Documentos de Académico
Documentos de Profesional
Documentos de Cultura
SEMANA N° 14
ÍNDICE
Pág.
1. INTRODUCCIÓN ............................................................................................................................... 3
3. DESARROLLO ................................................................................................................................... 4
Actividad 1 .............................................................................................................................................19
6. GLOSARIO ........................................................................................................................................22
1. INTRODUCCIÓN
2. CONTENIDO TEMÁTICO
- hipótesis estadísticas
- tipo de errores
- Prueba de hipótesis para la media
- Prueba de hipótesis para la proporción
- Prueba de hipótesis para dos medias
3. DESARROLLO
Una hipótesis estadística es una aseveración o conjetura respecto a una o más poblaciones. (Rufino Moya &
Gregorio Saravia, 2016) indican que una hipótesis estadística es una aseveración que se hace acerca de la
distribución de una o más variables. Además, especifica que una hipótesis, dando el tipo de distribución y el
valor o valores del parámetro o los parámetros que le definen.
La verdad o falsedad de una hipótesis estadística nunca se sabe con absoluta certeza, a menos que se examine
toda la población, lo cual, por supuesto, sería poco práctico en la mayoría de las situaciones. En vez de eso se
toma una muestra aleatoria de la población de interés y se utilizan los datos contenidos en ella para
proporcionar evidencia que respalde o no la hipótesis. (Walpole, et alt., 2012, pág. 319)
Por ejemplo, son hipótesis estadísticas :
1. La longitud media de un tipo de objetos es 10 centímetros.
2. La proporción de objetos defectuosos producidos por cierto proceso nunca es superior al 8%.
3. La varianza de la longitud de cierto tipo de objetos es 0.25 cm2.
4. Son iguales las medias de dos tipos de mediciones independientes X e Y que se distribuyen normalmente
con varianza común a 2 .
la hipótesis referente a la media es una hipótesis compuesta, pues, no especifica la media de la distribución de
la población de los ingresos.
En la prueba de hipótesis pueden cometerse dos tipos posibles de errores: rechazar la hipótesis nula Ho, cuando
en realidad esta es verdadera o aceptarla cuando es falsa.
El rechazo de la hipótesis nula Ho cuando es verdadera, se llama “error tipo I (α) ”
La aceptación de la Ho cuando es falsa se llama “error tipo II (β)”
Ho
Decisión
verdadera es falsa
Aceptar Ho Decisión correcta Error tipo II (β )
Ejemplo. Lo más indicado y utilizado para comprender mejor lo anterior, es el siguiente, supongamos que se
detiene a una persona por robo y se le envía al juez quien podrá declararlo inocente o culpable.
Ho: Es liberado siendo este culpable
H1: es condenado siendo este inocente
Al juez se presenta los pro y los contra y con base en toda la información, decide dejarlo libre o condenarlo.
El juez, no sabrá si hubo error en su decisión, sólo lo podrá saber la persona que ha sido juzgada.
Si lo deja libre y el acusado es culpable estará cometiendo el error tipo II, si por el contrario lo condena siendo
este inocente entonces estará cometiendo error tipo I, hasta ahí va la decisión del juez. Aceptar o rechazar, pero
no sabemos exactamente el error cometido, solo sabemos que se puede cometer
Al probar hipótesis se debe acostumbrar a la idea de que el rechazo de una hipótesis implica que fue refutada
por la evidencia de la muestra. En otras palabras, el rechazo significa que existe una pequeña probabilidad de
obtener la información muestral observada cuando, de hecho, la hipótesis es verdadera. (Walpole, et alt., 2012).
Observe que las conclusiones no implican una “aceptación de H0” formal y literal. La aseveración de H0 a
menudo representa el “status quo” contrario a una nueva idea, conjetura, etcétera, enunciada en H1; en tanto
que no rechazar H0 representa la conclusión adecuada.
