Está en la página 1de 53
PRUEBA DE HIPOTESIS Prueba de hipótesis de una y dos colas
PRUEBA DE HIPOTESIS
Prueba de hipótesis de una y dos colas

Prueba Z

Prueba t Regresión simple Regresión múltiple

PRUEBAS DE HIPOTESIS

DE UNA Y DOS COLAS

X1:

X11: Nivel de confiabilidad Muy alta confiabilidad (5) Alta confiabilidad (4)

Confiabilidad

Confiabilidad media (3) Baja confiabilidad (2) Muy baja confiabilidad(1)

X1: X11: Nivel de confiabilidad Muy alta confiabilidad (5) Alta confiabilidad (4) Confiabilidad Confiabilidad media (3)

“Los servicios que brinda el

sistema de administración académica de la U.N.C.P. tienen baja confiabilidad.

Para verificar la certeza de la afirmación, se toma una muestra con el fin de probar la Ho: µ = 2, y

la

Ha: µ ≠ 2.

Prueba de hipótesis de dos colas
Prueba de hipótesis de dos colas

Hipótesis para prueba de dos colas.

Ho: µ = µ Ho

Ha: µ µ Ho

En una prueba de dos colas hay dos regiones de rechazo.

Prueba de hipótesis de dos colas Hipótesis para prueba de dos colas. • • Ho: µ

Para el caso:

Ho: µ = 2 Ha: µ 2

Se rechaza la Ho si el valor cae en cualquiera de estas dos regiones

Prueba de hipótesis de una cola
Prueba de hipótesis de una cola

Cola Izquierda, En general se utiliza una prueba de cola izquierda (cola inferior) si las hipótesis son:

Ho: µ = µ Ho

Ha: µ < µ Ho

La región de rechazo está en la cola inferior (cola izquierda) de la distribución muestral.

“Los servicios que brinda el sistema de administración académica de la U.N.C.P. tienen menos que una confiabilidad media”.

Ho: µ = 3

Ha: µ < 3

Prueba de hipótesis de una cola Cola Izquierda, En general se utiliza una prueba de cola

Se rechaza la Ho si el valor cae en esta región

Prueba de hipótesis de una cola
Prueba de hipótesis de una cola

Cola derecha

En general se utiliza una prueba de cola derecha (cola superior) si las

hipotesis son:

Ho:

Ha:

µ =

µ Ho

µ > µ Ho

La región de rechazo está en la cola superior (cola derecha) de la distribución muestral.

Prueba de hipótesis de una cola • • • • • Cola derecha En general se

Se rechaza la Ho si el valor cae en esta región

PRUEBAS DE UNA SOLA MUESTRA

PRUEBA Z DE HIPOTESIS PARA LA MEDIA (σ CONOCIDA)

PRUEBA Z DE HIPOTESIS PARA LA MEDIA ( σ CONOCIDA )

PRUEBA Z DE HIPOTESIS PARA LA MEDIA (σ CONOCIDA)

Cuando se conoce la desviación estándar σ y si la población tiene una distribución normal, se utiliza la prueba Z.

Si la población no tiene distribución normal, todavía se puede utilizar la prueba Z si el tamaño de la muestra es lo bastante grande (como para que tenga efecto el teorema del limite central).

PRUEBA Z DE HIPOTESIS PARA LA MEDIA (σ CONOCIDA)

La ecuación define el estadístico de prueba Z para determinar la diferencia que existe entre la media muestral y la media

poblacional cuando se conoce la

desviación estándar.

Z test

x    n
x
 
n

Método del valor crítico

Los valores observados del estadístico de

prueba, se compara con los valores críticos.

Estos se expresan como valores Z estandarizados.

Método del valor critico: ejemplo

Como gerente operativo de una Cía. de cereales, ha recibido quejas del público en el sentido de que no se esta entregando una cantidad exacta de granos. Selecciona y pesa una muestra de 25 cajas, con el fin de probar que; el proceso de llenado de cereales requiere de ajustes, pues no se esta entregando al público los 368 gramos prometidos en el envase.

