Este documento presenta un análisis estadístico de las relaciones entre el índice S&P500 y las acciones de 6 empresas (Microsoft, ExxonMobil, Caterpillar, Johnson & Johnson, McDonald's y Sandisk). Se analizan los diagramas de dispersión, coeficientes de correlación, determinación y validación de modelos para cada pareja de variables. Los resultados muestran diferentes grados de correlación entre S&P500 y cada acción, desde correlaciones no significativas hasta significativas de moderada a alta magnitud.

1. FACULTAD DE INGENIERÍA
ESCUELADE INGENIERÍA CIVIL
ESTADISTICA Y PROBABILIDAD
DOCENTE:
Estad. Romero Paredes, Rolando Ronald
ALUMNO:
Delgado Fernández,KewinBraysen
Chiclayo, Junio de 2016

2. I. CASO PROBLEMA 1
a) Relación S&P500-MICROSOFT
1. Diagrama de Dispersión:
Se observa que el comportamiento S&P y Microsoft no tiene relación.
2. Coeficiente de Correlación:
Ho: No existe correlación
Ha: Existe correlación
De acuerdo a los resultados encontrados, podemos decir que no se rechaza la
hipótesis nula (valor SIG. Es mayor que 0.05) y concluir que existe correlación, la
cual es r= -0.266

3. α = 0.00
SIG= 0.117
3. Coeficiente de Determinación:
R2
= 0.071*100=7.1%
Esto nos indica que las acciones de S&P500 explica la variación de las acciones de
Microsoft en 7.1%, y no la explica en 92.9%
4. Validezdel Modelo:
 Ho: B0 = B1 = 0: El modelo no es significativo,
 Ha: al menosunode ellosesdiferentede cero:El modeloessignificativo.
De acuerdo a los resultados encontrados se rechaza la hipótesis nula (SIG. Mayor
que 0.00),por lotantoel modelonoessignificativoyno permitehacerestimaciones
válidas.
ANOVAa
Modelo
Suma de
cuadrados gl
Media
cuadrática F Sig.
1 Regresión ,005 1 ,005 2,588 ,117b
Residuo ,067 34 ,002
Total ,072 35
a. Variable dependiente:Microsoft
b. Predictores:(Constante),S&P 500
Correlaciones
S&P 500 Microsoft
S&P 500 Correlación de Pearson 1 ,266
Sig. (bilateral) ,117
N 36 36
Microsoft Correlación de Pearson ,266 1
Sig. (bilateral) ,117
N 36 36
No Se rechazaa Ho

4. b) RelaciónS&P500-ExxonMobil
1. Diagrama de Dispersión:
Se observa que el comportamiento de las acciones de S&P500 y las acciones de
Exxom Mobil es directo, es decir a más acciones de S&P500 más acciones de
Exxom Mobil.
2. Coeficiente de Correlación:
Ho: No existe correlación
Ha: Existe correlación
De acuerdo a los resultados encontrados, podemos decir que no se rechaza la
hipótesis nula (valor SIG. Es mayor que 0.05) y concluir que existe un alto grado
de asociación, la cual es r= 0.831

5. Correlaciones
S&P 500 Exxon Mobil
S&P 500 Correlación de Pearson 1 ,348*
Sig. (bilateral) ,038
N 36 36
Exxon Mobil Correlación de Pearson ,348*
1
Sig. (bilateral) ,038
N 36 36
*. La correlación es significativa en el nivel 0,05 (2 colas).
α = 0.05
SIG= 0.348
3. Coeficiente de Determinación:
R2
= 0.121*100=12.1%
Esto nosindicaque lasaccionesde S&P500 explicalavariaciónde lasaccionesde Exxon
Mobil en 12.1%%, y no la explica en 87.9%
4. Validezdel Modelo:
 Ho: B0 = B1 = 0: El modelo no es significativo,
 Ha: al menos uno de ellos es diferente de cero: El modelo es significativo.
De acuerdoa losresultadosencontrados nose rechazalahipótesis nula(SIG.Menor
que 0.05), por lo tanto el modeloessignificativoynos permite hacerestimaciones
válidas.
ANOVAa
Modelo
Suma de
cuadrados gl
Media
cuadrática F Sig.
1 Regresión ,013 1 ,013 4,677 ,038b
Residuo ,094 34 ,003
Total ,107 35
a. Variable dependiente:Exxon Mobil
b. Predictores:(Constante),S&P 500
No Se rechazaa Ho

