INSTITUTO MODERNO DE APRENDIZAJE SUPERIOR

LICENCIATURA
PSICOLOGIA ORGANIZACIONAL

DOCENTE
PROF. CARLOS MANUEL PÉREZ BARRADAS
ASIGNATURA
ESTADÍSTICA II

TRABAJO
FINAL

ESTUDIANTE
MARCO ANTONIO ROMERO MARQUEZ
1827LPO0007
JUAN LUIS CASTILLO RICARDEZ
1827LPO0006
JOSÉ DEL CARMEN IZQUIERDO MAGAÑA
1827LPO0008
MARIO VICENTE CORTÁZAR
1827LPO0009.

3ER
CUATRIMESTRE

SEDE
CUNDUACAN

FECHA
02 DE JUNIO DE 2022
Contenido
Introducción...............................................................................................................................................3
2. Pruebas De La Bondad Del Ajuste Y Análisis De Varianza...........................................................4
Descripción.............................................................................................................................................4
Aplicación...............................................................................................................................................4
2.1. Análisis Ji Cuadrado...................................................................................................................10
Descripción...........................................................................................................................................10
Aplicación.............................................................................................................................................10
2.1.1. Prueba de independencia........................................................................................................13
Descripción...........................................................................................................................................13
Aplicación.............................................................................................................................................13
2.1.2 Pruebas De La Bondad Del Ajuste................................................................................................15
Descripción...........................................................................................................................................15
Aplicación.............................................................................................................................................16
2.1.3 Tablas de contingencia...................................................................................................................17
Descripción...........................................................................................................................................17
Aplicación.............................................................................................................................................17
2.2 Análisis de Varianza..........................................................................................................................19
Descripción...........................................................................................................................................19
2.2.1 Inferencia Sobre Una Varianza De Población (Anova)............................................................19
2.2.2 Inferencia Sobre Una Varianza De Dos Poblaciones (Anova).................................................19
Procedimiento con ANOVA................................................................................................................19
2.3 Paquete computacional.....................................................................................................................25
Descripción...........................................................................................................................................25
2.4 Función de las emociones..................................................................................................................25
Descripción...........................................................................................................................................25
Resumen...................................................................................................................................................26
Referencias...............................................................................................................................................28
 Introducción
El término estadística no paramétrica se refiere a un conjunto de
métodos de inferencia que son válidos para muy diversos tipos de
distribuciones de población. La aplicación de estos métodos no requiere
un modelo poblacional, en el sentido de que un parámetro particular está
relacionado con la forma de la curva que representa a la población. Bajo
consideración, si es necesario, por ejemplo, en el caso de una
distribución normal. En las pruebas de hipótesis, las pruebas estadísticas
no paramétricas suelen utilizar algunos de los datos más simples de la
muestra, como el signo de las medidas, las relaciones ordinales o las
categorías de frecuencia. Estos atributos comunes no requieren medidas
numéricas significativas. Por otro lado, es importante que estos métodos
no se vean afectados por la expansión o contracción de la escala. Una
aclaración importante es que los términos distribución gratuita y
estadística no paramétrica no son sinónimos, aunque se utilizarán
indistintamente en este texto.