Después de recopilar datos, Cía. de cereales determina que

  • x = 372.5

Ho: µ = 368

Ha: µ ≠ 368 α = 0.05

Crítico = ±1.96

Z

test

372.5  368 15 25
372.5  368
15
25

Test = 1.50

Ejemplo: Decisión estadística y conclusión administrativa para Cía. De Cereales
Ejemplo: Decisión estadística y
conclusión administrativa para Cía. De
Cereales

Se determina si el estadístico de prueba dentro de la región de rechazo o no rechazo.

Si

Z test = +1.50

La zona de no rechazo se encuentra entre -1.96<Z<+1.96, Entonces Z test = +1.50 está en la zona de no rechazo. La decisión estadística pertinente es no rechazar la Ho.

La conclusión administrativa es que; no existe evidencia suficiente para demostrar que con un nivel de significancia de 0.05 el llenado medio es distinto de 368 gramos. No necesita acción correctiva.

TALLER: cocina rápida

Ud. Quiere determinar si el tiempo de espera al pedir una orden en el restaurant de comida rápida se ha modificado durante el ultimo mes, con respecto a su valor de la media poblacional previo de 4.5 minutos.

A partir de la experiencia anterior, supone que la desviación estándar de la población es de 1.2 minutos. Selecciona una muestra de 25 ordenes durante el periodo de una hora. La media muestral es de 5.1

minutos. ¿Existe evidencia de que con un nivel de significancia de

0.05, el tiempo de espera medio para servir una orden se ha

modificado durante el últimos mes respecto de su valor de media poblacional previo de 4.5.

PRUEBA t DE HIPOTESIS PARA LA MEDIA (σ DESCONOCIDA)

PRUEBA t DE HIPOTESIS PARA LA MEDIA ( σ DESCONOCIDA )
Prueba t Student
Prueba t Student

En la mayoría de los casos no se conoce la desviación estándar poblacional σ. En su lugar se utiliza la desviación estándar muestral S. Si se supone que la población tiene distribución normal, la distribución muestral de la media seguirá una distribución t con n -1 grados de libertad.

Si la población no tiene distribución normal, todavía es valido utilizar la prueba t si el tamaño de la muestra es lo bastante grande (como para que tenga efecto el teorema

del límite central mas de 30).

Prueba t Student Método del valor crítico
Prueba t Student
Método del valor crítico

EJEMPLO

Como gerente operativo de una Cía. de cereales, ha recibido quejas del público en el sentido de que no se esta entregando una cantidad exacta de granos. Selecciona y pesa una muestra de 25 cajas, con el fin de probar que; el proceso de llenado de cereales requiere de ajustes, pues no se esta entregando al público los 368 gramos prometidos en el envase.

Después de recopilar datos, Cía. de cereales determina que

x

= 372.5

Ho: µ = 368 Ha: µ ≠ 368 α = 0.05 S = 14 n = 25 Prueba t Gl = n 1 = 24

t

  • x t

372.5 368

14 /

25
25
Prueba t Student Método del valor crítico
Prueba t Student
Método del valor crítico

t = 1.607 Puesto que Y t Test = 1.607

- 2.0639 < t crítico < 2.0639

La decisión estadística pertinente es no rechazar la Ho.

La conclusión administrativa es que; no existe evidencia suficiente para demostrar que con un nivel de significancia de 0.05 el llenado medio es distinto de 368 gramos. No necesita acción correctiva.

Prueba t para poblaciones que están relacionadas
Prueba t para poblaciones que están
relacionadas

Existen 2 modelos que consideran datos relacionados entre poblaciones:

1. Los artículos o individuos se aparea o emparejan de acuerdo con alguna característica.

2. Se toman mediciones repetidas al mismo conjunto de elementos o individuos. El objetivo es mostrar que cualquier diferencia entre las mediciones, obedece a diferentes condiciones de tratamiento o intervención (experimento).

