Contenido

I. INTRODUCCIÓN........................................................................................................3
II. T DE STUDENT PARA UNA MUESTRA.......................................................................4
2.1 Caso práctico...........................................................................................................................18
2.2 Prueba de la normalidad en spss.....................................................................................18
2.3 Prueba t de student en el spss..........................................................................................20
III. T DE STUDENT PARA MUESTRAS INDEPENDIENTES..............................................................24
3.1 Caso práctico..................................................................................................................25
3.2 Prueba para probar la normalidad en spss.......................................................................25
3.3 Prueba t de student en el spss..........................................................................................27
3.4. Caso hipotético (no paramétrico)....................................................................................28
3.5. Prueba u mann- whitney.................................................................................................30
IV. T DE STUDENT PARA MUESTRAS RELACIONADAS.......................................32
4.1. Caso práctico..................................................................................................................33
4.2 Prueba para probar la normalidad en spss.......................................................................34
4.3 Prueba t-student para muestras relacionadas...................................................................35
4.4. Caso hipotético (no paramétrico)....................................................................................36
V. CORRELACIONES CASO: RHO SPEARMAN........................................................39
5.1. Caso práctico..................................................................................................................40
5.2. Prueba rho spearman.......................................................................................................41
VI. COEFICIENTE DE CORRELACIÓN “R” DE PEARSON.....................................45
6.1. Caso práctico..................................................................................................................45
6.2. Prueba r de Pearson........................................................................................................45
VII. PRUEBA CHI – CUADRADO...............................................................................47
7.1. Caso práctico..................................................................................................................48
7.2. Prueba chi – cuadrado.....................................................................................................48
VIII. REGRESIÓN LINEAL SIMPLE.............................................................................51
8.1. Caso práctico..................................................................................................................52
8.2. Prueba para realizar los supuestos linealidad..................................................................53
8.7. Prueba para realizar la regresión lineal simple................................................................58
IX. REGRESIÓN MULTIPLE......................................................................................63
9.1. Caso práctico..................................................................................................................64
9.2. Prueba para realizar la regresión múltiple.......................................................................65
X. REFERENCIAS........................................................................................................ 72
XI. CONCLUCIONES…………………………………………………………………..73
I. INTRODUCCIÓN

La estadística es considerada como el conjunto de procedimientos utilizados para

clasificar, calcular, analizar y resumir los datos obtenidos de manera sistemática.

Las pruebas estadísticas permiten contrastar la veracidad o falsedad de las

hipótesis enunciadas desde el punto de vista estadístico. Las cuales se clasifican
en pruebas paramétricas y pruebas no paramétricas.

Las paramétricas exigen a los datos a los que se aplica, que se cumplan los
siguientes requisitos:

▪ Variable numérica. Que las variables de estudio esté medida en una

escala que sea por lo menos de intervalo.

▪ Normalidad. Que los valores de las variables sigan una distribución

normal, por lo menos, en la población al que pertenece la muestra.
▪ Homocedasticidad. Que las varianzas de la variable dependiente en los
grupos que se comparan sean aproximadamente iguales (homogeneidad
de las varianzas).

Cuando los datos cumplen con los requisitos indicados, las pruebas estadísticas
paramétricas exhiben su máximo poder. Cuando estas pruebas estadísticas se
aplican a datos que no cumplen al menos uno de los requisitos señalados,
pierde parte de su poder.

Si no se cumple una de las tres condiciones se consideran las pruebas no

paramétricas, las cuales no hacen ningún tipo de suposición acerca de la forma
exacta de la población en la que fueron extraídas las muestras. Si se puede
utilizar una prueba paramétrica y se usa una no paramétrica hay una pérdida de
información.
II. T DE STUDENT PARA UNA MUESTRA

Tipo de estudio Transversal

Nivel de investigación Descriptivo
Objeto estadístico Comparar
Variable de estudio Numérica (un grupo)
Tipo de distribución Con normalidad

Concepto

Prueba si la medida de la muestra de una variable difiere significativamente de la

medida conocida de la población. Así podemos saber si una determinada muestra
procede de una población cuya media verdadera se conoce.

¿Cuál es su fórmula?

En esta prueba se evalúa la hipótesis nula de que la media de la población

estudiada es igual a un valor especificado 𝜇0, se hace uso del estadístico:

Donde:

: Media muestral.

∶ Desviación estándar muestral.

∶ Tamaño de la muestra.

Existen − 1 grados de libertad asociados con la prueba t para una

muestra.

¿En qué situaciones se debe de usar?

Se utiliza la prueba t para una sola muestra cuando se tiene una sola población
de interés, por ejemplo los alumnos del quinto grado A de secundaria; para el
cualse quiere analizar una hipótesis sobre una característica de esta población.
¿Cuáles son sus supuestos?

• Tamaño de muestra : Menor de 30

• Variable : Numérica
• Distribución de datos : Normal

2.1 Caso práctico:

En un colegio se quiere verificar la velocidad de los alumnos que realizaron una
prueba de velocidad de 200 metros planos, se sabe que el promedio es de 19
segundos, para ello se tomó una muestra de 20 alumnos, los tiempos fueron los
siguientes en segundos:

22 17 19 21 18 20 22 21 20 18

18 21 20 19 21 20 19 20 19 18

1. Plantear la hipótesis
H0: El promedio de los alumnos es de 19 segundos en la prueba de 200
metros planos.

H1: El promedio de los alumnos es diferente de 19 segundos en la prueba de 200

metros planos.

2. Nivel de significancia: α = 0.05

2.2 PASOS PARA PROBAR LA NORMALIDAD EN SPSS

Paso 1: Ingresamos la base de datos de Excel a Spss con el nombre de variable
en la columna N°1. Para probar la normalidad en SPSS de nuestros datos,
primero debemos ir a la pestaña “Analizar”, lo seleccionamos y aparecerán varias
opciones, nos enfocamos en la tercera que dice “Estadísticos descriptivos”,
luego, seleccionamos Explorar.
Paso 2: En este paso Primero debemos pasar nuestros datos(TIEMPOS) a lista
de independientes seleccionamos tiempo y hacemos clic la flecha azul como se
muestra en la siguiente imagen.

Paso 3: Posterior a eso vamos a ir a seleccionar opción de Gráficos :

Paso 4: En las siguientes opciones en la parte de diagramas de cajas

marcaremos la opción ninguno, en el apartado descriptivos dejaremos en blanco
para luego marcar la opcion gráficos de normalidad con pruebas terminado
todo este proceso le daremos a continuar y luego aceptamos.
Salida del SPSS: En la ventana de Resultados nos aparecerá la siguiente tabla:

NOTA: Ya que, la cantidad de la muestra es menor que 30, vamos a interpretar

con Shapiro-Wilk, caso contrario, si la muestra es mayor que 30, interpretaremos
los resultados con Kolmogorov-Smirnov. Según la prueba SHAPIRO-WILK el
estadístico obtenido es de 0.944 con un p-value de 0.290 que supera el 0.05;
entonces se concluye que los datos tienen una distribución normal.
2.3 PASOS PARA UTILIZAR LA PRUEBA T DE STUDENT EN EL SPSS
Paso 1: Primero debemos dirigirnos ala pestaña “Analizar” seleccionamos y
luego vamos a “Comparar medias” nos vamos a seleccionar Prueba T de una
muestra.