6. 5. Plantear el Modelo:
El modeloes:C= 0.009 + 0.731*(acciones de S&P500)
Interpretar B1: cuando las acciones de S&P varia en una unidad, entonces las acciones de
Exxon Mobil se incrementa en 0.731
1. Estimar las acciones de Exxon Mobil si tenemos:
3, 17 y 19 acciones de S&P500.
a. Si acciones de S&P500 son 3, las acciones de Exxon Mobil se estiman en 2.202
b. Si acciones de S&P500 son 17, las acciones de Exxon Mobil se estiman en 12.436
c. Si acciones de S&P500 son 19, las acciones de Exxon Mobil se estiman en 13.898
Coeficientesa
Modelo
Coeficientes no
estandarizados
Coeficientes
estandariza
dos
t Sig.
95.0% intervalo de
confianza para B
B
Error
estándar Beta
Límite
inferior
Límite
superior
1 (Constante) ,009 ,009 ,983 ,332 -,010 ,028
S&P
500
,731 ,338 ,348 2,163 ,038 ,044 1,418
a. Variable dependiente:Exxon Mobil

7. c) Relación S&P500-Caterpillar
2. Diagrama de Dispersión:
Se observa que el comportamiento de las acciones de S&P500 y las acciones de
Caterpillar es directo, es decir a más Edad más Costo.
3. Coeficiente de Correlación:
Ho: No existe correlación
Ha: Existe correlación
De acuerdo a los resultados encontrados, podemos decir que se rechaza la
hipótesis nula (valor SIG. Es menor que 0.01) y concluir que existe correlación
significativa, la cual es r= 0.573

8. Correlaciones
S&P 500 Caterpillar
S&P 500 Correlación de Pearson 1 ,573**
Sig. (bilateral) ,000
N 36 36
Caterpillar Correlación de Pearson ,573**
1
Sig. (bilateral) ,000
N 36 36
**. La correlación es significativa en el nivel 0,01 (2 colas).
α = 0.01
SIG= 0.000
4. Coeficiente de Determinación:
R2
= 0.329*100=32.9%
Esto nos indica que las acciones de S&P500 explica la variación de las acciones de
Caterpillar en 32.9%%, y no la explica en 67.1%
5. Validezdel Modelo:
 Ho: B0 = B1 = 0: El modelo no es significativo,
 Ha: al menos uno de ellos es diferente de cero: El modelo es significativo.
De acuerdo a los resultados encontrados se rechaza la hipótesis nula (SIG. Menor
que 0.01), por lo tanto el modeloessignificativoynos permite hacerestimaciones
válidas.
ANOVAa
Modelo
Suma de
cuadrados gl
Media
cuadrática F Sig.
1 Regresión ,054 1 ,054 16,656 ,000b
Residuo ,110 34 ,003
Total ,165 35
a. Variable dependiente:Caterpillar
b. Predictores:(Constante),S&P 500
Se rechaza a Ho

9. 6. Plantear el modelo:
El modeloes:C= 0.015 + 1.493*(acciones de S%P500)
Interpretar B1: cuando lasaccionesde S&P500 varía en unaunidad,entonceslasacciones
de Caterpillarse incrementaen1.493
Coeficientesa
Modelo
Coeficientes no estandarizados
Coeficientes
estandarizados
t Sig.
95.0% intervalo de confianza
para B
B Error estándar Beta Límite inferior Límite superior
1 (Constante) ,015 ,010 1,474 ,150 -,006 ,036
S&P 500 1,493 ,366 ,573 4,081 ,000 ,750 2,237
a. Variable dependiente:Caterpillar
7. Estimar las acciones de Caterpillar si tenemos:
5, 13 y 18 acciones de S&P500.
d. Si acciones de S&P500 son 5, las acciones de Caterpillar se estiman en 7.48
e. Si acciones de S&P500 son 13, las acciones de Caterpillar se estiman en 19.424
f. Si acciones de S&P500 son 18, las acciones de Caterpillar se estiman en 26.889

10. d) Relación S&P500-Johnson & Johnson
1. Diagrama de Dispersión:
Se observa que el comportamiento de las acciones de S&P500 y las acciones de
Johnson&Johnson es nula.
2. Coeficiente de Correlación:
Ho: No existe correlación
Ha: Existe correlación
De acuerdo a los resultados encontrados, podemos decir que no se rechaza la
hipótesis nula (valor SIG. Es mayor que 0.00) y concluir que existe correlación no
significativa, la cual es r= 0.007

