Estadística Administrativa II

Slides:



Advertisements
Presentaciones similares
Lic. Cristian R. Arroyo López
Advertisements

Lic. Cristian R. Arroyo López
Error Estándar de la Media
Ejemplo Grafico.
Correlación ©1997-Sep-06 Pedro Juan Rodríguez Esquerdo Departamento de Matemáticas UPR Río Piedras.
ESTRATEGIAS Y DISEÑOS AVANZADOS DE INVESTIGACIÓN SOCIAL
Estadística Administrativa I
Ingeniería Industrial II CicloEducativo 2011
Análisis Bivariable. EN MARKETING SE UTILIZA PARA :
ESTRATEGIAS Y DISEÑOS AVANZADOS DE INVESTIGACIÓN SOCIAL
Regresión y correlación
Correlación 1.
Estadística Administrativa II
Estadística Administrativa II
Estadística Descriptiva: 4. Correlación y Regresión Lineal
بسم الله الرحمن الرحيم.
COEFICIENTE DE CORRELACIÓN PRODUCTO-MOMENTO DE PEARSON
Clase 7. Pruebas de hipótesis sobre asociaciones entre variables
CONFIABILIDAD DEL INSTRUMENTO
Regresión lineal Es un modelo matemático para predecir el efecto de una variable sobre otra, ambas cuantitativas. Una variable es la dependiente y otra.
Regresión Lineal Simple
9 Regresión Lineal Simple
Análisis de Correlación y de Regresión lineal simple
Estadística Administrativa II
Estadística Administrativa II
Estadística Administrativa II
Módulo 5 Análisis de Regresión y Series de Tiempo.
Estadística Administrativa II
Estadística Administrativa II
Estadística Administrativa II
Pronósticos, Series de Tiempo y Regresión
Pronósticos, Series de Tiempo y Regresión
Estadística Administrativa II
Estadística Administrativa II
Estadística Administrativa II
Estadística Administrativa II
Métodos de calibración: regresión y correlación
Estadística Administrativa II
Titular: Agustín Salvia
Estadística bidimensional
Herramientas básicas.
Primerasdefiniciones y conceptos de la regresión El análisis de la regresión es una técnica estadística que se utiliza para estudiar la relación entre.
Estadística Administrativa II
SEMINARIO DE INVESTIGACION Titular: Agustín Salvia
Estadística Administrativa I
Unidad # 3 L.A. Jorge Velasco Castellanos
Análisis de los Datos Cuantitativos
Elemento básicos de Oferta y Demanda (continuación)
Estadística Administrativa I Prueba de hipótesis de 2 muestras - Dependiente.
Estadística Administrativa I
Regresión Lineal Simple
Variables estadísticas bidimensionales
CORRELACIÓN Y REGRESIÓN EMPLEANDO EXCEL
Correlación Capítulo 5 Capítulo 5: Ciso 3155.
Unidad 4 Análisis de los Datos.
REGRESIÓN LINEAL MÚLTIPLE.
Estadística Administrativa II
Estadística Administrativa II
Estadística Administrativa II
Estadística Administrativa II
Estadística Administrativa II
Copyright © 2003 by The McGraw-Hill Companies, Inc. All rights reserved.
Estadística Administrativa I
Estadística Administrativa II
REGRESIÓN LINEAL SIMPLE. Temas Introducción Análisis de regresión (Ejemplo aplicado) La ecuación de una recta Modelo estadístico y suposiciones Estimación.
ESTADISTICA DESCRIPTIVA BIVARIADA MEDIDAS DE RELACIÓN ENTRE VARIABLES CUANTITATIVAS.
TAMAÑO DE LA MUESTRA. Para definir el tamaño de la muestra se debe tener en cuenta los recursos disponibles y las necesidades del plan de análisis, el.
Estadística Administrativa I
GRÁFICAS Y FUNCIONES MATEMÁTICAS Bernardo Nieto Castellanos.
Transcripción de la presentación:

Estadística Administrativa II 2014-3 Análisis de Correlación

Características Técnica para estudiar la relación entre dos variables Una independiente y una dependiente Los resultados de la dependiente depende de los valores que tome la independiente Ideal para trabajar con pronósticos Se utilizan valores reales y valores estimados

Análisis de Correlación Estudio de la relación entre variables Análisis inicial

Análisis de correlación Gráfico de dispersión Variable independiente en el eje X Variable dependiente en el eje Y Coeficiente de correlación Medida de la fuerza de relación lineal entre dos variables

Características del coeficiente de Correlación Muestra la dirección y fuerza de la relación lineal (recta) entre dos variables en escala de intervalo o razón. El coeficiente de correlación de la muestra se identifica por la letra minúscula 𝑟 (también llamado r-Pearson) Varía desde -1 hasta 1, inclusive. Un valor cercano a 0 indica que hay poca asociación entre las variables. Un valor cercano a 1 indica una asociación directa o positiva entre las variables. Un valor cercano a -1 indica una asociación inversa o negativa entre las variables.

Coeficiente de Correlación Correlación positiva perfecta Correlación negativa perfecta Si la r de Pearson es 0; indica que no hay relación lineal entre ambas variables

Coeficiente de Correlación El valor resultante de la correlación se identifica de acuerdo a su nivel de fuerza. Mientras más se aleja del cero, la correlación pasa de débil a fuerte.