Dicho lo anterior podemos recalcar que dentro de este documento

encontraremos diferentes tipos de estudio de las pruebas de bondad del
ajuste y análisis de varianza, que pueden incluir diferentes tipos de
aplicaciones dentro de una empresa o vida real que nos sirven como
referencia para saber más acerca del tema que a continuación
exponemos.
2. Pruebas De La Bondad Del Ajuste Y Análisis De Varianza
Descripción
El término estadística no paramétrica se refiere a un conjunto de método,
inferenciales válidos para formas muy diversas de distribución de la población La
aplicación de estos métodos no requiere modelo de población, en el sentido de un
parámetro específico relacionado con la forma de la curva que representa a la
población en estudio, como sí es necesario, por ejemplo, en el caso de la
distribución normal. En el contraste de hipótesis, las pruebas estadísticas no
paramétricas usualmente emplean algunos datos más simples de la muestra, como
los signos de las mediciones, las relaciones de orden o las categorías de las
frecuencias. Estos rasgos generales no requieren escalas de medición numéricas
significativas. Por otra parte, aún más importante es que a estos métodos no los
afecta el alargamiento o estrechamiento de la escala. Una aclaración tina,
indispensable es que los términos distribución libre y estadística no paramétrica no
son sinónimos, aunque en este texto se usarán indistintamente.
Aplicación
Prueba Kolmogorov-Smirnov para una muestra:
Es una prueba de bondad de ajuste.
Se emplea en una muestra independiente.
El tipo de variable es cuantitativa continua (debe ser medida en escala al menos
ordinal).
Esta prueba responde a la pregunta: ¿Ajusta la distribución empírica de datos
muestrales de una variable ordinal o cuantitativa a una distribución teórica
conocida?
Esta prueba no requiere que los datos sean agrupados, lo que permite que ésta haga
uso de toda la información del conjunto de datos. Puede utilizarse con muestras de
cualquier tamaño (mientras que la X2 requiere que las muestras tengan un tamaño
mínimo).
Hipótesis:
H0: F(x) = FT(x) para toda x desde - ∞ hasta + ∞
H1: F(x) ≠ FT(x) para al menos una x
A hora abrimos el programa SPSS y vamos a la Vista de datos para introducir los
datos del ejemplo. Debe quedarles así:
Como es una prueba de bondad de ajuste aquí interesa no rechazar la hipótesis
nula, es decir, interesa que el valor de p sea mayor de 0,05 para no rechazar la
hipótesis nula (queremos que p > 0,05).
Ejemplo: Se efectuaron mediciones del nivel de glucemia de 36 hombres adultos
en ayuno, no obesos y aparentemente sanos. Estas mediciones se muestran en la
tabla que se presenta. Se pretende saber si es posible concluir que tales datos no
pertenecen a una población que sigue una distribución normal, con una media de
80 y una desviación típica de 6. Emplee un α = 0,05.

Valores de glucemia en 36 varones sanos

75 92 80 80 84 72
84 77 81 77 75 81
80 92 72 77 78 76
77 86 77 92 80 78
68 78 92 68 80 81
87 76 80 87 77 86

Respuesta:
Supuestos: La muestra disponible es una muestra aleatoria simple que se extrajo de
una población que sigue una distribución continua.
Hipótesis:
H0: F(x) = FT(x) para toda x desde - ∞ hasta + ∞
H1: F(x) ≠ FT(x) para al menos una x
Ahora en la Vista de variables introducimos el nombre de la variable, su etiqueta
(que es el nombre real de nuestra variable) y ponemos en Medida la Escala pues se
trata de una variable cuantitativa continua. Debe quedarles así:

Ahora vamos al menú Analizar y damos un clic ahí, luego saldrá un menú
desplegable y nos desplazamos hacia debajo de ese menú con el mouse y donde
dice Pruebas no paramétricas nos paramos y saldrá otro menú desplegable ahora
hacia la derecha y con el mouse vamos hacia donde dice Cuadros de diálogo
antiguos y nos paramos ahí y entonces saldrá otro menú desplegable que dice K-S
de 1 muestra y ahí damos un clic. Debe quedarles así:

Ahora saldrá una ventana como la siguiente:

Ahora activaremos la variable nuestra (Valores de glucemi…) dándole un clic
sobre ella y la pondremos en el cuadro de la derecha debajo donde dice Lista
Contrastar variables: Deben dejar activada la opción Normal, es decir, no
desmarcarla. Debe quedarles así:

Ahora en el botón Opciones… pueden darle un clic y marcar con otro clic donde
dice Descriptivos:
Luego dan clic en el botón Continuar. Ahora dan clic en Aceptar y saldrán los
siguientes resultados:
Pruebas no paramétricas
[Conjunto_de_datos0] C:\Users\Silvia\Desktop\Manual de ejercicios
de SPSS\Pruebas no paramétricas\1-Para variables cuantitativas\1-
Una sola muestra\Kolmogorov-Smirnov\1-Base de datos. Prueba K-S
para1 muestra.sav

Estadísticos descriptivos
N Media Desviación típica Mínimo Máximo
Valores de glucemia 36 80,08 6,199 68 92

Prueba de Kolmogorov-Smirnov para una muestra

Valores de
glucemia
N 36
Media 80,08
Parámetros normalesa,b Desviación típica 6,199
Absoluta ,163
Diferencias más extremas Positiva ,163
Negativa -,095
Z de Kolmogorov-Smirnov ,981
Sig. asintót. (bilateral) ,291
a. La distribución de contraste es la Normal.
b. Se han calculado a partir de los datos.