11. α = 0.00
SIG= 0.969
3. Coeficiente de Determinación:
R2
= 0.00*100=0%
Esto nos indica que las acciones de S&P500 explica la variación de las acciones de
Johnson&Johnson en 0%, y no la explica en 100%
4. Validezdel Modelo:
 Ho: B0 = B1 = 0: El modelo no es significativo,
 Ha: al menos uno de ellos es diferente de cero: El modelo es significativo.
De acuerdoa losresultadosencontradosse rechazalahipótesisnula(SIG.Igual que
0.00), porlotantoel modelo noessignificativoy nonospermitehacerestimaciones
válidas.
Correlaciones
S&P 500
Johnson &
Johnson
S&P 500 Correlación de Pearson 1 ,007
Sig. (bilateral) ,969
N 36 36
Johnson &Johnson Correlación de Pearson ,007 1
Sig. (bilateral) ,969
N 36 36
ANOVAa
Modelo
Suma de
cuadrados gl
Media
cuadrática F Sig.
1 Regresión 121,470 1 121,470 45,130 ,000b
Residuo 29,607 11 2,692
Total 151,077 12
a. Variable dependiente:Depart%
b. Predictores:(Constante),Arrive%
No se rechazaa Ho

12. e) Relación S&P500-McDonald’s
1. Diagrama de Dispersión:
Se observa que el comportamiento de las acciones de S&P500 y las acciones de
McDonald’s es directo, es decir a más acciones de S&P500 más acciones de
McDonald’s salen.
2. Coeficiente de Correlación:
Ho: No existe correlación
Ha: Existe correlación
De acuerdo a los resultados encontrados, podemos decir que se rechaza la
hipótesis nula (valor SIG. Es menor que 0.01) y concluir que existe correlación
significativa, la cual es r= 0.581

13. Correlaciones
McDonald's S&P 500
McDonald's Correlación de Pearson 1 ,581**
Sig. (bilateral) ,000
N 36 36
S&P 500 Correlación de Pearson ,581**
1
Sig. (bilateral) ,000
N 36 36
**. La correlación es significativa en el nivel 0,01 (2 colas).
α = 0.01
SIG= 0.00
3. Coeficiente de Determinación:
R2
= 0.338*100=33.8%
Esto nos indica que las acciones de S&P500 explica la variación de las acciones de
McDonald’s en 33.8%, y no la explica en 66.2%
4. Validezdel Modelo:
 Ho: B0 = B1 = 0: El modelo no es significativo,
 Ha: al menos uno de ellos es diferente de cero: El modelo es significativo.
De acuerdoa losresultadosencontradosse rechazalahipótesisnula(SIG.Esmenor
que 0.01), por lotanto el modeloessignificativoy nospermite hacerestimaciones
válidas.
ANOVAa
Modelo
Suma de
cuadrados gl
Media
cuadrática F Sig.
1 Regresión ,055 1 ,055 17,344 ,000b
Residuo ,107 34 ,003
Total ,162 35
a. Variable dependiente:McDonald's
b. Predictores:(Constante),S&P 500
Se rechaza a Ho

14. 5. Plantear el modelo:
El modelo es: C = 0.009 + 1.503*(acciones de S%P500)
Interpretar B1: cuando las acciones de S&P500 varía en una unidad, entonces las acciones
de McDonald’s se incrementa en 1.503
Coeficientesa
Modelo
Coeficientes no
estandarizados
Coeficientes
estandarizad
os
t Sig.
95.0% intervalo de
confianza para B
B
Error
estándar Beta
Límite
inferior
Límite
superior
1 (Constante) ,009 ,010 ,925 ,362 -,011 ,030
S&P
500
1,503 ,361 ,581 4,165 ,000 ,770 2,237
a. Variable dependiente:McDonald's
6. Estimar las acciones de McDonald’s si tenemos:
1, 6 y 10 acciones de S&P500.
g. Si acciones de S&P500 son 1, las acciones de McDonald’s se estiman en 1.512
h. Si acciones de S&P500 son 6, las acciones de McDonald’s se estiman en 9.027
i. Si acciones de S&P500 son 10, las acciones de McDonald’s se estiman en 15.039

15. f) RelaciónS&P500-Sandisk
1. Diagrama de Dispersión:
Se observa que el comportamiento de las acciones de S&P500 y las acciones de
Sandisk es directo, es decir a más acciones de S&P500 más acciones de Sandisk.
2. Coeficiente de Correlación:
Ho: No existe correlación
Ha: Existe correlación
De acuerdo a los resultados encontrados, podemos decir que se rechaza la
hipótesis nula (valor SIG. Es menor que 0.05) y concluir que existe una
correlación baja, la cual es r= 0.351