Sin importar si se tienen muestras apareadas o repetidas se estudiará la diferencia entre dos mediciones.

Para probar la diferencia media entre de dos poblaciones relacionadas,

trate las diferencias de las puntuaciones Di, como valores de una

sola muestra.

HIPOTESIS:

Ho: µ D

=

0 (donde

µ D = µ 1 - µ 2 )

Ho: µ D ≠ 0

 

Estadístico de prueba: t

t

D  D S / n D
D

D
S
/
n
D
Ejemplo prueba t apareada: ESTRATEGIA MOTIVACIONAL PARA MEJORAR EL DESEMPEÑO LABORAL EN LA MANCOMUNIDAD MUNICIPAL DEL

Ejemplo prueba t apareada: ESTRATEGIA MOTIVACIONAL PARA MEJORAR EL DESEMPEÑO LABORAL EN LA MANCOMUNIDAD MUNICIPAL DEL CONO NORTE DE HUANCAYO

Ejemplo prueba t apareada: ESTRATEGIA MOTIVACIONAL PARA MEJORAR EL DESEMPEÑO LABORAL EN LA MANCOMUNIDAD MUNICIPAL DEL

Hipótesis General

La aplicación de una estrategia motivacional mejora significativamente el desempeño laboral en la Mancomunidad Municipal del cono norte de Huancayo.

Formulación de la hipótesis nula e hipótesis alterna:

Ho: µ1 - µ2 = µ D ≥ 0

(donde µ D = µ 1 - µ 2 )

Ha: µ1 - µ2 = µ D < 0 α = 0.05 Prueba t apareada n = 10 Gl= 10 1 = 9 Regla de decisión Rechace Ho si t test <c rítico = -1.8331 Estadístico t = -6.33173824

-6.33173824 -1.8331
-6.33173824
-1.8331
REGRESION Y CORRELACION SIMPLE

REGRESION Y CORRELACION SIMPLE

REGRESION Y CORRELACION SIMPLE

REGRESIÓN Y

CORRELACIÓN SIMPLE

Reconoce que puede haber una relación determinable y cuantificable entre dos variables. Una variable depende de otra, o puede estar determinada por esta, o una variable está en función de la otra.

REGRESIÓN Y CORRELACIÓN SIMPLE • Reconoce que puede haber una relación determinable y cuantificable entre dos

REGRESIÓN Y

CORRELACIÓN SIMPLE

La notación es;

Y = f(x)

Y es la variable dependiente (explicada).

X es la variable independiente (explicativa).

Y depende de X o Y está determinada por X.

Vg. Las ventas dependen al menos en parte de la cantidad de publicidad que esta hace.

REGRESIÓN ≠ CORRELACIÓN

REGRESIÓN ≠ CORRELACIÓN
ANALISIS DE REGRESIÓN
ANALISIS DE REGRESIÓN

Las relaciones entre variables son determinísticas o estocásticas.

En los modelos determinísticos dado un valor de X, el valor, el valor de Y se puede determinar con precisión (no hay error, excepto el de

redondeo).

En los modelos estocásticos están presentes dos o mas componentes aleatorios que conducen a error de predicción.

Vg. En la relación publicidad y ventas casi siempre hay alguna variación en la relación (la variable dependiente ventas, presenta un cierto grado de aleatoriedad).

Y = βo + β 1 (X) + e

βo

β 1

e

ANALISIS DE REGRESIÓN • Las relaciones entre variables son determinísticas o estocásticas . • En los

Componente

Componente

determinista

aleatorio

: Ordenada en el origen : Pendiente : Termino aleatorio

METODO DE LOS MINIMOS CUADRADOS Recta del ajuste optimo
METODO DE LOS MINIMOS CUADRADOS
Recta del ajuste optimo

Sea la recta de regresión: Y = β 0 + β 1 X Donde:

β 0 : es la ordenada en el origen

β 1 : es el coeficiente beta o pendiente de la recta.

