Estadistica - UNIR. CRIMINOLOGIA 2024

¿Cuál de los siguientes ámbitos no es una competencia prioritaria de la estadística?. Estudiar y comparar fuentes de varianza de fenómenos. Decidir sobre relaciones hipotéticas entre fenómenos. Recopilar datos significativos de los fenómenos y validar su calidad. Realizar inferencias sobre observaciones empíricas.

¿Cuál de las siguientes afirmaciones es correcta?. A. La estadística se subdivide en dos grandes ramas de conocimiento: estadística descriptiva y estadística inferencial. B. La estadística descriptiva tiene por objeto realizar predicciones asociadas a los fenómenos bajo estudio, teniendo en cuenta la aleatoriedad de las observaciones. C. Entre las competencias de la estadística aplicada se encuentran los métodos para la recolección, descripción, visualización y resumen de datos originados a partir de los fenómenos en estudio. D. Las respuestas A y C son correctas.

El desarrollo del análisis estadístico conforme al método científico (ciclo deductivo-inductivo): Es un modelo iterativo, cuyas etapas puede ser necesario ejecutar varias veces hasta que los resultados del modelo sean consistentes con las observaciones empíricas. Requiere que el diseño del modelo estadístico no se realice hasta que no se han capturado y depurado los datos necesarios para el modelo. Ha de basarse en el principio de parsimonia, según el cual el número de parámetros del modelo ha de ser igual al número de variables estadísticas que se han considerado. Requiere que se realicen experimentos para la captura de los datos necesarios en el modelo.

¿Cuáles de las siguientes afirmaciones son ciertas? Puede haber más de una respuesta correcta. Un parámetro se define como cualquier característica cuantificable de una muestra. Un individuo o unidad estadística es cada uno de los elementos que componen la población. Un estadístico es cada uno de los valores concretos que toma una variable estadística en la muestra. Una población es el conjunto de todos los elementos a los que se somete a un estudio estadístico.

En relación con un estudio estadístico sobre la delincuencia en la comunidad de Madrid, los habitantes de la comunidad cuyo apellido empiece por la letra G: Suponen una muestra. Suponen una población. Pueden suponer una población o una muestra, según los objetivos específicos del estudio. No pueden ser considerados como una muestra ni como una población.

Indica la definición correcta de variable estadística: Es el conjunto de todos los elementos a los que se somete a un estudio estadístico. Es cada uno de los valores que se ha obtenido al realizar un estudio estadístico. Es la representación de cada una de las características o cualidades que poseen los individuos de una población. Es la enumeración completa de la población.

¿Cuál de las siguientes afirmaciones sobre los softwares estadísticos no es correcta?. Son programas informáticos que están especialmente diseñados para resolver problemas en el área de la estadística, o bien está programados para resolver problemas de esta área. En ciencias sociales se suelen utilizar softwares como SPSS, STATA o SAS. El empleo de softwares estadísticos permite que los analistas e investigadores puedan focalizarse en los detalles del cálculo y no tanto en la interpretación de los resultados. Ninguna de las afirmaciones anteriores es correcta.

Cuál de las siguientes afirmaciones sobre el software R es incorrecta. Para empezar a trabajar con R, solamente necesitarás abrir RStudio, no hace falta que abras también la consola, aunque deberás tenerla instalada. Debes instalar la consola de R y la interfaz de RStudio por separado. Es un software gratuito. Es un software con una potencia muy baja para el análisis estadístico.

Indica la afirmación correcta. Cuanto más parsimonioso (simple) es un modelo estadístico, peores son los resultados que se obtienen de él. Un modelo estadístico ha de suponer una aproximación operativa de la realidad, y tendrá en cuenta explícitamente la información observable presumiblemente más importante, englobando en la parte aleatoria los efectos de toda la información que no ha sido tenida en cuenta. El último paso en la investigación o análisis estadístico es definir los objetivos de estudio y relacionar dichos objetivos con datos observables. Todas las opciones anteriores son correctas.

¿Qué debes hacer si quieres utilizar un determinado paquete en R software?. Debes instalarlo en R una sola vez, pero cargarlo siempre que inicies sesión en RStudio con la función library(). Debes instalarlo cada vez que inicies sesión en R y cargarlo siempre que inicies sesión en RStudio con la función library(). Debes instalarlo en R una sola vez, pero cargarlo siempre que inicies sesión en RStudio con la función data(). En R no hace falta que instales nunca ningún paquete. Trabaja siempre de manera automática.

Selecciona la definición correcta de diseño de investigación: Es el plan que desarrolla un investigador una vez que ya ha realizado su investigación. Es únicamente una revisión bibliográfica narrativa sobre un tema de investigación. Es el plan que desarrolla un investigador para alcanzar unos objetivos de investigación con el fin de proporcionar una respuesta a preguntas que previamente se ha formulado. Ninguna de las anteriores es correcta.

Señala la definición correcta de variable independiente en investigación experimental: A. Aquella que se considera la causa o antecedente. B. Aquella que representa el efecto. C. Aquella que representa el efecto y que solamente puede ser cualitativa. D. La B y la C son correctas.

¿Cómo afecta la amenaza de selección a la validez interna de un estudio?. Afecta porque se ha producido un evento imprevisto durante el estudio. Afecta porque origina diferencias sistemáticas entre las características de sujetos pertenecientes a distintos grupos. Afecta porque provoca que los resultados solo se den en una muestra pequeña de personas que están sobrerrepresentadas o infrarrepresentadas en la población general. Afecta porque se ha cambiado el instrumento de medición durante el estudio.

¿Cuáles son las características que deben presentar los experimentos puros?. Manipulación de la variable dependiente, comparación entre grupos y asignación aleatoria. Manipulación de la variable independiente, comparación entre grupos y selección alterna. Manipulación de la variable independiente, comparación entre grupos y asignación aleatoria. Manipulación de la variable independiente y comparación entre grupos.

