1.

2. CICLO EMPÍRICO
Proceso de formular una Hipótesis

1 observacion

2 inducción: específica a gral

3 deducción: a partir de una hipótesis deducimos nuevas observaciones

4 Testing o prueba: procesamiento estadísticas descriptivas para resumir

Estadísticas inferenciales ayuda a decidir si la predicción fue correcta

5 evaluación

3. CONFIRMAR Y DESCONFIRMAR LA HIPÓTESIS

Nuestra hipótesis es apoyada provisionalmente

CRITERIOS PARA EVALUAR LA CALIDAD METODOLÓGICA DE UN ESTUDIO

FIABILIDAD: Si es replicable por otros y es concsistente
VALIDEZ INTERNA-EXTERNA: Refleja la realidad

1 Constructo: Requisito para las demás validaciones. Se necesita el método preciso el que mide y
manipula las propiedades q tenga Ej. Cuestionario tiene q Manipular la Cusa y medir el Efecto que
busco.

2. validez Interna: si el efecto observado se debe a la causa hipotética, causa real. Si hay otras
explicaciones alternativas, observación o factor; la validez interna es baja o amenazada.

3 validez Externa: Si la relación hipotética se mantiene en otros entornos, si se generaliza Ej cuidar

un gato o perro, la cultura, el género

CRITERIOS DE VALIDEZ – CAUSALIDAD-qué causa un efecto?

Causa: soledad y Efecto: depresión

1 causa y efecto conectados

2 causa precede al efecto

3 concurren juntos o consistentemente Covariar

4 se puede descartar explicaciones alternativas. Excluir otras posibles causas

5 la correlación no implica causalidad

4. VARIABLES DE INTERÉS Y DESINTERÉS

V. Interes: Ej la soledad causa depresión

V. Desinterés: relacionada con V.Independiente Dependiente. Son:

 V.Confusores: No están incluidos en la hipótesis y generalmente no se miden. Explica el efecto
sobre la variable dependiente Ej.Grupo de control recibe peluche, otro grupo ejercicio, otro
según la edad

V.Control: se puede medir y controlar Ej todas las personas aran ejercicios y si siguen con
depresión entonces seguimos con V. interes

V.Fondo: género, contexto,

DISEÑOS DE INVESTIGACIÓN diseños experimentales RCTs

Explicaciones alternativas amenazan a la validez interna de la Hipotesis.

1 Manipulación: control sobre la causa.

2 Comparación: En un grupo experimental coloco la causa y en el otro grupo de control no.

3 Asignación aleatoria (randomization): asignar alatoriamente a los sujetos para q no haya

diferencias sistemáticas. Si funcionó es cuando se Replica el estudio y demostrar resultados
consistentes.

5. DISEÑOS de INVESTIGACION
Caracteristicas de un experimento:

● manipulación de la variable independiente, bajo control.

asegura que la causa precede al efecto
● la comparación, causa ausente-efecto no ocurre. entre condiciones expuestas a diferentes
niveles de la variable independiente
● la asignación aleatoria (randomization) a condición experimental o de control.

¡La única manera de asegurarse de que la aleatorización funcionó es replicar un estudio y

demostrar que los resultados son consistentes cada vez!

1.TIPOS DE DISEÑO EXPERIMENTAL

1 el diseño de dos grupos: en grupos pequeños, diseño de prueba previa/ posterior de dos grupos:
esa prueba q tanto impacto tubo como causa. Me puedo tomar 1 solo grupo

3 salomón: combina sin prueba previa y una segunda vez con la prueba previa

4 medidas repetidas con factor dentro de los sujetos: todos a variables independientes

SI NO SE PUEDE ASIGNAR AL AZAR MATCHING: selección de la muestra de forma externa, con un

criterio establecido con emparejamiento maching que defino Ej los padres no quieren q sus hijos
esten en un grupo de videos agresivos. Una forma de salvar el experimento. Puede acabar con la
validez interna, es complicada por la regresión a la media.

2. DISEÑOS CUASI-EXPERIMENTALES

Carecen de característica clave de la asignación aleatoria

La causa dependiente no se puede controlar-------

No puede asignar personas al azar debido a razones prácticas o éticas.

