psicopsico

Si en una investigación tenemos una VI con más de dos grupos independientes, y en el análisis estadístico de los datos no realizamos una prueba F-ANOVA, sino que realizamos varias pruebas t-Student de muestras independientes ¿Qué riesgo estamos corriendo?. Que se produzca un incremento del alfa global, lo que provocaría una probabilidad de cometer Error Tipo I muy elevada. Que se produzca un incremento del alfa global, lo que provocaría una probabilidad de cometer un Error Tipo II muy elevada. Ningún peligro ya que este procedimiento es totalmente correcto desde el punto de vista estadístico.

La hipótesis alternativa de la prueba F-ANOVA se puede representar como: H1: MCE/MCI > 1. H1: MCE/MCI < 1. H1: MCE/MCI = 1.

En una distribución de probabilidad F de Fisher, un valor de un estadístico será anormalmente alto cuando…. En la distribución de probabilidad, la probabilidad acumulada que deja tras de sí sea cercana a cero. En la distribución de probabilidad, la probabilidad acumulada que deja tras de sí sea cercana a uno. Ninguna es verdadera.

Ante la violación de la homocedasticidad en el ANOVA, se puede calcular e interpretar: La prueba de Welch. F de Levene. Brown Forsythe.

Si el estadístico F de ANOVA es estadísticamente significativo…. La variabilidad entregrupo es significativamente menor que la variabilidad intragrupo. La variabilidad entregrupo es significativamente igual que la variabilidad intragrupo. La variabilidad entregrupo es significativamente mayor que la variabilidad intragrupo.

La respuesta correcta respecto a los residuales tipificados corregidos es: Se calculan como la diferencia entre la frecuencia observada y la frecuencia esperada, dividida por su respectiva frecuencia esperada.--> es el residual tipificado entre el error típico, por eso esta no es correcta. Los residuales tipificados corregidos con valor absoluto superior a 1.96 son significativos. Representan las frecuencias si X e Y fuesen independientes.

Se está interesado en comprobar si el estado de los pacientes (recuperados/no recuperados) está relacionado con el tipo de tratamiento recibido (psicológico/farmacológico/mixto). ¿Qué prueba estadística debería aplicarse?. rxy. rs. X2 (ji cuadrado).

¿Cuál es la respuesta correcta?. El rango de valores del estadístico Ji cuadrado de Pearson oscila entre -1 y +1. El estadístico Ji cuadrado de Pearson se utiliza para realizar el contraste de Independencia. Si el porcentaje de casillas con frecuencias esperadas inferior a 5 es mayor del 20%, interpretaremos el estadístico Ji cuadrado de Pearson.

Si un diagrama de dispersión muestra un conjunto de puntos de datos con una forma lineal ascendente y estrecha, la correlación debería ser: Cercana a 0. Cercana a 1. Cercana a -1.

Si el coeficiente de correlación lineal de Pearson entre dos variables es -0.1 podemos decir: La covarianza es pequeña. Hay poca relación lineal entre las variables. Hay fuerte relación inversa entre las variables.

¿Qué afirmación sobre la covarianza es falsa?: A partir de ella se obtiene el coeficiente de correlación lineal de Pearson. La covarianza es una medida de la variabilidad conjunta de dos variables numéricas. Si la covarianza es positiva la nube de puntos decrece.

Respecto al coeficiente de correlación lineal de Pearson entre X e Y. Es simétrico. Mide cualquier tipo de relación entre X e Y. Si no se encuentra una correlación significativa las variables no están relacionadas.

En una correlación positiva: Las dos variables tienden a ir en direcciones opuestas. Las dos variables tienden a cambiar en la misma dirección. A medida que aumenta una, disminuye la otra.

En una correlación negativa: Cuando la variable X disminuye, la variable Y aumenta. Ambas son verdaderas. A medida que el valor de la variable X aumenta, la variable Y disminuye.

La relación entre dos variables es directa cuando: Sxy = 0. rxy = 0. Las dos son falsas.

La versión no paramétrica del coeficiente de correlación de Pearson es: El coeficiente de correlación de Spearman. El estadístico Ji cuadrado de Pearson. El coeficiente de determinación.

Se dice que la relación entre dos variables es directa cuando: La covarianza es mayor que cero. El coeficiente de correlación lineal es positivo. Todas son correctas.

Un patrón de incorrelación entre dos variables X e Y indica gráficamente que: Para valores de X por encima de la media tenemos valores de Y por encima también y para valores de X por debajo de la media tenemos valores de Y también por debajo. Para valores de X por encima de la media tenemos valores de Y por encima y por debajo en proporciones similares. Para valores de X por encima de la media tenemos valores de Y por debajo y viceversa.

Debe ser asumido en la regresión lineal múltiple. El cambio esperado en la variable independiente por cada unidad de cambio en la variable dependiente. El punto de corte de la recta con el eje de ordenadas. El cambio esperado en la variable dependiente por cada unidad de cambio en la variable independiente.

Los puntos de la nube de puntos representan: Los valores pronosticados de la variable dependiente. Las coordenadas de las dos variables relacionadas en cada sujeto. La diferencia entre los valores reales y los valores pronosticados.

En la regresión, la Media Cuadrática Total representa: La suma de la parte de la variabilidad de la variable dependiente explicada por el modelo más la parte de la variabilidad de la variable dependiente no explicada por el modelo. La variabilidad total de los datos de la variable Y. Ambas son verdaderas.