β 1 = SSxy/ SSx

β 0 = Y β 1 X

La suma de cuadrados de x es: SSx = ΣX 2 (ΣX) 2 /n

La suma de cuadrados de y es: SSy = ΣY 2 (ΣY) 2 /n

La suma de cuadrados de xy es: SSxy=ΣXY(ΣX)(ΣY)/n

EJEMPLO: METODO DE LOS MINIMOS CUADRADOS
EJEMPLO: METODO DE LOS MINIMOS
CUADRADOS

Una empresa de transportes AAA, supone que existe una relación directa entre los gastos de publicidad y el número de pasajeros que eligen viajar en sus unidades. En el siguiente cuadro se recogen gastos de publicidad y número de

pasajeros de los últimos 15 meses. Determinar el modelo de regresión.

 

GPUBL

NPASAJE

       

SSx

 

Mes

X

Y

XY

X^2

Y^2

137.733333

1

10

 
  • 15 150

 
  • 100 SSy

225

 

171.733333

2

12

 
  • 17 204

 
  • 144 SSxy

289

 

148.933333

3

8

 
  • 13 104

64

169

β1

 

4

17

 
  • 23 391

289

529

1.08131655

5

10

 
  • 16 160

100

256

βo

4.38625363

6

15

 
  • 21 315

225

441

 

7

10

 
  • 14 140

100

196

8

14

 
  • 20 280

196

400

9

19

 
  • 24 456

361

576

10

10

 
  • 17 170

100

289

11

11

 
  • 16 176

121

256

12

13

 
  • 18 234

169

324

13

16

 
  • 23 368

256

529

14

10

 
  • 15 150

100

225

15

12

 
  • 16 192

144

256

TOTALES

187

268

3490

2469

4960

Una de las aplicaciones de la regresión es predecir, prever

o proyectar el valor de la variable dependiente

EJEMPLO METODO DE LOS MINIMOS CUADRADOS
EJEMPLO METODO DE LOS MINIMOS
CUADRADOS
 

Resumen

                 

Estadísticas de la regresión

             

Coeficiente de correlación múltiple

0.968378371

             

Coeficiente de determinación R^2

0.93775667

             

R^2 ajustado

0.932968721

             

Error típico

0.906780212

             

Observaciones

15

             
                 

ANÁLISIS DE VARIANZA

               
 

Grados de

Suma de

Promedio de

 

Valor crítico

     

libertad

cuadrados

los cuadrados

F

de F

Regresión

1

161.0440787

161.044079

195.857719

3.238E-09

     

Residuos

13

10.6892546

0.82225035

         

Total

14

171.7333333

           
                 
               

Superior

Coeficientes

Error típico

Estadístico t

Probabilidad

Inferior 95%

Superior 95%

Inferior 95.0%

95.0%

 

4.38625363

0.991282458

4.42482725

0.000685609

 
  • 2.24471808 6.52778918

 
  • 2.24471808 6.52778918

Intercepción Variable X 1

1.081316554

0.077264946

13.9949176

3.23802E-09

 
  • 0.91439579 1.24823732

 
  • 0.91439579 1.24823732

Caso: El ejercicio físico explica el ausentismo por enfermedad
Caso: El ejercicio físico explica el ausentismo
por enfermedad

La oficina de GTH, cree que un programa de ejercicios físicos para trabajadores, reducirá el ausentismo en numero de días por

enfermedad, por lo que obtiene cifras sobre las horas que cada

empleado ha asistido al programa y los días de baja por enfermedad de cada uno de ellos:

n =50 ∑XY = 1080 ∑X = 180 ∑Y = 450 ∑X 2 = 5340

Calcule b1 y bo, presente el modelo de regresión e interprete los resultados.

ANALISIS DE CORRELACION

De Pearson

Es un a prueba estadística para analizar la relación entre dos

variables medidas en un nivel de intervalos o de razón (r).

El r se calcula a partir de puntuaciones obtenidas en una muestra de dos variables.

El nivel de medición de las variables; intervalos o de razón.

