John stiven castillo Pompeyo Fundacion Universitaria Los Libertadores Contabilidad y Planeacin Financiera 2012-05-17

DIAGRAMA DE DISPERSION Definicin:

Este documento describe el proceso completo a seguir para analizar la Existencia de una relacin lgica entre dos variables. Describe la construccin de los Diagramas de Dispersin a partir de la recogida De datos acerca de dichas variables y el anlisis posterior necesario para Confirmar la correlacin que puede mostrar dicho diagrama, ya que sta no Implica la existencia de una relacin lgica.

Responsabilidades y pasos para la elaboracin de un diagrama de dispersin: Paso 1: Elaborar una teora admisible y relevante sobre la supuesta Relacin entre dos variables
Este paso previo es de gran importancia, puesto que el anlisis de un Diagrama de Dispersin permite obtener conclusiones sobre la existencia de una relacin entre dos variables, no sobre la naturaleza de dicha relacin.

Paso 2: Obtener los pares de datos correspondientes a las dos variables

Al igual que en cualquier otra herramienta de anlisis de datos, stos son la base de las conclusiones obtenidas, por tanto cumplirn las siguientes Condiciones: - En cantidad suficiente: Se consideran necesarios al menos 40 pares de datos para construir un Diagrama de Dispersin. - Datos correctamente emparejados: Se estudiar la relacin entre ambos. - Datos exactos: Las inexactitudes afectan a su situacin en el diagrama desvirtuando su apariencia visual. - Datos representativos: Asegrese de que cubren todas las condiciones operativas del proceso. - Informacin completa: Anotar las condiciones en que han sido obtenidos los datos.

Relaciones causa-efecto.
Este es el caso ms comn en su utilizacin para la mejora de la calidad. Se utiliza el diagrama a partir de la medicin del efecto observado y de su posible causa. Ejemplo: Comprobar la relacin entre el nmero de errores y la hora en que se cometen. - Relaciones entre dos efectos. Sirve para contrastar la teora de que ambos provienen de una causa comn desconocida o difcil de medir. Ejemplo: Analizar la relacin entre el nmero de quejas que llegan y el aumento/disminucin de las ventas, suponiendo que los dos dependen del nivel de satisfaccin del cliente. - Posibilidad de utilizar un efecto como sustituto de otro.

Se puede utilizar para controlar efectos difciles o costosos de medir, a travs de otros con medicin ms simple. Ejemplo: Estudiar la relacin existente entre reduccin de costes y satisfaccin del cliente para utilizar el parmetro de ms fcil medicin en la evaluacin de las actividades de planificacin. - Relaciones entre dos posibles causas. - Sirve para actuar sobre efectos de forma ms simple o adecuada y para analizar procesos complejos.

Tabla 1. Dispersin costes y satisfaccin de los clientes

Ejemplo: Analizar la relacin entre el porcentaje idneo de contenido enpotasio de un fertilizante y la

cantidad media de lluvia recogida en la zona de cultivo, puesto que ambos elementos influyen en la calidad del vino y el rgimen de lluvias no puede ser modificado.

Tabla 2. Tabla de dispersin y Diagrama de recta

UTILIZACIN
El Diagrama de Dispersin es una herramienta til para comprobar (aceptar o rechazar) teoras respecto a la supuesta existencia de una relacin entre dos variables.

Utilizacin en las fases de un proceso de solucin de problemas

Hay tres puntos de dicho proceso en los que el Diagrama de Dispersin puede ser una herramienta til: - Durante la fase de diagnstico, para ensayar teoras sobre las causas e Identificar las causas raz. - Durante la fase de correccin, en el diseo de soluciones. - Para el diseo de un sistema de control que mantenga los resultados de una accin de mejora de la calidad.

La regresin y los anlisis de correlacin nos muestran como determinar tanto la naturaleza como la fuerza de una relacin entre dos variables En el anlisis de regresin desarrollaremos una ecuacin de estimacin, esto es, una formula matemtica que relaciona las variables conocidas con la variable desconocida. Entonces podemos aplicar el anlisis de correlacin para determinar el grado de en el que estn relacionadas las variables. El anlisis de correlacin, entonces, nos dice qu tan bien estn relacionadas las variables. El anlisis de correlacin, entonces, nos dice que tan bien la ecuacin de estimacin realmente describe la relacin

Principales tcnicas utilizadas en el anlisis de regresin lineal simple 1) Ordenamiento y anlisis de la informacin original 2) Diagrama de dispersin e interpretacin
El primer pas para determinar si existe o no una relacin entre dos variables es observar la grafica de datos observados. Esta grafica se llama diagrama de dispersin. Un diagrama nos puede da dos tipos de informacin, visualmente podemos buscar patrones que nos indiquen que las variables estn relacionadas. Entonces si esto sucede, podemos ver que tipo de lnea, o ecuacin de estimacin, describe esta relacin. Primero tomamos los datos de la tabla que deseamos analizar y dependiendo de que se desea averiguar se construye la grafica colocando la variable dependiente en el eje Y y la independiente en el eje X, Cuando vemos todos estos puntos juntos, podemos visualizar la relacin que existe entre estas dos variables. Como resultado, tambin podemos trazar, o ajustar una lnea recta a travs de nuestro diagrama de dispersin para representar la relacin. Es comn intentar trazar estas lneas de forma tal que un nmero igual de puntos caiga a cada lado de la lnea. Estimacin mediante la lnea de regresin

Hasta el momento las lneas de regresin se colocaron al ajustar las lneas visualmente entre los puntos de datos, pero para graficar estas lneas de una forma ms precisa podemos utilizar una ecuacin que relaciona las dos variables matemticamente.