Paso 2: luego pasaremos nuestros datos de (Tiempos) haciendo clic en la fecha

azul a variables de pruebas colocamos el promedio que nos da el enunciado y
retiramos el “chek” de la opción “Estimar tamaños de efecto”. Finalmente,
hacemos click en “Aceptar””
Salidas del SPSS: En la ventana de Resultados nos aparecerá la siguiente tabla

NOTA: Según los resultados de la Prueba T – Student el estadístico alcanzo un

valor de 2.041 y un p-value de 0.055 > 0.05por lo que se acepta la hipótesis nula
con un nivel de significancia del 0.05 y se concluye que el promedio de los atletas
es de 19 segundos en la prueba de 200 metros planos.
2.4 CASO HIPOTÉTICO (NO PARAMÉTRICO)
En el supuesto caso que nuestros datos no fueran normales, utilizaremos pruebas
no paramétricas. A continuación, se detallarán los pasos a seguir:
PRUEBA DE WILCONXON

Tipo de estudio Longitudinal

Nivel de Descriptiva
investigació
n
Objeto estadístico Comparar

Variable de estudio Numérica – Ordinal

(dos
Tipo de distribución Sin normalidad

DEFINICIÓN
La prueba de los rangos con signo de Wilcoxon es una prueba no paramétrica
para comparar la media de dos muestras relacionadas y determinar si existen
diferencias entre ellas.
¿Cuál es su fórmula?
La hipótesis nula es 𝐻0: 𝜃 = 0. Retrotrayendo dicha hipótesis a los valores 𝑥𝑖, 𝑦𝑖
originales, ésta vendría a decir que son en cierto sentido del mismo tamaño.
Para verificar la hipótesis, en primer lugar, se ordenan los valores absolutos
y se les asigna su rango . Entonces, el estadístico de la prueba de los signos de
Wilcoxon, , es:

es decir, la suma de los rangos correspondientes a los valores positivos de

¿En qué situaciones se puede usar?

Se utiliza como alternativa a la prueba t de Student cuando no se puede suponer

la normalidad de dichas muestras. Debe su nombre a Frank Wilcoxon, que la
publicó en 1945.
Se utiliza cuando la variable subyacente es continua pero no se presupone ningún
tipo de distribución particular.
Caso práctico:
En un centro deportivo se quiere verificar la velocidad de los atletas que
realizaron una prueba de velocidad de 200 metros planos, se sabe que el
promedio es de 19 segundos, para ello se tomó una muestra de 20 atletas, los
tiempos fueron los siguientes en segundos:

22 17 19 21 18 20 22 21 20 18

18 21 20 19 21 20 19 20 19 18

1. Plantear la hipótesis
H0: El promedio de los atletas es de 19 segundos en la prueba de 200
metros planos.

H1: El promedio de los atletas es diferente de 19 segundos en la prueba

de 200 metros planos.

2.5 PASOS PARA REALIZAR LA PRUEBA WILCOXON.

Paso 1: Primero debemos ir a la pestaña “Analizar”, lo seleccionamos y nos
enfocamos en la opción que dice “Pruebas no paramétricas”, luego,
seleccionamos “Una muestra”.
Paso 2: Nos dirigimos en la pestaña “Campos” y seleccionamos “Utilizar
asignaciones de campo personalizadas”, luego, llevamos los datos de
“Tiempos” del cuadro Campos a Campos de prueba haciendo clic en la flecha
color azul.

Paso 3: Luego del paso 2, nos vamos a la pestaña de “Configuración” al

apartado de “Seleccionar pruebas”. Seleccionamos “Personalizar pruebas” y
colocamos el chek en la prueba de Wilcoxon, así mismo, colocamos la Mediana
hipotetizada que nos da el caso práctico. Finalmente, hacemos clic en “Ejecutar”

Salidas del SPSS: En la ventana de Resultados nos aparecerá la siguiente

tabla:

NOTA: Con la prueba de Wilcoxon para una muestra ya nos indica que la decisión
será rechazar la hipótesis nula, además, señala un p-value de 0.057 < 0.05, por lo
que se rechaza la hipótesis nula con un nivel de significancia del 0.05 y se
concluye que el promedio de los atletas es de 19 segundos en la prueba de 200
metros planos.
III. T DE STUDENT PARA MUESTRAS INDEPENDIENTES

Tipo de estudio Transversal

Nivel de investigación Descriptivo
Objeto estadístico Comparar
Variable de estudio Numérica (dos grupos)
Tipo de distribución Con normalidad

Concepto

El procedimiento Prueba T para dos muestras independientes o T desapareadas

(muestras no relacionadas) compara las medias de dos grupos de casos. Para
esta prueba, idealmente los sujetos se deben de asignar aleatoriamente a dos
grupos, de forma que cualquier diferencia en las respuestas sea debido al
tratamiento y no a otros factores.

¿Cuál es su fórmula?

Dónde:
M1 y M2: Medias de ambos grupos

s: Desviación típica
n: Número de casos
¿En qué situaciones se debe de usar?

 Si tenemos dos muestras, permite contrastar si existen diferencias entre

las medias de estas dos muestras.
 Tienen su aplicación más típica cuando las unidades estadísticas que
definen a ambas muestras que están siendo comparadas no se
superponen.
 La aplicación de un contraste paramétrico requiere la normalidad de las
observaciones para cada uno de los grupos.
¿Cuáles son sus supuestos?

 Variable dependiente: cuantitativa, variable independiente: nominal o

categórica con dos dimensiones.
 Normalidad de los datos en ambas muestras.
 Homocedasticidad de las varianzas.

3.1. . CASO PRÁCTICO

El rector del colegio inmaculada de la ciudad Casma, está interesado en conocer

las diferencias que existe, entre los estudiantes varones y mujeres, respecto a los
promedios finales en el curso de matemáticas en los estudiantes de quinto de
secundaria; y para ello, toma una muestra de 41 estudiantes.

 Planteamos las hipótesis

H0: No existe diferencia entre los estudiantes varones y mujeres con respecto a
los promedios finales en el curso de matemáticas.

H1: Existe diferencia entre los estudiantes varones y mujeres con respecto a los
promedios finales en el curso de matemáticas.