No se puede tener un grupo de control y experimental

Variable independiente se selecciono a los participantes similares a estudios Correlacionales pero

estas examinan hipótesis causables y control sobre variables extrañas

3. DISEÑOS CORRELACIONALES

Cuando no se puede controlar la causa o sea no se puede mover la variable. No se identifican una
variable independiente la causa, porque la hipótesis no especifica una relación causal Ej

Se refiere a estudios que no emplean ninguna forma de manipulación de la variable independiente

DISEÑO Transversal: asociación de variables, ninguna pregunta determina otra cosa, cuasalidad.
Diseño de encuesta Ej q partido político se elige

DISEÑO de series de tiempo: a un grupo pequeño o varios puntos de tiempo Ej. Ranking en radios

DISEÑOS de panel combina las dos

Otros diseños

Estudio de caso

Negativos

Investigación de evaluación

Estudios de Intervención y de evaluación

Investigación de Validación

6. DISEÑOS DE MEDICIÓN
6 Operacionalización de las Variables
El termino variable también puede referirse a una representación de una construcción que todavía
es abstracta.
Usamos el término operacionalización si queremos indicar explícitamente que estamos hablando
de un método específico y concreto para medir o manipular una construcción.
Ejemplo
Digamos que estoy interesado en constructo "poder político".
Puedo representar este constructo con la variable "influencia en el parlamento".
Esta representación es más específica, pero aún podríamos encontrar procedimientos muy
diferentes para poner en práctica o medir la variable "influencia en el parlamento".

Tiene como objetivo como medir las ciencias sociales, esta parte de la operacionalización de las
variables porque se mide cosas abstractas o subjetivas llamados CONSTRUCTOS=Construcciones
mentales.

Operacionalización: definición

Entonces, la operacionalización significa la selección o creación de un procedimiento específico

para medir o manipular el constructo de interés.
Una operacionalización permite asignar a las personas una puntuación real en la variable de
interés.

6.1 Estructura de medición

¿Qué es exactamente la medición?
Veremos la estructura de medición y veremos que es la asignación de números de una manera
que represente la estructura de un determinado atributo.
Los tipos de estructuras o relaciones que podemos distinguir se denominan niveles de medición
(nominal / ordinal / intervalo / relación).
6.2 Medición: tipos variables
● Identificamos los niveles de medición nominal, ordinal, intervalo y relación.

● Veremos ahora como interpretar variables con diferentes niveles de medición.

● Y también otras formas de clasificar las variables de acuerdo con sus características de
medición.

Variables categóricas

● Las variables categóricas distinguen categorías desordenadas u ordenadas.

● Un tipo especial de variable categórica es una variable binaria o dicotómica.

● Este tipo de variable tiene exactamente dos categorías, como hombre o mujer, fumador o
no fumador, peludo o sin pelo.
● Las categorías pueden ser naturales, como la dicotomía hombre / mujer o creadas por el
investigador, como menores de veinte años y mayores de veinte años.

Variables cuantitativas

● Las variables categóricas pueden contrastarse con las variables cuantitativas.

● Las variables cuantitativas nos permiten determinar no solo que las personas difieren en
una determinada propiedad, sino también en qué medida difieren. Las variables de intervalo y
razón (proporción) son cuantitativas.
● Para variables cuantitativas como temperatura, peso y longitud, tiene sentido calcular una
media y, por ejemplo, comparar medias de grupos.
● Esto se debe a que la media está influenciada por la distancia entre los números.

Variables discretas vs. Variables continuas

● Una distinción final que debería poder hacer es entre variables discretas y continuas.

● Para las variables continuas siempre es posible, en teoría de todos modos, encontrar un
valor entre cualquiera de los otros dos valores.
● Considere el peso corporal: si una persona pesa 65 kilogramos y otra 66 kilogramos,
podemos imaginar fácilmente cómo encontrar a alguien que pesa 65.5 o 65.72 o 65.268334.
● Mientras nuestro instrumento de medición sea lo suficientemente preciso, cualquier valor
entre el mínimo y el máximo en la escala debería ser posible.
▪ Las variables discretas, por otro lado, solo pueden tomar un conjunto limitado de valores.

▪ Las variables nominales y ordinales son, por su naturaleza, discretas.

▪ Pero las variables cuantitativas también pueden ser discretas.

▪ Ejemplo: Tome la cantidad de mascotas que alguien ha tenido.

▪ Esta es una variable de razón, porque las diferencias se pueden comparar: la diferencia
entre dos y cuatro mascotas es la misma que entre una y tres mascotas, y porque la razón se
puede comparar: alguien con cuatro mascotas posee el doble de mascotas que alguien que tiene
dos mascotas.