Interpretación: el coeficiente de correlación puede variar entre -1.00

y +1.00. El signo indica DIRECCION, el número indica MAGNITUD.

COEFICIENTE DE
COEFICIENTE DE
CORRELACION DE PEARSON
CORRELACION DE PEARSON

Los principales programas de análisis estadístico reportan si el coeficiente es o no significativo, de la siguiente manera:

r = 0.755

s o P = 0.001

n = 625

Si s o P es menor al valor de 0.05, se dice que el coeficiente es significativo en el nivel del 0.05 (95% de confianza en que la correlación sea verdadera y 5% de probabilidad de error).

Coeficiente de determinación (r 2 )

Mide el poder explicativo del modelo de regresión. Es decir la parte de la desviación total de Y que es explicada por el modelo.

r 2 = (SSxy) 2 /(SSx)(SSy)

r 2 ha de estar entre 0 y 1.

R 2 de 70% significa que el 70% de la variación de Y esta explicada por variaciones de X.

Cuando mayor sea r 2 mayor poder explicativo tendrá el modelo.

Ejemplo
Ejemplo

La empresa de transportes AAA ha culminado el análisis de regresión en la que se ha determinado la naturaleza de la relación entre

publicidad y pasajeros. El director de marketing quiere ahora conocer la

solidez de la relación y hasta que punto puede confiar en ella para tomar decisiones.

r 2 = (SSxy) 2 /(SSx)(SSy)

r 2 = (148.93333) 2 /(137.7333)(171.7333)

r 2 = 0.93776 ≈ 0.94

El coeficiente de determinación revela que el 94% de la variación del número de pasajeros es explicado (no causado) por las variaciones de gasto en publicidad. El 6% puede estar explicado por

alguna variable o variables distintas de la publicidad (coeficiente de

no determinación.

Caso: experiencia y rendimiento
Caso: experiencia y rendimiento

En

una

pequeña

empresa

con

6

empleados

se

encuentran

los

siguientes

valores

de

índice

de

rendimiento en el trabajo: 1.5, 4, 4.5, 5, 6.2, 7, 8, 6, 5, 4. Y de los años de experiencia: 2.5, 3.5, 4, 4.5, 5, 5.9, 7, 5.5, 4, 4.8 años. Con los datos recopilados determinar ¿en que medida la experiencia explica el rendimiento en el trabajo?

REGRESION Y CORRELACION MULTIPLE
REGRESION Y
CORRELACION MULTIPLE
REGRESION MULTIPLE
REGRESION MULTIPLE

Implica utilizar dos o mas variables independientes. El modelo se expresa como:

= β + β + ⋯ + β +

Donde k es el número de variables independientes y son los coeficientes de la variables, e es el componente de error aleatorio necesario por que no todas las observaciones caen sobre la propia recta de regresión.

FORMULACION DEL MODELO

Para el caso de la empresa AAA, los gastos son los siguientes:

Y es el numero de pasajeros (en miles).

X1, gastos de publicidad (en miles de dólares)

X2, renta nacional medida en billones de dólares.

Ȳ = + + + ⋯ +

Donde b1 y b2 (coeficientes de regresión parciales o netos), son estimaciones de β1 y β2, por que se trabaja con un modelo de regresión múltiple que contiene mas de un cociente. Los coeficientes se interpretan de una manera similar a la regresión simple. Los grados de libertad asociados al modelo son: n (k + 1).

Ejemplo: Formulación del modelo AAA
Ejemplo: Formulación del modelo AAA

El gerente general de AAA, contrata a un gerente de marketing de quien su primera misión será ampliar el modelo de regresión utilizado para predecir el numero de pasajeros e incluir otra variable distinta de la publicidad.

Es así que basado en que la renta (renta nacional) es una determinantes principales de la demanda de los consumidores se incluye en el modelo con ánimos de mejorarlo.