 Nivel de significancia: 𝑎 = 𝟎. 𝟎𝟓

3.2 PASOS PARA PROBAR LA NORMALIDAD EN SPSS

Paso 1: Opción “Analizar” > “Estadísticos descriptivos” y clic en “explorar”
(se abrirá una ventana).
Paso 2: La variable promedio de los estudiantes del 5to de secundaria se
traslada a lista de dependientes y la variable género se traslada a lista de
factores

Paso 3: Clic en gráficos; diagrama de cajas- opción “ninguno” descriptivos

no hay ninguna opción quitamos el check, y seleccionamos la opción gráficos
de normalidad con pruebas, luego clic en continuar, en donde dice “mostrar”
se hace clic en “ambos” y aceptamos.
Salidas del SPSS: En la ventana de Resultados nos aparecerá la siguiente tabla:

NOTA: Se interpreta según SHAPIRO-WILK porque los datos son menores a 41 y en su

nivel de significancia es mayor a 0.05, por lo tanto, la prueba se desarrollará con el T de
Student para muestras independientes.

3.3. . PASOS PARA UTILIZAR LA PRUEBA T DE STUDENT EN EL SPSS

Paso 1: Le damos clic en Analizar – Comparar medias – Prueba T Muestra
Independiente.

Paso 2 y 3: Colocamos en variables de Prueba “promedio” y en variables de

agrupación “Genero”, damos clic en definir grupos: Grupo 1 (1) y Grupo 2 (2)
ya que esos números son los que definen los géneros en el spss.
Salidas del SPSS: En la ventana de Resultados nos aparecerá la siguiente tabla:

NOTA: Según los resultados del análisis T – Student para muestras independiente El p
valor fue de .109 < 0.05 Por lo que no se acepta la hipótesis alternativa y se concluye
que no existe una diferencia entre los promedios de los estudiantes del área de
matematica según el género.

3.4. CASO HIPOTETICO (NO PARAMÉTRICO)

En el supuesto caso que nuestros datos no fueran normales, utilizaremos
pruebas no paramétricas. A continuación, se detallarán los pasos a seguir:

PRUEBA U DE MANN-WHITNEY

Tipo de estudio Transversal

Nivel de Relacional
Objeto estadístico Comparar
Variable de estudio Numérica – Ordinal (dos grupos)
Tipo de distribución Sin normalidad

DEFINICIÓN
En estadística la prueba U de Mann-Whitney (también llamada de Mann-
Whitney-Wilcoxon, prueba de suma de rangos Wilcoxon, o prueba de Wilcoxon-
Mann-Whitney) es una prueba no paramétrica aplicada a dos muestras
independientes. Es, de hecho, la versión no paramétrica de la habitual prueba t
de Student.
Esta prueba sirve para contraste de dos muestras independientes.
¿Cuál es su fórmula?

La prueba calcula el llamado estadístico U, cuya distribución para muestras con

más de 20 observaciones se aproxima bastante bien a la distribución normal.
La aproximación a la normal, z, cuando tenemos muestras lo suficientemente
grandes viene dada por la expresión:

Es una prueba no paramétrica alternativa a la prueba t de muestras

independientes (una prueba de hipótesis estadística utilizada para determinar si
una media poblacional desconocida es diferente de un valor específico).

Donde son la media y la desviación estándar de U si la

hipótesis nula es cierta, y vienen dadas por las siguientes fórmulas:

¿En qué situaciones se debe de usar?

La prueba de Mann-Whitney se usa para comprobar la heterogeneidad de

dos muestras ordinales. El planteamiento de partida es:
• Las observaciones de ambos grupos son independientes
• Las observaciones son variables ordinales o continuas.
• Bajo la hipótesis nula, las distribuciones de partida de ambas distribuciones es
la misma
• Bajo la hipótesis alternativa, los valores de una de las muestras tienden a
exceder a los de la otra:

Caso práctico:
El director general de Falabella de Chimbote está interesado en conocer las
diferencias que existe entre los trabajadores hombres y mujeres, respecto al
desempeño en atención al cliente que ejerce cada uno por ello se realizó una
evaluación para ello tomó una muestra de 35 trabajadores.
  Planteamos las hipótesis
H0: No existe diferencia entre los trabajadores hombres y mujeres con respecto
al desempeño laboral.
H1: Existe diferencia entre los trabajadores hombres y mujeres con respecto al
desempeño laboral.
 Nivel de significancia: 𝑎 = 𝟎. 𝟎𝟓
3.5. PASOS PARA REALIZAR LA PRUEBA U MANN- WHITNEY.
Paso 1: Nos dirigimos a la pestaña “Analizar” y seleccionamos la opción
“Pruebas no paramétricas”, y elegimos “Muestras independientes”.

Paso 2: Luego del paso 1, nos aparecerá la siguiente tabla, nos dirigimos al
apartado de “Campos”, seleccionamos la opción “Utilizar asignaciones de
campo personalizadas” y los datos de “Desempeño” lo ubicamos en
“Campos de prueba”, así mismo, los datos de “Género” en el apartado de
“Grupos”.
Paso 3: Nos vamos a “Configuración” y elegimos “Seleccionar pruebas”, damos
clic en “Personalizar pruebas” y activamos el chek en la prueba U de Mann-
Whitney. Finalmente, hacemos clic en Ejecutar.

Salida del SPSS: En la ventana de resultados nos aparecerá la siguiente tabla:

NOTA: La prueba de U de Mann Whitney nos indica que la decisión será que
se Conserve la hipótesis nula, así mismo vemos que señala un p-value de
0.364 > 0.05, por lo que se acepta la hipótesis nula y se concluye que No hay
diferencia significativa en el desempeño de una mujer con un hombre.
 IV. T DE STUDENT PARA MUESTRAS RELACIONADAS

Tipo de estudio Longitudinal

Nivel de investigación Descriptiva
Objeto estadístico Comparar
Variable de estudio Numérica (dos medidas)
Tipo de distribución Con normalidad

CONCEPTO

Las pruebas t de muestras dependientes o apareadas, consisten típicamente en

una muestra de pares de valores con similares unidades estadísticas, o un
grupo de unidades que han sido evaluadas en dos ocasiones diferentes (una
prueba t de mediciones repetitivas).
FÓRMULA

¿Cuáles son sus supuestos?

Nivel de medida de las variables: métricas, es decir, de intervalo o razón.

 Distribución normal.
 Varianza de la diferencia de medidas: desconocida.
 Observaciones; pre-tratamiento y pos-tratamiento
 4.1. CASO PRÁCTICO
En este caso, se desea evaluar la efectividad de un nuevo medicamento
diseñado para reducir los niveles de colesterol en pacientes con
hipercolesterolemia. El objetivo es determinar si existe una diferencia
significativa en los niveles de colesterol antes y después del tratamiento con el
nuevo medicamento.
 Datos del caso:
Se selecciona una muestra aleatoria de 15 pacientes con hipercolesterolemia,
todos ellos con niveles elevados de colesterol en su última medición. A cada
paciente se le administra el nuevo medicamento durante un periodo de tres
meses, siguiendo las indicaciones y dosis recomendadas.
Antes de iniciar el tratamiento, se toma una muestra de sangre a cada paciente
para medir su nivel de colesterol inicial. Después de los tres meses de
tratamiento, se toma una segunda muestra de sangre para medir el nivel de
colesterol final.

