You are on page 1of 53

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:
Confiabilidad

X11: Nivel de confiabilidad
Muy alta confiabilidad (5)
Alta confiabilidad
(4)
Confiabilidad media (3)
Baja confiabilidad
(2)
Muy baja confiabilidad(1)

“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
Hipótesis para prueba de dos colas.
• Ho: µ = µHo
• Ha: µ ≠ µHo
En una prueba de dos colas hay dos regiones de rechazo.

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
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

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.

PRUEBAS DE UNA SOLA MUESTRA .

PRUEBA Z DE HIPOTESIS PARA LA MEDIA (σ CONOCIDA) .

se utiliza la prueba Z.PRUEBA Z DE HIPOTESIS PARA LA MEDIA (σ CONOCIDA) Cuando se conoce la desviación estándar σ y si la población tiene una 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). Si la población no tiene distribución normal.

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 .

Estos se expresan como valores Z estandarizados. .Método del valor crítico Los valores observados del estadístico de prueba. se compara con los valores críticos.

96 Test = 1. el proceso de llenado de cereales requiere de ajustes. pues no se esta entregando al público los 368 gramos prometidos en el envase.50 15 25 .Método del valor critico: ejemplo Como gerente operativo de una Cía. Cía.05 372.5 Ho: µ = 368 Ha: µ ≠ 368 α = 0. con el fin de probar que. ha recibido quejas del público en el sentido de que no se esta entregando una cantidad exacta de granos.5  368 Z test  Crítico = ±1. Selecciona y pesa una muestra de 25 cajas. de cereales determina que x = 372. Después de recopilar datos. de cereales.

• La decisión estadística pertinente es no rechazar la Ho.96. • Si Ztest = +1. .Ejemplo: Decisión estadística y conclusión administrativa para Cía. no existe evidencia suficiente para demostrar que con un nivel de significancia de 0. No necesita acción correctiva.05 el llenado medio es distinto de 368 gramos. • Entonces Ztest = +1.50 está en la zona de no rechazo.96<Z<+1. De Cereales • Se determina si el estadístico de prueba dentro de la región de rechazo o no rechazo.50 • La zona de no rechazo se encuentra entre -1. • La conclusión administrativa es que.

Selecciona una muestra de 25 ordenes durante el periodo de una hora.2 minutos. ¿Existe evidencia de que con un nivel de significancia de 0. A partir de la experiencia anterior.05.5 minutos. 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. Quiere determinar si el tiempo de espera al pedir una orden en el restaurant de comida rápida se ha modificado durante el ultimo mes. La media muestral es de 5. . supone que la desviación estándar de la población es de 1.TALLER: cocina rápida Ud.5.1 minutos. con respecto a su valor de la media poblacional previo de 4.

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. . la distribución muestral de la media seguirá una distribución t con n -1 grados de libertad. En su lugar se utiliza la desviación estándar muestral S. Si se supone que la población 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). Si la población no tiene distribución normal.

Cía. Después de recopilar datos. de cereales. de cereales determina que x = 372.5  368 x t S = 14 t 14 / 25 S/ n n = 25 Prueba t Gl = n – 1 = 24 T0. pues no se esta entregando al público los 368 gramos prometidos en el envase. con el fin de probar que. 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. el proceso de llenado de cereales requiere de ajustes.24 crítico = 2.Prueba t Student Método del valor crítico EJEMPLO Como gerente operativo de una Cía.5 Ho: µ = 368 Ha: µ ≠ 368 α = 0.0639  .05 372.05.

No necesita acción correctiva. La conclusión administrativa es que. .607 • • La decisión estadística pertinente es no rechazar la Ho.0639 < tcrítico < 2.Prueba t Student Método del valor crítico t = 1. no existe evidencia suficiente para demostrar que con un nivel de significancia de 0.05 el llenado medio es distinto de 368 gramos.0639 Y tTest = 1.2.607 Puesto que .

como valores de una sola muestra. Se toman mediciones repetidas al mismo conjunto de elementos o individuos. Sin importar si se tienen muestras apareadas o repetidas se estudiará la diferencia entre dos mediciones. Los artículos o individuos se aparea o emparejan de acuerdo con alguna característica. HIPOTESIS: • Ho: µD = 0 (donde µD = µ1 .µ2) D  D t  • Ho: µD ≠ 0 SD / n Estadístico de prueba: t . El objetivo es mostrar que cualquier diferencia entre las mediciones. trate las diferencias de las puntuaciones Di. 2. obedece a diferentes condiciones de tratamiento o intervención (experimento).Prueba t para poblaciones que están relacionadas Existen 2 modelos que consideran datos relacionados entre poblaciones: 1. Para probar la diferencia media entre de dos poblaciones relacionadas.

