Psicología

Utilizamos el análisis de covarianza cuando: Queremos aislar, estadísticamente, el efecto de alguna variable extraña en nuestro diseño. Queremos realizar un análisis de tendencia de los datos. Queremos realizar un análisis de varianza , pero los grupos están relacionados. Queremos estudiar el efecto de covariación entre dos o más variables.

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

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

Una correlación de -0,90 entre activación y rendimiento laboral nos indica que: A mayor activación menor rendimiento. La activación es la causa del rendimiento laboral. Hay otras variables extrañas que tienen gran peso. A mayor activación mayor rendimiento.

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

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

En el análisis estadístico de los datos de una investigación, el error de Tipo I es: La probabilidad de rechazar la hipótesis nula siendo verdadera. La probabilidad de aceptar la hipótesis nula siendo verdadera. 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 podemos asegurar: Que la mediana es negativa. Que la varianza de esos datos es negativa. Que hay 75 puntuaciones negativas. Que la amplitud semiintercuartil 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 aceptemos la hipótesis nula siendo verdadera. La probabilidad de tomar una decisión correcta. La probabilidad de que aceptemos la hipótesis nula siendo falsa.

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

A qué se refiere la característica robustez o fortaleza de un contraste de hipótesis: 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. A que es muy potente. A que se basa en pocos supuestos.

Qué estadístico utilizaría par comprobar la variabilidad de dos distribuciones con medias marcadamente distintas: El coeficiente de variación. La varianza. La covarianza. El coeficiente de contingencia.

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

Cuál es la ventaja de trabajar con puntuaciones típicas: Que su media y varianza son constantes. Que no adoptan valores negativos. Que sabemos que se distribuyen según el modelo normal. Que en ellas coinciden media, mediana y moda.

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

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. Disminuir el tamaño del efecto. Disminuir la probabilidad de error Tipo I.

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

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. Análisis de tendencia. Efectos simples. Efectos principales simples.

La escala de Likert es una escala: Ordinal. Nominal. De intervalo. Continua.

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

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

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 obtiene puntuaciones inferiores a 100. El 80% obtiene puntuaciones superiores a 100. El centil 80 coincide con la media. 100 sujetos superan la puntuación 80.

La variable " carrera elegida en primera opción" por un grupo de estudiantes de COU, es una variable: Nominal. Ordinal. Cuantitativa de intervalo. Cuantitativa de razón.

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

En un artículo en el que se encuentra que la media de las mujeres en aptitud espacial es 57 y la de los hombres 60, se informa de que no hay diferencias significativas en tal aptitud entre hombres y mujeres. ¿Qué significa esto?. 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 que las medias muestrales de hombres y mujeres son iguales. Que la diferencia entre las medias poblacionales de hombres y mujeres no es lo suficientemente grande para ser tenida en cuenta. Que la información encontrada es compatible con la hipótesis de que las diferencias entre las medias poblacionales de hombres y mujeres es pequeña.

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

Qué tipo de escalas proporciona el modelo escalar de Guttman: Ordinales. Nominales. Continuas. De intervalo.

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. A la media de las puntuaciones diferenciales, o de desviación, obtenidas en 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.

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

Qué tipo de puntuaciones nos aportan más información sobre la posición de una observación en una distribución de frecuencias. Típicas. Diferenciales. Directas. 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. Phi. Parcial. Tetracórica.

Cuál de las siguientes alternativas define correctamente a la media geométrica de "n" valores: La raíz enésima del producto de los "n" valores. La raíz enésima de la suma de los "n" valores. La raíz cuadrada del producto de esos "n" valores. La raíz cuadrada de la media aritmética de los cuadrados de los "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 + 5.X, entonces la correlación de Pearson entre estas dos variables X e Y sería: Positiva. Negativa. Nula. Mayor de uno.

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

La distribución muestral de un estadístico: 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 muestra. Es la distribución que se realiza con las observaciones de una población. No es una distribución única, dado que hay tantas como muestras posibles.

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

En 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.

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. Queremos realizar un análisis de tendencia de los datos. Tenemos dos o más grupos relacionados para comparar.

En el análisis de varianza: El error experimental es la variabilidad intragrupo o dentro de los grupos. El error experimental es la variablilidad intergrupos o entre los grupos. La variabilidad intragrupo debe coincidir con la variabilidad intergrupo. Los grupos o niveles de la variable independiente deben ser grupos relacionados.

Qué podemos afirmar si como resultado de la investigación, obtenemos una correlación R= -0,80 entre inteligencia e 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. Que cuanto más introvertido es el sujeto , más inteligente es. Que el 80% de la variabilidad en inteligencia se explica por la introversión.

En estadística inferencial: 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. 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.

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

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

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.

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

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

El cociente entre dos varianzas se distribuye según: La distribución F de Snedecor. La distribución T de Student. Chi cuadrado. La curva normal.