Interpretación: en la tabla titulada Estadísticos descriptivos vemos que la media de los

valores de glucemia de los pacientes estudiados fue de 80,08 (no se les olvide poner aquí
la unidad de medida de la variable), con una desviación estándar de 6,199 ((no se les olvide
poner la unidad de medida de la variable).

En la tabla titulada Prueba de Kolmogorov-Smirnov para una muestra puede verse el valor del
estadígrafo que es Z de Kolmogorov-Smirnov (cuyo valor fue de 0,981). Ahora vemos el
valor de p (Sig. asintót. (bilateral)) fue de 0,291.

Como el valor de p fue mayor que 0,05 no s e rechaza la hipótesis nula y se concluye que hay
evidencias suficientes para pensar que la muestra proviene de la distribución especificada, con
un nivel de significación del 5%.
2.1. Análisis Ji Cuadrado
Descripción
El estadístico ji-cuadrado (o chi cuadrado), que tiene distribución de
probabilidad del mismo nombre, sirve para someter a prueba hipótesis referidas a
distribuciones de frecuencias. En términos generales, esta prueba contrasta
frecuencias observadas con las frecuencias esperadas de acuerdo con la hipótesis
nula. En este artículo se describe el uso del estadístico ji-cuadrado para probar la
asociación entre dos variables utilizando una situación hipotética y datos
simulados. Luego se describe su uso para evaluar cuán buena puede resultar una
distribución teórica, cuando pretende representar la distribución real de los datos
de una muestra determinada. A esto se le llama evaluar la bondad de un ajuste.
Probar la bondad de un ajuste es ver en qué medida se ajustan los datos
observados a una distribución teórica o esperada. Para esto, se utiliza una
segunda situación hipotética y datos simulados.

Aplicación
Una fábrica cuenta con tres máquinas para la producción de un mismo producto.
Durante la última semana de producción se han producido 135 artículos. El jefe de
producción cree que las máquinas no producen en cantidades similares. Por lo que
ha solicitado clasifiquen cada producto según la máquina que la ha producido. A
continuación, se presenta la tabla de frecuencia de las cantidades.

Una fábrica cuenta con tres máquinas para la producción de un mismo producto.

Durante la última semana de producción se han producido 135 artículos. El jefe de

producción cree que las máquinas no producen en cantidades similares. Por lo que
ha solicitado clasifiquen cada producto según la máquina que la ha producido. A
continuación, se presenta la tabla de frecuencia de las cantidades producidas por
cada máquina:
Use nivel de significación 5% para probar si la cantidad producida es la misma en
las 3 máquinas.
RESOLUCION: 1P) PLANEAMIENTO DE HIPÓTESIS:
Ho: La cantidad producida es la misma en las tres máquinas. HI: L a cantidad
producida es distinta en las tres máquinas.
2P) NIVEL DE SIGNIFICACIÓN: 5%
3P) CALCULO ESTADÍSTICO DE PRUEBA:
4P) CRITERIOS DE DECISIÓN:

5P) CONCLUSIÓN
A un nivel de significación del 5%, no se puede rechazar que la cantidad producida
es la misma en las 3 máquinas. Con un nivel de significación de 5% no existe
suficiente evidencia estadística para rechazar la hipótesis nula, es decir no se puede
afirmar que las tres máquinas no producen lo mismo.