     

RENTA

PASAJEROS

PUBLICIDAD

NACIONAL

OBS

Y

X1

X2

1

 
  • 15 10

2.4

2

 
  • 17 2.72

12

 

3

 
  • 13 2.08

8

 

4

 
  • 23 17

3.68

5

 
  • 16 10

2.56

6

 
  • 21 15

3.36

7

 
  • 14 10

2.24

8

 
  • 20 14

3.2

9

 
  • 24 19

3.84

10

 
  • 17 10

2.72

11

  • 16 11

 

2.07

12

 
  • 18 13

2.33

13

 
  • 23 16

2.98

14

 
  • 15 10

1.94

15

 
  • 16 12

2.17

Ejemplo: Formulación del modelo AAA
Ejemplo: Formulación del modelo AAA
 

Resumen

                 

Estadísticas de la regresión

 

Ȳ =

+

 

+ + ⋯ +

   

Coeficiente de

               

correlación

múltiple

0.97612724

Ȳ =

.

+.

+

.

                 

Coeficiente de

               

determinación

R^2

0.95282439

Si AAA aumenta su publicidad en 1 (1000 dólares), y la renta

nacional

R^2 ajustado

0.94496179

 

permanece k, el numero de pasajeros aumenta en

     

0,84 unidades (840),

 

Error típico

0.82166619

             

Observaciones

15

 

Si la renta nacional en una

   

unidad (1 billón de dólares) y la publicidad

   
     

permanece k, los pasajeros aumentaran en 1.44(1400).

         

ANÁLISIS DE VARIANZA

             
     

Promedio de

         

Grados de

Suma de

los

Valor crítico

libertad

cuadrados

cuadrados

F

de F

Regresión

2

163.631709

81.8158547

121.184377

1.1023E-08

     

Residuos

12

8.10162398

0.67513533

         

Total

14

171.733333

           
                 
           

Superior

Inferior

Superior

Coeficientes

Error típico

Estadístico t

Probabilidad

Inferior 95%

95%

95.0%

95.0%

Intercepción

3.52839942

0.99941759

3.53045558

0.00414294

1.35085554

5.70594329

1.35085554

5.70594329

Variable X 1

0.83966385

0.14190768

5.91697257

7.0648E-05

0.53047357

1.14885412

0.53047357

1.14885412

Variable X 2

1.44097467

0.73603866

1.95774319

0.07392294

-0.1627158

3.04466515

-0.1627158

3.04466515

REGRESION MULTIPLE
REGRESION MULTIPLE

PRUEBAS PARA EVALUACION DEL MODELO

Evaluar el modelo con ayuda del ANOVA y la prueba

F.

Evaluar la contribución de cada variable independiente con la aplicación de pruebas t.

Utilizar el coeficiente de determinación como método

alternativo para evaluar el modelo.

Evaluar el modelo con ayuda del ANOVA y la prueba F.
Evaluar el modelo con ayuda del ANOVA y la
prueba F.

¿Tiene algún valor explicativo el modelo? (ANOVA)

El procedimiento ANOVA comprobará si alguna de las variables independientes tiene relación con la variable dependiente.

Si Xi no esta relacionada con Y, β = 0.

El

procedimiento

ANOVA

contrasta

β = β = β = ⋯ = β =

la

hipótesis

nula

Ho:

Frente a la alternativa que Ha: una β como mínimo no es cero Si la hipótesis nula no es rechazada, entonces no existe relación lineal entre Y y cualquiera de las variables independientes X.

Por el contrario, si se rechaza la hipótesis nula, por lo menos una variable independiente tiene relación lineal con Y.