16. Correlaciones
Sandisk S&P 500
Sandisk Correlación de Pearson 1 ,351*
Sig. (bilateral) ,036
N 36 36
S&P 500 Correlación de Pearson ,351*
1
Sig. (bilateral) ,036
N 36 36
*. La correlación es significativa en el nivel 0,05 (2 colas).
α = 0.05
SIG= 0.036
3. Coeficiente de Determinación:
R2
= 0.123*100=12.3%
Esto nos indica que las acciones de S&P500 explica la variación de las acciones de
Sandisk en 12.3%, y no la explica en 87.7%
4. Validezdel Modelo:
 Ho: B0 = B1 = 0: El modelo no es significativo,
 Ha: al menos uno de ellos es diferente de cero: El modelo es significativo.
De acuerdo a los resultados encontrados se rechaza la hipótesis nula (SIG. Menor
que 0.05), por lo tanto el modeloessignificativoynos permite hacerestimaciones
válidas.
ANOVAa
Modelo
Suma de
cuadrados gl
Media
cuadrática F Sig.
1 Regresión ,165 1 ,165 4,777 ,036b
Residuo 1,172 34 ,034
Total 1,336 35
a. Variable dependiente:Sandisk
b. Predictores:(Constante),S&P 500
Se rechaza a Ho

17. 5. Plantear el modelo:
El modeloes:C= 0.043 + 2.605*(acciones de S%P500)
Interpretar B1: cuando lasaccionesde S&P500 varía en unaunidad,entonceslasacciones
de Sandiskse incrementaen2.605
Coeficientesa
Modelo
Coeficientes no
estandarizados
Coeficientes
estandarizad
os
t Sig.
95.0% intervalo de
confianza para B
B
Error
estándar Beta
Límite
inferior
Límite
superior
1 (Constante) ,043 ,033 1,294 ,204 -,024 ,110
S&P
500
2,605 1,192 ,351 2,186 ,036 ,183 5,027
a. Variable dependiente:Sandisk
6. Estimar las acciones de Sandisk si tenemos:
5, 13 y 16 acciones de S&P500.
j. Si acciones de S&P500 son 5, las acciones de Sandisk se estiman en 13.068
k. Si acciones de S&P500 son 13, las acciones de Sandisk se estiman en 33.908
l. Si acciones de S&P500 son 16, las acciones de Sandisk se estiman en 41.723

18. g) Qualcomm
1. Diagrama de Dispersión:
Se observa que el comportamiento de las acciones de S&P500 y las acciones de
Qualcomm es directo, es decir a más acciones de S&P500 más acciones de
Qualcomm.
2. Coeficiente de Correlación:
Ho: No existe correlación
Ha: Existe correlación
De acuerdo a los resultados encontrados, podemos decir que se rechaza la
hipótesis nula (valor SIG. Es menor que 0.01) y concluir que existe una
correlación significativa, la cual es r= 0.432

19. Correlaciones
Qualcomm S&P 500
Qualcomm Correlación de Pearson 1 ,432**
Sig. (bilateral) ,009
N 36 36
S&P 500 Correlación de Pearson ,432**
1
Sig. (bilateral) ,009
N 36 36
**. La correlación es significativa en el nivel 0,01 (2 colas).
α = 0.01
SIG= 0.009
3. Coeficiente de Determinación:
R2
= 0.187*100=18.7%
Esto nos indica que las acciones de S&P500 explica la variación de las acciones de
Qualcomm en 18.7%, y no la explica en 81.3%
4. Validezdel Modelo:
 Ho: B0 = B1 = 0: El modelo no es significativo,
 Ha: al menos uno de ellos es diferente de cero: El modelo es significativo.
De acuerdo a los resultados encontrados se rechaza la hipótesis nula (SIG. Menor
que 0.01), por lo tanto el modeloessignificativoynos permite hacerestimaciones
válidas.
ANOVAa
Modelo
Suma de
cuadrados gl
Media
cuadrática F Sig.
1 Regresión ,049 1 ,049 7,798 ,009b
Residuo ,211 34 ,006
Total ,260 35
a. Variable dependiente:Qualcomm
b. Predictores:(Constante),S&P 500
Se rechaza a Ho