2.1.1. Prueba de independencia

Descripción
Existe una variedad de procedimiento para el procesamiento y análisis estadístico
de datos, una vez recogidos los datos, procesados y convertidos en información
valiosa para el estudio que se realiza, pueden utilizarse varias técnicas que
permitan sacar el máximo provecho de la información disponible, sin embargo, la
utilización de técnicas de Estadística No Paramétricas son poco utilizada, a pesar
de la potencia y certeza de sus resultados, y que por lo general no se dispone de
información suficiente sobre la población de la cual se extrajeron los datos que den
soporte la realización de inferencia con base en la muestra observada.
En esta investigación se desarrollan algunas técnicas de análisis estadístico no
paramétrico tales como la prueba de independencia, la corrección de Yates en
tablas de contingencia de 2x2, las pruebas de homogeneidad y se hace un estudio
sobre el análisis de varianza por medio de la tabla ANOVA, analizando la rutina
general de este tipo de análisis, para terminar con comentarios sobre la importancia
del software en este tipo de análisis.

Aplicación
En el caso de que tengamos un conjunto de datos con dos variables categóricas,
para aplicar la prueba de independencia de Chi-cuadrado en primer lugar es
necesario resumir los datos en una tabla de contingencia. Así para el siguiente
ejemplo:
 Variable 1 - Verdadero Variable 1 - Falso Total
Variable 2 - Verdadero 12 4 16
Variable 2 - Falso 2 10 12
Total 14 14 28

Ahora es necesario calcular las frecuencias esperadas en la tabla de contingencia si

se asume que las dos variables fuesen independientes. Valores que se necesitan
para comparar con los observados. Lo que se puede obtener multiplicando el
número de ocurrencias para un nivel de la primera variable por el número de
ocurrencias para un nivel de la segunda variable, dividendo por el total de
ocurrencias. Es decir, se puede usar la siguiente expresión:

donde n_1(i)n (i) es el número de ocurrencias de la categoría ii en la variable 1,

n_2(j)n (j) es el número de ocurrencias de la categoría jj en la variable 2 y nn es el
número de ocurrencias totales. Así se puede obtener la tabla con los valores
esperados

Variable 1 - Verdadero Variable 1 - Falso Total

Variable 2 - Verdadero 8 8 16
Variable 2 - Falso 6 6 12
Total 14 14 28

Es necesario tener en cuenta que la prueba de independencia de Chi-cuadrado

solamente se debe aplicar si las frecuencias esperadas en todos los niveles sean
iguales o mayores a 5. Lo que se cumple en nuestro ejemplo donde la frecuencia
mínima esperada es 6. Cuando no se cumpla esta condición es preferible usar la
prueba exacta de Fisher.
Para comparar las frecuencias esperadas con las observadas usaremos el siguiente
estadístico:
donde O son los valores observados y E los esperados. En nuestro ejemplo este
valor es de 9,3. Para saber si este valor es grande o no deberemos compáralo con el
que da la distribución de Chi-cuadrado en función a los grados de libertad y el
grado de significancia (generalmente de 0.05). Los grados de libertad se pueden
calcular utilizando como el producto de los niveles menos uno de la primera
variable por los niveles menos uno de la segunda, es decir, utilizando la siguiente
expresión:

En nuestro caso, se puede ver fácilmente que el número de grados de libertad para
el ejemplo es uno. Así, con la distribución inversa de Chi-cuadrado con grado de
libertad 1 se puede obtener el valor crítico para nuestro ejemplo que es 3.8. Como
el valor obtenido anteriormente 9,3 es mayor que el valor crítico se puede rechazar
la hipótesis nula y concluir que las variables son dependientes.