¿Cómo saber si ha utilizado el instrumento correcto?

✔ Ahora que sabemos qué es la medición, ¿cómo determinamos si un instrumento mide bien
la propiedad prevista?
✔ Para evaluar la calidad de la medición, usamos los mismos criterios que usamos
anteriormente, evaluaremos la calidad de la medición en términos de validez y confiabilidad.
✔ Sin embargo, estos conceptos tienen un significado ligeramente diferente y más específico
en el contexto de la medición.

Validez del constructo

"¿Estamos midiendo con precisión, nuestras mediciones reflejan el constructo que nos
interesa?"
En otras palabras: ¿es válido nuestro instrumento?
La validez de un instrumento o método de manipulación se conoce comúnmente como
medición o validez de constructo.

Confiabilidad de la Medición

Un instrumento de medición debe ser válido, pero también confiable.

La fiabilidad de la medición se refiere a la consistencia, estabilidad o precisión del instrumento.
Un instrumento confiable dará como resultado puntajes muy similares si medimos
repetidamente una propiedad estable en la misma persona.

Confiabilidad de la Medición. test-retest

¿cómo determinamos la confiabilidad de los instrumentos que miden las construcciones sociales
y psicológicas?
o Bueno, en algunos casos es tan fácil como administrar el instrumento dos veces a un grupo
de participantes y determinar cuán fuertemente coinciden los resultados de la primera y
segunda medición. Esto se llama confiabilidad test-retest.
o Podemos usar este método si estamos midiendo cosas como el peso o los tiempos de
reacción, pero tan pronto como se involucra el recuerdo de una persona de su respuesta, las
cosas se vuelven más complicadas.

Confiabilidad de la Medición. Consistencia interna

❖ Una forma de resolver este problema es observar la consistencia, no entre diferentes

tiempos, sino entre diferentes partes del instrumento al mismo tiempo. Esto se conoce como
consistencia interna.
❖ Comparamos respuestas en las primeras tres y las últimas dos preguntas. Por supuesto,
solo puede hacer esto si el instrumento consta de varias preguntas que se supone que son
comparables y miden la misma construcción.

6.4 Medición: encuesta, cuestionario, prueba

¿Cómo se construyen las medidas y cuáles son sus características?

❖ Analizaremos más de cerca las medidas de auto-informe, cómo se construyen y cómo se

pueden sesgar.
❖ Construcción de elementos, opciones de respuesta y escalas.

❖ Cada vez que complete un cuestionario, buscará las propiedades que se van a medir y si
puede identificar subescalas.
❖ Las medidas de observación se abordarán brevemente cuando consideremos el sesgo.

❖ Por supuesto, el auto-informe no es la única forma de medición utilizada en las ciencias

sociales y del comportamiento.
❖ También veremos algunas alternativas, como la observación, la medición del rastro físico,
los datos de archivo y las entrevistas.

Encuestas

Las encuestas, los cuestionarios y las pruebas son instrumentos de medición muy populares en
las ciencias sociales.

❖ "Encuesta" es un término general que puede referirse a una lista de preguntas sobre
información biográfica, opiniones, actitudes, rasgos, comportamiento, básicamente cualquier
cosa.
 ❖ Las encuestas generalmente cubren una variedad de temas.

6.5 Medición: escalas y opciones de respuesta

Escala Lickert o sumativa

● El tipo de escala más comúnmente utilizado es una escala Likert o escala sumativa.

● Tal escala consiste en declaraciones comparables que se supone que miden la misma
propiedad.
● Los encuestados pueden indicar en qué medida están de acuerdo o respaldan cada
declaración.
Medición: otros tipos de medición

El análisis de contenido es una técnica que comparte características con la observación, el

archivo y la medición de trazas. Al igual que la medición observacional, el análisis de contenido
consiste en codificación estructurada, pero de elementos en un texto. El texto puede consistir
en artículos periodísticos, blogs, narraciones o transcripciones de entrevistas.

Un método de medición final es entrevistar.

● En una entrevista estructurada, las preguntas, el orden de las preguntas y las opciones de
respuesta están predeterminadas.
● Este tipo de entrevista, ya sea cara a cara, por teléfono o Skype, no es muy diferente del
uso de una encuesta.
● La tasa de respuesta de las entrevistas es más alta, pero puede ser más difícil obtener
respuestas imparciales a preguntas delicadas.