En un diseño de cuatro grupos Solomon…. Dos de los grupos serán de control porque recibirán la condición experimental, mientras que los otros dos serán de tratamiento al no recibirla. Dos de los grupos (uno de tratamiento y otro de control) realizarán la prueba pretest; mientras que la prueba postest será administrada a los cuatro grupos del estudio. Dos de los grupos serán de tratamiento porque recibirán la condición experimental, mientras que los otros dos serán de control al no recibirla. Dos de los grupos (ambos de tratamiento) realizarán la prueba pretest; mientras que la prueba postest será administrada a los cuatro grupos del estudio. Dos de los grupos serán de tratamiento porque recibirán la condición experimental, mientras que los otros dos serán de control al no recibirla. Dos de los grupos (uno de tratamiento y otro de control) realizarán la prueba pretest; mientras que la prueba postest será administrada a los otros dos grupos del estudio. Dos de los grupos serán de tratamiento porque recibirán la condición experimental, mientras que los otros dos serán de control al no recibirla. Dos de los grupos (uno de tratamiento y otro de control) realizarán la prueba pretest; mientras que la prueba postest será administrada a los cuatro grupos del estudio.

Cuál de las siguientes afirmaciones sobre los preexperimentos es falsa. El diseño preexperimental más común es el de pretest-postest con un solo grupo. En un preexperimento no hay grupo de control. Es un diseño que maximiza la validez interna de un estudio. Todas las anteriores son correctas.

¿Qué tipos principales de diseños transversales existen?. Diseños descriptivos y correlacionales. Diseños de panel y de tendencia. Diseños Solomon y de pretest-postest. Diseños de panel, descriptivos y correlacionales.

Imagina que quieres llevar a cabo una investigación para examinar cómo evoluciona la opinión hacia el castigo de los delincuentes que tiene la población española a lo largo de cinco años. Para ello recoges distintas muestras de la población española para medir sus actitudes en cinco momentos temporales. ¿Qué tipo de diseño estarías realizando?. Diseño postest con grupo de control. Diseño de panel. Diseño preexperimental. Diseño de tendencia.

Imagina que deseas realizar una investigación para saber si existen diferencias entre las actitudes hacia la delincuencia violenta de los jóvenes que pueden depender de jugar a videojuegos violentos. Para ello, realizas un estudio asignando a los participantes a los grupos de control y tratamiento de manera alterna y mides sus actitudes después de someterlos a la condición experimental: jugar al vídeo juego violento. ¿Qué tipo de diseño estarías realizando?. Un experimento puro con pretest-postest y grupo de control. Un experimento puro con postest y grupo de control. Un cuasiexperimento con postest y grupo de control. Un cuasiexperimento con pretest-postest y grupo de control.

¿Qué significa que un diseño experimental es factorial?. Que estudia el efecto conjunto de más de una variable independiente (factores). Se examinan tanto los efectos independientes de cada uno de los factores como sus efectos de interacción sobre la variable dependiente. Que estudia el efecto conjunto de más de una variable dependiente (factores). Se examinan tanto los efectos independientes de cada uno de los factores como sus efectos de interacción sobre la variable independiente. Que estudia el efecto conjunto de más de una variable independiente (factores). Se examinan solo los efectos independientes de cada uno de los factores sobre la variable dependiente, pero nunca los efectos de interacción. Ninguna de las anteriores es correcta.

¿Cuál de las siguientes afirmaciones es incorrecta?. Una variable estadística es la representación de cada una de las características o cualidades que poseen los individuos de una población. La característica principal de las escalas de intervalo es que el valor 0 (cero) es arbitrario. En las escalas de razón tiene sentido hablar de distancia (como diferencia o resta) entre dos valores y de razón (como cociente) entre estos. En las escalas nominales los valores de la variable pueden ser ordenados de inferior a superior.

Considera una variable estadística que mide si un sujeto ha delinquido alguna vez con dos posibles atributos (no y sí) que han sido codificados en la base de datos con los valores 0 y 1, respectivamente. En relación con esta variable, ¿cuál de las siguientes afirmaciones es correcta?. Es una variable ordinal. Es una variable discreta y le corresponde una escala de medición de intervalo. Es una variable discreta y le corresponde una escala de medición de razón. Es una variable nominal.

Considera la variable estadística que mide el peso de los individuos, en la que el sistema informático que captura el dato permite números decimales. En relación con esta variable, ¿cuál de las siguientes afirmaciones es correcta?. Es una variable ordinal. Es una variable discreta y le corresponde una escala de medición de intervalo. Es una variable discreta y le corresponde una escala de medición de razón. Es una variable continua y le corresponde una escala de medición de razón.

Considera la variable estadística Grado de satisfacción con el servicio brindado por la policía que tiene los siguientes atributos posibles Bajo, Medio y Alto, que al incluirlos en la base de datos se han codificado con los valores 0, 1 y 2, respectivamente. En relación con esta variable, ¿cuál de las siguientes afirmaciones es correcta?. Es una variable ordinal. Es una variable nominal. Es una variable discreta y le corresponde una escala de medición de razón. Es una variable discreta y le corresponde una escala de medición de intervalo.

¿Qué caracteriza a una variable ordinal?. Que presentan modalidades numéricas que admiten un criterio de orden. Que presentan modalidades no numéricas que admiten un criterio de orden, aunque puedan simbolizarse mediante valores numéricos. Que admiten las operaciones de suma y diferencia, pero no las de multiplicación y división. Que el valor cero se asigna de forma arbitraria.

Indica la definición correcta de codificación de observaciones. Puede definirse como el proceso que permite, mediante la aplicación de criterios objetivos, asignar un valor, código o descripción concisa a cada observación para cada variable. Puede definirse como el proceso que permite realizar un reconteo de los valores de una variable. Puede definirse como el proceso que permite, mediante la aplicación de criterios objetivos, asignar un valor, código o descripción concisa solo en variables cuantitativas. Puede definirse como el proceso que permite, mediante la aplicación de criterios objetivos, asignar solamente un código numérico a cada observación para cada variable.

¿En qué consiste el formato de datos tabulados o listados?. En esta matriz de datos las observaciones se registran en las filas y las variables en las columnas. Solamente se puede realizar en Excel. En esta matriz de datos las observaciones se registran en las columnas y las variables en las filas. En esta matriz de datos las observaciones se registran en las filas y las variables en las columnas. No existen los formatos de datos tabulados en estadística. Solamente se deben introducir los datos en formato de tablas de frecuencia.

¿Cómo se suelen llamar en R software a las variables cualitativas?. Variables categóricas. Variables cualitativas. Variables factor. Variables tipo cualidad.

¿Qué lo primero que debes hacer cuando importas una base de datos a R desde una tabla de Excel?. Comprobar qué tipos de variables hay en la base de datos, por si tuvieses que cambiar algunas de formato. Proceder directamente al análisis descriptivo de los datos, sin visualizarlos previamente. Proceder directamente al análisis inferencial de los datos, sin visualizarlos previamente. Realizar un único gráfico que incluya todas las variables cualitativas.

