APORTE TRABAJO COLABORATIVO #2

LUIS FERNEY ZAYA USUGA

1.068.813.225

GRUPO

100403_20

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA (UNAD)

1. Establezca la diferencia entre: Nivel de significación y potencia de una
prueba; pruebas parámetricas y pruebas No parámetricas.

R// Cuando planteamos un estudio sobre una población, debemos idealmente

estudiar a todos los individuos que la conforman; pero no siempre podemos
acceder todos, entonces tenemos que escoger una muestra; sin embargo los
resultados obtenidos de esta manera nunca serán exactamente iguales, a los
que se obtendrían de estudiar a toda la población; es decir, siempre va a haber
un margen de error. Por ello, antes de realizar el estudio debemos plantearnos;
que proporción de error estamos dispuestos a aceptar para dar por válido
nuestro resultado. El nivel de significancia: Es la máxima probabilidad de error
que estamos dispuestos aceptar para dar como válida nuestra hipótesis del
investigador. Potencia de una prueba: es una medida muy descriptiva y concisa
de la sensibilidad de una prueba estadística, donde se entiende por
sensibilidad a la capacidad de una prueba para detectar diferencias. puede
interpretarse como la probabilidad de rechazar de manera correcta una
hipótesis nula falsa. Pruebas parámetricas: requieren de variables medidas en
la escala de razón o intercalar y de análisis de un parámetro de la población y
otros requisitos que dependen de la prueba en específico. Estas pruebas
comparan los grupos a través de una medida de tendencia central (parámetro):
la media aritmética. Pruebas no parámetricas: requieren de que los datos estén
en escala nominal u ordinal. En estas pruebas no se presupone una
distribución de probabilidad para los datos, por ello se conocen también como
de distribución libre (distribution free). En la mayor parte de ellas los resultados
estadísticos se derivan únicamente a partir de procedimientos de ordenación y
recuento, por lo que su base lógica es de fácil comprensión.

2. El tamaño de una muestra para realizar inferencia estadística depende

de unos factores, (la confiabilidad, la varianza y el error de
estimación), que la determinan. Explique los criterios que tiene un
investigador para la determinación de estos factores.

R// El nivel de confianza: que queramos que alcancen nuestros resultados

también influye en el tamaño que debamos dar a la muestra. Entre +2 y -2
sigmas de la curva de distribución normal de Gauss, a partir de la media, está
incluido el 95.5% de la población. Esto quiere decir que tenemos una
probabilidad de que 955/1000 coincidan con los de la población total. Si
queremos alcanzar una mayor certidumbre hemos de abarcar entre +3 y -3
sigmas, en cuyo caso el riesgo de que exista diferencia entre los estadísticos
de la muestra y los parámetros de la población sean distintos será de 997/100,
pero naturalmente tendremos que elevar el número de elementos de la
muestra.

Para determinar el volumen de la muestra, de acuerdo con el nivel de

confianza, existen tablas. Bugeda (1974) recoge tablas que permiten
determinar el volumen de la muestra y el nivel de estimación para los niveles
de confianza del 99.7% y del 95%. La varianza es la desviación estándar al
cuadrado. La variancia y la desviación estándar te dan una idea de tu muestra
y de su distribución (teniendo en cuenta que sea normal) (en caso de no ser
normal estaríamos hablando de Mediana y Espacio intercuartil IQR) . Lo
puedes usar para detectar outliers (valores fuera de lo normal). Por ejemplo, un
valor que sea mayor a la Media + 3 SD ya empieza a considerase un outlier.
Cuando la varianza es muy grande, tu muestra raramente tendrá una
distribución normal... Error de estimación. Es lógico pensar que no haya una
coincidencia total entre los datos de la población y los de la muestra. Hemos de
indicar el máximo error tolerable, que suele establecerse en el 5%. Pero si
queremos rebajar ese error tendremos que aumentar el volumen de la muestra.

3. Qué significan el error tipo I y el error tipo II. Explique su interpretación

con un ejemplo

R// Error de tipo I: también llamado error de tipo alfa, que es la probabilidad de
que ocurra este error, es el error que se comete cuando el investigador rechaza
la hipótesis nula (Ho) siendo ésta verdadera en la población. Es equivalente a
encontrar un resultado falso positivo, porque el investigador llega a la
conclusión de que existe una diferencia entre las hipótesis cuando en realidad
no existe.

Error de tipo II: también llamado error de tipo beta (aunque beta es la
probabilidad de que exista éste error), se comete cuando el investigador no
rechaza la hipótesis nula siendo ésta falsa en la población. Es equivalente a la
probabilidad de un resultado falso negativo, ya que el investigador llega a la
conclusión de que ha sido incapaz de encontrar una diferencia que existe en la
realidad.

Ejemplo: se tienen dos cajas, caja A y caja B. La caja A tiene 40 fichas con el
número 1; 50 fichas con el número 10 y 10 fichas con el número 100. La caja B
tiene 40 fichas con el número 100; 50 fichas con el número 10 y 10 fichas con
el número 1. Se elige una caja al azar, y de ella se saca una ficha. Usted no
sabe si es la caja A o la caja B.

Se tiene las hipótesis: ü Ho: la caja es la A ü H1: la caja es la B Se establece la

regla de decisión: rechazar la hipótesis nula si la ficha es de 100.

FICHAS

# DE FICHAS EN LA CAJA A 40 50 10

# DE FICHAS EN LA CAJA B 10 50 40

1 10 100
Cuál es la probabilidad de cometer el error tipo I? La probabilidad de cometer el
error tipo I es el nivel de significación α: α = P(rechazar Ho/Ho es verdadera) α
= P(sacar una ficha de 100 de la caja A) α = 10/100 α = 0,10 Cual es la
probabilidad de cometer el error tipo II? La probabilidad de cometer el error tipo
II es β: β = P(aceptar Ho/H1 es verdadera) β = P(sacar una ficha de 1 o de 10
de la caja B) β = 60/100} β = 0,60