Ejemplo. Suponga que se prueban 100 artículos y que se encuentran 12 defectuosos. Es razonable concluir
que esta evidencia no rechaza la condición de que el parámetro binomial p = 0.10, por lo que puede provocar
que no se rechace la hipótesis.
Entonces podemos seguir y sabemos que sigue una distribución binomial la cuestión práctica podría ser el
interés en que la probabilidad histórica de artículos defectuosos de 0.10 ya no sea verdadera. De hecho,
la conjetura podría ser que p excede a 0.10. Entonces podríamos afirmar que
H0: p = 0.10,
H1: p > 0.10.
Ahora, 12 artículos defectuosos de cada 100 no refutan p = 0.10, por lo que la conclusión es “no rechazar H0”.
Sin embargo, si los datos revelan 20 artículos defectuosos de cada 100, la conclusión sería “rechazar H0” a
favor de H1: p > 0.10.
El estadístico de prueba
Para ilustrar los ejemplos se va a plantear la hipótesis del ejemplo
Se toma una muestra de 50 artículos, si más de 12 son defectuosos se rechaza la Ho
La estadística de prueba en la cual se basa nuestra decisión es X, el número de artículos defectuosos, los valores
posibles es 0 a 50, se dividen en 2 grupos menos o 12 artículos defectuosos y aquellos mayores de 12. Todos
los posibles valores superiores a 12 constituyen una región critica. El ultimo valor que observamos al pasar la
región crítica se llama valor crítico. En este caso el valor crítico es el número 12. ∴ si x > 12, rechazamos la
Ho. Si X ≤ 12, no rechazamos Ho
No rechaza Ho Se rechaza Ho
(p=0,10) (p >0,10)
1 2 3 . . . 10 11 12 13 14 . . . 47 48 50
Figura 3.2.1: Criterio de decisión para probar p = 0,10 contra p > 0,10
Decimos que la hipótesis nula, p = 0,10 se prueba al nivel de significancia α = 0,001. En ocasiones el nivel de
significancia se conoce como tamaño de la prueba. Una región crítica de tamaño 0,001 es muy pequeña y, por
lo tanto, es poco probable que se cometa un error de tipo I. En consecuencia, sería poco probable que más de
12 artículos sean defectuosos.
Los conceptos que se analizan aquí para una población discreta también se pueden aplicar a variables aleatorias
continuas. Considere la hipótesis nula de que el peso promedio de trabajadores hombres en cierta empresa es
de 68 kilogramos, contra la hipótesis alternativa de que es diferente a 68. Es decir, deseamos probar
𝑯𝒐 : 𝝁 = 𝟔𝟔
𝑯𝟏 : 𝝁 ≠ 𝟔𝟔
En la hipótesis alternativa H1, tenemos dos alternativas que el μ < 66 o μ > 66.
Se debe seleccionar, una muestra de tal manera que si la media muestral cae cerca del valor hipotético de 66kg
se consideraría como evidencia a favor de H 0. Por otro lado, una media muestral considerablemente menor que
o mayor que 66 sería evidencia en contra de H0 y, por lo tanto, favorecería a H1., que es la hipótesis que el
investigador desea contrastar. Una región crítica para el estadístico de prueba se puede elegir de manera
arbitraria como los dos intervalos 𝑥̅ < 65 y 𝑥̅ > 67. La región de no rechazo será entonces el intervalo
65 ≤ 𝑥̅ ≤ 67.