20. 5. Plantear el modelo:
El modeloes:C= 0.014 + 1.414*(acciones de S%P500)
Interpretar B1: cuando lasaccionesde S&P500 varía en unaunidad,entonceslasacciones
de Qualcommse incrementaen1.414
6. Estimar las acciones de Qualcomm si tenemos:
3, 7 y 11 acciones de S&P500.
m. Si acciones de S&P500 son 3, las acciones de Qualcomm se estiman en 4.256
n. Si acciones de S&P500 son 7, las acciones de Qualcomm se estiman en 9.912
o. Si acciones de S&P500 son 11, las acciones de Qualcomm se estiman en 15.568
Coeficientesa
Modelo
Coeficientes no
estandarizados
Coeficientes
estandarizad
os
t Sig.
95.0% intervalo de
confianza para B
B
Error
estándar Beta
Límite
inferior
Límite
superior
1 (Constante) ,014 ,014 ,999 ,325 -,015 ,043
S&P
500
1,414 ,506 ,432 2,793 ,009 ,385 2,443
a. Variable dependiente:Qualcomm

21. h) Relación S&P500-Procter&Gamble
1. Diagrama de Dispersión:
Se observa que el comportamiento de las acciones de S&P500 y las acciones de
Procter&Gamble es directo, es decir a más acciones de S&P500 más acciones de
Procter&Gamble.
2. Coeficiente de Correlación:
Ho: No existe correlación
Ha: Existe correlación
De acuerdo a los resultados encontrados, podemos decir que se rechaza la
hipótesis nula (valor SIG. Es menor que 0.05) y concluir que existe una
correlación baja, la cual es r= 0.360

22. Correlaciones
Procter &
Gamble S&P 500
Procter &Gamble Correlación de Pearson 1 ,360*
Sig. (bilateral) ,031
N 36 36
S&P 500 Correlación de Pearson ,360*
1
Sig. (bilateral) ,031
N 36 36
*. La correlación es significativa en el nivel 0,05 (2 colas).
α = 0.05
SIG= 0.031
3. Coeficiente de Determinación:
R2
= 0.129*100=12.9%
Esto nos indica que las acciones de S&P500 explica la variación de las acciones de
Procter&Gamble en 12.9%, y no la explica en 87.1%
4. Validezdel Modelo:
 Ho: B0 = B1 = 0: El modelo no es significativo,
 Ha: al menos uno de ellos es diferente de cero: El modelo es significativo.
De acuerdo a los resultados encontrados se rechaza la hipótesis nula (SIG. Menor
que 0.05), por lo tanto el modeloessignificativoynos permite hacerestimaciones
válidas.
ANOVAa
Modelo
Suma de
cuadrados gl
Media
cuadrática F Sig.
1 Regresión ,006 1 ,006 5,056 ,031b
Residuo ,042 34 ,001
Total ,048 35
a. Variable dependiente:Procter &Gamble
b. Predictores:(Constante),S&P 500
Se rechaza a Ho

23. 5. Plantear el modelo:
El modeloes:C= 0.005 + 0.507*(acciones de S%P500)
Interpretar B1: cuando lasaccionesde S&P500 varía en unaunidad,entonceslasacciones
de Procter&Gamble se incrementaen0.507
6. Estimar las acciones de Procter&Gambles si tenemos:
8, 14 y 21 acciones de S&P500.
p. Si accionesde S&P500 son8, lasaccionesde Procter&Gambles se estimanen4.061
q. Si accionesde S&P500son14, lasaccionesde Procter&Gamblesse estimanen7.103
r. Si acciones de S&P500 son 21, las acciones de Procter&Gambles se estiman en
10.652
Coeficientesa
Modelo
Coeficientes no
estandarizados
Coeficientes
estandarizad
os
t Sig.
95.0% intervalo de
confianza para B
B
Error
estándar Beta
Límite
inferior
Límite
superior
1 (Constante) ,005 ,006 ,873 ,389 -,007 ,018
S&P
500
,507 ,225 ,360 2,249 ,031 ,049 ,964
a. Variable dependiente:Procter &Gamble

24. II. CASO PROBLEMA 2
1. Diagrama de Dispersión:
Se observa que el comportamiento del porcentaje de menores de 21 años y
accidentes fatales por 1000 licencias es directo, es decir a más porcentaje de
menores de 21 años más accidentes fatales por 1000 licencias.
2. Coeficiente de Correlación:
Ho: No existe correlación
Ha: Existe correlación
De acuerdo a los resultados encontrados, podemos decir que se rechaza la
hipótesis nula (valor SIG. Es menor que 0.01) y concluir que existe un alto grado
de asociación, la cual es r= 0.839

