1. ANÁLISIS DE DATOS DOS VARIABLES OBJETIVO: BUSCAR POSIBLE RELACIÓN ENTRE DOS VARIABLES

2. ANÁLISIS DE DATOS DOS VARIABLES - VISIÓN HELICÓPTERO

4. Diagrama de Mosaico

6. Análisis de Regresión

9. 2. Relación entre una variable categórica y una numérica.

10. Relación entre Variables. Ejemplo

11. 3. RELACIÓN ENTRE VARIABLES NUMÉRICAS RELACIÓN ENTRE VARIABLES CAUSAL DE ASOCIACIÓN utiliza utiliza MAS DE UNA VARIABLE PREDICTORA UNA VARIABLE PREDICTORA x1 x2 xi x Para pronosticar Para pronosticar VARIABLE “y” VARIABLE “y” ANÁLISIS DE REGRESIÓN Y CORRELACIÓN SIMPLE ANÁLISIS DE REGRESIÓN Y CORRELACIÓN MÚLTIPLE

12. 3. RELACIÓN ENTRE VARIABLES NUMÉRICAS Se busca predecir o estimar el comportamiento de una variable (Y) a través de la relación que ésta pueda tener con otra variable (X) X VARIABLE PREDICTORA Y VARIABLE A PREDECIR DATOS Diagrama de Dispersión Y (VENTAS) X (PRECIO)

13. 3. Relación entre DOS Variables Numéricas Diagramas de Dispersión No hay evidencia de que x se relacione con y

14. MODELOS NO LINEALES

15. CÓMO GRAFICAR UN DIAGRAMA DE DISPERSIÓN? DATOS (docenas de blusas vendidas) 6 5 4 Y (VENTAS) 3 2 1 5000 10.000 15.000 20.000 25.000 30.000 X (PRECIO en Bs.)

16. PROPÓSITOS DE: ANÁLISIS DE REGRESIÓN DETERMINAR UNA ECUACIÓN DE ESTIMACIÓN (UNA FÓRMULA MATEMÁTICA QUE RELACIONE LAS VARIABLES CONOCIDAS CON LA VARIABLE DESCONOCIDA) ANÁLISIS DE CORRELACIÓN DETERMINAR UN INDICADOR QUE MIDA LA FUERZA O INTENSIDAD DE LA RELACIÓN ENTRE VARIABLES

17. ANÁLISIS DE REGRESIÓN LINEAL El objetivo es encontrar la ecuación de una recta... La recta de mejor ajuste a la nube de puntos, se consigue por el método de mínimos cuadrados donde:

18. En la calculadora.... Modelo Casio fx82MS o similar: 1) Seleccionar el modo de Regresión Lineal......MODE – REG—LIN 2) Limpiar la memoria estadistica......................SHIFT– MODE– SCL 3) Introducir los pares de datos.........................18 6 .................. 4) Al finalizar la introducción de los datos, buscar los valores de A, de B y de r Shift – 2 (S-VAR) -- replay a la derecha hasta encontrar a A , B, y r , M+

19. Coeficiente de correlación ( r )

20. ERROR ESTÁNDAR DE ESTIMACIÓN (Cómo se interpreta?) Una forma de ver el error estándar de estimación es concebirlo como la herramienta estadística que podemos usar para hacer un enunciado de probabilidad sobre el intervalo alrededor del valor estimado de Y gorrito, dentro del cual cae el valor real de Y. Podemos ver por ejemplo , en la Figura 12-12, que podemos estar 95,5% seguros que el valor real de Y caerá dentro de DOS ERRORES ESTANDAR del valor estimado de Y gorrito. Llamamos a estos intervalos , alrededor de la Y gorrito (estimada) INTERVALOS DE PREDICCIÓN APROXIMADA FUENTE: LEVIN-RUBIN (1996) ESTADISTICA PARA ADMINISTRADORES. Pag. 674

21. HACER PREDICCIONES No se debe esperar que el valor estimado ocurra exactamente; en vez de eso, “ Y gorrito sub 1” es el valor promedio de pares de zapatos de todas las veces que mantuve el precio de “X sub 1” bolivares . RESTRICCIONES O LIMITACIONES Al hacer predicciones con base en la recta de mejor ajuste, es necesario observar las siguientes restricciones La ecuación debe usarse solo acerca de la población de la cual se extrajo la muestra La ecuación debe usarse solo dentro del dominio muestral de la variable de entrada (x) Si la muestra fue tomada en el año 2000, no espere que los resultados sean válidos para el año 1950 o el año 2006

22. DATOS (N° blusas vendidas) 6 5 4 Y (VENTAS) 3 2 1 5000 10.000 15.000 20.000 25.000 30.000 X (PRECIO en Bs.)

23. FÓRMULAS Ecuación de estimación Error estándar de estimación Coeficiente de determinación