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

El coeficiente de correlación de Pearson, al cuadrado: Es el coeficiente de determinación. Es directamente proporcional al error de estimación. Nos indica el error cometido al hacer los pronósticos. Es el error típico de estimación.

En estadística, el error Tipo II es: La probabilidad de mantener la hipótesis nula siendo falsa. La probabilidad de rechazar la hipótesis nula siendo verdadera. El error que se comete siempre que aceptamos una hipótesis nula. El error que se comete debido a las deficiencias del diseño, o error experimental.

Qué se entiende por modelo equilibrado en el análisis de varianza: Cuando los grupos que se comparan tienen el mismo número de elementos o unidades experimentales. Cuando las varianzas son homogéneas. Cuando se ha controlado al máximo el error experimental. Cuando uno de los factores es de efectos fijos y el otro de efectos aleatorios.

Qué se entiende por estimador insesgado: Cuando su esperanza matemática coincide con el valor del parámetro poblacional que estima. Cuando utiliza toda la información muestral posible para estimar un parámetro. Cuando tiene una varianza mínima. Cuando está libre de error experimental.

El análisis de covarianza o ANCOVA: Se utiliza para controlar, estadísticamente, parte del error experimental. Es una técnica que estudia la covariación entre dos variables. Presenta sus resultados en término de correlaciones. Se aplica cuando no tenemos datos suficientes para realizar un análisis de varianza.

Cuál de las siguientes es una propiedad fundamental de la media aritmética: La suma de las diferencias de las puntuaciones respecto a su media vale 0. La suma de las diferencias al cuadrado de las puntuaciones respecto a su media vale 0. La suma de las diferencias de las puntuaciones respecto a su media vale 1. La suma de las diferencias al cuadrado de las puntuaciones respecto a su media es mayor que respecto a cualquier otro valor distinto de la media.

En los contrastes de hipótesis estadísticas: Toda hipótesis nula debe ir acompañada de una hipótesis alternativa. Por cada hipótesis nula existe una única hipótesis alternativa. La hipótesis nula es la que nunca se cumple. El rechazar la hipótesis nula, implica también, el rechazar la hipótesis alternativa.

El muestreo aleatorio estratificado: Asegura que los estratos de la población mantienen una determinada representación de la muestra. Es una técnica en la que se muestrean conjuntos de elementos en vez de los elementos mismos. Es un caso especial del muestreo intencional. Es un muestreo no probabilístico en el que las unidades son incluidas según el criterio de un experto.

En el contraste de hipótesis estadísticas: Una hipótesis nula que ha sido rechazada en un contraste unilateral, a un determinado nivel de confianza, puede no ser rechazada a ese mismo nivel de confianza, si el contraste es bilateral. Cuanto mayor es el nivel de confianza al que trabajemos, mayor será la probabilidad de rechazar la hipótesis nula. A un determinado nivel de confianza, es más fácil rechazar la hipótesis nula en el contraste bilateral que en el unilateral. Una hipótesis nula que ha sido no rechazada a un determinado nivel de confianza, en un contraste bilateral, será también no rechazada si el contraste es unilateral.

En estadística inferencial, decimos que un estimador es insesgado cuando: La media de su distribución muestral coincide con el parámetro que tratamos de estimar. Tiene una varianza pequeña. Es consistente. Utiliza toda la información disponible en la muestra.

La prueba Chi cuadrado de bondad de ajuste: Sirve para probar si los resultados muestrales son compatibles con una hipotética distribución poblacional. Sólo es aplicable cuando el nivel de medida de los datos es de intervalo. No es una prueba de bondad de ajuste. Se utiliza cuando se quiere comprobar la homogeneidad de las varianzas.

Para la estimación puntual de un parámetro poblacional: Debemos utilizar el estimador insesgado de dicho parámetro. Nos basamos en el intervalo de estimación. Debemos calcular el error típico de estimación. Debemos saber el nivel de confianza al que trabajamos.

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

En estadística inferencial, la probabilidad de mantener una hipótesis nula que es cierta es: El nivel de confianza al que trabajamos en el contraste de hipótesis. El nivel de riesgo al que trabajamos en el contraste de hipótesis. La potencia del contraste. El punto que señala la frontera entre la región de aceptación y la de rechazo.

En estadística descriptiva, el coeficiente de variación: Se puede utilizar para comparar variabilidades muestrales de características de distinta naturaleza. Es un coeficiente de correlación con variables categóricas. Mide la variación conjunta de dos variables. Se utiliza para saber si una varianza es significativa.

Tenemos un conjunto de puntuaciones que se distribuyen normalmente, con media igual a 20 y desviación típica igual a cuatro. Sabemos que la puntuación de un sujeto que pertenece a dicho conjunto es de 20. Esto nos permite afirmar: Que su puntuación supera al 50% de las puntuaciones de su grupo. Que su puntuación coincide con el 50% de las puntuaciones de su grupo. Que todos los sujetos obtienen la misma puntuación. Que no tenemos datos suficientes que nos permitan conocer la posición de esta puntuación en el grupo.