AAA: Proceso del ANOVA
AAA: Proceso del ANOVA

Se forma una tabla de ANOVA. Se utiliza la prueba F para hacer la determinación. ANÁLISIS
Se forma una tabla de ANOVA.
Se utiliza la prueba F para hacer la determinación.
ANÁLISIS DE VARIANZA
Promedio de
Grados de
Suma de
los
Valor crítico
libertad
cuadrados
cuadrados
F
de F
Regresión
2 163.631709
81.8158547
121.184377
1.1023E-08
Residuos
12
8.10162398
0.67513533
Total
14
171.733333
Grado de libertad intermuestral =k
(número de variables
independientes)
Gl. intramuestral = n – k – 1
Hallando F 0.05,2,12 es 3.89

REGLA DE DECISION: No rechazar la Ho si F<3.89; rechazar si F>3.89 F = 121.184>3.89; por lo tanto se rechaza la Ho y se acepta la Ha. CONCLUSION: Con un nivel de confianza de 95%, existe una relación lineal entre Y y al menos una de las variables independientes X.

AAA: Prueba de los coeficientes de regresión parcial individuales
AAA: Prueba de los coeficientes de regresión
parcial individuales
 

Coeficient

Error

Estadístic

Probabilid

Inferior

Superior

Inferior

Superior

es

típico

o t

ad

95%

95%

95.0%

95.0%

Intercepción

 

0.9994175

  • 3.5283994 0.0041429

3.5304555

 

1.3508555

5.7059432

1.3508555

5.7059432

Variable X 1

 
  • 0.8396638 5.9169725

0.1419076

 

7.0648E-5

0.5304735

1.1488541

0.5304735

1.1488541

Variable X 2

 

0.7360386

  • 1.4409746 0.0739229

1.9577431

 

-0.1627158

3.0446651

-0.1627158

3.0446651

AAA: Prueba de los coeficientes de regresión parcial individuales
AAA: Prueba de los coeficientes de regresión
parcial individuales

HIPOTESIS NULA Y ALTERNA Ho: β 1 = 0 Ho: β 2 = 0 Siendo α = 0.05; gl = n k 1 = 12

Ha: β 1 0 Ha: β 2 ≠ 0

Valores críticos de t tomados de la tabla son t 0.05,12 = ± 2.179 (dos colas) REGLA DE DECISION

No rechazar Ho si -2.179<t<2.179. Rechazarla si t<-2.179 o t>2.179.

DECISION

El valor de t hallado para X1 es 5.91697257>2.179 esta en la zona de rechazo, rechazar la Ho.

El valor de t hallado para X2 es 1.95774319<2.179 esta en la zona de aceptación, aceptar la Ho.

CONCLUSION

A nivel de significación de 5%, X1 tiene poder explicativo y es significativo para explicar el numero de pasajeros.

A nivel de significación de 5%, X2 NO tiene poder explicativo.

CORRELACION MULTIPLE
CORRELACION MULTIPLE

Otra herramienta que AAA puede utilizar para evaluar su modelo es el coeficiente de determinación múltiple R 2 .

El coeficiente de determinación mide la fuerza de la relación entre Y y las variables independientes.

2 = 2 =

  • 163.632 = 0.953

171.7333

Así pues el 95.3% de la variación del numero de pasajeros de

AAA, es explicada por la variación de la publicidad y la renta nacional. Al incorporar Renta Nacional como segunda variable independiente, se ha incrementado el poder explicativo del modelo del 93% al 95.3%.

Cuanto mayo sea R 2 , mas poder explicativo tendrá el modelo.

CORRELACION MULTIPLE
CORRELACION MULTIPLE

COEFICIENTE DE DETERMINACION R 2 AJUSTADO

Por su importancia se calcula en la mayoría de los programas informáticos (Eviews, SPSS, EXCEL).

Es una forma fácil y rápida de evaluar el modelo de regresión y determinar el

grado en que se ajusta a los datos.

Salvo coeficientes de regresión propios, El R 2 es el estadístico que mas se observa y vigila en el análisis de regresión.

Se puede lograr un aumento de R 2 con la mera inclusión de otra variable independiente en el modelo (aunque no tenga sentido).

Por ello es común en el análisis de regresión y correlación múltiple indicar el coeficiente de determinación ajustado.

Este estadístico ajusta la medida del poder explicativo con los grados de libertad. El investigador pierde un grado de libertad por cada variable independiente que añada. Si R 2 baja demasiado, habrá que excluir la variable del modelo. En casos extremos el R 2 ajustado puede llegar a valer menos que cero.

