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
 “Los servicios que brinda el
sistema de administración
X11: Nivel de confiabilidad
Muy alta confiabilidad (5) académica de la U.N.C.P.
X1: Alta confiabilidad (4)
Confiabilidad Confiabilidad media (3) tienen baja confiabilidad”.
Baja confiabilidad (2)
Muy baja confiabilidad(1) 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
Hipótesis para prueba de dos colas.
• Ho: µ = µHo
• Ha: µ ≠ µHo
En una prueba de dos colas hay dos regiones de rechazo.

Se rechaza la Ho si el valor cae en

Para el caso: cualquiera de estas dos regiones
• Ho: µ = 2
• Ha: µ ≠ 2
 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 = µHo
• Ha: µ < µHo
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

Se rechaza la Ho si el valor cae en

esta región
 Prueba de hipótesis de una cola
• Cola derecha
• En general se utiliza una prueba de cola derecha (cola superior) si las
hipotesis son:
• Ho: µ = µHo
• Ha: µ > µHo
• La región de rechazo está en la cola superior (cola derecha) de la
distribución muestral.

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)

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.
x
Z test 

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
372.5  368
Crítico = ±1.96 Z test  Test = 1.50
15
25
 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 Ztest = +1.50
• La zona de no rechazo se encuentra entre -1.96<Z<+1.96,
• Entonces Ztest = +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 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

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 x  372.5  368
S = 14 t t
n = 25 S/ n 14 / 25
Prueba t
Gl = n – 1 = 24
T0.05,24 crítico = 2.0639
 Prueba t Student
Método del valor crítico

t = 1.607
Puesto que - 2.0639 < tcrítico < 2.0639
Y tTest = 1.607

• 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
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: µD = 0 (donde µD = µ1 - µ2) D  D
• Ho: µD ≠ 0 t 
SD / n
Estadístico de prueba: t
 Ejemplo prueba t apareada: ESTRATEGIA MOTIVACIONAL PARA
MEJORAR EL DESEMPEÑO LABORAL EN LA MANCOMUNIDAD
MUNICIPAL DEL CONO NORTE DE HUANCAYO
• 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 = µD ≥ 0 (donde µD = µ1 - µ2)
• Ha: µ1 - µ2 = µD < 0
• α = 0.05
• Prueba t apareada
• n = 10
• Gl= 10 – 1 = 9 -6.33173824
• Regla de decisión
• Rechace Ho si ttest<crítico = -1.8331
• Estadístico t = -6.33173824 -1.8331
 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
• 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
 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 + β1(X) + e
Componente Componente
determinista aleatorio

• βo : Ordenada en el origen
• β1 : Pendiente
• e : Termino aleatorio
 METODO DE LOS MINIMOS CUADRADOS
Recta del ajuste optimo
Sea la recta de regresión: Y = β0 + β1X
Donde:
• β0 : es la ordenada en el origen
• β1 : es el coeficiente beta o pendiente de la recta.
• β1 = SSxy/ SSx β0 = Y – β1X
• La suma de cuadrados de x es: SSx = ΣX2 – (ΣX)2/n
• La suma de cuadrados de y es: SSy = ΣY2 – (ΣY)2/n
• La suma de cuadrados de xy es: SSxy=ΣXY–(ΣX)(ΣY)/n
 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 137.733333
Mes X Y XY X^2 Y^2
1 10 15 150 100 225 SSy 171.733333
2 12 17 204 144 289 SSxy 148.933333
3 8 13 104 64 169
4 17 23 391 289 529
β1 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

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%
Intercepción 4.38625363 0.991282458 4.42482725 0.000685609 2.24471808 6.52778918 2.24471808 6.52778918
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
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
∑X2 = 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
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
2
(r )
• Mide el poder explicativo del modelo de regresión. Es decir la
parte de la desviación total de Y que es explicada por el
modelo.
• r2 = (SSxy)2/(SSx)(SSy)
• r2 ha de estar entre 0 y 1.
• R2 de 70% significa que el 70% de la variación de Y esta
explicada por variaciones de X.
• Cuando mayor sea r2 mayor poder explicativo tendrá el
modelo.
 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.
• r2 = (SSxy)2/(SSx)(SSy)
• r2 = (148.93333)2/(137.7333)(171.7333)
• r2 = 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