 Plantear la hipótesis
H0: No hay diferencia significativa en los niveles de colesterol antes y después
del tratamiento con el nuevo medicamento.
H1: Existe una diferencia significativa en los niveles de colesterol antes y
después del tratamiento con el nuevo medicamento.

 Nivel de significancia: 𝑎 = 𝟎. 𝟎𝟓
Tipo de Prueba: t de Student
Supuestos de la prueba: Normalidad de los datos
4.2 PASOS PARA PROBAR LA NORMALIDAD EN SPSS
PASO 1: Para probar la normalidad en SPSS de nuestros datos, primero
debemos ir a la pestaña “Analizar”, lo seleccionamos y aparecerán varias
opciones, nos enfocamos en la tercera que dice “Estadísticos descriptivos”,
luego, seleccionamos “Explorar”.

PASO 2 Y 3: Los datos de “NIVELES DE COLESTEROL ANTES DEL

TRATAMIENTO” y “NIVELES DE COLESTEROL DESPUÉS DEL
TRATAMIENTO” los llevamos a “Lista de dependientes”, así mismo, damos
clic en “Gráficos” y confirmamos que esté seleccionado el apartado de
“Ninguno” y el de “Gráficos de normalidad con pruebas” en
“Descriptivos” debemos verificar que no esté seleccionado ninguna de las
opciones, damos clic en “Continuar y en Aceptar”.
Salida del SPSS: En la ventana de resultados nos aparecerá la siguiente tabla:

NOTA: Ya que, la cantidad de la muestra es menor que 50, vamos a interpretar

con Shapiro-Wilk. Según la prueba SHAPIRO-WILK el estadístico obtenido es
de 0.977 y 0.976 con un p-value de 0.942 y 0.934 que supera el 0.05; entonces
se concluye que los datos tienen una distribución normal.

4.3 PASOS PARA REALIZAR LA PRUEBA T-STUDENT PARA

MUESTRAS RELACIONADAS
Paso 1: Para utilizar la prueba T DE STUDENT en SPSS, primero debemos ir a
la pestaña “Analizar”, lo seleccionamos y nos enfocamos en la opción que dice
“Comparar medias”, luego, seleccionamos “Prueba T de muestras

emparejadas”.
Paso 2: Colocamos los datos de “Niveles de colesterol antes del
tratamiento” en “Variable 1” y los datos de “Niveles de colesterol
después del tratamiento” en “Variables 2”, finalmente, damos clic en
“Aceptar”.

Salidas del SPSS: En la ventana de Resultados nos aparecerá la siguiente tabla:

Nota: Los resultados de la prueba T- Student muestran un P value < 0.05 por lo
que se rechaza la hipótesis nula y se concluye en los niveles de colesterol antes
y después si influyen en el tratamiento con el nuevo medicamento.
4.4. CASO HIPOTÉTICO (NO PARAMÉTRICO)
En el supuesto caso que nuestros datos no fueran normales, utilizaremos
pruebas no paramétricas. A continuación, se detallarán los pasos a seguir:

PASO 1: Primero debemos ir a la pestaña “Analizar”, lo seleccionamos y nos

enfocamos en la opción que dice “Pruebas no paramétricas”, luego,
seleccionamos “Muestras relacionadas”
PASO 2: Nos dirigimos en la pestaña “Campos” y seleccionamos “Utilizar
asignaciones de campo personalizadas”, luego, llevamos los datos de
“Niveles de colesterol antes del tratamiento” y “Niveles de colesterol
después del tratamiento” del cuadro Campos a Campos de prueba haciendo
clic en la flecha color azul.
PASO 3: Luego del paso 2, nos vamos a la pestaña de “Configuración” al
apartado de “Seleccionar pruebas”. Seleccionamos “Personalizar pruebas”
y colocamos el chek en la prueba de Wilcoxon. Finalmente, hacemos clic en
“Ejecutar”:

Salida del SPSS: En la ventana de resultados nos aparecerá la siguiente tabla:

NOTA: Con la prueba de Wilcoxon para muestras relacionadas ya nos indica

que la decisión será conservar la hipótesis nula, además, señala un p-value de
0.000
< 0.05, por lo que se rechaza la hipótesis nula, se concluye en los niveles de
colesterol antes y después si influyen en el tratamiento con el nuevo
medicamento.
 V. CORRELACIONES CASO: RHO SPEARMAN

Tipo de estudio Transversal

Nivel de Relacional
investigación
Objeto estadístico Correlacional
Variable de estudio Normal –
Ordinal
Tipo de distribución Sin normalidad

DEFINICIÓN

El coeficiente de correlación de Spearman es una medida no paramétrica de la

correlación de rango (dependencia estadística del ranking entre dos variables).
Se utiliza principalmente para el análisis de datos. Mide la fuerza y la dirección
de la asociación entre dos variables clasificadas, según el sentido de la relación
de estas en términos de aumento o disminución.
El coeficiente de correlación de Spearman se rige por las reglas de la
correlación simple de Pearson, y las mediciones de este índice corresponden
de + 1 a - 1, pasando por el cero, donde este último significa no correlación
entre las variables estudiadas, mientras que los dos primeros denotan la
correlación máxima. Pasos:
1. Clasificar en rangos cada medición de las observaciones.
2. Obtener las diferencias de las parejas de rangos de las variables
estudiadas y elevadas al cuadrado.
3. Efectuar la sumatoria de todas las diferencias al cuadrado.
4. Aplicar la ecuación.
5. Calcular los grados de libertad (gl). gl = número de parejas - 1. Solo se
utilizará cuando la muestra sea mayor a 10.
6. Comparar el valor r calculado con respecto a los valores críticos de la
tabla de valores críticos de t de Kendall en función de probabilidad.
7. Decidir si se acepta o rechaza la hipótesis.
FORMULA
La siguiente fórmula se utiliza para calcular la correlación de rango de Spearman:

Dónde:

𝑟𝑠= Correlación de rango de spearman.

𝐷= la diferencia entre los rangos de las variables correspondientes,
elevadas al cuadrado.