Rechazar Ho No rechazar Ho Rechazar Ho
(𝜇 ≠ 66) (𝜇 = 66) (𝜇 ≠ 66)
65 66 67
. Figura 3.2.1: Criterio de decisión para probar p = 0,10 contra p > 0,10
Para calcular las probabilidades de cometer los errores tipo I y tipo II cuando probemos la hipótesis nula μ =
66 kilogramos contra la alternativa μ ≠ 66 kilogramos. Suponga que la desviación estándar de la población de
pesos es σ = 3.6. Para muestras grandes podemos sustituir s por σ si no disponemos de ninguna otra estimación
de σ. Nuestro estadístico de decisión, que se basa en una muestra aleatoria de tamaño n = 36, será 𝑥̅ , el
3.6
estimador más eficaz de μ. Y la desviación estándar 𝜎𝑋̅ = = 0,6
√36
Calcular el error tipo I (α) rechazar la Ho cuando esta es verdadera esto solo sucede cuando
𝛼 = 𝑃(𝑥̅ < 65 𝑐𝑢𝑎𝑛𝑑𝑜 𝜇 = 66) + 𝑃(𝑥̅ > 67 𝑐𝑢𝑎𝑛𝑑𝑜 𝜇 = 66)
65 − 66 67 − 66
𝛼 = 𝑃 [𝑍 < ] + 𝑃 [𝑍 > ]
0,6 0,6
65 − 66 67 − 66
𝛼 = 𝑃 [𝑍 < ] + (1 − 𝑃 [𝑍 < ])
0,6 0,6
𝛼 = 𝜑(−1,67) + (1 − 𝜑(1,67))
𝛼 = 0,0475 + (1 − 0,9525) = 0,095
Por consiguiente, 9.5% de todas las muestras de tamaño 36 nos conducirían a rechazar μ = 66 kilogramos
cuando, de hecho, ésta es verdadera. Para reducir el valor del error tipo I (α) tenemos que elegir entre aumentar
el tamaño de la muestra o ampliar la región de no rechazo.
1. Los errores tipo I y tipo II están relacionados. Por lo general una disminución en la probabilidad de cometer
uno da como resultado un incremento en la probabilidad de cometer el otro.
2. El tamaño de la región crítica y, por lo tanto, la probabilidad de cometer un error tipo I, siempre se puede
reducir ajustando el (los) valor(es) crítico(s).
3. Un aumento en el tamaño de la muestra n reducirá α y β de forma simultánea.
4. Si la hipótesis nula es falsa, β es un máximo cuando el valor verdadero de un parámetro se aproxima al valor
hipotético. Cuanto más grande sea la distancia entre el valor verdadero y el valor hipotético, más pequeña será
β. (Walpole, et alt 2012, pág. 329)
H0: Hipótesis nula (se refiere siempre a un valor especificado del parámetro de población, no a una estadística
de muestra. La hipótesis nula es aquella que nos dice que no existen diferencias significativas entre los grupos.)
H1: Hipótesis alternativa (Es una afirmación que se acepta si los datos muestrales proporcionan evidencia
suficiente de que la hipótesis nula es falsa)
1.
( x 0 )
z
n
CASO 2: s desconocida y n ≤ 𝟑𝟎
( x 0 )
t
s n
p po
z
p0 q0 n
Paso 4: Formular la regla de decisión
La región de rechazo define la ubicación de todos los valores que son tan grandes o tan pequeños, que la
probabilidad de que se presenten bajo la suposición de que la hipótesis nula es verdadera, es muy remota
Valor crítico: Es el punto de división entre la región en la que se rechaza la hipótesis nula y la región en la
que no se rechaza la hipótesis nula.
Ejemplo:
Un determinado proceso de empaquetar un producto está controlado si el peso medio del producto
empaquetado es 70 gramos. Si en una muestra aleatoria de 100 paquetes del producto se ha encontrado que el
peso medio es de 71.8 gramos, ¿Se podría concluir que el proceso está fuera de control (es decir que el
promedio es mayor a 70 gramos) al nivel de significación 5%? Suponga que el peso de los productos
empaquetados se distribuye normalmente con desviación estándar de 8.9 gramos.
Solución:
Datos:
µ = 70 gramos
s = 8.9 gramos
𝑥̅ = 71.8 gramos
n= 100
α= 0.05
10
2do Seleccionamos el nivel de significancia:
( x ) 71.8 70
z 2.02
n 8.9 / 100
4to Formular la regla de decisión:
Punto Crítico: Z1-a = Z0.95 = 1.64
5to Decisión:
Como 2.02 > 1.64 y cae dentro de la región de Rechazo para Ho, entonces, ésta se RECHAZA, y se concluye
con un riesgo del 5%, que el proceso de empaquetar el producto está fuera de control.
