño de muestras independientes requiere que: Las características de los individuos entre dos grupos sean iguales Que los dos grupos tengan la misma cantidad de observaciones. En realidad el número y las características de cada grupo pueden ser diferentes.
La prueba t para dos grupos independientes compara: Las varianzas. Las desviaciones estándar. Las medias.
La prueba t de muestras independientes para su cálculo usa el valor Más alto de la varianza entre los dos grupos. Más bajo de la varianza entre los dos grupos De la varianza promedio de ambos grupos.
El tamaño de una muestra independiente está dada por: El conjunto con mayor cantidad de observaciones. La suma de las observaciones entre los dos conjuntos. El número de pares que se forma entre dos conjuntos de observaciones.
Los grado de libertad para una prueba t de muestras independientes es: n1 + n2 n1 + n2 + 2 n1 + n2 – 2.
Una de las suposiciones para aplicar una prueba t de muestras independientes es que: Las poblaciones provienen de dos muestras normalmente distribuidas. Los datos provienen de poblaciones con diferente varianza. Que cada caso en las dos muestras estén relacionados con todos los demás casos.
Para llevar a cabo una prueba de muestras independientes para la diferencia entre proporciones
usted usaría la prueba: t para muestras independientes.
Z para muestras independientes. F para muestras múltiples.
Una prueba de muestras independientes para la diferencia entre proporciones, nos permite contrastar una hipótesis nula de tipo: H0 : μ1 = μ2 H0 : π1 = π2 H0 : π1 - π2 = 1.
El ANOVA nos permite contrastar si existe o no igualdad entre: Las varianzas de múltiples muestras. Las desviaciones típicas de varias muestras. Los promedios de múltiples muestras.
Una condición para usar el modelo ANOVA de un factor es: La variabilidad de las muestras debe ser igual. Los tamaños de muestras deben ser igual Las muestras deben tener distribuciones diferentes.
Para realizar ciertas pruebas de significancia el ANOVA de un factor utiliza para este fin los estadísticos: Z obtenida versus Z critica. t obtenida versus t critica. F obtenida versus F critica.
Para la prueba F los grados de libertad en el denominador se calculan en base a: El número de grupos que se desea comparar. La suma de las observaciones de cada grupo. El grupo con mayor número de observaciones.
El análisis de varianza de un vía indica que Existe un solo factor que distingue a los grupos entre sí. En los grupos existe una sola variable dependiente. Las varianzas poblacionales son las mismas.
En un estudio se establecen diferentes niveles altitudinales y en cada uno de ellos se selecciona
una muestra de 20, 20 y 19 individuos respectivamente, para determinar su área foliar. Para
responder la pregunta: ¿Varia el área foliar media respecto al nivel altitudinal?, que estadístico de
prueba se debe usar: Prueba Z. Prueba Wilcoxon. Prueba F.
La distribución F se caracteriza por qué: Posee valores positivos y esta sesgada hacia la izquierda. b) Toma valores negativo y esta sesgada hacia la derecha. No puede tomar valores negativos y esta sesgada a la derecha.
Para realizar un contraste de hipótesis para muestras independientes se requiere cumplir con la siguiente suposición: Los grupos tienen una distribución normal. Las desviaciones estándar de los dos grupos son diferentes. Las poblaciones muestreadas tienen la misma dimensionalidad. .
Cuál de las siguiente pruebas no se puede aplicar a un caso de muestras múltiples: ANOVA de un factor. Prueba Chi-Cuadrada. Prueba Z de una media. .
Una de las suposiciones para aplicar una prueba F del análisis de varianza de un factor es que: Las poblaciones provienen de dos muestras normalmente distribuidas. Los datos provienen de poblaciones con diferente varianza. Que cada caso en las dos muestras están relacionados con todos los demás casos. .
Para una especie de bosque seco se determina que la precipitación y el incremento diamétrico posee un coeficiente de correlación de r = 0,30, esto quiere decir que: El coeficiente de correlación explica el 30 % de la varianza. El diámetro de los individuos se incrementa 30 %. Las variables esta poco relacionadas.
Dos variables correspondientes a la altura (X) y el peso (Y) de un grupo de individuos, no están correlacionadas cuando: r = -1 r = 1 r = 0.
En un conjunto de datos cuando Y disminuye conforme X aumenta, el valor del coeficie te de
correlación r es: Menor que cero Mayor que cero. Igual a cero.
Cuál de las siguientes variables usaría como variable dependiente de la altura de un mamífero: La edad. El peso. El sexo.
De los siguientes casos en cuál de ellos es necesario un análisis de regresión lineal: La altura y el peso de un grupo de individuos. El sexo y la edad de una población de colibríes. La forma del pico y la longitud corporal de las aves.
La técnica que nos permite conocer el cambio en una de las variables que corresponde a un cambio dado en la otra es: El coeficiente de correlación de Pearson. Los modelos de regresión lineal. El análisis de varianza ANOVA.
A través de un estudio de dinámica, se desee conocer si la riqueza de especies del estrato arbóreo tiene relación con la riqueza de la regeneración natural. Para ello se debe usar: Coeficiente de Spearman Coeficiente de Pearson. Un ANOVA.
El modelo de regresión lineal simple y=a +bx, expresa lo siguiente: El incremento de Y por cada unidad de incremento de X. El incremento de X por cada unidad de incremento de Y. El valor de Y cuando a y b valen 1.
Para determinar cuánto se ajusta un modelo de tipo y=α+βx a los datos observados, una manera de darse una idea de estos es a través del: Coeficiente de correlación r. Coeficiente de determinación R2 Modelo de relación lineal.
Luego de establecer un modelo lineal simple entre el número de automóviles y el contenido de plomo en el aire. Se determina para este modelo un coeficie te de determinación (R2) de 0,49. Entonces, el coeficie te de correlación entre estas dos variables será: r=0,49. r=0,70. No existe relación entre el r y R2.
Para efectuar un contraste de hipótesis para un solo promedio poblacional μ con varianza σ2 desconocida, pero con el valor del estadístico s2 conocido. Se debe utilizar la siguiente prueba estadística: Prueba Z. Prueba t. Prueba F.
|