𝑁= tamaño de la muestra expresada en parejas de rangos de las
variables.
5.1. CASO PRACTICO
Un universitario para obtener su título de tesis decide realizar una investigación
con el objetivo de determinar la relación entre el clima organizacional y la
gestión administrativa de la municipalidad de cusca en el año 2022, para ello se
planteó algunas dimensiones que con ayuda del cuestionario logró obtener los
siguientes datos:

 Planteamos la hipótesis:
H0: No existe una significativa relación entre el clima organizacional y la
gestión administrativa de la municipalidad Distrital de Cusca, 2022.
H1: Existe una significativa relación entre el clima organizacional y la gestión
administrativa de la municipalidad Distrital de Cusca, 2022.
 5.2. PASOS PARA REALIZAR LA PRUEBA RHO SPEARMAN
Paso 1: Agrupar los Datos

Una vez colocados nuestros datos respectivos nos iremos al menú “transformar”.

 Luego a “agrupación visual”

o Pasaremos nuestras variables a trabajar

o Seleccionamos las variables con las que trabajaremos

 Nombres a las nuevas variables generadas

 Colocamos como excluidos los puntos finales de superposición
 Creamos sus puntos de corte dando clic en
 Colocamos la primera ubicación luego, el número de puntos de cortes
y la anchura será calculada automáticamente. Luego, aplicamos lo
colocado dando clic en el botón y aceptamos. Repetimos el
mismo proceso para la siguiente variable.
 Dar clic en Crear etiquetas.

o Cambiamos los valores por los niveles bajo, medio y alto ingresando a
la vista variables en la columna valores
o Eliminamos los primeros valores de por sí.
PASO 2: Al añadirse las nuevas variables, después vamos a la herramienta Analizar y
Correlaciones, Clic en Bivariadas.

PASO 3: Agregar las variables y marcar en coeficientes de correlación la opción

de Spearrman, Luego le damos en Aceptar.
PASO 4: Observar los resultados y dar respuesta final.

NOTA: La recolección de datos se realizó con la técnica de la encuesta y con el

instrumento del cuestionario a 20 colaboradores de la municipalidad.
 VI. COEFICIENTE DE CORRELACIÓN “R” DE PEARSON

Tipo de estudio Transversal

Nivel de investigación Relacional
Objeto estadístico Comparar
Variable de estudio Numérica
Tipo de distribución Con normalidad

DEFINICIÓN

La Correlación de Pearson es una medida de tipo dependiente lineal entre dos

variables cuantitativas aleatorias. Así mismo se puede aclarar como un factor de
reciprocidad simple de Pearson como un indicador útil en la medición del grado
de correlación de dos variables, tomando en cuenta que ambas sean de modo
cuantitativas y continuas.

FORMULA

Donde:

- 𝝈𝑿𝒀 es la covarianza de (𝑋, 𝑌)

- 𝝈𝑿 es la desviación típica de la variable (𝑋)
- 𝝈𝒀 es la desviación típica de la variable (𝑌)
6.1. CASO PRACTICO
Un universitario para obtener su título de tesis decide realizar una investigación
con el objetivo de determinar la relación entre el clima organizacional y la
gestión administrativa de la municipalidad de cusca en el año 2022, para ello se
planteó algunas dimensiones que con ayuda del cuestionario logró obtener los
siguientes datos:

6.2. PASOS PARA REALIZAR LA PRUEBA R DE PEARSON

Paso 1: Vamos al menú analizar, seleccionamos la opción de correlaciones
y luego damos clic en la opción Bivariados.
 o Una vez abierta la ventana de “Correlaciones Bivariadas”
procedemos a colocar nuestras variables a realizar.
o Luego seleccionar en la casilla de Pearson y aceptar.

Paso 2: Observamos y analizamos los resultados

NOTA: En nuestro ejemplo, con la relación entre clima organizacional y gestión

administrativa nos demuestra que en el valor de r = 0,749, indica claramente un
efecto grande.
 VII. PRUEBA CHI – CUADRADO

Tipo de estudio Transversal

Nivel de investigación Relacional
Objeto estadístico Comparar
Variable de estudio Nominal Politómica –
Dicotómica
Tipo de distribución Sin normalidad

CONCEPTO

La prueba de chi-cuadrado, también conocida como Chi-Cuadrado de Pearson

o prueba exacta de Fisher, es uno de los métodos utilizados para probar una
hipótesis en una investigación. Se trata de una prueba no paramétrica que es
utilizada por los investigadores para examinar las diferencias entre variables
categóricas en la misma población. También puede utilizarse para validar o
proporcionar un contexto adicional para las frecuencias observadas.

La idea básica de la prueba es que se comparan los valores de los datos

reales con lo que se esperaría si la hipótesis nula fuera cierta.

FÓRMULA

(𝑓𝑜 − 𝑓𝑒)2
𝑋2 = ⅀
𝑓𝑒

Donde:

𝑋2 : Chi cuadrado

⅀ : “La suma de”

Fo: Frecuencia observada

Fe: Frecuencia esperada

SITUACIÓN DE USO

El estadístico CHI – CUADRADO (o JI CUADRADO, X2) por tanto es una

prueba estadística que evalúa las hipótesis acerca de la relación que existen
entre dos variables categóricas, pertenecientes a un nivel nominal u ordinal,
para ello parte del supuesto de dos variables no relacionadas (existe
independencia de variables).
 7.1. CASO PRACTICO
Un universitario para obtener su título de tesis decide realizar una investigación
con el objetivo de determinar la relación entre el clima organizacional y la
gestión administrativa de la municipalidad de cusca en el año 2022, para ello se
planteó algunas dimensiones que con ayuda del cuestionario logró obtener los
siguientes datos:

 Planteamos la hipótesis:
H0: No existe una significativa relación entre el clima organizacional y la
gestión administrativa de la municipalidad Distrital de Cusca, 2022.
H1: Existe una significativa relación entre el clima organizacional y la gestión
administrativa de la municipalidad Distrital de Cusca, 2022.
 Nivel de significancia: α=0.05
 Tipo de Prueba: Chi – Cuadrado
7.2. PASOS PARA REALIZAR LA PRUEBA CHI – CUADRADO
Paso 1: Haga clic en la pestaña “Analizar”, seleccionamos la tercera
opción “Estadísticos descriptivos” y luego clic en “Tablas cruzadas”:
Paso 2: En la nueva ventana que aparece, arrastre la variable “Clima
organizacional” al cuadro etiquetado Filas y la variable “Gestión
administrativa” al cuadro etiquetado Columnas. Luego haga clic en
“Estadísticos” y asegúrese de que la casilla junto a Chi-cuadrado esté
marcada. Haga clic en Continuar. Luego haga clic en Aceptar.