Ejemplo:
Una empresa eléctrica fabrica baterías de celular que tienen una duración que se distribuye de forma
aproximadamente normal con una media de 800 horas y una desviación estándar de 40 horas. Si una muestra
aleatoria de 35 baterías tiene una duración promedio de 788 horas, ¿muestran los datos suficiente evidencia
para decir que la duración media no es 800? Utilice un nivel de significancia del 0.04.
Solución:
Datos:
𝝁= 800 horas
s = 40 horas
̅ = 788 horas
𝒙
n= 35
𝜶= 0.04
z
788 800 1.77
40 / 35
4to Formular la regla de decisión:
Punto Crítico: Z1-a/2 = Z0.96 = 2.05
5to Decisión:
Como -1.77 cae en la región de aceptación para Ho. Entonces ACEPTAMOS H0 y concluimos que con un
nivel de significancia del 4%, la duración media de las baterías es de 800 horas
Ejemplo
En una muestra aleatoria de 10 latas de leche de un proveedor de la ciudad de Cajamarca, el peso medio de la
lata de leche fue de 9.4 onzas con desviación típica 1.8 onzas.
Contiene esta muestra suficiente evidencia para indicar que el peso medio es menor que 10 onzas con una
significancia del 10%
Solución:
1ro Planteamos la hipótesis:
H0 : µ = 10 onzas
H1 : µ < 10 onzas
2do Seleccionamos el nivel de significancia:
𝛼= 0.10, N.C. = 90%
3ro Calcular el estadístico de prueba
t
9.4 10 1.054
1.8 / 10
Ejemplo:
En una industria donde se fabrica clavos para construcción, se informa que el 50% de éstos tienen algún defecto
de fabricación. Existe evidencia suficiente para indicar que dicha proporción es menor a 50%, si de una muestra
aleatoria de 400 clavos, sólo 193 fueron detectados con algún defecto? Utilice una significación de 0.01
Solución
n = 400
p = x/n = 193/400 = 0.48
1ro Planteamos la hipótesis:
H0 : p = 0.50
H1 : p < 0.50
2do Seleccionamos el nivel de significancia: α = 0.01, N.C. = 99%
3ro Calcular el estadístico de prueba:
0.48 0.50
z 0.80
0.50(0.50) 400
5to Decisión:
Como -0.80, cae dentro de la región de Aceptación para Ho. Entonces ésta se ACEPTA, es decir con un Nivel
de Confianza del 99%, no existe evidencia suficiente para decir que la proporción de clavos con algún defecto
de fabricación es menor a 50%
Ho: 𝜇1 = 𝜇2
H1: 𝜇1 ≠ 𝜇2
Donde:
Donde:
Ejemplo 1:
Se analizan dos catalizadores para determinar la forma en que afectan el rendimiento promedio de un proceso
químico. De manera específica, el catalizador 1 es el que se está empleando en este momento. Debido a que el
catalizador 2 es más económico, éste puede adoptarse siempre y cuando no cambie el rendimiento del proceso.
Se hace una prueba en una planta piloto; los resultados obtenidos, son los siguientes:
(117 112)
Z 1.85
2 2
10 12
40 30
5to Decisión:
Como 1.85 < 1.96 se acepta Ho, por lo tanto, el rendimiento promedio de los tipos de catalizadores es el mismo
con 5% de significancia. Por lo tanto, se puede cambiar del Catalizador 1 al Catalizador 2, dado que es más
económico.
Ejemplo 2
Se realizó un experimento para comparar la dureza de lingotes de dos tipos de acero, obteniéndose los
siguientes resultados:
Suponga que son muestras aleatorias independientes y que provienen de poblaciones normales con varianzas
poblacionales desconocidas, suponer iguales.