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

𝒀 = β𝟎 +β𝟏 𝑿𝟏 + β𝟐 𝑿𝟐 + ⋯ + β𝒌 𝑿𝒌 + 𝒆
• Donde k es el número de variables independientes y 𝑏𝑖 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 = 𝒃𝟎 +𝒃𝟏 𝑿𝟏 + 𝒃𝟐 𝑿𝟐 + ⋯ + 𝒃𝒌 𝑿𝒌
• 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
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 12 2.72
3 13 8 2.08
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
Resumen

Estadísticas de la regresión Ȳ = 𝒃𝟎 +𝒃𝟏 𝑿𝟏 + 𝒃𝟐 𝑿𝟐 + ⋯ + 𝒃𝒌 𝑿𝒌

Coeficiente de
correlación
múltiple 0.97612724 Ȳ = 𝟑. 𝟓𝟑 +𝟎. 𝟖𝟒 𝑿𝟏 + 𝟏. 𝟒𝟒 𝑿𝟐
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
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.
• ¿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 la hipótesis nula Ho:
β𝟏 = β𝟐 = β𝟑 = ⋯ = β𝒌 = 𝟎
• 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
• 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 Hallando F 0.05,2,12 es 3.89
independientes)
Gl. intramuestral = n – k – 1

• 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

Coeficient Error Estadístic Probabilid Inferior Superior Inferior Superior

es típico ot ad 95% 95% 95.0% 95.0%
Intercepción 3.5283994 0.9994175 3.5304555 0.0041429 1.3508555 5.7059432 1.3508555 5.7059432
Variable X 1 0.8396638 0.1419076 5.9169725 7.0648E-5 0.5304735 1.1488541 0.5304735 1.1488541
Variable X 2 1.4409746 0.7360386 1.9577431 0.0739229 -0.1627158 3.0446651 -0.1627158 3.0446651
 AAA: Prueba de los coeficientes de regresión
parcial individuales
HIPOTESIS NULA Y ALTERNA
• Ho: β1 = 0 Ha: β1 ≠ 0
• Ho: β2 = 0 Ha: β2 ≠ 0
• Siendo α = 0.05; gl = n – k – 1 = 12
• Valores críticos de t tomados de la tabla son t0.05,12 = ± 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
• Otra herramienta que AAA puede utilizar para evaluar su modelo
es el coeficiente de determinación múltiple R2.
• El coeficiente de determinación mide la fuerza de la relación entre
Y y las variables independientes.
𝑆𝑆𝑅
• 𝑅2 =
𝑆𝑆𝑇
163.632
• 𝑅2 = = 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 R2, mas poder explicativo tendrá el modelo.
 CORRELACION MULTIPLE
COEFICIENTE DE DETERMINACION R2 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 R2 es el estadístico que mas se
observa y vigila en el análisis de regresión.
• Se puede lograr un aumento de R2 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 R2 baja demasiado, habrá que excluir la variable del modelo. En casos
extremos el R2 ajustado puede llegar a valer menos que cero.
𝑛−1
• 𝑅 2 𝐴𝐽𝑈𝑆𝑇𝐴𝐷𝑂 = 1 − (1 − 𝑅 2 )
𝑛−𝑘−1
15−1
• 𝑅 2 𝐴𝐽𝑈𝑆𝑇𝐴𝐷𝑂 = 1 − (1 − 0.953)
15−2−1
• 𝑅 2 𝐴𝐽𝑈𝑆𝑇𝐴𝐷𝑂 = 0.949
 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

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%

No se rechaza la
significación global del
El GEST muestra relación significativa modelo
con KSOC y REMU, llegando la
capacidad explicativa a 89.4 % de la
variabilidad del GEST
•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