33173824 Regla de decisión Rechace Ho si ttest<crítico = -1.µ2 = µD < 0 α = 0.8331 Estadístico t = -6.µ2 = µD ≥ 0 (donde µD = µ1 .05 Prueba t apareada n = 10 Gl= 10 – 1 = 9 -6.8331 .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.33173824 -1.µ2) Ha: µ1 . Formulación de la hipótesis nula e hipótesis alterna: Ho: µ1 .

REGRESION Y CORRELACION SIMPLE .

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

Y depende de X o Y está determinada por X. Y = f(x) • • • • Y es la variable dependiente (explicada). Las ventas dependen al menos en parte de la cantidad de publicidad que esta hace. Vg. X es la variable independiente (explicativa).REGRESIÓN Y CORRELACIÓN SIMPLE • La notación es. .

REGRESIÓN ≠ CORRELACIÓN .

En la relación publicidad y ventas casi siempre hay alguna variación en la relación (la variable dependiente ventas. el valor. excepto el de redondeo). En los modelos determinísticos dado un valor de X. Vg. En los modelos estocásticos están presentes dos o mas componentes aleatorios que conducen a error de predicción.ANALISIS DE REGRESIÓN • • • • Las relaciones entre variables son determinísticas o estocásticas. el valor de Y se puede determinar con precisión (no hay error. Y = βo + β1(X) + e Componente determinista • βo • β1 • e : Ordenada en el origen : Pendiente : Termino aleatorio Componente aleatorio . presenta un cierto grado de aleatoriedad).

• 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 .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.

733333 148. Mes 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 TOTALES GPUBL X 10 12 8 17 10 15 10 14 19 10 11 13 16 10 12 187 NPASAJE Y 15 17 13 23 16 21 14 20 24 17 16 18 23 15 16 268 XY 150 204 104 391 160 315 140 280 456 170 176 234 368 150 192 3490 X^2 100 144 64 289 100 225 100 196 361 100 121 169 256 100 144 2469 Y^2 225 289 169 529 256 441 196 400 576 289 256 324 529 225 256 4960 Una de las aplicaciones de la regresión es predecir.933333 1.733333 171.EJEMPLO: METODO DE LOS MINIMOS CUADRADOS Una empresa de transportes AAA.08131655 4. supone que existe una relación directa entre los gastos de publicidad y el número de pasajeros que eligen viajar en sus unidades. Determinar el modelo de regresión. prever o proyectar el valor de la variable dependiente SSx SSy SSxy β1 βo 137. En el siguiente cuadro se recogen gastos de publicidad y número de pasajeros de los últimos 15 meses.38625363 .

081316554 Suma de Promedio de cuadrados los cuadrados 161.7333333 F 195.EJEMPLO METODO DE LOS MINIMOS CUADRADOS Resumen Estadísticas de la regresión Coeficiente de correlación múltiple 0.000685609 2.38625363 1.91439579 1.6892546 0.24823732 0.932968721 Error típico 0.968378371 Coeficiente de determinación R^2 0.23802E-09 0.906780212 Observaciones 15 ANÁLISIS DE VARIANZA Grados de libertad Regresión Residuos Total Intercepción Variable X 1 1 13 14 Coeficientes 4.93775667 R^2 ajustado 0.52778918 2.24823732 .52778918 1.0% 6.91439579 Superior 95.0% 0.24471808 6.24471808 0.42482725 0.044079 10.82225035 171.238E-09 Error típico Estadístico t Probabilidad Inferior 95% Superior 95% Inferior 95.077264946 13.857719 Valor crítico de F 3.9949176 3.0440787 161.991282458 4.

presente el modelo de regresión e interprete los resultados.Caso: El ejercicio físico explica el ausentismo por enfermedad La oficina de GTH. . cree que un programa de ejercicios físicos para trabajadores. 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. reducirá el ausentismo en numero de días por enfermedad.

• Interpretación: el coeficiente de correlación puede variar entre -1. • El nivel de medición de las variables.00. • El r se calcula a partir de puntuaciones obtenidas en una muestra de dos variables. el número indica MAGNITUD. • El signo indica DIRECCION.00 y +1. intervalos o de razón.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). .