25. α = 0.01
SIG= 0.00
3. Coeficiente de Determinación:
R2
= 0.705*100=70.5%
Esto nos indicaque el porcentaje de menores de 21 años explicala variaciónde los
accidentes fatales por 1000 licencias en 70.5%, y no la explica en 29.5%
4. Validezdel Modelo:
 Ho: B0 = B1 = 0: El modelo no es significativo,
 Ha: al menos uno de ellos es diferente de cero: El modelo es significativo.
De acuerdo a los resultados encontrados se rechaza la hipótesis nula (SIG. Menor
que 0.01), por lo tanto el modeloessignificativoynos permite hacerestimaciones
válidas.
Correlaciones
Percent
Under 21
Fatal Accidents
per 1000
Percent
Under 21
Correlación de Pearson 1 ,839**
Sig. (bilateral) ,000
N 42 42
Fatal Accidents
per 1000
Correlación de Pearson ,839**
1
Sig. (bilateral) ,000
N 42 42
**. La correlación es significativa en el nivel 0,01 (2 colas).
ANOVAa
Modelo
Suma de
cuadrados gl
Media
cuadrática F Sig.
1 Regresión 33,134 1 33,134 95,396 ,000b
Residuo 13,893 40 ,347
Total 47,028 41
a. Variable dependiente:Fatal Accidents
per 1000
b. Predictores:(Constante), Percent
Under 21
Se rechaza a Ho

26. 5. Plantear el modelo:
El modeloes:C= -1.597 + 0.287*(porcentaje de menores de 21 años)
Interpretar B1: cuando el porcentaje de menores de 21 años varía enuna unidad,
entonceslosaccidentes fatales por 1000 licencias se incrementaen0.287
Coeficientesa
Modelo
Coeficientes no
estandarizados
Coeficientes
estandarizad
os
t Sig.
95.0% intervalo de
confianza para B
B
Error
estándar Beta
Límite
inferior
Límite
superior
1 (Constante
)
-1,597 ,372 -4,298 ,000 -2,349 -,846
Percent
Under 21
,287 ,029 ,839 9,767 ,000 ,228 ,346
a. Variable dependiente:Fatal Accidents
per 1000
6. Estimar los accidentesfatalespor 1000 licencias si tenemos:
7, 11 y 16 comoporcentajesde menoresde 21 años
s. Si los porcentajesde menoresde 21 es7, losaccidentesfatalespor1000 licencias
se estimanen0.412
t. Si los porcentajes de menoresde 21 es11, losaccidentesfatalespor1000 licencias
se estimanen1.56
u. Si los porcentajesde menoresde 21 es16, losaccidentesfatalespor1000 licencias
se estimanen2.995

27. III. CASO PROBLEMA 3
a) % De grupos con menos de 20
1. Diagrama de Dispersión:
Se observa que el comportamiento de la tasa de alumnos que donan y el % de
grupos con menos de 20 es directo, es decir a más la tasa de alumnos que donan
más % de grupos con menos de 20.
2. Coeficiente de Correlación:
Ho: No existe correlación
Ha: Existe correlación
De acuerdo a los resultados encontrados, podemos decir que se rechaza la
hipótesis nula (valor SIG. Es menor que 0.01) y concluir que existe una
correlación significativa, la cual es r= 0.646

28. α = 0.01
SIG= 0.00
3. Coeficiente de Determinación:
R2
= 0.417*100=41.7%
Esto nos indica que el % de grupos con menos de 20 explica la variaciónde la tasa
de alumnos que donan en 41.7%, y no la explica en 58.3%
4. Validezdel Modelo:
 Ho: B0 = B1 = 0: El modelo no es significativo,
 Ha: al menos uno de ellos es diferente de cero: El modelo es significativo.
De acuerdo a los resultados encontrados se rechaza la hipótesis nula (SIG. Menor
que 0.01), por lo tanto el modeloessignificativoynos permite hacerestimaciones
válidas.
Correlaciones
% of Classes
Under 20
Alumni Giving
Rate
% of Classes Under 20 Correlación de Pearson 1 ,646**
Sig. (bilateral) ,000
N 48 48
Alumni Giving Rate Correlación de Pearson ,646**
1
Sig. (bilateral) ,000
N 48 48
**. La correlación es significativa en el nivel 0,01 (2 colas).
ANOVAa
Modelo
Suma de
cuadrados gl
Media
cuadrática F Sig.
1 Regresión 3539,796 1 3539,796 32,884 ,000b
Residuo 4951,683 46 107,645
Total 8491,479 47
a. Variable dependiente:Alumni Giving Rate
b. Predictores:(Constante),% of Classes Under 20
Se rechaza a Ho