¿Qué permite hacer la función filter() del paquete dplyr de R?. Permite seleccionar las columnas de la base de datos, es decir, seleccionar las variables. Permite crear nuevas variables en la base de datos a partir de otras que ya están introducidas en esta. Permite filtrar las filas de la base de datos, es decir, filtrar las observaciones. Permite unificar bases de datos que están importadas por separado.

Una variable tiene un coeficiente de asimetría de 7.1 y un coeficiente de apuntamiento de 2.4, ¿qué se puede decir de la distribución de la variable?. Es asimétrica a la derecha y leptocúrtica. Es asimétrica a la izquierda y leptocúrtica. Es simétrica y platicúrtica. Es asimétrica a la derecha y platicúrtica.

Una determinada variable estadística tiene una media de 22.8ºC y una mediana de 24.1ºC, ¿qué puedes decir de la distribución de la variable?. Que es asimétrica a la izquierda. Que es asimétrica a la derecha. Que es leptocúrtica. Que es platicúrtica.

Sabiendo que una variable estadística tiene Q1 = 9 y Q3 = 39, ¿Cuál sería el rango intercuartílico de la variable?. 48. 39. 30. 9.

¿Cuál de las siguientes afirmaciones sobre los cuartiles Q1 y Q3 es falsa?. Entre ambos cuartiles ha de estar la mediana. Entre ambos cuartiles ha de estar la media. Entre ambos cuartiles encontramos un 50 % de los datos. La diferencia de Q3 a Q1 es el rango intercuartílico.

¿Cuáles de las siguientes afirmaciones son correctas? Puede haber más de una. La mediana de una variable es más robusta que la media. Un diagrama de cajas sirve para representar visualmente una variable cualitativa. Un histograma muestra en el eje X valores numéricos en donde la variable continua se divide en intervalos y en el eje Y la frecuencia de las observaciones que caen en ese contenedor. Un coeficiente de curtosis mayor a tres (CApx > 3) indica una distribución leptocúrtica.

¿Cuál es la definición correcta de frecuencia relativa?. Es la frecuencia absoluta del valor de una variable dividiéndola entre el número total de observaciones. Suele expresarse en tanto por ciento. Es la frecuencia absoluta del valor de una variable dividiéndola entre el número total de observaciones. Suele expresarse en tanto por mil. Es el número de veces que se presenta un atributo o valor de una variable, considerando el conjunto de observaciones de esa variable. No existe ningún tipo de frecuencia que sea relativa en estadística.

Indica cuál de las siguientes afirmaciones es incorrecta. La varianza es la desviación típica de una variable elevada al cuadrado. El diagrama de cajas es un gráfico mediante el cual podemos visualizar variables cualitativas. Un histograma es una representación gráfica de una variable continua en forma de barras. El rango intercuartílico de una variable es una medida de dispersión que suele acompañar a la mediana como medida de tendencia central.

¿Cuál es la definición correcta de la moda?. Para una variable determinada, la moda se define como el atributo o valor con menor frecuencia absoluta, es decir, se trata del valor que menos se repite en una variable. Es el atributo o valor con mayor frecuencia absoluta, es decir, se trata del valor que más se repite en una variable. Es otra forma de denominar a la frecuencia absoluta de una variable. Es la suma de los valores de todas las observaciones de la variable dividida entre el número de observaciones.

La variable estadística A tiene un coeficiente de variación de 1.2 y la variable estadística B tiene un coeficiente de variación de 3.7. ¿Cuál de ellas tiene una mayor dispersión en los datos?. La variable A. La variable B. No es posible saberlo, necesitaría conocer además la media de ambas variables. No es posible saberlo, necesitaría conocer además la media y la desviación típica de ambas variables.

¿Cuál de las siguientes afirmaciones es correcta?. Cuanto mayor es el coeficiente de asimetría, la distribución de la variable es más asimétrica a la derecha y mayor su cola a la izquierda. Cuanto mayor es el coeficiente de asimetría, la distribución de la variable es más asimétrica a la derecha y mayor su cola a la derecha. Cuanto menor es el coeficiente de asimetría, la distribución de la variable es más asimétrica a la derecha y mayor su cola a la izquierda. Cuanto menor es el coeficiente de asimetría, la distribución de la variable es más asimétrica a la derecha y mayor su cola a la derecha.

Señala la afirmación correcta. Puede haber más de una respuesta correcta. Un suceso elemental es cada uno de los resultados de un experimento aleatorio que no se puede descomponer en otros más sencillos. Se denomina suceso intersección de A y B al conjunto formado por todos los sucesos elementales que pertenecen a A y que al mismo tiempo pertenecen a B. Se denomina suceso intersección de A y B al conjunto formado por todos los sucesos elementales que pertenecen a A o bien que pertenecen a B. La probabilidad es la ciencia que estudia los experimentos determinísticos.

¿Cuál de las siguientes afirmaciones no es correcta?. La intersección de un suceso y su complementario es igual al suceso imposible. Tanto la unión como la intersección de un suceso consigo mismo es igual al propio suceso. La unión de un suceso y su complementario es igual al suceso imposible. La intersección de sucesos incompatibles es igual al suceso imposible.

¿Cuál de las siguientes afirmaciones es un axioma de la probabilidad?. La probabilidad del suceso complementario del suceso A es igual a uno menos la probabilidad del suceso A. La probabilidad del suceso seguro es siempre igual a 1. La probabilidad de un suceso B contenido en otro suceso A es menor o igual a la probabilidad del suceso A. Ninguna de las anteriores.

Se lanza dos veces seguidas un dado equilibrado de modo que, cuando se lanza, cualquiera de los seis resultados es igualmente probable. ¿Cuál es la probabilidad de obtener las dos veces el mismo valor?. 1/36. 1/6. 1/12. 2/15.

Para calcular la probabilidad de la intersección de dos sucesos A y B de un mismo espacio muestral E se utiliza la regla de la multiplicación, que matemáticamente se expone como: P(A ᴖ B) = P(A) · P(B). P(A ᴖ B) = (P(A) + P(B)) · P(A|B). P(A ᴖ B) = P(A|B) · P(B). Ninguna de las anteriores.

En un mismo espacio muestral E se sabe que: a) la probabilidad de un suceso A es 0.3; b) la probabilidad de otro suceso B es de 0.2 y c) la probabilidad de que ocurran el suceso A y el suceso B simultáneamente es de 0.1. ¿Cuál es la probabilidad de que ocurra A supuesto que ha ocurrido B?: 0.25. 0.3. 0.12. 0.5.