En la descomposición de la varianza del modelo de regresión, la Media Cuadrática Error representa: La parte de la variabilidad de la variable dependiente no explicada por el modelo de regresión estimado. La diferencia entre los valores reales de la variable X y los valores pronosticados por el modelo de regresión. Ambas son verdaderas.

El estadístico de contraste utilizado para la valoración de la significación estadística de los parámetros del modelo de regresión es: rxy. t de Student. F de Fisher.

El porcentaje de variabilidad explicada por un modelo de regresión lineal es del 3%. Las variables son incorreladas. El modelo lineal de regresión es insuficiente para explicar la variable dependiente. El error cometido por el modelo lineal de regresión es pequeño, por tanto, el ajuste lineal es bueno.

Si un modelo de regresión de Y sobre X se muestra como un buen modelo para explicar la relación entre dos variables numéricas. Entonces: Y es independiente de X. Y se puede calcular exactamente como una función matemática de X. La covarianza de X e Y no es nula.

El análisis conjunto de la relación entre dos variables categóricas (nominales u ordinales) se realiza mediante: Rxy. Tablas de contingencia. Rs.

Se está interesado en comprobar si el juego patológico (padecer/no padecer) está relacionado con el nivel económico (bajo/medio/alto). ¿Qué prueba estadística debería aplicarse?: Ji cuadrado. rxy. rs.

Si encontramos un coeficiente de correlación lineal de Pearson entre dos variables de -0.8 podemos afirmar que: La relación entre la variables es directa. La covarianza es negativa. El 80% de las predicciones son correctas.

Si un diagrama de dispersión muestra un conjunto de puntos de datos que forman un patrón circular, la correlación debería ser: Cercana a 1. Cercana a 0. Cercana a -1.

A medida que aumenta el valor de una correlación: Ambas son verdaderas. El error de estimación es menor. Los puntos del diagrama de dispersión se agrupan más cerca de la línea.

Coeficiente de correlación de Pearson se utiliza para estimar: Relaciones no lineales entre 2 variables cuantitativas. Relaciones lineales entre 2 variables cuantitativas. Relaciones lineales y no lineales entre 2 variables cuantitativas.

Sabiendo que rxy= +0.7, elije la afirmación falsa: La covarianza es positiva. La nube de puntos es creciente. La bondad de ajuste es 0.14.

Un patrón de relación positiva entre dos variables X e Y indica gráficamente que: Para valores de X por encima de la media tenemos valores de Y por debajo y viceversa. Para valores de X por encima de la media tenemos valores de Y por encima también y para los valores de X por debajo de la media tenemos valores de Y también por debajo. Para valores de X por encima de la media tenemos valores de Y por encima y por debajo en proporciones similares.

Cuál de las siguientes propiedades del coeficiente de correlación lineal de Pearson NO es correcta: Las variables son incorreladas cuando vale 0. Cuanto más cerca esté de +1 o de -1 mejor será el grado de relación lineal. Depende de la escala de medida de las variables.

Para el estudio de la relación entre dos variables cuantitativas se puede utilizar: El coeficiente de correlación de Spearman. El coeficiente de correlación de Pearson. Ambas medidas son correctas.

El método de estimación de los parámetros del modelo de regresión lineal simple es: Razón de verosimilitud. Mínimos Cuadrados Generalizados. Mínimos Cuadrados Ordinarios.

El error en un modelo de regresión representa: Ambas son verdaderas. La parte de la variabilidad de la variable dependiente no explicada por el modelo de regresión estimado. La diferencia entre los valores X pronosticados por el modelo de regresión y los reales de cada variable Y.

Señala la respuesta correcta: La variable predictora o regresor es la VI mientras que la variable predicha o respuesta es la VD. La variable predictora o predicha es la VI mientras que la variable respuesta o de control es la VD. La variable predictora o regresor es la VD mientras que la variable predicha o respuesta es la VI.

En el modelo de regresión lineal simple, la pendiente o coeficiente de regresión representa: El punto de corte de la recta con el eje de ordenadas. El cambio esperado en la variable independiente por cada unidad de cambio en la variable dependiente. El cambio esperado en la variable dependiente por cada unidad de cambio en la variable independiente.

Los puntos de la recta de regresión representan: La diferencia entre los valores reales y los valores pronosticados. Las coordenadas de las dos variables en cada sujeto. Los valores pronosticados de la variable dependiente.

Entre qué variables podría ser útil aplicar un análisis de regresión lineal: La ideología política y la ocupación laboral. La cantidad de cortisol en sangre y el nivel de estrés medido con un test psicométrico. El género y la edad.

El estadístico de contraste utilizado para comprobar la significación estadística del modelo de regresión es: F de Fisher. Rxy. t de Student.

Indica la respuesta correcta respecto a R2: Representa la proporción de varianza de la variable Y que resulta explicada por el modelo, oscilando su rango de valores entre 0 y 1. Representa la proporción de varianza de la variable Y que resulta explicada por el modelo, oscilando su rango de valores entre -1 y +1. Representa la proporción de varianza de la variable X que resulta explicada por el modelo, oscilando su rango de valores entre 0 y 1.

En un modelo de regresión, ¿Cuándo coincidirán los valores de la variable dependiente con los pronosticados por el modelo de regresión lineal?: Cuando rxy valga 1 ó -1. Cuando rxy tenga un valor positivo. Cuando rxy sea igual a cero.

En un estudio se observa que, al disminuir el consumo de alcohol, disminuye el nivel de depresión. Tras estimar un modelo de regresión entre ambas variables, se encuentra una bondad de ajuste del 36%. Entonces: El 36% de las predicciones del modelo son correctas. rxy = + 0.60. rxy = -0.60.