05 (95% de confianza en que la correlación sea verdadera y 5% de probabilidad de error).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.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.

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 de 70% significa que el 70% de la variación de Y esta explicada por variaciones de X. • r2 = (SSxy)2/(SSx)(SSy) • r2 ha de estar entre 0 y 1. • Cuando mayor sea r2 mayor poder explicativo tendrá el modelo.

93333)2/(137. .93776 ≈ 0. El 6% puede estar explicado por alguna variable o variables distintas de la publicidad (coeficiente de no determinación.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.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.7333) r2 = 0. El director de marketing quiere ahora conocer la solidez de la relación y hasta que punto puede confiar en ella para tomar decisiones.7333)(171. • • • • r2 = (SSxy)2/(SSx)(SSy) r2 = (148.

5. 7. 4. 5. 6. Con los datos recopilados determinar ¿en que medida la experiencia explica el rendimiento en el trabajo? . 6.8 años. 4. Y de los años de experiencia: 2. 5.5. 3. 4. 4. 7.5. 8. 5.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. 5. 4.5.2.5. 5.9. 4. 4.

REGRESION Y CORRELACION MULTIPLE .

los gastos son los siguientes: • Y es el numero de pasajeros (en miles). Los grados de libertad asociados al modelo son: n – (k + 1). gastos de publicidad (en miles de dólares) • X2. . son estimaciones de β1 y β2.REGRESION MULTIPLE • Implica utilizar dos o mas variables independientes. Los coeficientes se interpretan de una manera similar a la regresión simple. • Ȳ = 𝒃𝟎 +𝒃𝟏 𝑿𝟏 + 𝒃𝟐 𝑿𝟐 + ⋯ + 𝒃𝒌 𝑿𝒌 • Donde b1 y b2 (coeficientes de regresión parciales o netos). • X1. renta nacional medida en billones de dólares. FORMULACION DEL MODELO • Para el caso de la empresa AAA. e es el componente de error aleatorio necesario por que no todas las observaciones caen sobre la propia recta de regresión. 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. por que se trabaja con un modelo de regresión múltiple que contiene mas de un cociente.

84 2.Ejemplo: Formulación del modelo AAA El gerente general de AAA.36 2.72 2. 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.33 2.98 1.24 3.56 3.68 2.2 3.72 2. 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.4 2.07 2.17 .08 3.94 2. PASAJEROS OBS Y 1 15 2 17 3 13 4 23 5 16 6 21 7 14 8 20 9 24 10 17 11 16 12 18 13 23 14 15 15 16 PUBLICIDAD X1 10 12 8 17 10 15 10 14 19 10 11 13 16 10 12 RENTA NACIONAL X2 2.

184377 1. los pasajeros aumentaran en 1.631709 81.14885412 0.00414294 1. el numero de pasajeros aumenta en 0.53045558 0.04466515 -0.91697257 7.10162398 0.70594329 1.Ejemplo: Formulación del modelo AAA Resumen Estadísticas de la regresión Coeficiente de correlación múltiple 0.733333 Coeficientes 3.97612724 Coeficiente de determinación R^2 R^2 ajustado Error típico Observaciones 0.67513533 14 171. 𝟓𝟑 +𝟎.73603866 1.95774319 0.1627158 3.53047357 1.14190768 5.35085554 5. 𝟖𝟒 𝑿𝟏 + 𝟏.83966385 1.14885412 0.84 unidades (840).0648E-05 0.52839942 0.35085554 5.94496179 0.53047357 1.07392294 -0.0% 0. ANÁLISIS DE VARIANZA Regresión Residuos Total Intercepción Variable X 1 Variable X 2 Promedio de Grados de Suma de los Valor crítico libertad cuadrados cuadrados F de F 2 163.95282439 0.8158547 121.70594329 0.04466515 .1627158 3.82166619 15 Ȳ = 𝒃𝟎 +𝒃𝟏 𝑿𝟏 + 𝒃𝟐 𝑿𝟐 + ⋯ + 𝒃𝒌 𝑿𝒌 Ȳ = 𝟑.1023E-08 12 8.0% 95. 𝟒𝟒 𝑿𝟐 Si AAA aumenta su publicidad en 1 (1000 dólares). y la renta nacional permanece k. Si la renta nacional en una unidad (1 billón de dólares) y la publicidad permanece k.99941759 3.44097467 Superior Inferior Superior Error típico Estadístico t Probabilidad Inferior 95% 95% 95.44(1400).