Paso 3: Una vez que haga clic en Aceptar, aparecerán los resultados de
la Prueba de Independencia de Chi-Cuadrado:
 NOTA: Dado que el valor p (.001) de la prueba es menor que <0.05,
rechazamos la hipótesis nula. Esto significa que tenemos evidencia suficiente
para decir que existe una relación entre el clima organizacional y la gestión
administrativa
 VIII. REGRESIÓN SIMPLE

Tipo de estudio
Modelo de regresión lineal simple
Modelo de regresión lineal múltiple
Modelo de regresión no lineal

Concepto
Se utiliza para predecir o explicar el valor de la variable dependiente en función
de la variable independiente.
Estudio de la relación funcional entre dos variables poblacionales:
 Variable X, llamada independiente
 Variable Y, llamada dependiente o variable respuesta.
¿Cuál es su fórmula?
Requiere la determinación de dos parámetros: la pendiente y la ordenada en el
origen de la recta de regresión

Donde:

= Variable independiente
= Intersección o constante
= Coeficiente angular de la regresión
= Variable independiente
= Error
¿En qué situaciones se debe de usar?

Se utilizar la regresión lineal simple para modelar la relación entre dos

variables, como las siguientes: Lluvia y rendimiento de los cultivos. Edad y
estatura en niños. Temperatura y expansión del mercurio metálico en un
termómetro.
Puede usarse para establecer de forma empírica la relación entre una variable
de interés, por ej., el salario de una persona, y un conjunto de otras variables
que pueden estar interrelacionadas, como el género, educación y experiencia.

¿Cuáles son sus supuestos?

Estos supuestos son cuatro:

Linealidad Normalidad
Homocedasticidad Independencia

¿Cuál es su correlación?

Correlación simple indica el grado o la cercanía de la relación entre las dos

variables, expresado en términos de un coeficiente de correlación que aporta
una medida indirecta de la variabilidad de los puntos en torno de la mejor línea
de ajuste.
 Correlación Positiva, en la cual las dos variables varían de forma
directa; dicho, en otros términos, sería que cuando una variable se
incrementa la otra también, por ejemplo, a mayor ejerció semanal,
mayor capacidad cardiorrespiratoria.
 Correlación negativa, en la cual las dos variables son indirectamente
proporcionales, mientras una sube la otra variable baja o viceversa, por
ejemplo, a mayor cantidad de cigarrillos diario menor es la capacidad
cardiorrespiratoria. La forma más visual e intuitiva para poder observar
qué tipo de relación existe entre dos variables, se da por medio de un
diagrama de dispersión, consistente en una ilustración gráfica que se
usa en el análisis de regresión.
8.1. CASO PRÁCTICO
Un gerente de ventas en una empresa, está interesado en analizar cómo el
gasto en publicidad afecta las ventas mensuales de un producto en particular.
Recopilas datos durante varios meses y obtienes la siguiente información:
 8.2. PASOS PARA REALIZAR LOS SUPUESTOS LINEALIDAD
PASO 1: El supuesto de la linealidad implica que la relación entre las variables
sea lineal. Este supuesto lo verificamos en la opción de SPSS Analizar -
Regresión Lineal - Gráficos – Generar.

PASO 2: Se colocan las variables según donde correspondan dependientes e

independientes.

PASO 3: se procede a seleccionar la opción gráficos en donde se agregan los

valores ZRESID a Y, por otro lado, ZPRED al X, se marca la opción general
todos los gráficos parciales, se presiona continuar y aceptar.
PASO 4: Observamos y analizamos los resultados

8.4. PASOS PARA REALIZAR LOS SUPUESTOS NORMALIDAD

PASO 1: El supuesto de la normalidad implica que las variables siguen la ley
normal. Este supuesto lo verificamos mediante la prueba de Kolmogrov-Smirnov
o gráficamente en Analizar, Regresión, Lineal, Gráficos.
PASO 2: En la ventana de gráficos añadimos ZRESID a Y como ZPRED a X,
luego marcamos la opción de Grafico de probabilidad normal, para luego dar
continuar y aceptar.

PASO 3: Observamos y analizamos los resultados

El Gráfico de Probabilidad Normal representa las proporciones acumuladas de
la variable esperada respecto a las proporciones acumuladas de la variable
observada.

NOTA: Se intuye la normalidad de las variables del ejemplo. Para una

aproximación más analítica podemos optar por la prueba de kormologrof o
shapiro wilk.
PASO 4: Nos dirigimos a la pestaña analizar, damos clic nos saldrá la ventana
de estadística descriptiva y colocamos explorar.

PASO 5: Seleccionamos las dos variables, dependiente e independice, se

procede seleccionar la opción gráficos.

PASO 6: En la ventana de gráficos dejamos, en diagrama de cajas en la opción

ninguno y en descriptivos no se selecciona ninguna opción, continuación
seleccionamos continuar y aceptar.
PASO 7: Observamos y analizamos los resultados

NOTA: Como puede observarse, la significancia en Shapiro-wilk es de 0.052 y

0.715 > 0,05, se asume que las variables siguen la Ley Normal y que por lo
tanto podemos continuar con el análisis de regresión lineal.
8.5. PASOS PARA REALIZAR LOS SUPUESTOS HOMOCEDASTICIDAD
PASO 1: El supuesto de la homocedasticidad implica que los errores tengan
varianza constante. Este supuesto lo verificamos mediante el estadístico de
Levene o un gráfico de dispersión (ZPRED = pronósticos tipificados y ZRESID =
residuos tipificados), que se obtiene siguiendo los pasos: Analizar – Regresión
– Lineal – Gráficos.

PASO 2: En la ventana de gráficos añadimos ZRESID a Y como ZPRED a X,

luego marcamos la opción de histograma que nos servirá para el siguiente
supuesto. Continuar y aceptar.
PASO 3: Observamos y analizamos los resultados
El supuesto de homocedasticidad supone que la variación de los residuos es
uniforme, es decir, que en el gráfico no se visualizan pautas de asociación.

8.6. PASOS PARA REALIZAR LOS SUPUESTOS INDEPENDENCIA

PASO 1: Resultado que se selecciona el histograma que se generó en el
supuesto anterior.