29. 5. Plantear el modelo:
El modeloes:C= -7.386 + 0.658*(% de grupos con menos de 20)
Interpretar B1: cuando el % de grupos con menos de 20 varía enuna unidad,entonces
la tasa de alumnosque donanse incrementaen0.658
Coeficientesa
Modelo
Coeficientes no estandarizados
Coeficientes
estandarizado
s
t Sig.
95.0% intervalo de confianza
para B
B Error estándar Beta Límite inferior
Límite
superior
1 (Constante) -7,386 6,565 -1,125 ,266 -20,602 5,830
% of Classes Under 20 ,658 ,115 ,646 5,734 ,000 ,427 ,889
a. Variable dependiente:Alumni Giving Rate
6. Estimar la tasa de alumnosque donan si tenemos:
15, 26 y 34 como porcentaje de gruposconmenosde 20.
v. Si el porcentaje esde 15, la tasa de alumnosque donanse estimanen2.484
w. Si el porcentaje esde 26, la tasa de alumnosque donanse estimanen9.722
x. Si el porcentaje esde 34, la tasa de alumnosque donanse estimanen14.986

30. b) Tasa de estudiantes/facultad
1. Diagrama de Dispersión:
Se observa que el comportamiento de la tasa de estudiantes/facultad y la tasa
de alumnos que donan es inversa, es decir a más tasa de estudiantes/facultad,
menos tasa de alumnos que donan.
2. Coeficiente de Correlación:
Ho: No existe correlación
Ha: Existe correlación
De acuerdo a los resultados encontrados, podemos decir que se rechaza la
hipótesis nula (valor SIG. Es menor que 0.01) y concluir que existe una
correlación, la cual es r= -0.742
Correlaciones

31. Student/Faculty
Ratio
Alumni Giving
Rate
Student/Faculty Ratio Correlación de Pearson 1 -,742**
Sig. (bilateral) ,000
N 48 48
Alumni Giving Rate Correlación de Pearson -,742**
1
Sig. (bilateral) ,000
N 48 48
**. La correlación es significativa en el nivel 0,01 (2 colas).
α = 0.01
SIG= 0.00
3. Coeficiente de Determinación:
R2
= 0.551*100=55.1%
Esto nos indicaque la tasa de estudiantes/facultad explicalavariación de la tasa de
estudiantes que donan en 55.1%, y no la explica en 44.9%
4. Validezdel Modelo:
 Ho: B0 = B1 = 0: El modelo no es significativo,
 Ha: al menos uno de ellos es diferente de cero: El modelo es significativo.
De acuerdo a los resultados encontrados se rechaza la hipótesis nula (SIG. Menor
que 0.01), por lo tanto el modeloessignificativoynos permite hacerestimaciones
válidas.
ANOVAa
Modelo
Suma de
cuadrados gl
Media
cuadrática F Sig.
1 Regresión 4680,113 1 4680,113 56,485 ,000b
Residuo 3811,367 46 82,856
Total 8491,479 47
a. Variable dependiente:Alumni Giving Rate
b. Predictores:(Constante),Student/Faculty Ratio
Se rechaza a Ho

32. 5. Plantear el modelo:
El modeloes:C= 53.014 + -2.057*(tasa de estudiante/facultad)
Interpretar B1: cuando la tasa de estudiantes/facultad varía enuna unidad,entoncesla
tasa de alumnosque donanse incrementaen0.658
Coeficientesa
Modelo
Coeficientes no
estandarizados
Coeficientes
estandariza
dos
t Sig.
95.0% intervalo de
confianza para B
B
Error
estándar Beta
Límite
inferior
Límite
superior
1 (Constante) 53,014 3,421 15,495 ,000 46,127 59,901
Student/Faculty
Ratio
-2,057 ,274 -,742 -7,516 ,000 -2,608 -1,506
a. Variable dependiente:Alumni Giving Rate
6. Estimar la tasa de alumnosque donan si tenemos:
13, 17 y 22 tasa alumnos/facultad
y. Si la tasa de alumnos/facultad es 13, la tasa de alumnos que donan se estiman en
26.273
z. Si la tasa de alumnos/facultad es 17, la tasa de alumnos que donan se estiman en
18.045
aa. Si la tasa de alumnos/facultad es 22, la tasa de alumnos que donan se estiman en
7.76