Pruebe con 5% de significancia que la dureza de los lingotes del tipo de Acero 1 excede a la dureza del tipo 2
en dos unidades.
Solución
95
Zona de
Aceptación
para Ho
1.7247
5to Decisión:
Con un nivel de significancia del 5% se acepta la hipótesis nula, dado que no existe suficiente evidencia
estadística para rechazar la hipótesis nula, es decir, la dureza promedio del Acero 1 es igual al del Acero 2.
Ejemplo
Se realizó un experimento para comparar la resistencia de dos materiales, obteniéndose los siguientes
resultados:
Material n 𝑋̅ S2
1 15 3.84 3.07
2 12 1.49 0.80
Suponga que son muestras aleatorias independientes y que provienen de poblaciones normales con
varianzas desconocidas, suponer diferentes. Pruebe con un nivel de confianza de 95% para la
diferencia de las medias poblacionales la hipótesis nula: 1 > 2 frente 1 < 2
Solución
1ro Planteamos la hipótesis
2do Seleccionamos el nivel de significancia: a = 0.05, N. C. = 95%
3ro Calcular el estadístico de prueba:
S12 S 22 2
( ) 3.07 0.80 2
n1 n2 ( )
v 2 v 15 12 22
S S2 3.07 2 0.80 2
( 1 )2 ( 2 )2 ( ) ( )
n1 n 15
2 12
(n1 1) (n2 1) (15 1) (12 1)
1-α
Zona de
Aceptación
para Ho
-1.7171
5to Decisión:
Con un nivel de significancia del 5%, no existe suficiente evidencia estadística para rechazar la hipótesis nula,
es decir, la resistencia promedio del material 1 es mayor que la resistencia promedio del material 2.
5. ACTIVIDADES Y EVALUACIÓN
Actividad 1
2. Una empresa de publicidad desea comprobar su un determinado programa de televisión es visto por
el 30% de la audiencia potencial. Para ello se escoge al azar una muestra de 200 familias resultando
que de ellas 50 lo ven asiduamente. Contrastar la hipótesis con un nivel de significancia del 5%.
3. Una empresa eléctrica fabrica focos que tienen una duración que está distribuida aproximadamente
en forma normal con media de 800 horas y una desviación estándar de 40. Pruebe la hipótesis de
que = 800 horas si una muestra aleatoria de 300 focos tiene una duración promedio de 788 horas.
Utilice un nivel de significancia de 0.04.
4. Una muestra aleatoria de 36 refrescos de una máquina despachadora automática tiene un contenido
promedio de 21.9 decilitros, con una desviación estándar de 1.42 decilitros. Pruebe la hipótesis de
que = 22.2 en contraposición a la hipótesis alternativa, < 22.2, en el nivel de significancia de
0.05.
6. La altura promedio de las mujeres en el grupo de primer año de una institución de enseñanza superior
es de 162.5 centímetros con una desviación estándar poblacional de 6.9 centímetros. Hay alguna
razón para creer que existe un cambio en la altura promedio si una muestra aleatoria de 50 mujeres
del grupo actual tiene una altura promedio de 165.2 centímetros? Utilice un nivel de significancia
del 5%.
7. Se afirma que un automóvil recorre un promedio anual de más de 20 000 kilómetros. Para probar esta
información, se le solicita a una muestra aleatoria de 90 propietarios de automóvil que lleve un
registro de los kilómetros que recorren. Estaría usted de acuerdo con esta información si en la
muestra aleatoria resulta un promedio de 23 500 kilómetros y una desviación estándar de 3 900
kilómetros? Utilice un nivel de significancia del 1%.
8. El Edison Electric Institute ha publicado cifras acerca de las horas anuales de uso de varios aparatos
para el hogar. Afirma que un computador de basura se usa un promedio de 125 horas al año. Si una
muestra aleatoria de 49 hogares equipados con compactadores de basura indica un uso promedio
anual de 126.9 horas con una desviación estándar de 8.4 horas, sugiere esto que estos aparatos se
utilizan en promedio más de 125 horas al año? Utilice un nivel de significancia de 0.05.