Considera un espacio muestral E y r sucesos B1, B2, …, Br dentro de E. ¿Qué condiciones tienen que considerarse para que se pueda aplicar el teorema de Bayes? Puede haber más de una respuesta correcta. Los r sucesos deben ser mutuamente excluyentes. Ninguno de los r sucesos debe tener probabilidad mayor a (1/r). Los r sucesos deben ser equiprobables. La unión de los r sucesos es igual al suceso seguro.

Se dice que dos sucesos A y B son independientes si se cumple que: P(A|B) = P(A). P(A|B) = P(A) · P(B). P(A) = P(B). P(A|B) = P(B).

Indica la definición incorrecta sobre la Regla de Laplace: P(A) es el cociente entre el número de sucesos elementales favorables a que ocurra el suceso A y el número de sucesos complementarios favor de que ocurra B. P(A) es el cociente entre el número de sucesos elementales favorables a que ocurra el suceso A y el número total de sucesos elementales posibles. Se la conoce como la definición clásica de probabilidad. Debe haber un espacio muestral equiprobable.

Indica la afirmación incorrecta sobre el teorema de probabilidad total. Ninguno de los r sucesos debe tener una probabilidad nula. La unión de los r sucesos debe ser igual al suceso imposible. Establece que la probabilidad de otro suceso A en el espacio muestral E es igual al sumatorio, para cada suceso B, de: la probabilidad condicionada de A dado B, multiplicado por la probabilidad de dicho suceso B. Los r sucesos deben ser mutuamente excluyentes.

¿Cuál de las siguientes afirmaciones sobre el modelo de Bernoulli no es correcta?. El modelo de Bernoulli solo se emplea cuando la variable aleatoria tiene únicamente dos posibles valores. La función de probabilidad es la siguiente: P(x=1) = p; P(x=0) = 1 – p. El modelo de Bernoulli tiene dos parámetros. El modelo de Bernoulli solo es válido para variables aleatorias discretas.

Si se realizan veinte ensayos de Bernoulli, la variable aleatoria definida como el número de éxitos totales obtenidos en la realización de los veinte ensayos, ¿qué distribución tiene?. Una distribución binomial, en la que uno de sus parámetros es 20. Una distribución de Poisson, en la que su parámetro es 20. Una distribución normal, con media 20. Una distribución de Bernoulli, de parámetros 1 y 20.

Sabemos que la probabilidad de que salga cara al lanzar una moneda al aire (x = 1) es de 0,50. Si quiero lanzar la moneda un total de 12 veces, ¿cuál es la probabilidad de que salga cara en 7 ocasiones?. 0,0029. 0,2256. 0,1934. 0,0078.

Indica qué afirmación es falsa sobre las propiedades de la distribución binomial. La media viene dada por la expresión: mx=np. La desviación típica es máxima cuando p = 0,5. Puede ser asimétrica, y puede serlo tanto a la derecha como a la izquierda. Siempre es simétrica.

Indica qué distribución no es apta para variables discretas. La distribución normal. La distribución binomial. La distribución de Poisson. Ninguna de las anteriores.

Selecciona la respuesta incorrecta sobre la distribución normal. La distribución normal de parámetros m y σ se representa: N(m,σ). Es una de las distribuciones más importantes, pues las pruebas paramétricas de estadística inferencial la toman como referencia. La principal particularidad de la distribución normal es que su parámetro λ coincide con el parámetro λ de las distribuciones normales asociadas. Una variable con distribución normal se puede tipificar y tras ese proceso, tendrá los parámetros N(0,1).

Si asumo que coeficiente intelectual en la población española se distribuye normalmente con media de 100 y desviación estándar de 15, ¿cuál es la probabilidad de seleccionar a un individuo que tenga un coeficiente intelectual menor a 90?. 0,74. 0,25. 0,27. -0,66.

Indica la afirmación correcta sobre la distribución normal N(m,σ). Es una distribución normal tipificada si la media es igual a 0 (m = 0). Es simétrica con eje de simetría en la desviación típica (σ). Es unimodal con moda en la media (m). La suma de variables con distribución normal será una variable con distribución normal.

Si x1, x2, …, xn son variables independientes todas ellas con la misma media m y la misma desviación típica σ, la variable x calculada como suma de las anteriores variables sigue una distribución aproximadamente normal con…. Media 0 y desviación típica 1. Media la suma de las medias, y desviación típica la raíz cuadrada de la suma de desviaciones típicas. Media la suma de las medias, y desviación típica la raíz cuadrada de la suma de varianzas. Media la raíz cuadrada de la suma de medias y desviación típica igual a la suma de desviaciones típicas.

Se pretende realizar un estudio estadístico en una población de 350 000 personas, utilizando para la selección de la muestra un factor de elevación de 1500. ¿Qué tamaño muestral se requiere?. 348 500. 240. 1500. 3500.

Al conjunto resultante de la «enumeración exhaustiva de todos los elementos de la población de estudio que se encuentran accesibles» se le denomina: Marco poblacional. Marco muestral. Enumeración poblacional. Muestreo exhaustivo.

En un estudio sobre hábitos alimenticios se sabe que en la población un 67 % consume productos lácteos de forma diaria. Se realizan encuestas sobre una muestra de la población y se obtiene que en la muestra el porcentaje de personas entrevistadas que consumen productos lácteos de forma diaria es de un 42 %. ¿Cuáles de las siguientes afirmaciones son correctas? Puede haber más de una respuesta correcta. La muestra no es representativa de la población respecto del consumo diario de productos lácteos. La muestra no es representativa de la población. Existe un sesgo de selección en la muestra respecto del consumo diario de productos lácteos. Existe un sesgo por no respuesta en la muestra respecto del consumo diario de productos lácteos.

¿Cuál de las siguientes propiedades no corresponde a un muestreo probabilístico?. Los elementos de la población tienen igual probabilidad de ser elegidos. El error muestral, el nivel de confianza y la precisión de las estimaciones son valores que pueden ser calculados. Por lo general, es más ágil y sencillo que el muestreo no probabilístico. Es posible realizar una generalización a toda la población de los resultados obtenidos en el estudio de la muestra empleando técnicas y procedimientos de inferencia estadística.