33. IV. CASO PROBLEMA 4
a) RelaciónValor-Ganancia
1. Diagrama de Dispersión:
Se observa que el comportamiento del valor y la ganancia es directa, es decir a
más valor, más ganancia.
2. Coeficiente de Correlación:
Ho: No existe correlación
Ha: Existe correlación
De acuerdo a los resultados encontrados, podemos decir que se rechaza la
hipótesis nula (valor SIG. Es menor que 0.01) y concluir que existe un alto grado
de asociación, la cual es r= 0.965

34. α = 0.01
SIG= 0.00
3. Coeficiente de Determinación:
R2
= 0.931*100=93.1%
Esto nosindicaque el valor explicalavariaciónde lagananciaen93.1%, y no la explica
en 6.9%
4. Validezdel Modelo:
 Ho: B0 = B1 = 0: El modelo no es significativo,
 Ha: al menos uno de ellos es diferente de cero: El modelo es significativo.
De acuerdo a los resultados encontrados se rechaza la hipótesis nula (SIG. Menor
que 0.01), por lo tanto el modeloessignificativoynos permite hacer estimaciones
válidas.
ANOVAa
Modelo
Suma de
cuadrados gl
Media
cuadrática F Sig.
1 Regresión 30514,038 1 30514,038 375,833 ,000b
Residuo 2273,329 28 81,190
Total 32787,367 29
a. Variable dependiente:Revenue
b. Predictores:(Constante),Value
Correlaciones
Value Revenue
Value Correlación de Pearson 1 ,965**
Sig. (bilateral) ,000
N 30 30
Revenue Correlación de Pearson ,965**
1
Sig. (bilateral) ,000
N 30 30
**. La correlación es significativa en el nivel 0,01 (2 colas).
Se rechaza a Ho

35. 5. Plantear el modelo:
El modeloes:C= 49.067 + 0.246*(valor)
Interpretar B1: cuando el valor varía en una unidad,entonceslagananciase incrementa
en0.246
Coeficientesa
Modelo
Coeficientes no
estandarizados
Coeficientes
estandarizad
os
t Sig.
95.0% intervalo de
confianza para B
B
Error
estándar Beta
Límite
inferior
Límite
superior
1 (Constante
)
49,067 3,985 12,313 ,000 40,904 57,230
Value ,246 ,013 ,965 19,386 ,000 ,220 ,272
a. Variable dependiente:Revenue
6. Estimar la ganancia si tenemos:
435, 214 y 170 millonescomovaloresde losequipos.
bb. Si el valor es435 millones,lagananciaseráde 156.077 millones
cc. Si el valor es214 millones,lagananciaseráde 101.711 millones
dd. Si el valor es170 millones,lagananciaseráde 90.887 millones

36. b) RelaciónValor-Ingreso
1. Diagrama de Dispersión:
Se observa que el comportamiento del valor y el ingreso es nula.
2. Coeficiente de Correlación:
Ho: No existe correlación
Ha: Existe correlación
De acuerdo a los resultados encontrados, podemos decir que no se rechaza la
hipótesis nula (valor SIG. Es mayor que 0.00) y concluir que existeuna correlación
no significativa, la cual es r= 0.186

37. Correlaciones
Value Income
Value Correlación de Pearson 1 ,186
Sig. (bilateral) ,326
N 30 30
Income Correlación de Pearson ,186 1
Sig. (bilateral) ,326
N 30 30
α = 0.00
SIG= 0.326
3. Coeficiente de Determinación:
R2
= 0.034*100=3.4%
Esto nos indica que el valor explicalavariacióndel ingreso en 3.4%, y no la explicaen
96.6%
4. Validezdel Modelo:
 Ho: B0 = B1 = 0: El modelo no es significativo,
 Ha: al menos uno de ellos es diferente de cero: El modelo es significativo.
De acuerdoa losresultadosencontrados nose rechazalahipótesisnula(SIG.Mayor
que 0.00), por lo tanto el modelo no es significativo y no nos permite hacer
estimaciones válidas.
ANOVAa
Modelo
Suma de
cuadrados gl
Media
cuadrática F Sig.
1 Regresión 117,856 1 117,856 1,000 ,326b
Residuo 3299,783 28 117,849
Total 3417,639 29
a. Variable dependiente:Income
b. Predictores:(Constante),Value
No se rechazaa Ho