• Utilizar el coeficiente de determinación como método alternativo para evaluar el modelo. • Evaluar la contribución de cada variable independiente con la aplicación de pruebas t. .REGRESION MULTIPLE PRUEBAS PARA EVALUACION DEL MODELO • Evaluar el modelo con ayuda del ANOVA y la prueba F.

• Si Xi no esta relacionada con Y. • ¿Tiene algún valor explicativo el modelo? (ANOVA) • El procedimiento ANOVA comprobará si alguna de las variables independientes tiene relación con la variable dependiente. si se rechaza la hipótesis nula. • Por el contrario.Evaluar el modelo con ayuda del ANOVA y la prueba F. • El procedimiento ANOVA 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. β = 0. contrasta la hipótesis nula Ho: . entonces no existe relación lineal entre Y y cualquiera de las variables independientes X. por lo menos una variable independiente tiene relación lineal con Y.

2.1023E-08 8. CONCLUSION: Con un nivel de confianza de 95%.12 es 3.67513533 171.8158547 121. por lo tanto se rechaza la Ho y se acepta la Ha. intramuestral = n – k – 1 • • • Promedio de Suma de los Valor crítico cuadrados cuadrados F de F 163. rechazar si F>3.10162398 0.89.631709 81.184>3.733333 Hallando F 0.184377 1. existe una relación lineal entre Y y al menos una de las variables independientes X.AAA: Proceso del ANOVA • • Se forma una tabla de ANOVA.89 REGLA DE DECISION: No rechazar la Ho si F<3.89 F = 121. Se utiliza la prueba F para hacer la determinación. ANÁLISIS DE VARIANZA Regresión Residuos Total Grados de libertad 2 12 14 Grado de libertad intermuestral =k (número de variables independientes) Gl.89.05. .

0% Superior 95.8396638 0.0% Intercepción 3.4409746 0.1627158 3.0446651 -0.7059432 1.7059432 Variable X 1 0.9577431 0.5283994 0.7360386 1.3508555 5.5304735 1.1627158 3.9994175 3.0648E-5 0.3508555 5.0041429 1.5304735 1.1419076 5.0739229 -0.1488541 Variable X 2 1.9169725 7.0446651 .5304555 0.1488541 0.AAA: Prueba de los coeficientes de regresión parcial individuales Coeficient es Error típico Estadístic Probabilid Inferior ot ad 95% Superior 95% Inferior 95.

Rechazarla si t<-2. .05.179 esta en la zona de aceptación. aceptar la Ho.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. DECISION El valor de t hallado para X1 es 5. X1 tiene poder explicativo y es significativo para explicar el numero de pasajeros.95774319<2.12 = ± 2.179 esta en la zona de rechazo.91697257>2.05. CONCLUSION A nivel de significación de 5%.179<t<2.179.179.179 (dos colas) REGLA DE DECISION • No rechazar Ho si -2.179 o t>2. gl = n – k – 1 = 12 • Valores críticos de t tomados de la tabla son t0. rechazar la Ho. A nivel de significación de 5%. El valor de t hallado para X2 es 1. X2 NO tiene poder explicativo.

3%. es explicada por la variación de la publicidad y la renta nacional. • El coeficiente de determinación mide la fuerza de la relación entre Y y las variables independientes.632 171.3% de la variación del numero de pasajeros de AAA. se ha incrementado el poder explicativo del modelo del 93% al 95. • Cuanto mayo sea R2.CORRELACION MULTIPLE • Otra herramienta que AAA puede utilizar para evaluar su modelo es el coeficiente de determinación múltiple R2.953 • Así pues el 95. • 𝑅2 = • 𝑅2 = 𝑆𝑆𝑅 𝑆𝑆𝑇 163. .7333 = 0. Al incorporar Renta Nacional como segunda variable independiente. mas poder explicativo tendrá el modelo.

