ESTADISTICA EN LA ORGANIZACIONES

FASE DE REGRESIÓN SIMPLE

IV.1 Análisis de correlación de las variables (5.19%)

Variable X1.

Meses en que trabajo el equipo.

R= .986

Según las características del coeficiente de correlación estas variables tienen una correlación positiva fuerte ya que el valor de r se encuentra muy cerca de uno.

Prueba t para el coeficiente de correlación.

H0: P= 0

H1: P≠ 0

El valor estadístico teórico.

Grados de libertad n-2, con un intervalo de confianza del 95 %.

De acuerdo con la tabla el valor estadístico teórico es 2.011

Prueba t para el coeficiente de correlación.

t equivale a 41.034.

Se observa que el valor t se encuentra en la zona de rechazo, esto indica que existe una correlación entre las dos variables.

El valor de p de 48 grados de libertad es 2.011.

Variable X2

Días Trabajados

R= .180

Según las características del coeficiente de correlación esta variable tienen poca correlación ya que el valor de r se encuentra muy lejano a uno.

Prueba t para el coeficiente de correlación.

H0: P= 0

H1: P≠ 0

El valor estadístico teórico.

Grados de libertad n-2, con un intervalo de confianza del 95 %.

De acuerdo con la tabla el valor estadístico teórico es 2.011

Prueba t para el coeficiente de correlación.

t equivale a 1.267

Se observa que el valor t se encuentra no se encuentra en la zona de rechazo, esto indica que no existe una correlación entre las dos variables.

El valor de p de 48 grados de libertad es 2.011.

Variable X3

Pasajeros

R= .058

Según las características del coeficiente de correlación esta variable tienen poca correlación ya que el valor de r se encuentra muy lejano a uno.

Prueba t para el coeficiente de correlación.

H0: P= 0

H1: P≠ 0

El valor estadístico teórico.

Grados de libertad n-2, con un intervalo de confianza del 95 %.

De acuerdo con la tabla el valor estadístico teórico es 2.011

Prueba t para el coeficiente de correlación.

t equivale a -.404

Se observa que el valor t se encuentra no se encuentra en la zona de rechazo, esto indica que no existe una correlación entre las dos variables.

El valor de p de 48 grados de libertad es 2.011.

Variable X4

Utilidad

R= .180

Según las características del coeficiente de correlación esta variable tienen poca correlación ya que el valor de r se encuentra muy lejano a uno.

Prueba t para el coeficiente de correlación.

H0: P= 0

H1: P≠ 0

El valor estadístico teórico.

Grados de libertad n-2, con un intervalo de confianza del 95 %.

De acuerdo con la tabal el valor estadístico teórico es 2.011

Prueba t para el coeficiente de correlación.

IV.2 Utilizar la variable que explique de mejor manera el comportamiento (5.19%)

De acuerdo a nuestra tabla obtuvimos la siguiente ecuación de regresión:

Y= -7371.207+ 2747.367x1-3.894x2+.079x3

Sin embargo la ecuación de regresión que explica el mejor comportamiento es:

Y=-7371.207+ 2747.367x1

Ya que es la que tiene mayor correlación que es el valor más cercano a uno.

IV.3 Significancia de las variables (5.19%)

Hipótesis:

H0: Βi =0

H1: βi ≠ 0

Con 48 grados de libertad, el estadístico teórico o valor critico t= 2.011, por lo que:

Se debe de rechazar H0 cuando t < 2.011 o cuando la - t < - 2.011

Sin embargo la ecuación de regresión que explica el mejor comportamiento es:

Y=-601.737+ 2760.452x1

De tal manera si nuestro equipo trabaja en este caso un mes nuestra amortización seria de 2158.715 pesos.

El valor a es -601.737 punto donde la ecuación cruza el eje y, es decir si nuestro equipo no trabajara un solo mes se tendrían un acumulativo para el siguiente mes, sin embargo dentro de nuestros datos podemos observar que todos los meses del año trabaja el equipo.

IV.4 Calidad de ajuste del modelo (5.19%)

R2= SSR/SS TOTAL

R2= 0.973907505

Nuestras independientes explican el 97 % de la variación del importe de la amortización.