2.1.2 Pruebas De La Bondad Del Ajuste

Descripción
Estas pruebas permiten verificar si una distribución de probabilidades supuesta es
congruente con un conjunto de datos dado. Para esto se utilizan pruebas de bondad
de ajuste tales como la prueba JI–cuadrado.
Sea X1, . . ., Xn los resultados obtenidos a partir de una muestra aleatoria de la
cual se ha asumido que su distribución de probabilidades está determinada por la
función de probabilidad ´ Po(X) o la función de densidad de probabilidad ´ Fo(X),
se plantea la hipótesis nula ´ Ho : F(X) = Fo(X), especificada de manera completa
con respecto a todos los parámetros.
En la construcción del modelo de simulación es importante decidir si un conjunto
de datos se ajusta apropiadamente a una distribución específica de probabilidad. Al
probar la bondad del ajuste de un conjunto de datos, se comparan las frecuencias
observadas FO realmente en cada categoría o intervalo de clase con las frecuencias
esperadas teóricamente FE.
Aplicación
Considere un estudio sobre participación en el mercado realizado por la empresa
Scott Marketing Research. A lo largo de los años las participaciones en el mercado
se han estabilizado en 30% para la empresa A, 50% para la empresa B y 20% para
la empresa C. Recién la empresa C ha elaborado un nuevo y mejorado producto
para sustituir a uno de sus productos en el mercado y pidió a la empresa Scott
Marketing Research que determinara si el nuevo producto modificaría su
participación en el mercado.
Solución
En este caso, la población de interés es multinomial, cada cliente se clasifica como
cliente de la empresa A, de la empresa B o de la empresa C. De manera que se
tiene una población multinomial con tres resultados. Para las proporciones se usa la
notación siguiente
 pA = participación en el mercado de la empresa A
 pB = participación en el mercado de la empresa B
 pC = participación en el mercado de la empresa C
Scott Marketing Research realizará un estudio muestral y calculará la proporción
que prefiere el producto de cada empresa. Después aplicará una prueba de hipótesis
para ver si el nuevo producto modifica las participaciones en el mercado. Suponga
que el nuevo producto de la empresa C no modifica las participaciones en el
mercado; entonces, las hipótesis nula y alternativa serán las siguientes.
 HO: pA = 0.30, pB = 0.50, y pC = 0.20
  Ha: Las proporciones poblacionales no son pA = 0.30, pB = 0.50, y pC =

0.20

Como las frecuencias esperadas son todas 5 o más, se calcula el estadístico de

prueba chicharrada como se muestra en la tabla a. Se obtiene X 2 = 7.34. La
hipótesis nula se rechaza si las diferencias entre las frecuencias observadas y
esperadas son grandes.
Diferencias grandes entre las frecuencias esperadas y observadas darán un valor
grande del estadístico de prueba. Entonces, la prueba de bondad de ajuste siempre
será una prueba de la cola superior.

2.1.3 Tablas de contingencia

Descripción
En ciencias sociales es muy frecuente recurrir a la tabulación cruzada de los datos
cuando además de describir (análisis invariable) nos interesa comparar (análisis
variable). Las Tablas de Contingencia resultan, especialmente indicadas, cuando
disponemos de variables nominales o cualitativas, suponiendo que una de ellas
depende de la otra (variable independiente y/o explicativa). La elaboración de
tablas de contingencia o tablas variables no se encuentra estandarizada, basta con
que ésta se lea e interprete correctamente. Sin embargo, y dado que el programa
estadístico con el que presentamos el capítulo es el SPSS, conviene advertir que
éste dispone en las filas la variable dependiente y en las columnas la variable
independiente.
Aplicación
Se sortea un viaje a Roma entre los 120 mejores clientes de una agencia de
automóviles. De ellos, 65 son mujeres, 80 están casados y 45 son mujeres casadas.
¿Cuál será la probabilidad de que le toque el viaje a un hombre soltero?
¿Si del afortunado se sabe que es casado, ¿cuál será la probabilidad de que sea una
mujer?
Solución
Se tienen dos variables, la primera el género (Hombres - Mujeres) y la segunda
recoge el estado civil, en este caso, si el individuo es soltero o casado.

El problema nos pregunta por la probabilidad de que el ganador sea un hombre

soltero. En principio no sabemos cuántos hombres solteros hay, no contamos con
ese dato, por lo que nos ayudará realizar una tabla de contingencia.
1. realizamos la tabla y llenamos con los datos dados
De los datos explícitos que tenemos, nuestra tabla queda así:
Aquí lo que sigue es manipular los datos que tenemos para poder obtener el resto.
Este proceso se puede hacer de varias formas distintas.
Sabemos que 80 clientes son casados, y de esos 45 son mujeres por lo que 35
tienen que ser hombres.

Si hay 65 mujeres y 45 son casadas entonces debe haber 20 solteras.

De los 120 clientes, 80 son casados por lo que 40 deben ser solteros.

Además de los 120 clientes, 65 son mujeres, entonces hay 55 hombres.