REGRESION LINEAL

La ecuacin para una lnea recta donde la variable dependiente Y est determinada por la varianza dependiente X es: Usando esta ecuacin podemos tomar un valor dado en X y calcular el valor de Y la a se denomina interseccin en Y porque su valor es el punto en el cual la lnea de regresin cruza el eje Y porque su valor es el punto en el cual la lnea de regresin cruza el eje Y, es decir el eje vertical. La b es la pendiente de la lnea, representa que tanto cada cambio de unidad de la variable independiente X cambia la variable dependiente Y. Tanto a como b son constantes numricas, puesto que para cada recta dada, sus valores no cambian.

Recta de regresin por el mtodo de mnimos cuadrados. Ahora que hemos visto como determinar la ecuacin para una lnea recta, pensemos como podemos calcular una ecuacin para una lnea dibujada en medio de un conjunto de puntos en un diagrama de dispersin. Para esto debemos minimizar el error entre los puntos estimados en la lnea y los verdaderos puntos observados que se utilizaron para trazarla.

Para esto debemos introducir un nuevo smbolo, para simbolizar los valores individuales de los puntos estimados, esto es, aquellos puntos que caen en la lnea de estimacin. En consecuencia escribiremos la ecuacin para la lnea de estimacin como

Una forma en que podemos medir el error de nuestra lnea de estimacin es sumando todas las diferencias, o errores, individuales entre los puntos observados y los puntos estimados. La suma de las diferencias individuales para calcular el error no es una forma confiable de juzgar la bondad de ajuste de una lnea de estimacin.
El problema al aadir los errores individuales es el efecto de cancelacin de los valores positivos y negativos, por eso usamos valores absolutos en esta diferencia a modo de cancelar la anulacin de los signos positivos y negativos, pero ya que estamos buscando el menor error debemos buscar un mtodo que nos muestre la magnitud del error, decimos que la suma de los valores absolutos no pone nfasis en la magnitud del error. Parece razonable que mientras ms lejos este un punto de la lnea e estimacin, mas serio seria el error, preferiramos tener varios errores pequeos que uno grande. En efecto, deseamos encontrar una forma de penalizar errores absolutos grandes, de tal forma que podamos evitarlos. Puede lograr esto si cuadramos los errores individuales antes de sumarlos. Con estos se logran dos objetivos:

Penaliza los errores ms grandes

Cancela el efecto de valores positivos y negativos
Como estamos buscando la lnea de estimacin que minimiza la suma de los cuadrados de los errores a esto llamamos mtodo de mnimos cuadrados. Si usamos el mtodo de mnimos cuadrados, podemos determinar si una lnea de estimacin tiene un mejor ajuste que otro. Pero para un conjunto de puntos de datos a travs de los cuales podramos trazar un numero infinito de lneas de estimacin, cmo podemos saber cuando hemos encontrado la mejor lnea de ajuste? Los estadsticos han derivado dos ecuaciones que podemos utilizar para encontrar la pendiente y la interseccin Y de la lnea de regresin del mejor ajuste. La primera formula calcula la pendiente.

Tabla 3. Regresin lineal

Mtodo Exponencial

Aunque existen ms mtodos para pronosticar, por simplicidad presentamos solamente dos, que consideramos los ms usuales y sencillos de llevar a cabo. -Promedios Mviles -Suavizacin Exponencial Estos mtodos pueden utilizarse cuando: a) Hay informacin disponible de la variable(s) que se est pronosticando. b) La informacin puede ser cuantificada. c) Si se considera razonable que el patrn de comportamiento del pasado continuar en el futuro. Si se cuenta con una base de datos histrica y se quiere pronosticar una variable considerando su comportamiento pasado, entonces podemos utilizar el mtodo de promedios mviles o el mtodo de suavizacin exponencial, que son conocidos tambin como mtodos de series de tiempo. Aunque siempre quiero enfocar todo desde la prctica, detallo aqu este mtodo que, la verdad, no le encuentro aplicacin real. Por lo menos la versin bsica. Pero, puedo estar equivocado. En cuanto a pronsticos, nadie tiene la ltima palabra. Bueno, si. El que acierta. Por ejemplo, hace poco, perd una apuesta con mi jefe, cuando despus de que yo acertara durante tres periodos consecutivos el valor de una variable X de inters para nosotros, mi modelo predeca un valor bastante audaz, y mi jefe opt por un valor intuitivo mucho ms conservador. Conclusin, a pesar de haber acertado tres veces consecutivas, a la cuarta, cuando hice la apuesta: perd.

La constante preocupacin por el nmero de parados que presagian que siga en aumento, nos ha llamado la atencin cmo podra afectar la evolucin negativa de este dato con el precio de la vivienda. Vamos a realizar un pequeo estudio que relaciona la tasa de paro con el precio de la vivienda. De tal forma que intentemos averiguar que suceder con la evolucin del precio de la vivienda. Para ello vamos a estudiar, a partir de datos estadsticos pasados, como ha evolucionado el precio de la vivienda para las diferentes tasas de paro.