En un cierto estudio estadístico sobre una población de 10 000 personas, se va a extraer una muestra de 200 personas empleando muestreo aleatorio simple. ¿Cuántos números aleatorios será necesario generar para la extracción de la muestra?. Solo uno. 50. 10.000. 200.

En un proceso de muestreo sistemático sobre una población de 50 individuos, el factor de elevación es k=5 y el número aleatorio generado es i=3. ¿Cuáles de las siguientes afirmaciones son ciertas? Puede haber más de una respuesta correcta. Una vez se ha ordenado esta con algún criterio objetivo, el octavo valor formará parte de la muestra. El valor del número aleatorio i no se ha calculado correctamente, ya que debe ser mayor de 5. Una vez se ha ordenado esta con algún criterio objetivo, el tercer valor formará parte de la muestra. El muestreo se produce de 5 en 5 elementos de la población, una vez se ha ordenado esta con algún criterio objetivo.

¿Cuál de las siguientes afirmaciones sobre el muestreo estratificado no es correcta?. Permite realizar un muestreo adecuado cuando la población no es homogénea con relación a una característica que se desea estudiar. Permite lograr representatividad de la muestra con independencia del tamaño y características de la población. No requiere disponer de un marco muestral completo. El análisis de los resultados es más complejo que en el muestreo aleatorio simple o el muestreo sistemático.

En un muestreo estratificado por afijación proporcional se ha dividido la población en tres estratos A, B y C, que representan el 20 %, 30 % y 50 % de la población, respectivamente. Si la muestra que se quiere extraer es de 150 elementos, ¿cuántos elementos del estrato B habrá en la muestra?. 30. 54. 45. No es posible calcularlo con los datos que se proporcionan.

El muestreo por conglomerados funciona mejor: Cuando los conglomerados presentan toda la variabilidad de la población (es decir, su heterogeneidad es la misma que las de la propia población). Cuando más heterogéneos entre sí son los conglomerados. Cuando los conglomerados se asemejan a los estratos de un muestreo estratificado. Cuando los conglomerados se generan a partir de una variable de segmentación que representa la característica que se quiere estudiar de la población.

¿Qué técnica de muestreo se realiza en varias fases o extracciones sucesivas, una para unidades primarias de muestreo y otra u otras para unidades secundarias de muestreo?. El muestreo por conglomerados. El muestreo polietápico. El muestreo por cuotas. El muestreo por rutas aleatorias.

Señala la afirmación incorrecta: La población es el conjunto de entidades sobre las cuáles pretendemos hacer una inferencia, que pueden ser individuos, eventos, objetos, etc. La muestra son las observaciones o datos que extraemos de la población y sobre los cuáles realizaremos pruebas de hipótesis y análisis estadísticos para poder hacernos preguntas de investigación acerca de esa población. La muestra tiene que ser representativa de la población objeto de estudio. Una muestra tiene que representar perfectamente a la población objeto de estudio.

¿Qué es la inferencia paramétrica, clásica o frecuentista?. Aquella que utiliza distribuciones de probabilidad conocidas (como la normal o la binomial) para representar los datos. Por lo tanto, para que los resultados sean fiables deben cumplirse algunas condiciones o supuestos. Aquella que usa el teorema de Bayes para obtener la probabilidad posterior de un evento utilizando la probabilidad (información) previa a ese evento. Aquella que utiliza distribuciones de probabilidad conocidas (como la normal o la binomial) para representar los datos. Por lo tanto, para que los resultados sean fiables no debe cumplirse ningún supuesto. Aquella que no asume que los datos deban ajustarse a ninguna distribución. Por lo tanto, tiene menos restricciones que la distribución clásica.

Señala el concepto correcto de Intervalo de Confianza. El IC es una técnica de estimación que proporciona un intervalo de valores plausibles para un parámetro. Esto es, para un cierto nivel de confianza y a partir de la misma población, se estimará un intervalo de valores que incluirá el verdadero parámetro poblacional desconocido a largo plazo, es decir, en repetidas muestras. El IC es una técnica de estimación que proporciona un intervalo de valores plausibles para un parámetro. Esto es, para un cierto nivel de confianza y a partir de una muestra, se estimará un intervalo de valores que incluirá el verdadero parámetro poblacional desconocido a largo plazo, es decir, en repetidas muestras. El IC es una técnica de estimación que proporciona un intervalo de valores plausibles para un parámetro. Esto es, para un cierto nivel de confianza y a partir de una muestra, se estimará un intervalo de valores que incluirá el verdadero parámetro poblacional desconocido en la misma muestra. Ninguna de las anteriores.

Todo contraste de hipótesis se basa en la formulación de dos hipótesis. Una hipótesis nula y una alternativa. Dos hipótesis simples. Dos hipótesis compuestas. Ninguna de las anteriores.

La probabilidad de rechazar H0 cuando H0 es falsa se denomina también. Nivel de significación. P valor. Potencia estadística o de contraste. Error de tipo II.

¿En qué consiste cometer un error de tipo I?. Rechazar la hipótesis alternativa cuando es verdadera. Rechazar la hipótesis nula cuando es verdadera. Aceptar la hipótesis nula cuando es falsa. Rechazar la hipótesis nula cuando es falsa.

Señala el concepto de p valor. Es la probabilidad de observar a largo plazo datos como los hallados o más extremos (esto es, que proporcionan evidencia contra la hipótesis nula). Cuánto más grande sea el p valor más fuerte será la evidencia proporcionada por los datos contra la hipótesis nula. Es la probabilidad de observar a corto plazo datos como los hallados o más extremos (esto es, que proporcionan evidencia contra la hipótesis nula). Cuánto más pequeño sea el p valor más fuerte será la evidencia proporcionada por los datos contra la hipótesis nula. Es la probabilidad de observar a largo plazo datos como los hallados o más extremos (esto es, que proporcionan evidencia contra la hipótesis alternativa). Cuánto más pequeño sea el p valor más fuerte será la evidencia proporcionada por los datos contra la hipótesis alternativa. Es la probabilidad de observar a largo plazo datos como los hallados o más extremos (esto es, que proporcionan evidencia contra la hipótesis nula). Cuánto más pequeño sea el p valor más fuerte será la evidencia proporcionada por los datos contra la hipótesis nula.