2 = 1 − (1 − 2 )

−1

−−1

2 = 1 − (1 − 0.953)

2 = 0.949

15−1

15−2−1

Título: Determinantes del estrés en trabajadores de Huancayo.

Hi: El estrés de los trabajadores de Huancayo, está determinado

por el tamaño de la empresa donde trabajan, el tiempo de

servicios en el puesto de trabajo, la remuneración percibida y la edad del trabajador.

Ho: El estrés de los trabajadores de Huancayo, NO está

determinado por el tamaño de la empresa donde trabajan, el

tiempo de servicios en el puesto de trabajo, la remuneración percibida y la edad del trabajador.

46

Título: Determinantes del estrés en trabajadores de Huancayo.

Variables:

Indicadores:

Y: Estrés

Grado de estrés

GEST

X1: Tamaño de la empresa

Capital en soles

KSOL

X2: Tiempo de servicios

Años en el puesto AÑOS

X3: Remuneración

Rem. en soles

REMU

X4: Trabajador

Edad

EDAD

Inspección gráfica y numérica Estimación del modelo Conclusiones

47

Obs

EST

ANOS

EDAD

KSOC

REMU

  • 1 5.000000

15.00000

3.000000

6.000000

1.500000

  • 2 6.000000

5.000000

4.000000

8.000000

1.000000

  • 3 8.000000

2.000000

5.000000

9.000000

1.000000

  • 4 9.000000

3.000000

4.000000

30.00000

0.500000

  • 5 12.00000

1.000000

4.000000

40.00000

0.500000

  • 6 6.000000

10.00000

5.000000

9.000000

1.000000

  • 7 7.000000

10.00000

4.000000

9.000000

1.500000

  • 8 5.000000

2.000000

3.000000

7.000000

1.500000

  • 9 16.00000

1.000000

5.000000

90.00000

0.500000

  • 10 14.00000

3.000000

2.000000

60.00000

0.500000

  • 11 13.00000

2.000000

4.000000

40.00000

0.500000

  • 12 9.000000

2.000000

3.000000

20.00000

1.000000

  • 13 10.00000

3.000000

3.000000

20.00000

1.000000

  • 14 17.00000

2.000000

3.000000

100.0000

1.000000

  • 15 12.00000

4.000000

3.000000

30.00000

0.500000

  • 16 11.00000

4.000000

4.000000

20.00000

1.000000

  • 17 9.000000

3.000000

3.000000

6.000000

0.500000

  • 18 8.000000

14.00000

4.000000

7.000000

0.500000

  • 19 6.000000

19.00000

4.000000

6.000000

1.000000

  • 20 5.000000

18.00000

5.000000

6.000000

1.500000

48

Matriz de correlación
Matriz de correlación
 

GEST

ANOS

EDAD

KSOC

REMU

GEST

1.000000 -0.620179 -0.219630

0.913245 -0.625227

ANOS

-0.620179

1.000000

0.258917 -0.496757

0.447419

EDAD

-0.219630

0.258917

1.000000 -0.142559

0.080582

KSOC

0.913245 -0.496757 -0.142559

1.000000 -0.418922

REMU

-0.625227

0.447419

0.080582 -0.418922

1.000000

49

50

La REMU, guarda una relación negativa con GEST y son significativas al 0.23%
La REMU, guarda una relación
negativa con GEST y son
significativas al 0.23%

El GEST muestra relación significativa

con KSOC y REMU, llegando la

capacidad explicativa a 89.4 % de la

variabilidad del GEST

No se rechaza la significación global del modelo •51
No se rechaza la
significación global del
modelo
•51

El estrés de los trabajadores de Huancayo, está determinado por el tamaño de la empresa donde trabajan y la remuneración percibida.

52

Contacto:

Espinozaisac@yahoo.es

Cel: 964913378

RPM: #961650207

http://www.youtube.com/watch?v=g4TFaDVwQvA&feature=related