10. Una empresa de fabricación de muebles, compra madera de un proveedor A porque la media de su
tiempo de entrega (en horas) es igual o menor que la del proveedor B, dado que las varianzas
poblacionales son desconocidas pero iguales. Sin embargo, el proveedor B afirma que ha
incorporado nueva tecnología permitiéndole reducir su tiempo promedio de entrega sin alterar la
varianza.
Para tomar una buena decisión, respecto al cambio de proveedor, la empresa decide tomar pedidos
simultáneos a ambos proveedores para estudiar sus tiempos de entrega. Los datos se presentan en la
siguiente tabla:
4.2 5.4 5.8 4.7 3.7 5.9 5.4 4.7 5.3 6.1 4.5 3.4 4.1
Proveedor A
5.8 7.4 4.8 5.6 5 5.4 5.5 4.3 6 3.2 4.7 5.5
2.7 4.3 5 3.8 4.4 4.8 2.7 2.9 3.3 3.3 6 5.5 2
Proveedor B
4.2 5.5 3.4 2.6 4.7 5.6 5.1
11. Una muestra aleatoria de tamaño n1 = 30 tomada de una población normal con una desviación
estándar de σ1 = 5.2, tiene una media de 81. Una segunda muestra aleatoria de tamaño n2 = 36,
tomada de una diferente población normal con una desviación estándar de σ 2 = 3.4, tiene una media
de 76. Pruebe la hipótesis de que µ1= µ2 en contraposición a la alternativa µ 1≠ µ2. Use un nivel de
significancia del 1%.
12. Dos vendedores dependientes, A y B, trabajan en el departamento de niños de una tienda. El gerente
de la tienda piensa ampliar su negocio a otros locales desde que leyó un artículo en una revista sobre
la creciente popularidad de las tiendas sobre niños. La comparación entre las ventas de los 2
dependientes parece ser una buena manera de determinar si uno de ellos puede dirigir la nueva
tienda. Determine si el vendedor A tiene mayores atributos para dirigir la nueva tienda, con: α =
0.025. las varianzas son desconocidas pero diferentes.
Vendedor A 197 194 188 185 182 173 169 169 164 166 154 149 142
Vendedor A 137 130 139
Vendedor B 190 180 175 172 167 166 160 157 155 150 145 145 143
Vendedor B 135 135 134 133 131 122 120 118 109 98 95 140
6. GLOSARIO
28.- Fenomenología: Corriente de pensamiento propio de la investigación interpretativa que aporta como base
del conocimiento la experiencia subjetiva inmediata de los hechos tal como se perciben.
29.- Grupo experimental: Grupo del diseño experimental al que se aplica el tratamiento.
30.- Hecho: Aquello que se sabe o se supone que pertenece a la realidad.
31.- Hecho: Aquello que se sabe o se supone que pertenece a la realidad.
32.- Hermenéutica: Ciencia de la interpretación de los lenguajes, de la cultura y de la historia.
33.- Hipótesis: Enunciado relacional entre variables que los investigadores formulan como una explicación
razonable o tentativa.
34.- Holístico: Global, en su totalidad.
35.- Ideográfico: Relativo a la ciencia ideográfica. Referido a los casos únicos o particulares.
36.- Individuo: Caso que forma parte de una muestra.
37.- Inducción: Razonamiento que va de lo más particular a lo más general.
38.- Inferencia: Proceso por el que se acepta una proposición sobre la base de otras proposiciones consideradas
ciertas.
39.- Informe de investigación: Escrito que recoge las conclusiones de la investigación y aporta la información
necesaria y suficiente para su compresión.
40.- Investigación: Actividad sistemática, rigurosa y continúa realizada con la finalidad de dar respuesta a un
problema.
41.- Investigación ex post facto: Investigación realizada después de que los hechos han tenido lugar.
