Documentos de Académico
Documentos de Profesional
Documentos de Cultura
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.
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 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
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.
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.
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
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.
0.20
De los 120 clientes, 80 son casados por lo que 40 deben ser solteros.
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
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.
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.
Referencias
Brown, J. (2019). Definición de: Ji-cuadrado. Dicenlen.
https://www.dicenlen.eu/es/diccionario/entradas/ji-cuadrado
https://www.medwave.cl/link.cgi/Medwave/Series/MBE04/5266
Unidad-5
Estudyando. https://estudyando.com/pruebas-de-bondad-de-ajuste-definicion-y-ejemplos/
https://www.udocz.com/apuntes/139344/sesion1-ejercicios-resueltos-de-chi-cuadrado
http://www.ub.edu/aplica_infor/spss/cap4-7.htm