Aporte

2. Qué significan el error tipo I y el error tipo II. Explique su interpretación con un ejemplo:

Error Tipo I: Es el error que se comete cuando el investigador no acepta la hipótesis nula (Ho) siendo ésta verdadera en la población.

Ejemplo: Cuando un investigador necesita saber las causas por las cuales una población determinada presenta altos niveles de deserción escolar. Plantea como hipótesis nula que se debe a causas culturales; sin embargo, este mismo investigador rechaza su propia hipótesis; sin embargo, se comprueba que era cierta.

3. Mediante un diagrama muestre los pasos para realizar el contraste de una hipótesis.

Se debe realizar un procedimiento de contraste‚ por medio del cual se toma una decisión basada en la muestra aleatoria seleccionada de la población en estudio. Para llevar a cabo este procedimiento es necesario seleccionar un estadístico de contraste, calcularlo con base en la muestra y luego tomar la decisión de rechazar o no H0, dependiendo de si este estadístico es o no consistente con H0. Es decir, si el valor calculado del estadístico es muy diferente del valor supuesto en H0, suponiendo que ésta es cierta, entonces se rechaza H0. Sin embargo, si el valor calculado del estadístico de contraste es consistente con lo supuesto en H0, entonces no hay razón suficiente para rechazar H0 en favor de la Ha. En resumen, el estadístico de contraste es una variable aleatoria cuya distribución se conoce, en el supuesto de que H0 es verdadera y sirve para tomar la decisión de rechazar o no H0.

7. Explique la diferencia entre pruebas paramétricas y No paramétricas.

Paramétrico No paramétrico

Constituye los procedimientos estadísticos y de decisión que están basados en las distribuciones de los datos reales. Estas son determinadas usando un número finito de parámetros. Esto es, por ejemplo, si conocemos que la altura de las personas sigue una distribución normal, pero desconocemos cuál es la media y la desviación de dicha normal. La media y la desviación típica de la desviación normal son los dos parámetros que queremos estimar. Cuando desconocemos totalmente que distribución siguen nuestros datos entonces deberemos aplicar primero un test no paramétrico, que nos ayude a conocer primero la distribución. Es una rama de la estadística que estudia las pruebas y modelos estadísticos cuya distribución subyacente no se ajusta a los llamados criterios paramétricos. Su distribución no puede ser definida a priori, pues son los datos observados los que la determinan. La utilización de estos métodos se hace recomendable cuando no se puede asumir que los datos se ajusten a una distribución conocida, cuando el nivel de medida empleado no sea, como mínimo, de intervalo.

Cuando conocemos los parámetros utilizaremos el paramétrico, cuando desconocemos

...