949 . • Es una forma fácil y rápida de evaluar el modelo de regresión y determinar el grado en que se ajusta a los datos.953) 15−2−1 • 𝑅 2 𝐴𝐽𝑈𝑆𝑇𝐴𝐷𝑂 = 1 − (1 − 𝑅 2 ) • 𝑅 2 𝐴𝐽𝑈𝑆𝑇𝐴𝐷𝑂 = 1 − (1 − • 𝑅 2 𝐴𝐽𝑈𝑆𝑇𝐴𝐷𝑂 = 0. El R2 es el estadístico que mas se observa y vigila en el análisis de regresión. • Por ello es común en el análisis de regresión y correlación múltiple indicar el coeficiente de determinación ajustado. habrá que excluir la variable del modelo. El investigador pierde un grado de libertad por cada variable independiente que añada. • Este estadístico ajusta la medida del poder explicativo con los grados de libertad. 𝑛−1 𝑛−𝑘−1 15−1 0. Si R2 baja demasiado. EXCEL). En casos extremos el R2 ajustado puede llegar a valer menos que cero. SPSS. • Se puede lograr un aumento de R2 con la mera inclusión de otra variable independiente en el modelo (aunque no tenga sentido). • Salvo coeficientes de regresión propios.CORRELACION MULTIPLE COEFICIENTE DE DETERMINACION R2 AJUSTADO • Por su importancia se calcula en la mayoría de los programas informáticos (Eviews.

Ho: El estrés de los trabajadores de Huancayo. NO está determinado por el tamaño de la empresa donde trabajan. está determinado por el tamaño de la empresa donde trabajan. el tiempo de servicios en el puesto de trabajo. Hi: El estrés de los trabajadores de Huancayo. el tiempo de servicios en el puesto de trabajo. •46 . la remuneración percibida y la edad del trabajador.Título: Determinantes del estrés en trabajadores de Huancayo. la remuneración percibida y la edad del trabajador.

Título: Determinantes del estrés en trabajadores de Huancayo. Variables: Y: Estrés X1: Tamaño de la empresa X2: Tiempo de servicios X3: Remuneración X4: Trabajador Indicadores: Grado de estrés GEST Capital en soles KSOL Años en el puesto AÑOS Rem. en soles REMU Edad EDAD Inspección gráfica y numérica Estimación del modelo Conclusiones •47 .

000000 3.000000 10.000000 3.000000 4.000000 30.00000 14.000000 9.000000 KSOC 6.000000 7.000000 4.500000 0.000000 6.00000 20.000000 8.000000 5.000000 12.00000 9.000000 4.000000 1.000000 3.000000 0.00000 17.000000 5.00000 EDAD 3.000000 3.000000 90.00000 12.000000 1.000000 3.000000 7.000000 5.00000 100.0000 30.000000 9.00000 60.000000 6.000000 0.000000 3.000000 4.000000 3.000000 4.00000 6.00000 20.500000 .500000 0.000000 5.00000 40.000000 14.000000 ANOS 15.500000 1.00000 9.00000 18.000000 1.500000 1.000000 1.Obs 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 EST 5.000000 4.00000 13.00000 19.500000 1.000000 4.000000 9.000000 2.000000 3.000000 2.000000 3.500000 1.00000 6.00000 40.000000 1.000000 16.00000 20.000000 5.500000 1.000000 8.00000 11.000000 1.000000 2.000000 4.000000 3.00000 2.000000 5.000000 1.000000 6.00000 9.000000 4.500000 0.500000 0.500000 0.00000 10.000000 •48 REMU 1.500000 1.000000 7.000000 10.000000 2.000000 6.000000 8.000000 4.00000 5.000000 2.000000 0.

080582 -0.620179 1.913245 -0.258917 1.000000 -0.000000 •49 .258917 -0.142559 0.496757 -0.000000 -0.219630 0.Matriz de correlación GEST GEST ANOS EDAD KSOC REMU 1.447419 -0.418922 1.447419 0.620179 -0.496757 0.080582 0.000000 0.625227 ANOS EDAD KSOC REMU -0.913245 -0.625227 0.418922 -0.142559 1.219630 0.000000 -0.

•50 .

llegando la capacidad explicativa a 89.4 % de la variabilidad del GEST No se rechaza la significación global del modelo •51 .23% El GEST muestra relación significativa con KSOC y REMU. guarda una relación negativa con GEST y son significativas al 0.La REMU.

El estrés de los trabajadores de Huancayo. está determinado por el tamaño de la empresa donde trabajan y la remuneración percibida. •52 .

youtube.Contacto: Espinozaisac@yahoo.com/watch?v=g4TFaDVwQvA&feature=related .es Cel: 964913378 RPM: #961650207 http://www.