Entrevista estructurada

⮚ En una entrevista estructurada, las preguntas, el orden de las preguntas y las opciones de
respuesta están predeterminadas.
⮚ Este tipo de entrevista, ya sea cara a cara, por teléfono o Skype, no es muy diferente del
uso de una encuesta.
⮚ La tasa de respuesta de las entrevistas es más alta, pero puede ser más difícil obtener
respuestas imparciales a preguntas delicadas.

Entrevista abierta no estructurada

⮚ Las entrevistas abiertas o no estructuradas son muy diferentes. Una entrevista abierta se
considera un método cualitativo.
⮚ Ahora, aunque el enfoque aquí está en los métodos cuantitativos, describo rápidamente las
entrevistas abiertas porque se usan con mucha frecuencia.
 ⮚ En una entrevista abierta, el entrevistador comienza con un tema general y generalmente
tiene un conjunto de puntos que abordar, pero la entrevista no se limita a estos puntos.

7. MUESTREO PROBABILÍSTICO
● Antes de pasar a la fase de pruebas y recopilación de datos, hay un
procedimiento más que debe decidirse: Muestreo. (Sampling)
● Los investigadores necesitan determinar quiénes son los posibles
participantes y cómo serán seleccionados y reclutados.
● El primer paso es determinar para qué población quieres generalizar.
● La generalización a esta población 'objetivo' puede verse amenazada.
● Los diferentes tipos de métodos de muestreo ofrecen una protección
diferente contra algunas de estas amenazas.

Validez externa o Generalización

La validez externa o generalización se refiere a si la relación hipotética es

válida para otras personas, entornos y tiempos.

● Al igual que con la validez interna, hay una serie de amenazas a la

validez externa.
● Una amenaza histórica significa que el efecto observado no se
generaliza a otros períodos de tiempo.
● Una amenaza de entorno o de situación para la validez externa significa
que el efecto observado solo se cumple en un entorno o situación
específica.
● Hay dos amenazas de configuración asociadas con la artificialidad de la
configuración de la investigación: pre-testing y reactividad.
¿Qué podemos hacer con respecto a estas amenazas a la validez externa?

En el caso de amenazas relacionadas específicamente con la artificialidad del

entorno de investigación, esto significa repetir un estudio en un entorno más
natural.
La replicación también puede reducir la amenaza de selección a la validez
externa, en este caso repitiendo un estudio con diferentes grupos de sujetos.
Pero hay otra forma: el muestreo probabilístico

Población
 ● El término población se refiere a toda la colección de personas o grupos
a quienes se supone que se aplica la hipótesis.
● Depende de la hipótesis: Universalista o particularista

Población y Muestra

Supongamos que la población objetivo para una hipótesis está claramente

definida. ¿Cómo podemos determinar si los resultados se generalizan a toda
esta población? Bueno, medimos a toda la población.
A veces es imposible o muy costoso. Es por eso que tomamos una muestra: un
subconjunto de la población.
La muestra se usa para representar o estimar una propiedad de la población.

Estrato

Un estrato es un subconjunto de elementos de la población que comparten

una característica

por ejemplo, estudiantes de pregrado y posgrado.

Censo

El término censo se refiere a una enumeración o recuento de todos los

elementos de la población.

El término también puede referirse a una situación en la que se miden todos

los elementos de la población; en ese caso, la muestra se compone de toda la
población.

Censo Nacional
Es una encuesta a nivel nacional donde se recopila información
demográfica sobre cada habitante.

Marco de muestreo

Un marco de muestreo es esencialmente una lista de todos los elementos de

una población que pueden identificarse individualmente.
Un marco de muestreo proporciona una forma de contactar elementos.
Podría ser una guía telefónica o una lista de direcciones de correo electrónico
para todos los estudiantes actualmente matriculados en la Universidad de
Amsterdam, por ejemplo.

Muestreo probabilístico

El muestreo de probabilidad minimiza la amenaza de selección a la validez

externa.

MUESTREO PROBABILÍSTICO, consideremos la característica esencial del

muestreo probabilístico y cómo esta característica ayuda a minimizar el riesgo
de sesgo sistemático en nuestra selección de participantes.