Hay 40 solteros, y 20 de ellos son mujeres, entonces los otros 20 son hombres
 Hombres Mujeres Total
Casados/Casadas 35 45 80
Solteros/Solteras 20 20 40
Total 55 65 120

2.2 Análisis de Varianza

Descripción
El método de análisis de varianza (ANOVA por sus siglas en inglés) es
desarrollado para analizar datos experimentales que corresponden a varias
muestras, aunque también son útiles en determinadas situaciones no
experimentales. Permite contrastar simultáneamente la igualdad de varias medias
poblacionales, esto supone una ventaja al reducir operaciones y posibles errores
que se cometen realizando pruebas para todas las parejas de medias utilizando el
modelo de la t de Student.
2.2.1 Inferencia Sobre Una Varianza De Población (Anova)
2.2.2 Inferencia Sobre Una Varianza De Dos Poblaciones (Anova)

Procedimiento con ANOVA

El cuadro presenta la tabla ANOVA que es un resumen de las variaciones que se
encuentran entre las empresas (variación explicada) y dentro (variación no
explicada). De la relación entre las varianzas (columna de media cuadrática) se
determina el estadístico de prueba ANOVA, la F de Fisher-Snedecor. El valor p
(columna Sig.) indica que se rechaza o acepta la hipótesis nula de igualdad de
medias poblacionales, por lo tanto, se pueden tener diferencias o similitudes entre
los promedios de ventas de las cuatro empresas. La prueba se procesa al nivel de
significación α= 0.05.
A la variable Ventas con valor F de 20.304, en la prueba le corresponde un
valor p menor al de α= 0.05, entonces se rechaza la hipótesis de igualdad de
medias, lo cual indica diferencias en el comportamiento de las ventas en las
empresas o al menos una de ellas difiere significativamente de las demás.

En la variable Utilidades, la prueba ANOVA establece un valor p mayor que 0.05,

por lo tanto, se acepta la hipótesis nula de igualdad de medias. Significa que las
cuatro empresas lograron un promedio de utilidades que están cercanos.
En la variable Empleados, en donde el valor p es menor que 0.05, se establece que
se rechaza la hipótesis nula de igualdad de medias. De esta manera, existen
diferencias entre las empresas en cuanto al promedio de empleados.

Comparaciones múltiples
El procesamiento de las comparaciones múltiples con la prueba HDS de Tukey al
nivel de significancia α de 0.05, contrastan la diferencia entre las medias de cada
pareja de empresas dando lugar a una matriz, en donde se identifica cuales
diferencias son o no significativas de empresa
a empresa. En los siguientes cuadros, los valores marcados con asterisco indican
diferencias de medias significativas.
Al realizar las comparaciones múltiples con esta prueba se tiene igualdad de
medias entre todas las parejas posibles de empresas.
De acuerdo a la prueba HDS de Tukey, los valores indicados con asterisco marcan
una diferencia de medias significativa al nivel α = 0.05, estableciendo que Soriana
tiene diferencias con las demás empresas (valor p menor a 0.05).
En cambio, no tienen diferencias en los promedios de ventas Femsa con Chedraui
y Comercial Mexicana con Chedraui (valores p mayores a 0.05).

En cuanto a
la prueba de igualdad de medias en la variable utilidades netas obtenidas en el
periodo, los valores p son mayores al valor α = 0.05. El tratamiento de las
variaciones indica que se acepta la hipótesis nula de igualdad de medias entre cada
pareja de empresas, por ejemplo: Comercial Mexicana-Soriana, Chedraui- Femsa,
Soriana-Chedraui, Femsa-Comercial Mexicana, entre otras. El resultado de la
prueba HDS de Tukey corrobora la respectiva prueba ANOVA.
La prueba HDS de Tukey en la variable empleados, establece una igualdad de
medias para Soriana-Femsa y para Comercial Mexicana-Chedraui. En ambos casos
el valor p es mayor a 0.05 aceptando la hipótesis nula de igualdad de medias, con
lo que se constituye una relación de homogeneidad entre las empresas
mencionadas.