8.7. PASOS PARA REALIZAR LA REGRESION LINEAL SIMPLE

PASO 1: Visualice los datos.
Primero, crearemos un diagrama de dispersión para visualizar la relación entre
los gastos en publicidad y ventas mensuales para asegurarnos de que la
relación entre las dos variables parezca lineal. De lo contrario, la regresión lineal
simple no será una técnica adecuada para usar.
En el menú Elegir de, haga clic y arrastre Dispersión / Punto a la ventana de
edición principal. Luego arrastre las horas variables al eje x y puntúe en el eje
y.
PASO 2: Ajuste un modelo de regresión lineal simple.
Haga clic en la pestaña Analizar, luego en Regresión y luego en Lineal:

En la nueva ventana que aparece, arrastre la V.D. Ventas Mensuales (en miles
de unidades) al cuadro etiquetado como Dependiente y arrastre V.I. Gasto en
Publicidad (en miles de dólares) al cuadro etiquetado como Independiente.
Luego haga clic en Aceptar.
PASO 3: Interprete los resultados.
Una vez que haga clic en Aceptar, aparecerán los resultados de la regresión
lineal simple. La primera tabla que nos interesa es la que se titula Resumen del

MODELO:
A continuación, se explica cómo interpretar los números más relevantes de
esta tabla:
R Cuadrado: Esta es la proporción de la varianza en la variable de respuesta
que se puede explicar por la variable explicativa. En este ejemplo, el 72.2% de
la variación en los Ventas Mensuales se puede explicar por los Gasto en
Publicidad.
Std. Error de la estimación: El error estándar es la distancia promedio que los
valores observados caen desde la línea de regresión. En este ejemplo, los
valores observados caen un promedio de 3.078 unidades de la línea de
regresión.
La siguiente tabla que nos interesa se titula Coeficientes:

A continuación, se explica cómo interpretar los números más relevantes de

esta tabla:
 B no estandarizado (constante): Esto nos dice el valor promedio de la
variable de respuesta cuando la variable predictora es cero. En este
ejemplo, las Ventas Mensuales promedio es de 14.467 cuando los Gasto
en Publicidad son iguales a cero.
 B no estandarizado (V.I. Gasto en Publicidad (en miles de dólares) [x]):
Esto nos dice el cambio promedio en la variable de respuesta asociado con
un aumento de una unidad en la variable predictora. En este ejemplo, cada
 mil adicional en Gasto en Publicidad se asocia con un aumento de 1.316 en
las Ventas Mensuales, en promedio.
 Sig (V.I. Gasto en Publicidad (en miles de dólares) [x]): este es el valor p
asociado con la estadística de prueba para las horas. En este caso, dado
que este valor es menor que 0.05, podemos concluir que la variable
predictora Gasto en Publicidad es estadísticamente significativa.
Por último, podemos formar una ecuación de regresión utilizando los valores de
la constante y las horas. En este caso, la ecuación sería:
Puntaje estimado del examen = 14.467 + 1.316 * (Gasto en Publicidad)
Podemos usar esta ecuación para encontrar las Ventas Mensuales en miles
estimada, según el Gasto en Publicidad. Por ejemplo, se espera que con un
Gasto en Publicidad de 7 mil soles se obtenga unas Ventas Mensuales de
23.679 mil soles

Puntaje estimado del examen = = 14.467 + 1.316 * (7) = 23.679

PASO 4: Informe los resultados.
Por último, queremos resumir los resultados de nuestra regresión lineal simple.
A continuación, se muestra un ejemplo:

 Se realizó una regresión lineal simple para cuantificar la relación entre los
Gasto en Publicidad y Ventas Mensuales. En el análisis se utilizó una
muestra de 12 meses.
 Los resultados mostraron que hubo una relación estadísticamente
significativa entre los Gasto en Publicidad y Ventas Mensuales. (t = 5.091,
p <0.000) y los Gasto en Publicidad el 72.2% de la variabilidad explicada
en las Ventas Mensuales
 Se encontró que la ecuación de regresión es:
 Ventas Mensuales estimado = 73.662 + 3.342 * (horas)
 Cada mil adicional invertido se asocia con un aumento de 1.316 en la
Ventas Mensuales, en promedio.
 IX. REGRESIÓN MULTIPLE

CONCEPTO

Este es un procedimiento utilizado para determinar si existe una relación de

dependencia entre dos o más variables. Es decir, conociendo los valores de las
variables independientes, se trata de estimar el valor, de una o más variables
dependientes. La regresión gráfica intenta hacer que la dispersión de
frecuencia se ajuste a la línea o curva recta.

¿Cuál es su fórmula?

El modelo de regresión lineal múltiple supone que:

¿Qué es la regresión y la correlación?

Tiene sentido comprender el análisis de los datos de la muestra para descubrir qué es
y cómo dos o más variables están interconectadas entre sí en una población. El
análisis de correlación produce números que resumen la tasa de correlación entre dos
variables; y el análisis de regresión produce ecuaciones matemáticas que describen
esta relación.

¿Cuál es la correlación?

Esta es una relación recíproca que muestra el alcance de los valores de una variable
relacionada con otros valores que alcanzan tres técnicas de correlación para los datos
de medición, el otro para los datos jerárquicos y el último para la clasificación nominal.
 Con dos variables independientes (Terminología)

(Parámetros de pendiente)

9.1. CASO PRÁCTICO

El gerente de una empresa al final del semestre con la finalidad de conocer
como trabajan en equipo, como se desempeñan cada trabajador en su entorno
profesional y según los años que están laborando decide elaborar una base de
datos, de manera que con ello defina la correlacion que hay actualmente.

En ese sentido se establecieron 3 hipótesis:

H0: No existe relacion entre el año laboral y el desempeño laboral.

H1: Existe relacion entre el año laboral y el desempeño laboral.

H0: No existe relacion entre año laboral y el trabajo en equipo.

H1: Existe relacion entre el año laboral y el trabajo en equipo.

H0: No existe relación entre el año laboral y el clima organizacional.

H1: Existe relacion entre el año laboral y el clima organizacional.

 9.2. PASOS PARA REALIZAR LA REGRESION MULTIPLE
PASO 1: Pasamos los datos al SPSS en vista de datos.

PASO 2: En vista de variables sección Etiqueta designamos cada nombre de

las variables, de manera que al salir los resultados cada uno de ellas aparezcan
con los nombres etiquetados, por otro lado, pasamos a renombrar en la sección
de Valores según las alternativas Likert que tienen, para el caso de “Sexo”
solamente se consideró Femenino= 1 y Masculino= 2, para las demás se
consideraron los siguientes indicadores:

 Año laboral: ( 1 a 15 años)

 Desempeño laboral: (Insatisfactorio= 1, Bien= 2, Satisfactorio= 3,
Excelente= 4)
 Trabajo en equipo: (Insatisfactorio= 1, Bien= 2, Satisfactorio= 3,
Excelente= 4)
PASO 3: Para probar la normalidad en SPSS de nuestros datos, primero
debemos dirigirnos en el menú “Analizar”, lo seleccionamos y aparecerán varias
opciones, nos enfocamos en la parte que dice “Regresión”, luego,
seleccionamos “Lineales”.

PASO 4: Luego de darle clic en “Lineales” nos aparecerá el cuadro de la

izquierda, luego de eso, en “Dependientes” debemos colocar nuestros datos de
“Año laboral” y en “Independientes” debemos colocar “Sexo, Desempeño
Laboral y Trabajo En Equipo” dando clic en la flecha de color azul - “Aceptar
PASO 5: Luego de a ver aceptado haremos clic en la opción “Estadísticos”,
donde nos aparecerá una ventana en la parte izquierda, lo cual, en el apartado
de “Coeficiente de regresión” seleccionamos “Estimaciones e Intervalos de
confianza”; haciendo lo mismo en el apartado izquierdo continuaremos
seleccionando “Cambio en R cuadrado y Descriptivos” de tal manera que
debemos verificar en el apartado de “Residuos” que no esté seleccionado
ninguna de las opciones. Finalmente, damos clic en “Continuar” - “Aceptar”.