Imagina que queremos examinar si existen diferencias en la opinión hacia el castigo de los delincuentes que tienen los ciudadanos españoles según si son o no religiosos. Para ello obtienes una muestra representativa de 1000 ciudadanos españoles. En dicha prueba de hipótesis obtienes un p valor de 0,06. ¿Cómo interpretarías este resultado?. Para un nivel de significación de 0,1; no podemos rechazar la hipótesis nula, por lo que concluiremos que no existen diferencias en la opinión hacia el castigo de los delincuentes entre españoles religiosos y no religiosos. Para un nivel de significación de 0,05; podemos rechazar la hipótesis nula, por lo que concluiremos que existen diferencias en la opinión hacia el castigo de los delincuentes entre españoles religiosos y no religiosos. Para un nivel de significación de 0,05; no podemos rechazar la hipótesis nula, por lo que concluiremos que no existen diferencias en la opinión hacia el castigo de los delincuentes entre españoles religiosos y no religiosos. Para un nivel de significación de 0,05; no podemos rechazar la hipótesis nula, por lo que concluiremos que existen diferencias en la opinión hacia el castigo de los delincuentes entre españoles religiosos y no religiosos.

¿Cuál de las siguientes opciones no es una recomendación para incrementar la potencia estadística en un estudio?. Optar por examinar tamaños de efecto grandes. Bajar el umbral de alfa. Reducir la desviación estándar de los valores al comparar medias utilizando grupos de sujetos más homogéneos. Aumentar el tamaño de la muestra.

Indica la afirmación incorrecta. En estadística inferencial, el número que describe la población se llama parámetro, pero en la práctica no sabemos su valor. Para estimar un parámetro de la población usaremos un estadístico, que es un número calculado a partir de la muestra y que puede cambiar de una muestra a otra con un nivel de incertidumbre. En estadística descriptiva, el número que describe la población se llama parámetro, pero en la práctica no sabemos su valor. Para estimar un parámetro de la población usaremos un estadístico, que es un número calculado a partir de la muestra y que puede cambiar de una muestra a otra con un nivel de incertidumbre. En estadística inferencial, el número que describe la población se llama estadístico, pero en la práctica no sabemos su valor. Para estimar un estadístico de la población usaremos un parámetro, que es un número calculado a partir de la muestra y que puede cambiar de una muestra a otra con un nivel de incertidumbre. Las opciones A y B son correctas.

¿Qué es lo primero que debes hacer antes de realizar una prueba de hipótesis específica?. Primero debes evaluar los supuestos de la prueba paramétrica. Primero debes preguntarte cuáles son los objetivos de tu análisis y cuáles son las características de tus datos. Primero debes explorar los datos con gráficos de cajas. Primero debes explorar los datos con gráficos de barras.

Imagina que estás ante el siguiente problema de investigación. Quieres saber si la media del coeficiente intelectual difiere entre las personas que han delinquido y las que no han delinquido. Para ello, recoges una muestra representativa de la población española ¿Qué prueba de hipótesis seleccionarías para este caso?. Prueba t-Student para muestras relacionadas. Prueba t-Student para muestras independientes. Prueba de McNemar. Prueba t-Student para muestras independientes, siempre que se cumplan los supuestos de la prueba.

Imagina el siguiente problema de investigación. Deseas saber si los individuos consumidores de cannabis que entran en un centro de rehabilitación dejan de consumir cuando se someten a un programa de tratamiento específico. Para ello, tomas una muestra representativa de los individuos que acaban de entrar de ese centro de rehabilitación y reportas si consumen cannabis (No/Sí). Se someten al tratamiento y vuelves a medir si consumen cannabis (No/Sí) después de un tiempo. ¿Qué prueba de hipótesis seleccionarías para este caso?. Prueba U de Mann-Whitney-Wilcoxon para muestras relacionadas. Prueba chi-cuadrado de Pearson. Prueba de NcNemar. Prueba t-Student para muestras relacionadas.

Cuáles son los supuestos que debemos evaluar en la prueba t-Student para muestras relacionadas?. Normalidad y ausencia de valores atípicos. Homocedasticidad y normalidad. Homocedasticidad, ausencia de valores atípicos y normalidad. Heterocedasticidad y normalidad.

¿Para qué podemos utilizar una tabla de contingencia?. Para explorar las medias cuando queremos cruzar dos variables cualitativas o categóricas. Para explorar las frecuencias cuando queremos cruzar dos variables cualitativas o categóricas. Para explorar las medianas cuando queremos cruzar dos variables cualitativas o categóricas. Para explorar la desviación típica cuando queremos cruzar dos variables cualitativas o categóricas.

¿Cuál de las siguientes afirmaciones sobre la prueba chi-cuadrado no es correcta?. Los datos tienen que ser relacionados. Las frecuencias esperadas por azar por casualidad o bajo independencia deben ser mayores a cinco. En tablas 2x2 es necesario aplicar la corrección de continuidad de Yates. Cuando las frecuencias esperadas son menores a cinco es conveniente realizar la prueba de Fisher.

Un contraste de hipótesis con resultado significativo siempre debe ir acompañado de una medida de tamaño de efecto. ¿Qué es el tamaño de efecto?. Es una medida que sirve para determinar si tenemos que hacer alguna corrección en la prueba de hipótesis. Es una medida que sirve para calcular el tamaño de la muestra. Es una medida que sirve para determinar si las diferencias encontradas son pequeñas, medianas o grandes. Es una medida que sirve como umbral crítico para determinar la significación de la prueba.

Imagina que quieres aplicar la prueba t-Student para muestras independientes a los datos y quieres evaluar el supuesto de homocedasticidad. ¿Qué prueba realizarías?. La prueba de Shapiro-Wilks, cuya hipótesis nula es que los datos varían de forma similar en ambos grupos, y la alternativa que varían de manera distinta. La prueba de Levene, cuya hipótesis nula es que los datos varían de forma similar en ambos grupos, y la alternativa que varían de manera distinta. La prueba de Levene, cuya hipótesis nula es que los datos son normales en ambos grupos, y la alternativa que no son normale. La prueba de Levene, cuya hipótesis nula es que los datos varían de forma distinta en ambos grupos, y la alternativa que varían de forma similar.

Imagina que tienes el siguiente problema de investigación. Quieres examinar si un videojuego violento influye de alguna forma en las actitudes hacia la violencia que puedan tener los individuos (de menos a más favorables). Para ello, llevas a cabo un diseño experimental asignando 50 individuos a un grupo de tratamiento (personas que jugarán a ese videojuego violento) y 50 individuos a un grupo de control (personas que no jugarán a ese videojuego). Mides la media de las actitudes en ambos grupos y los comparas. Antes de hacer la prueba paramétrica, evalúas los supuestos y concluyes que no se cumple el supuesto de homocedasticidad. ¿Qué prueba de hipótesis aplicarías?. La prueba U de Mann Whitney-Wilcoxon. La prueba chi-cuadrado. La prueba t para muestras independientes con corrección de Welch. La prueba t para muestras independientes.