Conclusiones
Se plantea un estudio comparativo en empresas mexicanas orientadas hacia el
comercio minorista. ¿La justificación?, analizar si las empresas realizan cambios
en las estrategias para enfrentar una crisis económica como la del año 2008, a
partir de seleccionar tres variables de acuerdo a su comportamiento histórico en el
periodo 2008-2013.
El intento se apoya en el modelo de análisis de varianza, una herramienta elegante
y a la vez potente en resolver los contrastes en la homogeneidad de las variables de
distintas poblaciones, que se comparan con la igualdad de sus respectivas medias.
La sospecha que se expresa en el punto 2 sobre el grupo de empresas nacionales,
de que las variables que se seleccionan tienen comportamientos diferenciados, da
resultados disímiles.
La hipótesis de igualdad de medias para ventas y empleados se rechaza, es
decir se acepta la diferenciación en ambas variables. Mientras, la hipótesis de
igualdad de medias para utilidades netas se acepta, entonces hay similitud en las
cuatro empresas respecto al promedio de utilidades.
Se deduce que cada empresa tuvo su estrategia para manejarse en un entorno
económico de incertidumbre, dicha estrategia puede diferir en la política de ventas
(errática, conservadora, agresiva) y en la contratación del personal (aumentar,
disminuir).
En la variable utilidades hay semejanzas por mantener y hacer crecer su monto
monetario.
Entonces, ¿se logra demostrar que las estrategias de las empresas son diferentes?
Puede interpretarse como diferentes estrategias para la obtención de utilidades;
Soriana y Femsa contratan más personal y tienen también mayores volúmenes de
ventas, a diferencia de Chedraui y Comercial Mexicana.
Si bien algunos supuestos del modelo no se cumplen en forma estricta para cada
variable, la aplicación del modelo como método exploratorio resulta positivo
porque da orientación para investigar las razones y causas de las diferencias.
Permite corroborar lo que se observa y revelar otros aspectos que esconden los
datos.
Como complemento al análisis, en la prueba de comparaciones múltiples, hay
semejanza en las medias de ventas entre Femsa-Chedraui y entre Comercial
Mexicana-Chedraui; igualdad de medias en empleados entre Femsa-Soriana y entre
Chedraui-Comercial Mexicana.
Normalmente aparece en los programas de estudio de las carreras de Ciencias
Sociales el tema del análisis de varianza, sin embargo, en la mayoría de las
ocasiones
poco se implementa esta técnica en estudios de la problemática de las empresas.
En la investigación empírica es muy frecuente que, repitiendo un experimento
en condiciones no visibles para el investigador, los resultados presenten
variabilidad.
Suele ser pequeña en un laboratorio, pero en una planta industrial o en el caso que
se expone enfocado al comercio minorista, las diferencias pueden llegar a ser
mayores.
De aquí el interés por realizar un estudio mediante el procedimiento ANOVA.
2.3 Paquete computacional
Descripción
Es una serie de programas que se distribuyen conjuntamente, algunas de las
razones suelen ser que el funcionamiento de cada uno complementa o requiere de
otros, además de que sus objetivos están relacionados como estrategia de
mercadotecnia.
Muchos sistemas operativos modernos emplean sistemas de gestión de paquetes
que permiten que el administrador del sistema incorpore o desincorpore paquetes,
sin que en ningún momento queden programas instalados que no funcionen por
falta de otros incluidos en su paquete.

2.4 Función de las emociones

Descripción
Función adaptativa: Prepara al organismo para la acción. Facilita la conducta
apropiada a cada situación.
Función motivacional: puede determinar la aparición de la conducta motivada
para dirigirnos hacia determinada meta.
Función social: Permite a las personas predecir el comportamiento que vamos a
desarrollar y a nosotros el suyo.