Cuando queremos realizar la representación gráfica de variables cualitativas, usamos un: Diagrama de sectores o pictograma. Histograma. Polígono de frecuencias. Polígono de barras.

Si tenemos una ecuación de regresión lineal Y = 2 - 2X que nos pronostica el consumo de alcohol en función de las puntuaciones de un test, podemos afirmar que: A mayor puntuación en el test, menor consumo de alcohol. La correlación lineal entre la puntuación en el test y el consumo de alcohol es positiva. A mayor puntuación en el test, mayor consumo de alcohol. La correlación de Pearson entre la puntuación del test y el consumo de alcohol es igual a cero.

La distribución muestral de la media es normal cuando: Cuando, independientemente del tamaño de la muestra, es normal la distribución de la variable estudiada. La distribución muestral de la media es discreta. Aunque la distribución de la variable estudiada no sea normal, si la muestra es pequeña. Siempre, independientemente de la distribución de la variable estudiada y del tamaño de la muestra.

Si la varianza común entre dos variables es del 49%, ¿ cuál es la correlación entre ambas?. - 0,70. +0,98. +0,49. -0,51.

En los diseños de medidas repetidas, la interacción de los sujetos con las ocasiones de medida, puede dar lugar a que la prueba F resulte negativamente sesgada. ¿Cuál de las siguientes posibilidades puede evitar el problema?. Transformar las puntuaciones. Espaciar los tratamientos. Incrementar el tamaño de la muestra. Reducir el nivel de significación.

Una puntuación típica igual a 2 indica que la puntuación directa correspondiente: Se separa de la media dos veces el valor de la desviación típica. Es el doble de la media. Se separa de la media dos unidades. Se separa de la media dos unidades en valor absoluto.

La unidad de medida en que se expresa el coeficiente de variación es. En ninguna. La de los datos al cuadrado. Aquella en la que viene expresada la desviación típica. La misma en la que estén expresados los datos.

El error de Tipo I es: La probabilidad de rechazar una hipótesis nula verdadera. La probabilidad de aceptar una hipótesis nula verdadera. El coeficiente confidencial. La probabilidad de aceptar una hipótesis nula falsa.

La prueba de bondad de ajuste es un contraste estadístico acerca de: La distribución de una variable aleatoria en la población. La igualdad de dos variables aleatorias en la población. La igualdad de K medias en la población. La pendiente de la función ajustada en la población.

Si en un contraste de hipótesis estadísticas disponemos de más de dos muestras pequeñas e independientes, un posible estadístico de contraste a aplicar es: El test de Kruskal-Wallis. El test de Friedman. La prueba de Wilcoxon. La U de Mann-Whitney.

Si la relación entre dos variables es lineal y se expresa como Y= A+B* X, entonces: B es la pendiente de la recta. B es la ordenada en el origen. A es una constante que indica la pendiente de la recta. X es la variable predictora , Y es la variable criterio y A Y B son las constantes en el origen.

El muestreo polietápico: Es un tipo de muestreo aleatorio por conglomerados. Es un muestreo intencional. Es un procedimiento opinático para seleccionar una muestra en la que se procede por etapas. Es un tipo de muestreo estratificado, en el que se seleccionan las unidades por etapas en diferente número, para que así la muestra resulte representativa de la población.

La probabilidad del error Tipo II (beta) y la potencia de un contraste: Mantienen una relación lineal inversa: de hecho la potencia es 1 menos la probabilidad del error TipoII. Mantienen una relación lineal directa. Son completamente independientes. Dependen del nivel de significación fijado por el investigador y del tamaño de la muestra, pero es independiente de la magnitud del efecto.

Aunque el análisis de varianza es una prueba robusta, cuando se incumple el supuesto de normalidad de las puntuaciones: Deben transformarse los datos antes de proceder a su análisis. Debe abandonarse la idea de utilizar esta prueba para analizar los datos. Si la variable dependiente es nominal dicotómica, puede utilizarse el ANOVA, pero este se distribuye como Chi cuadrado. Deben suprimirse los valores extremos para después proceder a su análisis.

Una puntuación típica indica: El número de desviaciones típicas que una observación se separa de la media de su grupo. Una propiedad de la distribución. El valor promedio de una distribución de frecuencias. La dispersión de una distribución.

Fuera del intervalo comprendido entre la media y más/menos dos desviaciones típicas se encuentra, como máximo, el 25% de las observaciones: Sea cual sea la forma de la distribución de frecuencias. Sólo si la distribución de frecuencias es binomial. Sólo si la distribución de frecuencias es normal. Sólo si la distribución de frecuencias es simétrica.