Indica la afirmación correcta sobre el coeficiente de correlación. Un coeficiente de correlación cercano a uno indica que la relación entre las variables es positiva o directa. Un coeficiente de correlación cercano a uno indica que la relación entre las variables es negativa o inversa. Un coeficiente de correlación cercano a uno indica que la relación entre las variables es negativa o directa. Un coeficiente de correlación cercano a uno indica que la relación entre las variables es positiva o inversa.

Imagina que llevas a cabo un análisis de correlación para investigar si en una muestra de individuos el coeficiente intelectual (CI) se relaciona con el número de delitos cometidos (la variable está medida en una escala de cero a catorce delitos). Obtienes un coeficiente de correlación de r = -0,211 con un p-valor < 0,05. ¿Cómo interpretarías este resultado?. Existe una correlación significativa inversa entre el CI y el número de delitos cometidos en la muestra analizada. A medida que el CI se incrementa, la comisión delictiva es más baja. Existe una correlación significativa directa entre el CI y el número de delitos cometidos en la muestra analizada. A medida que el CI se incrementa, la comisión delictiva es más elevada. Existe una correlación significativa inversa entre el CI y el número de delitos cometidos en la muestra analizada. A medida que el CI se incrementa, la comisión delictiva es más alta. No existe una correlación significativa entre el CI y el número de delitos cometidos.

Indica la afirmación correcta. A. La correlación nunca implica relación de causalidad entre las variables. B. Una forma de eliminar el ruido de variables extrañas en la correlación es realizar una correlación parcial entre las variables. C. Las opciones A y B son correctas. D. La correlación siempre implica la existencia de causalidad entre las variables.

¿Cuál de las siguientes afirmaciones sobre el modelo de regresión lineal es correcta?. La ecuación de regresión se utiliza para poder entender y predecir el comportamiento de una variable cuantitativa a partir de otras variables que también tienen que ser cuantitativas. La ecuación de regresión se utiliza para poder entender y predecir el comportamiento de una variable cuantitativa a partir de otras variables que pueden ser cuantitativas o cualitativas. La ecuación de regresión se utiliza para poder entender y predecir el comportamiento de una variable cualitativa a partir de otras variables cualitativas. La ecuación de regresión se utiliza para poder entender y predecir el comportamiento de una variable cualitativa a partir de otras variables cuantitativas.

Antes de ajustar un modelo de regresión lineal simple con una variable independiente cuantitativa y una variable respuesta cuantitativa. ¿Qué debemos hacer?. No debemos hacer nada. Podemos intentar ajustar directamente el modelo de regresión lineal. Debemos hacer un gráfico de líneas para comprobar si existe una relación lineal entre las variables. Debemos hacer un gráfico de barras para comprobar si existe una relación lineal entre las variables. Debemos hacer un gráfico o diagrama de dispersión para comprobar si existe una relación lineal entre las variables.

Imagina que ajustas u modelo de regresión lineal para saber si la percepción de confianza en la policía (escala del 4 al 16, menor a mayor confianza) influye en el miedo al delito (escala del 4 al 16, menor a mayor miedo) en una muestra de ciudadanos españoles. En el análisis de regresión obtienes un coeficiente beta β = –130 con un p valor inferior a 0,05. ¿Qué significa este resultado?. La percepción de confianza en la policía tiene un efecto significativo en el miedo al delito. Cuanto mayor es la confianza en la policía, mayor es el miedo al delito entre los ciudadanos. La percepción de confianza en la policía tiene un efecto significativo en el miedo al delito. Cuanto mayor es la confianza en la policía, menor es el miedo al delito entre los ciudadanos. La percepción de confianza en la policía no tiene un efecto significativo en el miedo al delito. No se aprecia una influencia de la confianza en la policía en el miedo al delito. La percepción de confianza en la policía tiene no tiene un efecto significativo en el miedo al delito. A pesar de no haber un efecto significativo, se aprecia que cuanto mayor es la confianza en la policía, menor es el miedo al delito entre los ciudadanos.

Indica la afirmación incorrecta sobre el coeficiente de determinación R2. Suele expresarse en porcentaje. Se interpreta en términos de varianza explicada en un modelo de regresión lineal. No es una medida de bondad de ajuste del modelo. Un coeficiente de determinación de 0,35 supone un tamaño de efecto grande.

Indica qué supuesto no es necesario evaluar en el diagnóstico de un modelo de regresión lineal simple. Homogeneidad de varianza (homocedasticidad). Linealidad. Multicolinealidad. Influencia de valores u observaciones extremas.

Indica la respuesta correcta. El gráfico Normal Q−Q, también llamado gráfico cuantil-cuantil normal, compara los cuantiles de nuestros datos con los cuantiles teóricos de la distribución normal y sirve para evaluar el supuesto de normalidad. El gráfico Normal Q−Q, también llamado gráfico cuantil-cuantil normal, compara los cuantiles de nuestros datos con los cuantiles teóricos de la distribución de Poisson y sirve para evaluar el supuesto de normalidad. El gráfico Normal Q−Q, también llamado gráfico cuantil-cuantil normal, compara los cuantiles de nuestros datos con los cuantiles teóricos de la distribución normal y sirve para evaluar el supuesto de homocedasticidad. El gráfico Normal Q−Q, también llamado gráfico cuantil-cuantil normal, compara los cuantiles de nuestros datos con los cuantiles teóricos de la distribución normal y sirve para evaluar la independencia de las observaciones y los valores extremos.

Imagina que deseas hacer una investigación sobre el miedo al delito (escala del 4 a 16, menor a mayor miedo) en España y te gustaría conocer qué factores lo predicen. Para ello, haces primero una revisión de la literatura y decides que vas a medir e incluir todas esas variables predictoras en un modelo de regresión lineal múltiple (el sexo, la edad, la confianza en la policía, las características del barrio, la experiencia de victimización, etc.). Obtienes una muestra de veinte ciudadanos españoles para realizar tu modelo de regresión lineal múltiple. ¿Dónde crees que podría estar la carencia en tu diseño de investigación?. En la variable dependiente. No se puede introducir el miedo al delito como variable dependiente en el modelo de regresión lineal porque no es una variable cuantitativa. En el tamaño de la muestra de veinte sujetos. No es suficiente ni representativa de la población de estudio. En la cantidad de variables predictoras. No se deben introducir tantas. En la revisión previa de la literatura. Nunca se debe revisar la literatura científica antes de diseñar una investigación criminológica.