 Seleccionamos Estimaciones ya que nos informaran sobre los valores de

la constante de la ecuación al igual que el ajuste del modelo, donde
encontraremos la capacidad de este para predecir la variable de interés y
los valores de r y R^2.
 Se recomienda agregar el Análisis de cambio de estadístico de R^2
puesto este nos indicará el cambio de la proporción de varianza
explicadacada vez que agreguemos una nueva variable al modelo.
 Descriptivos para arrojar las medias y las desviaciones estándar y las
correlaciones entre las variables.
PASO 6: El quinto paso es ir a configurar la opción “Gráficos”, para esto, al
momento de seleccionarlo, nos aparecerá un cuadro de “Dispersión 1 de 1”,
luego de eso, en el apartado “Y” debemos colocar nuestros datos de
  “DEPENDNT” y en el apartado “X” debemos colocar nuestros datos de
“ADJPRED” dando clic en la flecha de color azul. Finalmente, damos clic
en “Continuar” - “Aceptar”.

9.3. GRÁFICO DE DISPERSIÓN

PASO 7: De acuerdo el gráfico se muestra que la variable año laboral,
desempeño laboral y desempeño en equipo de tal manera que da como
resultado que los datos se comportan de forma recta ascendente.

NOTA: De tal manera que este resultado nos da una pauta que a través de los
años mejora el desempeño de los colaborados con respecto al desempeño
laboral, el trabajo en equipo y el clima organizacional y se evidencia que existe
correlación entre estos.
Recuerda:

 Coeficiente de correlación: (r) =0,80

 Análisis de varianza: para conocer si existe diferencia de las variables y
debe ser menor a 0,05 con ello se conoce si hay o no un problema.
RESULTADOS

Tabla 1.
Datos descriptivos dentro de la base de datos.

NOTA: De la tabla descriptiva de acuerdo a la media de los niveles en función

de las variables de estudio, el mayor puntaje en la media es para el año laboral,
debido a las respuestas numéricas que dieron, le sigue el desempeño laboral, y
luego el clima organizacional.
 9.4. CORRELACION REGRESION MULTIPLE

Tabla 2.
Prueba de correlación de las variables de estudio

Nota. Base de datos.

La tabla de contingencia en función de los datos demuestra que la significancia

bilateral de los datos de año laboral con las variables desempeño laboral,
trabajo en equipo y clima organizacional demuestran datos en los cuales no
pasan más de 0.05, pudiendo afirmar las hipótesis de investigación las cuales
son que existe una correlación significativa entre el año laboral y el desempeño
laboral, trabajo en equipo y clima organizacional. El tipo de correlación que tiene
cada una de las variables muestra que todas las correlaciones son positivas, en
cuanto a la relación más fuerte es la del año laboral y el clima organizacional.
Mientras que la correlación débil es la del año laboral y el desempeño laboral.
Tabla 3.
Resumen del modelo de las estadísticas estudiadas.

Tabla 4.
Tabla resumen coeficientes

Tabla 5.

Tabla Anova

NOTA: De acuerdo los cuadros precedentes, se observa que el coeficiente

determinación (r2 =0,837) viéndose una correlación positiva entre el año laboral
y las demás variables. A su vez, según el modelo de regresión lineal, los
coeficientes: 0.13; 0.105; 0.315; 0.371 y 2.132, muestran el valor positivo de la
pendiente y parámetro estimado de la ecuación lineal, lo que permite explicar el
tipo de correlación positivo de las puntuaciones las variables de estudio. Por
otra parte, de acuerdo al estadístico t de significación en la regresión, (P-V=
0,000) se afirma la existencia una correlación causal significativa. Por otra
parte, mediante la prueba de contraste “F” del análisis de varianza, se corrobora
que la bondad de ajuste del modelo es buena (P-valor=0,000<0,05)
X. CONCLUCIONES

Finalmente, la elección entre estadísticas paramétricas y no paramétricas dependerá de la

naturaleza de los datos y la adherencia a los supuestos estadísticos. Los métodos
paramétricos son más potentes y precisos cuando se respetan las suposiciones, pero
pueden ser limitantes en algunos casos. Los métodos no paramétricos son más flexibles y
robustos, pero pueden tener menor poder estadístico. Es importante evaluar
cuidadosamente los datos y elegir un método apropiado para obtener resultados confiables
y válidos.

En resumen, la correlación junto con la regresión lineal y múltiple son herramientas

estadísticas fundamentales en la investigación científica. La correlación identifica
relaciones entre variables, mientras que los modelos de regresión lineal y múltiple predicen
el efecto de las variables independientes en las variables dependientes. Estas técnicas
brindan información valiosa para comprender e interpretar fenómenos y tomar decisiones
informadas basadas en los datos.
 XII. REFERENCIAS

Molina, M (2022) Prueba de la U de Mann-Whitney. Repositorio de ciencias

o letras.

https://anestesiar.org/2022/prueba-de-la-u-de-mann-whitney-ciencias-o-letras/
Chávez, K (2022) Clima organizacional y su relación en la gestión
administrativa de la municipalidad distrital de Cusca, 2022. Tesis para obtener
el título profesional de: Licenciada en Administración.

https://repositorio.ucv.edu.pe/bitstream/handle/20.500.12692/116816/Sotelo_H
D-SD.pdf?sequence=1&isAllowed=y

Roldán, P. (2020). Estadística.

https://economipedia.com/definiciones/estadistica.html

Narváez, W. (2022). Prueba de chi-cuadrado: ¿Qué es y cómo se realiza?

https://www.questionpro.com/blog/es/prueba-de-chi-cuadrado-de-pearson/

Camacho, C. (2018). Regresión lineal múltiple. Recuperado de:

https://personal.us.es/vararey/adatos2/multiple.pdf

Regresión Lineal Múltiple, el modelo, estimación de los parámetros, contrastes.

Rivera, S (2020) Regresión Lineal Múltiple. El modelo, estimación de los
parámetros, contrastes

.http://eio.usc.es/eipc1/BASE/BASEMASTER/FORMULARIOS-PHP-
DPTO/MATERIALES/Mat_50140128_RegresionMultiple.pdf

Graz, U (2021) Prueba de wilcoxon. Estadísticas descriptivas.

https://datatab.es/tutorial/wilcoxon-test

Villasante, P (2019). Pruebas paramétricas: definición y características.

https://lamenteesmaravillosa.com/pruebas-parametricas-definicion-y
caracteristicas/