Muestreo probabilístico-Muestra Representativa

Para usar el muestreo probabilístico, necesitamos tener un marco de

muestreo: una lista de todos los elementos de la población a los que se pueda
acceder o contactar, para determinar la probabilidad de que cada elemento
sea seleccionado.
A la larga, cualquier característica específica del participante estará
representada en la muestra, proporcionalmente a su presencia en la
población.
Llamamos a esto una muestra representativa.

¿Cuanto debe ser el tamaño de mi muestra?

El objetivo del muestreo es obtener la mejor estimación posible del valor de

una población, dentro de los límites de nuestro presupuesto y nuestro
tiempo.

● Una respuesta corta sería "una muestra tan grande como la que
podamos financiar”. Porque a medida que aumenta el tamaño de la
muestra, el margen de error disminuirá, una muestra más grande
siempre es mejor en términos de precisión.
● Dependerá del costo.
 ● En cierto punto, el costo de recolectar más elementos supera la
disminución en el margen de error.

El muestreo no probabilístico

MUESTREO NO PROBABILÍSTICO, algunos elementos en el marco de muestreo

tienen probabilidad cero de ser seleccionados o su probabilidad es
desconocida.

Varios tipos de muestreo no probabilístico. Veremos los cuatro tipos más

comunes: muestreo de conveniencia, muestreo de bola de nieve, muestreo
intencional y muestreo de cuota.

MUESTREO DE CONVENIENCIA, se seleccionan elementos que son los más

convenientes, los más accesibles.

MUESTREO DE BOLAS DE NIEVE, inicialmente, se recluta un pequeño grupo de

participantes. La muestra se amplía pidiendo a los participantes iniciales que
proporcionen información de contacto para posibles nuevos participantes. A
estos nuevos participantes también se les pide que proporcionen contactos. Si
todos los participantes refieren nuevos, la muestra inicialmente pequeña
puede crecer muy rápidamente.

MUESTREO INTENCIONAL, los elementos se eligen específicamente en función

del criterio del investigador. Una muestra intencional puede consistir en
elementos que se consideran típicos para la población, por lo que solo se
necesitan unos pocos elementos para estimar el valor de la población.
 MUESTREO DE CUOTA es superficialmente similar al muestreo aleatorio
estratificado. Los participantes en la muestra se distinguen de acuerdo con
características, como género, edad, etnia o nivel educativo. El tamaño relativo
de cada categoría en la población se obtiene de un instituto nacional de
estadística.

8. ESTADISTICA DESCRIPTIVA- FRECUENCIAS

matriz de datos: elemento central, brinda descripcion clara de la informacion .
datos-casos (participantes, renglon) y variables(caracteristicas,
columna)
observación: valores en las celdas
tabla de freciuencia: lista de valores posibles de una variable. relativas en
porcentajes, acumuladas en porcentajes
gráficos: de barras, de puntos maximo para 100 observaciones, histograma de
intervalos iguales .
distribución normal: campana de Gauss, simétrico y sesgado (hacia la izquierda
y derecha), bimodal (dos picos)

9. ED
9.1. E-D TENDENCIA CENTRAL
se resumen para describir el centro de su distribucion en:
MODA: ocurre con mayor frecuencia
MEDIANA: valor medio, ordenadas de menor a mayor
MEDIA: suma de valores /numero de observaciones
9.2. E-D MEDIDAS DE DISPERCION
VARIABILIDAD: Medimos con la varianza “S2” si es mayor hay mas
variablilidad, mas se extienden los valores al rededor de la media.
desventaja la métrica de la varianza es la métrica de la variable bajo
análisis al cuadrado
DESVIACION ESTANDAR: es la distancia promedio de una observación
desde la media. Cuanto mayor es la desviación estándar, mayor es la
variabilidad de los datos

9.3. E-D ASOCIACION A1

 TABLAS DE CONTINGENCIA (crosstabs): muestra la relacion entre 2
variables ordinales o nominales. difiere con la tabla de frecuencias
xq refiere a dos varibles. en porcentajes muestra mas informacion

9.3. E-D ASOCIACION A2

Tambien expresar los porcentajes en proporciones 38% 0,38
Se utiliza proporciones condicionales
DIAGRAMA DE DISPERSION (Scatterplots): para variables
cuantitativas
En conclusión, podemos mostrar relaciones entre dos variables por medio
de tablas y gráficos.