Señala la opción correcta sobre el modelo de regresión logística. Es un algoritmo de clasificación binaria que se utiliza cuando la variable respuesta solo puede tomar dos valores no excluyentes (por ejemplo, cuando los mismos sujetos responden a la misma pregunta de una encuesta). Es un algoritmo de clasificación binaria que se utiliza cuando la variable respuesta solo puede tomar dos valores excluyentes (por ejemplo, la ocurrencia o no de un evento). Es un algoritmo de clasificación binaria que se utiliza cuando la variable independiente o predictora solo puede tomar dos valores excluyentes (por ejemplo, la ocurrencia o no de un evento). Es una ecuación que se utiliza para poder entender y predecir el comportamiento de una variable cuantitativa a partir de otras variables.

Para interpretar la relación entre la variable independiente y la dependiente en una regresión logística…. Se suelen utilizar los odds-ratio (OR), también llamados exponenciales de beta (eβ), dado que son más fáciles de interpretar. Nunca se usan los odds-ratio (OR), también llamados exponenciales de beta (eβ), dada su dificultad interpretativa. Se suelen utilizar los odds-ratio (OR), también llamados coeficientes beta(β), dado que son más fáciles de interpretar. Se suelen utilizar las medidas de riesgo relativo (RR) dado que son más fáciles de interpretar.

Antes de ajustar un modelo de regresión logística ¿qué debemos hacer siempre?. Un análisis exploratorio de los datos. Haremos un gráfico de cajas para relacionar una variable independiente cuantitativa con la variable dependiente binaria y un gráfico de barras para relacionar una variable independiente cualitativa con la variable dependiente binaria. Un análisis exploratorio de los datos. Haremos un gráfico de cajas para relacionar una variable independiente cualitativa con la variable dependiente binaria y un gráfico de barras para relacionar una variable independiente cuantitativa con la variable dependiente binaria. Un análisis exploratorio de los datos. Como la variable dependiente es cualitativa y binaria solamente necesitaremos gráficos de barras para la exploración. No debemos hacer nada. Podemos ajustar directamente el modelo de regresión logística.

Imagina que ajustas un modelo de regresión logística para predecir si pasar muchas horas navegando en Internet (escala del uno al seis) predice que un individuo sea víctima de un delito de cyberbullying (No/Sí) en una muestra de jóvenes. Obtienes un OR de 1082 para la variable independiente, con un estadístico z=3,10 y un p-valor inferior a 0,001. La OR es menor a uno, la probabilidad de ser víctima de cyberbullying será mayor al aumentar el número de horas que los jóvenes pasan en Internet. La OR es menor a uno, la probabilidad de ser víctima de cyberbullying será menor al aumentar el número de horas que los jóvenes pasan en Internet. La OR es mayor a uno, la probabilidad de ser víctima de cyberbullying será mayor al aumentar el número de horas que los jóvenes pasan en Internet. La OR es igual a uno, en este caso no existe ningún efecto significativo del número de horas navegando en Internet en la probabilidad de ser víctima de cyberbullying.

En lo que respecta al diagnóstico del modelo, indica cuál de los siguientes supuestos no sería necesario evaluar en un modelo de regresión logística. La multicolinealidad entre las variables predictoras. La existencia de valores influyentes. La relación entre el logit de p y las variables predictoras. El supuesto de normalidad, es decir, si la variable dependiente sigue una distribución normal o gaussiana.

Señala cuál de las siguientes afirmaciones sobre el coeficiente pseudo R2 no es cierta. Es una medida de bondad de ajuste del modelo de regresión logística. Es un coeficiente que sirve para medir cómo es la relación entre las variables independientes y la dependiente. A diferencia del coeficiente de determinación R2 de la regresión lineal, el coeficiente pseudo R2 de la regresión logística no se mide en términos de varianza explicada. Es una buena medida que sirve para evaluar el rendimiento del modelo, es decir, cuán bueno es en sus predicciones.

Imagina que evalúas la bondad de ajuste del modelo de regresión logística que predice que un individuo sea víctima de cyberbullying en función de pasar muchas horas navegando en Internet. Obtienes una prueba Hosmer Lemeshow con un p valor inferior a 0,05. ¿Qué significa esto?. Que el modelo no se ajusta del todo bien a los datos. Que el modelo se ajusta bien a los datos. Que el modelo tiene un R2 muy elevado. Es una buena medida que sirve para evaluar el rendimiento del modelo, es decir, cuán bueno es en sus predicciones.

Imagina que decides calcular el AUC del modelo de regresión logística que predice que un individuo sea víctima de cyberbullying en función de pasar muchas horas navegando en Internet. Obtienes un valor de AUC de 0,76. ¿Cómo se interpretaría este valor?. La discriminación del modelo es aceptable. La discriminación del modelo es excepcional. La discriminación del modelo es excelente. El modelo no puede clasificar nada bien los sujetos como víctimas y no víctimas de cyberbullying en función de esta variable predictora.

¿A qué se refiere el concepto de sensibilidad cuando hacemos el análisis ROC con el modelo de regresión logística?. A la probabilidad de que el modelo prediga un resultado negativo para una observación cuando en realidad ese resultado es negativo (verdadero negativo). A la probabilidad de que el modelo prediga un resultado negativo para una observación cuando en realidad ese resultado es positivo (falso negativo). A la probabilidad de que el modelo prediga un resultado positivo para una observación cuando en realidad ese resultado es negativo (falso positivo). A la probabilidad de que el modelo prediga un resultado positivo para una observación cuando en realidad ese resultado es positivo (verdadero positivo).

¿A qué se refiere el concepto de especificidad cuando hacemos el análisis ROC con el modelo de regresión logística?. A la probabilidad de que el modelo prediga un resultado negativo para una observación cuando en realidad ese resultado es negativo (verdadero negativo). A la probabilidad de que el modelo prediga un resultado negativo para una observación cuando en realidad ese resultado es positivo (falso negativo). A la probabilidad de que el modelo prediga un resultado positivo para una observación cuando en realidad ese resultado es negativo (falso positivo). A la probabilidad de que el modelo prediga un resultado positivo para una observación cuando en realidad ese resultado es positivo (verdadero positivo).