Coeficiente de Correlación 𝑟= 𝑋− 𝑋 𝑌− 𝑌 𝑛−1 𝑠 𝑋 𝑠 𝑌 𝑋 = Cada dato de la variable independiente 𝑌 = Cada dato de la variable dependiente 𝑋 = Media aritmética de la variable independiente 𝑌 = Media aritmética de la variable dependiente 𝑛 = Tamaño de la muestra 𝑠 𝑋 = Desviación estándar de la variable independiente 𝑠 𝑌 = Desviación estándar de la variable dependiente

Ejemplo . . . En la empresa Sara se venden unidades de aire acondicionado; se ha observado que a mayor cantidad de llamadas de los vendedores durante el mes, mayor cantidad de compra de unidades de aire acondicionado. Se tomó una muestra de las ventas realizadas por 10 de los vendedores de planta y se quiere comparar la cantidad de llamadas realizadas durante el mes de Abril y las ventas facturadas. Los resultados fueron los siguientes:

. . . Ejemplo Empíricamente se puede observar los que hicieron llamadas vendieron más aires acondicionados. Si por cada llamada, algunos clientes compraron unidades de aire acondicionado, significa que la variable independiente son las llamadas. A las llamadas telefónicas se le asignará la variable X y a las unidades vendidas la variable Y.

. . . Ejemplo 𝑋 =22 𝑌 =46 𝑋 =22 𝑌 =46 𝑛=10

. . . Ejemplo 𝑠 𝑋 = 𝑋− 𝑋 2 𝑛−1 = 760 10−1 = 84.44 =9.19 𝑠 𝑌 = 𝑌− 𝑌 2 𝑛−1 = 1850 10−1 = 205.56 =14.34

. . . Ejemplo 𝑟= 𝑋− 𝑋 𝑌− 𝑌 𝑛−1 𝑠 𝑋 𝑠 𝑌 = 900 10−1 9.19 14.34 =0.759 𝑟= 𝑋− 𝑋 𝑌− 𝑌 𝑛−1 𝑠 𝑋 𝑠 𝑌 = 900 10−1 9.19 14.34 =0.759 0.759 indica una correlación positiva fuerte. Se observa una relación directa entre las llamadas realizadas y las ventas de unidades de aire acondicionado vendidos.

Correlación y Causa Si existe relación fuerte entre una variable X y una variable Y, no se puede suponer que la variable X causó un efecto en la variable Y; a esto se le llama relación espuria. En el ejemplo anterior; no se puede suponer que las llamadas a los clientes fue lo que incrementó las ventas y tampoco asumir que si se hubieran realizado más llamadas se hubiera producido más ventas. Solamente se concluyó que existe una relación fuerte entre ambas variables.

Coeficiente de Determinación Proporción de la variación total en la variable dependiente Y que se explica, o contabiliza, por la variación en la variable dependiente X

Coeficiente de Determinación Si existe una relación fuerte entre dos variables, el cambio en la variable independiente, genera una reacción en la dependiente. Un aumento en la variable X produce un aumento en la variable Y. Una disminución en la variable X produce una disminución en la variable Y. Proporción para interpretar el Coeficiente de Correlación o r-Pearson

Coeficiente de determinación Proporción de la variación total en la variable dependiente Y que se explica, o contabiliza, por la variación en la variable dependiente X. Cálculo: Elevar al cuadrado el coeficiente de correlación 𝑟 2

Ejemplo . . . La empresa Sara determinó que existe una fuerte relación entre las llamadas realizadas por 10 empleados durante el mes de Abril y las ventas de unidades de aire acondicionado facturadas, debido a que su coeficiente de correlación resultó ser 0.759. Cuál es la proporción de las ventas que tienen relación con las llamadas 𝑟 2 = 0.759 2 𝑟 2 =0.576 R:// La relación de las ventas con la llamadas es el 58%.

Prueba de la importancia del coeficiente de correlación Siempre se espera que la correlación lineal entre dos variables sea igual a 0.

Prueba de la importancia del coeficiente de correlación Para determinar si la correlación fuerte entre dos variables produce incremento o disminución se recurre a la prueba de Hipótesis. 𝐻 0 :𝜌=0 (correlación de la población igual a 0) 𝐻 𝑎 :𝜌≠0 (correlación de la población diferente a 0) Estadístico de prueba: distribución t Prueba t para el coeficiente de correlación: 𝑡= 𝑟 𝑛−2 1− 𝑟 2

Ejemplo . . . La empresa Sara determinó que existe una fuerte relación entre las llamadas realizadas por 10 empleados durante el mes de Abril y las ventas de unidades de aire acondicionado facturadas, debido a que su coeficiente de correlación resultó ser 0.759. Sin embargo se supone que el coeficiente de correlación debería ser 0. Es hora de probar esa hipótesis con un 95% de confiabilidad. Los datos obtenidos solo son una muestra de 10 de los empleados

. . . Ejemplo 𝛼=0.05 Estadístico de prueba: 𝑡= 𝑟 𝑛−2 1− 𝑟 2 𝐻 0 :𝜌=0 𝐻 𝑎 :𝜌≠0 𝛼=0.05 Estadístico de prueba: 𝑡= 𝑟 𝑛−2 1− 𝑟 2 Regla de decisión 2 𝑐𝑜𝑙𝑎𝑠 𝑔𝑙=8 𝑡=2.306

. . . Ejemplo La hipótesis nula no se acepta. Toma de decisión 𝑡= 𝑟 𝑛−2 1− 𝑟 2 = 0.759 10−2 1− 0.759 2 = 0.759 8 0.4239 = 2.1468 0.651 =3.297 La hipótesis nula no se acepta. hay una correlación entre el numero de llamadas de ventas hechas y el numero de unidades de aire acondicionado vendidas en la población de vendedores

Fin de la presentación Muchas gracias Lind, D.A., Marchal, W.G., Wathen, S.A. (15). (2012). Estadística Aplicada a los Negocios y la Economía. México: McGrawHill