Estadística Administrativa II2014-3

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 CorrelaciónEstudio 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

1. Muestra la dirección y fuerza de la relación lineal (recta) entre dos variables en escala de intervalo o razón.

2. El coeficiente de correlación de la muestra se identifica por la letra minúscula (también llamado r-Pearson)

3. Varía desde -1 hasta 1, inclusive.

4. Un valor cercano a 0 indica que hay poca asociación entre las variables.

5. Un valor cercano a 1 indica una asociación directa o positiva entre las variables.

6. 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

› = Cada dato de la variable independiente

› = Cada dato de la variable dependiente

› = Media aritmética de la variable independiente

› = Media aritmética de la variable dependiente

› = Tamaño de la muestra

› = Desviación estándar de la variable independiente

› = Desviación estándar de la variable dependiente

𝑟=∑ ( 𝑋− 𝑋 ) (𝑌 −𝑌 )

(𝑛−1 )𝑠𝑋 𝑠𝑌

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:

. . . EjemploAGENTE LLAMADAS

UNIDADES VENDIDAS

Tomás García 20 30José Girón 40 60Brian Velásquez 20 40Gregorio Figueroa 30 60Susana Vides 10 30Carlos Ramírez 10 40Ricardo Noriega 20 40Miguel Godoy 20 50Marcos Reyes 20 30Sonia Guzmán 30 70

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.

. . . EjemploAGENTE

LLAMADASX

UNIDADES VENDIDAS

YTomás García 20 30José Girón 40 60Brian Velásquez 20 40Gregorio Figueroa 30 60Susana Vides 10 30Carlos Ramírez 10 40Ricardo Noriega 20 40Miguel Godoy 20 50Marcos Reyes 20 30Sonia Guzmán 30 70

Media Aritmética 22 45

𝑋=22

𝑌=46

. . . EjemploAGENTE

LLAMADASX

UNIDADES VENDIDAS

YTomás García 20 30 -2 -15 30 4 225José Girón 40 60 18 15 270 324 225Brian Velásquez 20 40 -2 -5 10 4 25Gregorio Figueroa 30 60 8 15 120 64 225Susana Vides 10 30 -12 -15 180 144 225Carlos Ramírez 10 40 -12 -5 60 144 25Ricardo Noriega 20 40 -2 -5 10 4 25Miguel Godoy 20 50 -2 5 -10 4 25Marcos Reyes 20 30 -2 -15 30 4 225Sonia Guzmán 30 70 8 25 200 64 625

Media Aritmética 22 45 Total de Sumas 900 760 1850

� െ��ത � െ��ത � െ��തଶ � െ��തଶ� െ��ത �െ��ത

𝑠𝑋=√∑ (𝑋 −𝑋 )2

𝑛−1=√ 760

10−1=√84.44=9.19

𝑠𝑌=√∑ (𝑌 −𝑌 )2

𝑛−1=√ 185010−1

=√205.56=14.34

. . . Ejemplo

𝑟=∑ ( 𝑋− 𝑋 ) (𝑌 −𝑌 )

(𝑛−1 )𝑠𝑋 𝑠𝑌= 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 DeterminaciónProporción de la variación total en la variable dependiente Y que se explica, o contabiliza, por la variación en la variabledependiente 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

𝑟2

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:// 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.

› (correlación de la población igual a 0)› (correlación de la población diferente a 0)› Estadístico de prueba: distribución t

› Prueba t para el coeficiente de correlación:

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

› Estadístico de prueba:

› Regla de decisión

. . . Ejemplo

› Toma de decisión

› 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

24

Fin de lapresentación

Muchas gracias

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