9.4. E-D ASOCIACION B

Coeficiente de correlación r de Pearson: Si se agrupan formando una
linea expresa la direccion y fuerza de la correlacion lineal, entre 1y -1

9.5. E-D ASOCIACION C

REGRESION: linea ajustada minimos cuadrados ordinarios y= a + bx
10.EL PAQUETE ESTADISTICO R

● R es un entorno de software libre para gráficos y computación

estadística.
● El Lenguaje Estadístico R es la herramienta estadística más utilizada
para la investigación científica.
Ejemplo
El programa que se ejecutó permite graficar un Histograma y es el siguiente:
1. x <- rnorm(1000) Quiere decir: a la variable que estoy definiendo
llamada “x”, cargale los datos de mil números generados
aleatoriamente con la instrucción “rnorm” obtenidos de una
distribución normal

2. hx <- hist(x, breaks=100, plot=FALSE) Dice: defino una variable “hx” que
será el histograma de la variable “x” en intervalos de 100 datos. De esa
forma carga en la memoria “hx” los datos del histograma

3. plot(hx, col=ifelse(abs(hx$breaks) < 1.669, 4, 2)) Significa: Grafica

(“plot”) el histograma creado en la línea anterior, llamado “hx”, usando
el intervalo definido en hx y los parámetros del gráfico.
 11.ESTADÍSTICA INFERENCIAL A

¿Qué es la inferencia estadística?

La inferencia estadística consiste en obtener conclusiones sobre toda la

población, a partir de la muestra.

Hay dos métodos para hacer la inferencia estadística:

La estimación de los parámetros de la población y la prueba de hipótesis

sobre estos parámetros.
Primer Método: Estimación

Hay dos formas en que podemos estimar el valor de un parámetro de

población.

1. El primero es la llamada estimación puntual. Es un número único que es

nuestra mejor suposición para el parámetro de población.
2. El segundo es la estimación del intervalo. Es un rango de valores dentro
del cual esperamos que el parámetro caiga.

Estimación puntual

Es un número único que es nuestra mejor suposición para el parámetro

de población.

Sin embargo, una estimación puntual individual no nos dice si esta

estimación está cerca del parámetro de población que nos interesa o
no.
Por lo tanto, junto a una estimación puntual, los investigadores a
menudo también quieren saber la precisión probable de esta
estimación puntual.

Intervalo de confianza

Muestran esta probable precisión al calcular también una estimación de

intervalo.
Una estimación de intervalo es un rango de números que, muy
probablemente, contiene el valor real de la población.

● La probabilidad de que el intervalo contenga el valor de la

población es lo que llamamos el nivel de confianza.
● El nivel de confianza siempre tiene un valor cercano a uno.

Para construir un intervalo de confianza, utilizamos la distribución

muestral de la media. Estamos tratando, después de todo, con una
muestra de una población.
Sabemos que, siempre que nuestra muestra sea lo suficientemente
grande, la distribución de muestreo se distribuye normalmente con una
media que es igual a la media de la población Mu y una desviación
estándar que es igual a la desviación estándar de la población dividida
por la raíz cuadrada de n.
11. ESTADISTICA INFERENCIAL B

Prueba de Hipótesis

Cuando los investigadores tienen expectativas sobre los parámetros

que les interesan, hablamos de hipótesis estadísticas.
Esas hipótesis: constituyen los ingredientes principales del método de
prueba de significancia.
 Una hipótesis estadística no es mas que una expectativa sobre una
población.

Una hipótesis se formula como una afirmación de que un parámetro de

población toma un valor particular o cae dentro de un rango específico
de valores.

Hipotesis Nula

La hipótesis nula afirma que la variable de interés toma un valor

específico. Usualmente representa la situación cuando no hay relación
entre variables o no hay diferencia entre grupos. Es la hipótesis que
será rechazada si los datos en su muestra sugieren que es una
expectativa altamente improbable.

Y con la prueba de afirmación específica sobre un valor ejemplo el Dex y

la Liza siempre debe comer hamburguesas los viernes. el valor debe ser
el 100% sin errar cuando sacan la muestra

Hipotesis Alternativa

La hipótesis alternativa afirma que la variable de interés cae dentro de

un rango alternativo de valores.
La hipótesis nula y la hipótesis alternativa son siempre mutuamente
excluyentes.

12.ESTADISTICA INFERENCIAL C1
13.ESTADISTICA INFERENCIAL C2
14.ESTADISTICA INFERENCIAL C3
15.ESTADISTICA INFERENCIAL D