1.

El error Tipo I y el error Tipo II son conceptos asociados con las pruebas de hipótesis y están
relacionados con las decisiones que se toman al rechazar o no rechazar una hipótesis nula.

- Error Tipo I: También conocido como falso positivo, ocurre cuando se rechaza incorrectamente
una hipótesis nula que en realidad es verdadera. En otras palabras, se concluye que existe una
diferencia o efecto cuando en realidad no lo hay. El nivel de significancia (alfa) de una prueba de
hipótesis determina la probabilidad de cometer un error Tipo I. Si se establece un nivel de
significancia de, por ejemplo, 0.05, significa que hay un 5% de probabilidad de cometer un error
Tipo I al rechazar la hipótesis nula.

- Error Tipo II: También conocido como falso negativo, ocurre cuando se falla en rechazar una
hipótesis nula que en realidad es falsa. En otras palabras, se concluye que no existe una diferencia
o efecto cuando en realidad sí lo hay. El error Tipo II está relacionado con la potencia estadística de
la prueba, que es la capacidad de detectar un efecto o diferencia real cuando existe. La potencia
depende de varios factores, como el tamaño de la muestra, el tamaño del efecto, el nivel de
significancia y la variabilidad de los datos.

En resumen, el error Tipo I implica concluir erróneamente que hay una diferencia o efecto cuando
no lo hay, mientras que el error Tipo II implica no detectar una diferencia o efecto que realmente
existe.

Pregunta 2

2. En una prueba de hipótesis, se establecen dos hipótesis: la hipótesis nula (H0) y la hipótesis
alternativa (H1). La hipótesis nula es la afirmación que se somete a prueba y se considera como la
posición inicial o la afirmación a refutar. La hipótesis alternativa es la afirmación contraria a la
hipótesis nula y representa la posición que se busca respaldar.

El proceso de prueba de hipótesis generalmente sigue los siguientes pasos:

- Paso 1: Formulación de las hipótesis:

- Hipótesis nula (H0): Representa la afirmación a refutar o el estado inicial de igualdad o no

efecto.

- Hipótesis alternativa (H1): Representa la afirmación contraria a la hipótesis nula y busca

respaldar un efecto o diferencia.
- Paso 2: Selección del nivel de significancia (alfa): Se establece el nivel de probabilidad de cometer
un error Tipo I, es decir, la probabilidad de rechazar incorrectamente la hipótesis nula cuando es
verdadera. El nivel de significancia suele ser predefinido, como 0.05 o 0.01.

- Paso 3: Recopilación y análisis de datos: Se recopilan los datos relevantes y se realiza el análisis
estadístico adecuado según el tipo de datos y la pregunta de investigación. Esto implica la selección
de una prueba estadística apropiada (por ejemplo, prueba t, prueba Z, prueba F, etc.) que se ajuste
al diseño y los supuestos del estudio.

- Paso 4: Cálculo de la estadística de prueba: Se calcula la estadística de prueba utilizando

los datos recopilados y el método seleccionado. La estadística de prueba es un valor numérico que
se compara con un valor crítico o se utiliza para calcular un valor p.

- Paso 5: Toma de decisión: Con base en la estadística de prueba, se toma una decisión sobre la
hipótesis nula. Si la estadística de prueba cae en la región de rechazo determinada por el nivel de
significancia (alfa), se rechaza la hipótesis nula y se acepta la hipótesis alternativa. Si la estadística
de prueba no cae en la región de rechazo, no se rechaza la hipótesis nula.

- Paso 6: Conclusión: Se interpreta la decisión tomada en el contexto del problema de investigación

y se proporcionan conclusiones basadas en los resultados obtenidos.

Es importante destacar que una prueba de hipótesis no puede demostrar la verdad absoluta de
una afirmación, sino que proporciona evidencia estadística para respaldar o refutar una hipótesis
en función de los datos recopilados.

Pregunta 3

3. En la prueba ANOVA (Análisis de Varianza), la medida de dispersión de datos se mide utilizando

la varianza. El ANOVA se utiliza para comparar las medias de tres o más grupos diferentes.