Resumen
Las pruebas de bondad de ajuste se utilizan para comprobar si sus resultados
realmente le dan lo que está buscando. Estas pruebas le indican qué tan cerca se
ajustan sus datos a su hipótesis. Por ejemplo, supongamos que ha recopilado datos
para un gráfico de control que muestra qué tan cerca sus productos fabricados
cumplen con la especificación de ancho. Bueno, su prueba de bondad de ajuste le
dice si sus datos se ajustan o no a la distribución esperada. Los buenos resultados
significan que sus productos están saliendo de la manera que desea que salgan con
el ancho correcto.
Las pruebas de bondad del ajuste tienen como objeto decidir si puede aceptarse la
hipótesis de que una muestra dada procede de una población con una distribución
de probabilidad totalmente especificada en la hipótesis nula. Estos contrastes se
basan en la comparación de las frecuencias observadas en la muestra con aquellas
que cabría esperar si la hipótesis nula fuera cierta. La hipótesis nula se rechaza si
existe una diferencia significativa entre las frecuencias observadas y las esperadas.
En este tipo de contrastes la distribución de probabilidad del estadístico de prueba
es independiente de la postulada en la hipótesis nula y depende sólo del tamaño de
la muestra o del número de clases en que se agrupa la variable.
Por otra parte, se puede conocer y aplicar sobre la distribución de Chi-Cuadrado,
además hemos aprendido sobre las relaciones que existen entre las variables dentro
de un problema. Con el desarrollo de varios problemas con respecto al tema hemos
podido practicar y aprender las relaciones existentes: relación infinita, positiva
perfecta, negativa imperfecta, nula etc. La aplicación de Chi cuadrado puede ser
compleja en cuanto a la determinación de las hipótesis, pero son de suma
importancia para determinar la aceptación o rechazo de ellas.
Las pruebas de bondad de ajuste chi-cuadrado de Pearson, chi-cuadrado de Pearson
ponderada por las probabilidades de inclusión, Wald y la de Rao-Scott con
corrección de primer orden presentan valores inaceptables para el error tipo I,
razón por la cual no se recomienda su uso bajo un muestreo con parcelas de
tamaño variable.

En todas las simulaciones realizadas la prueba de bondad de ajuste de Rao-Scott

con corrección de segundo orden es la que muestra el mejor desempeño, sin
embargo, en algunas situaciones el error tipo I alcanza valores cercanos a 0,12, lo
cual no es satisfactorio. Se cree conveniente investigar acerca de otras pruebas que
consideren el diseño muestral, para determinar si alguna puede disminuir el error
tipo I registrado por la prueba de Rao-Scott con corrección de segundo orden.
La magnitud de la distorsión del error tipo I es mayor en las pruebas de bondad de
ajuste que en las pruebas de independencia, lo que indica que estas últimas son
menos sensibles a la violación de los supuestos.
En lo que respecta a las pruebas de independencia, no se justifica utilizar la prueba
de Pearson ponderada por las probabilidades de inclusión y la de Rao-Scott con
corrección de primer orden, ya que presentan valores del error tipo I similares a los
obtenidos en la prueba de independencia chi-cuadrado de Pearson. Por lo tanto, no
tiene sentido hacer las correcciones pertinentes, si con ello no disminuye el error
tipo I.
De igual manera el análisis de tablas de contingencia se utiliza muchísimo en
investigación y debemos tener la facilidad de leer las tablas para no dejarnos
engañar y para entender cómo funciona nuestro entorno y nuestra sociedad.

Referencias
Brown, J. (2019). Definición de: Ji-cuadrado. Dicenlen.

https://www.dicenlen.eu/es/diccionario/entradas/ji-cuadrado

Quevedo, F. (2011, 1 diciembre). La prueba de ji-cuadrado - Medwave. medwave.

https://www.medwave.cl/link.cgi/Medwave/Series/MBE04/5266

Rdz, H. (2021). HCRL Unidad 5. Scribd. https://es.scribd.com/document/545878573/HCRL-

Unidad-5

Ricardo, R. (2020, 23 noviembre). ▷ Pruebas de bondad de ajuste: definición y ejemplos.

Estudyando. https://estudyando.com/pruebas-de-bondad-de-ajuste-definicion-y-ejemplos/

uDocz. (2022, 2 junio). Ejercicios resueltos de Chi Cuadrado.

https://www.udocz.com/apuntes/139344/sesion1-ejercicios-resueltos-de-chi-cuadrado

Universidad de barcelona. (2020). ANÁLISIS DE LA VARIANZA CON UN FACTOR (ANOVA).

http://www.ub.edu/aplica_infor/spss/cap4-7.htm