42.- Ítem: Elemento o pregunta que configura una prueba, cuestionario o entrevista.
43.- Ley: Relación general, necesaria y constante, que explica los fenómenos.
44.- Manipulación: Determinación y asignación de los diferentes niveles de la variable independiente en un
diseño experimental.
45.- Marco conceptual: Sistema de conceptos que describe y explica el proyecto de investigación.
46.- Método: Procedimiento a seguir para conseguir una finalidad.
47.- Muestra: Conjunto de casos o individuos extraídos de una población por algún sistema de muestreo.
48.- Nivel de la variable: Valores o atributos que se asignan a la variable.
49.- Observación participante: Estrategia de investigación que combina la observación con la participación de
los investigadores.
50.- Paradigma: Sistema de creencias y actitudes, compartido por un grupo de científicos, que fundamentan
los supuestos epistemológicos y metodológicos de la investigación.
51.- Planteamiento del problema: Fase del proceso de investigación en que se identifica y formula el problema.
52.- Población: Conjunto de todos los casos, objetos o eventos en los que se desea estudiar un fenómeno.
53.- Positivisino: Corriente epistemológica que concibe el conocimiento como un conjunto de hechos
relacionados según ciertas leyes y solo admite los datos de la experiencia como fuente de conocimiento.
54.- Postest: Observación o medida de la variable dependiente después del tratamiento experimental.
55.- Prestest: Observación o medida de la variable dependiente antes del tratamiento experimental.
56.- Problema de investigación: Problemática surgida desde el conocimiento científico.
57.- Proceso de investigación: Descripción de los métodos, procedimientos y mecanismos de diseño que se
emplean en un estudio.
58.- Proyecto de investigación: Proyecto que justifica y describe los medios necesarios para llevar a término
una investigación.
59.- Representatividad de la muestra: Grado de representación de las características de una población en la
muestra extraída.
60.- Resumen: Parte del informe de investigación. Texto situado en la primera página del informe de
investigación, de extensión limitada entre 150 y 200 palabras.
61.- Subjetivo: Termino del par opositivo subjetivo/objetivo relativo a la interpretación de la realidad.
65.- Survey: Estudio descriptivo de un fenómeno concreto, habitualmente mediante cuestionario.
66.- Tema generador: Tema eje empleado para guiar el estudio cualitativo.
67.- Teoría: Sistema de conceptos y relaciones que explica y ofrece predicciones verificables de los fenómenos.
68.- Thesaurus: Vocabulario normativo estructurado en el que los términos están agrupados por significados.
69.- Tratamiento: Condición o manipulación a la que se somete el grupo experimental.
70.- Triangulación: Uso de múltiples fuentes o estrategias en el estudio de un mismo fenómeno.
71.- Validez: Grado en que un método o técnica sirve para medir con efectividad lo que supone que está
midiendo.
72.- Varianza: Variabilidad de una variable. Índice de variabilidad de una distribución de datos respecto a su
valor medio.
7. REFERENCIAS
Córdova Zamora, M. (2003). Estadística Descriptiva e Inferencial. Lima - Perú: Libreria Moshera S.R.L.
Obtenido de https://es.slideshare.net/jhonyfern/estadistica-descriptiva-e-inferencial-manuel-cordova-
zamora-1
E. Walpole, R., H. Myers, R., L. Myers, S., & Keying Ye. (2012). Probabilidad y Estadística para Ingeniería
y Ciencias. [versión PDF]. Pearson. Obtenido de
https://vereniciafunez94hotmail.files.wordpress.com/2014/08/8va-probabilidad-y-estadistica-para-
ingenier-walpole_8.pdf
Martínez Bencardino, C. (2012). Estadística y Muestreo. Bogotá: ECOE ediciones Ltda.
Rufino Moya, C., & Gregorio Saravia, A. (2016). 11º Probabilidad y Inferencia Estadística. Lima, Perú: San
Marcos.