La prueba ANOVA descompone la variabilidad total de los datos en dos componentes: la

variabilidad entre grupos y la variabilidad dentro de los grupos. La variabilidad entre grupos se
debe a las diferencias entre las medias de los grupos, mientras que la variabilidad dentro de los
grupos se debe a las diferencias dentro de cada grupo.

La medida de dispersión utilizada en la prueba ANOVA se conoce como la varianza media o el

cuadrado medio (mean square en inglés). Para calcularla, se divide la suma de cuadrados
correspondiente (sum of squares) por los grados de libertad asociados. La suma de cuadrados se
calcula sumando los cuadrados de las diferencias entre cada observación y la media
correspondiente.

Una vez obtenida la varianza media entre grupos y la varianza media dentro de los grupos, se
calcula el estadístico F dividiendo la varianza media entre grupos por la varianza media dentro de
los grupos. El valor de F se compara con un valor crítico obtenido a partir de la distribución F para
determinar si existe una diferencia significativa entre las medias de los grupos.

En resumen, la dispersión de datos en la prueba ANOVA se mide utilizando la varianza media, que
es una relación entre la variabilidad entre grupos y la variabilidad dentro de los grupos.

A. Verdadero: La distribución de Fisher, también conocida como distribución F, se utiliza

principalmente en pruebas de hipótesis para comparar varianzas. Sin embargo, también
puede aplicarse en otras pruebas de hipótesis, como en el análisis de varianza (ANOVA)
para comparar las medias de varios grupos.

b. Falso: El error tipo II ocurre cuando se acepta incorrectamente la hipótesis nula que en realidad
debería rechazarse. No está relacionado con aceptar la hipótesis alternativa.

c. Falso: El ANOVA utiliza información muestral para evaluar si hay diferencias significativas entre
las medias de tres o más tratamientos o grupos. No se determina si los tratamientos producen
resultados iguales, sino si hay diferencias estadísticamente significativas entre ellos.

d. Falso: El error tipo I y el error tipo II son conceptos independientes y no están necesariamente
relacionados entre sí. Un mayor error tipo I no implica necesariamente un mayor error tipo II. Estos
errores dependen de varios factores, incluido el tamaño de muestra, el nivel de significancia y el
poder estadístico de la prueba.

e. Falso: La prueba de hipótesis de observaciones por pares, también conocida como prueba t de
muestras relacionadas, se aplica a muestras dependientes, no independientes. Se utiliza para
comparar las diferencias entre las mediciones tomadas antes y después de un tratamiento o en dos
condiciones relacionadas.

f. Verdadero: El enunciado del valor de un parámetro muestral puede considerarse una hipótesis.
Por ejemplo, al afirmar que la media de una población es igual a un valor específico, se está
formulando una hipótesis nula y una hipótesis alternativa.

g. Falso: La hipótesis nula se refiere a la afirmación inicial que se somete a prueba y se busca
refutar, mientras que la hipótesis de investigación se refiere a la afirmación contraria a la hipótesis
nula y se busca respaldar. Son conceptos diferentes en una prueba de hipótesis.

h. Falso: El estadístico de prueba utilizado para aceptar o rechazar una hipótesis se obtiene a partir
de la información muestral, no de la información poblacional completa. Se utilizan estimaciones
muestrales para tomar decisiones sobre las hipótesis.

i. Falso: Si bien el muestreo aleatorio es deseable y puede fortalecer la validez de los

resultados de un ANOVA, no es indispensable. El ANOVA se puede aplicar tanto a
tratamientos seleccionados al azar como a tratamientos no seleccionados al azar, pero
se deben cumplir ciertos supuestos y condiciones.

j. Falso: Las pruebas de significación de dos colas o de dos sentidos se utilizan cuando se quiere
evaluar si hay una diferencia significativa en cualquier dirección entre el parámetro de interés y un
valor de referencia. No está relacionado con la precisión del valor del parámetro.