Coeficiente de correlación: √r2

R=0.986867522

Las variables independientes mantienen una fuerte correlación con la variable dependiente.

Error estándar de estimación.

Sy.x= √SSE/ (n-2)

Sy.x= 1638.396034

Ajuste del modelo

Nota: De acuerdo a la tabla proporcionada por el programa s p s s es mínima con respecto a la comprobación elaborado por excell.

De acuerdo al análisis de la grafica y al resultado de r se determina que las variables conservan una fuerte correlación.

IV.5 Comportamiento de los errores (5.19%)

Para la variable elegida X1 si existe una distribución normal

De acuerdo a las graficas, observamos que hay un comportamiento normal en todo los valores, por lo que concluimos que tenemos un ajuste perfecto en general.

No se cumple la homoscedasticidad, las varianzas de error son diferentes en todas las variables, por tal motivo es heteroscedastico.

Grafica: Heteroscedasticidad

IV.6 Conclusiones de lo observado (5.19%)

Conclusiones de lo observado en el modelo de regresión simple

¿Qué interpretan de los resultados de su regresión? ¿Hay relación causal o no?

Se puede observar que la ecuación de regresión Y= -7371.207+ 2747.367x1-3.894x2+.079x3

No tiene un buen ajuste y no es la ecuación que mejor comportamiento tenga.

¿Cuál fue la ecuación de regresión mejor y porque? ¿El modelo global es estadísticamente significativo?

De acuerdo al ajuste, la ecuación que mejor comportamiento tiene es Y=-7371.207+ 2747.367X1, únicamente la variable X1 Meses en que trabaja el equipo.

¿Cómo interpretaría esto?

Existe una correlación apreciable entre las variables Y=amortización y X1=Meses en que trabaja el equipo, ya que t equivale a 41.034 y se encuentra en la región de rechazo, donde el valor p de 48 grados de libertad es de 2.011.

¿La variable independiente contribuye a explicar la variación de Y?

¿El modelo que se propone es un buen modelo de acuerdo al porcentaje de variación que explica de Y?

Si nuestros equipos trabajan un mes nuestra amortización será de $2,158.715 y el valor -601.737 es el punto donde la ecuación cruza el eje y, es decir si nuestro equipo no trabajara un solo mes se tendrían un acumulativo para el siguiente mes, pero en este caso no existe dicho dato.

¿Es bueno el modelo? ¿Qué pueden comentar sobre esto?

Los modelos en la normalidad de la variable X1 = Meses en que trabaja el equipo, cumplen de acuerdo a las grafica de normalidad y de residuales estandarizados.

IV.7 Utilizar las variables que expliquen de mejor manera el comportamiento (5.19%)

Para iniciar con este modelo se llevó a cabo la verificación de las variables Y, X1, X3 y X4 para verificar si hay en ellas valores atípicos. El análisis de regresión múltiple ayudará a explicar mejor la variable dependiente.

De acuerdo con los diagramas de cajas (ANEXO 1), se pudo determinar que solo en la variable independiente X3 se encontraron valores atípicos en 34, 38, 42 y 46 estos representan valores poco frecuentes, lo que significa que la probabilidad de que se cuente con un valor mínimo de 10 pasajeros es baja. Con esto se procede a eliminar dichos renglones, posteriormente se realiza el análisis con los siguientes datos:

Y = Amortización de la deuda

X1 = Meses trabajados

X3 = Pasajeros por mes

X4 = Utilidad

Y X1 X3 X4

31875 12 10 95325

31875 12 90 92250

31875 12 89 89175

31875 12 86 86100

30700 11 10 95325

30700 11 90 92250

30700 11 89 89175

30700 11 86 86100

28790 10 10 95325

28790 10 90 92250

28790 10 89 89175

28790 10 86 86100

28790 9 10 95325

28790 9 90 92250

20987 9 89 89175

20987 9 86 86100

20987 8 10 95325

20987 8 90 92250

20987 8 89 89175

20987 8 86 86100

15987 7 10 95325

15987 7 90 92250

15987 7 89 89175

15987 7 86 86100

...