Encuentras la importancia de los resultados. Analizas los datos y realizas experimentos. Sin embargo, la relevancia de los negocios es diferente de la significación estadística. Muchas organizaciones de negocios no pudieron distinguir entre las dos y el mal uso y malentendido del concepto. Por otro lado, analizar los datos adecuadamente ayuda a tomar decisiones comerciales adecuadas. Esa es la razón por la que los directivos deben entender el concepto de significación estadística.

Qué es la significación estadística?

La significación estadística indica que la relación de una variable con otra variable no es una coincidencia sino que se debe a otro factor de esa variable. En palabras sencillas, la significación estadística es una representación matemática de la fiabilidad de las estadísticas. En este artículo, aprenderás a calcular la significación estadística entre dos factores.

Cálculo de la significación estadística

Puedes entender el concepto y encontrar una respuesta extensa calculando la significación estadística a mano. Puedes usar una calculadora. Estos son los pasos que puedes seguir para calcular la significación estadística:

1.Creación de una hipótesis nula

En primer lugar, hay que determinar la hipótesis nula. Puedes averiguar si hay una diferencia en el conjunto de datos que estás usando. Nunca debes creer tu hipótesis nula, ya que esto es sólo una suposición.

2.Creación de una hipótesis alternativa

Ahora, averigua la hipótesis alternativa. Cuando encuentre la hipótesis alternativa, sabrá si hay una relación entre sus datos. La hipótesis alternativa es opuesta a la hipótesis nula que encontraste anteriormente.

3.Determinación del nivel de significación

Después de encontrar la hipótesis nula y alternativa, determinará el nivel de significación o alfa. Existe la posibilidad de que tengas que rechazar tu hipótesis nula aunque sea cierta. El alfa estándar es de 0,05 a 5 por ciento.

4.Elección del tipo de prueba

Ahora decide qué prueba elegirás, de una cola o de dos colas. Sin embargo, el área de distribución de la prueba de una cola es de un solo lado, y para la prueba de dos colas, es de dos lados. En palabras simples, en las pruebas de una cola, analizará la relación de las dos variables en una sola dirección y en dos direcciones en las pruebas de dos caras. Si sus muestras son de un solo lado, entonces su hipótesis alternativa es cierta.

5.Realizar el análisis de potencia para el tamaño de la muestra

El análisis de potencia le ayudará a determinar el tamaño de la muestra. Para encontrar el análisis de potencia, debes saber la potencia estadística, el nivel de significación, el tamaño de la muestra y el tamaño del efecto. Necesitas usar una calculadora para realizar estos cálculos. Manteniendo un grado de confianza, este método te ayudará a determinar el tamaño de la muestra. Este método le ayudará a encontrar un tamaño de muestra adecuado para que pueda calcular la significación estadística. Por ejemplo, si el tamaño de la muestra es muy pequeño, no encontrará un resultado exacto.

6.Cálculo de la desviación estándar

Ahora, calcula la desviación estándar. Para hacerlo, necesitas usar la siguiente fórmula:
Desviación estándar = √ ((∑|x-μ|^ 2) / (N-1))
En esta ecuación:

  • ∑ = es la suma de datos
  • x = son los datos individuales
  • μ = es la media de los datos de cada grupo
  • N = es la muestra total
    Con este cálculo se puede averiguar cómo repartir el valor medio y el valor esperado. Encuentra la variación entre los grupos si tienes más grupos de muestra.

7.Uso de la fórmula de error estándar

Después de eso, use la fórmula de error estándar. Aquí está la fórmula para encontrar el error estándar de los dos grupos por la desviación estándar.
Error estándar =√((s1/N1) + (s2/N2))
En esta ecuación:

  • s1 =es la desviación estándar (primer grupo)
  • N1 =es el tamaño de la muestra (primer grupo)
  • s2 =es la desviación estándar (segundo grupo)
  • N2 =es el tamaño de la muestra (segundo grupo)

8.Determinación del T-Score

En este paso, necesitas encontrar el t-score. Usa la siguiente ecuación para encontrar el t-score:
t =((µ1-µ2) / (sd))
En esta ecuación

  • t = es el t-score
  • µ1 = promedio (primer grupo)
  • µ2 = promedio (segundo grupo)
  • sd = es el error estándar

9.Encontrar grados de libertad

Ahora, averigua los grados de libertad. Aquí está la fórmula para encontrar los grados de libertad:
grados de libertad =(s1 + s2) – 2
En esta ecuación

  • s1 =muestras (primer grupo)
  • s2 =muestras (segundo grupo)

10.Uso de la tabla T

Ahora, puedes calcular tu significado estadístico con la ayuda de la tabla t. Primero, busque los grados de libertad en el lado izquierdo y determine la varianza. Ahora, ve hacia arriba y encuentra el valor p de cada variable. Luego, compara el nivel de significación o alfa con el valor p. Puedes considerar un valor p inferior a 0,05 como estadísticamente significativo.

Qué es el valor p?

La probabilidad de encontrar los resultados se llama valor p. Por ejemplo, estás comparando los pesos de los ciudadanos de EE.UU. en Nueva York y California. Deberías empezar con la hipótesis nula de que los neoyorquinos tienen más peso medio que los californianos.
Ahora suponga que realiza el estudio para encontrar si la hipótesis nula es cierta o no. Después del estudio, se encuentra que el peso promedio de los neoyorquinos es 20 libras más que el de California, con 0,41 como valor P. Esto significa que la hipótesis nula es cierta, y que los neoyorquinos pesan más que los californianos. Ahora hay una probabilidad del 47% de que se midan 20 libras más de peso de los neoyorquinos.
Pero si los neoyorquinos no pesan más, todavía tienes que medirlo 20 libras más alto debido al ruido en tus datos casi la mitad de las veces. Así que un valor P más bajo significa resultados más precisos ya que significa que hay menos ruido en los datos.

Conclusión

Puede usar la significación estadística para encontrar la validez de las pruebas y los análisis. Sin embargo, esto no significa que tengas datos precisos. Muchas encuestas pueden proporcionar información incorrecta a través de datos inadecuados. Además, puede estar utilizando datos demográficos con sesgo en la representación.
Además, sus percepciones serán inexactas si ejecuta su prueba de significación estadística de forma deficiente. La gente se enfrenta a este problema sobre todo cuando su nivel de significación (α) es incorrecto. Existe la posibilidad de que su valor P sea un falso positivo. Sin embargo, para contrarrestar este problema, puedes repetir el estudio. Si encuentras un valor P bajo que el anterior, habrás reducido la falsificación de tu resultado.