MÓDULO #1

Introducción
 INTRODUCCIÓN
• El estudio de la relación entre dos variables de intervalo (o de
razón). En todos los campos de negocios, identificar y estudiar las
relaciones entre variables puede proporcionar información sobre las
formas de elevar las ganancias, métodos para reducir los costos o
variables para predecir la demanda. Para comercializar sus
productos, muchas empresas reducen sus precios a través de
cupones y descuentos para aumentar sus ventas.

• Es de interes la relación entre dos variables: la reducción de

precios y las ventas. Para recabar datos, una compañía puede
probar en el mercado una variedad de métodos de reducción de
precios y observar el comportamiento de las ventas. En el campo
comercial existen muchas relaciones entre ambas variables que
constituyen la base de la economía, tales como abastecimiento y
demanda, y demanda y precio.
 RELACION ENTRE DOS VARIABLES

• ¿Existe alguna relación entre la can5dad que la compañía Healthtex gasta por
mes en publicidad y sus ventas mensuales?

• ¿El número de metros cuadrados en una casa está relacionado con el costo de
calefacción de esa casa en enero?

• En un estudio de eficiencia de combus5ble, ¿existe una relación entre las millas

por galón y el peso del auto?

• ¿Hay alguna relación entre el número de horas que estudiaron los alumnos para
un examen y la calificación que obtuvieron?
¿Qué es el análisis de correlación?
Es cuando se estudia la relación entre dos variables en
escala de intervalo (o de razón), La idea básica del ANÁLISIS DE CORRELACIÓN
análisis de correlación es reportar la asociación entre dos Grupo de técnicas para medir la
variables. asociación entre dos variables.
1. Identificar la variable independiente
2. Confeccionar el diagrama de dispersión
3. Calcular el coeficiente de correlación,

Ejemplo:
El gerente de ventas de Copier Sales of America, que tiene una fuerza de ventas muy grande en
Estados Unidos y Canadá, desea determinar si hay alguna relación entre el número de llamadas de
ventas en un mes y el número de copiadoras que se vendieron en él. El gerente selecciona una
muestra aleatoria de 10 representantes de ventas y determina el número de llamadas de ventas que
cada uno hizo el mes pasado y el número de copiadoras que vendió. La información muestral
aparece en la tabla.
¿Qué observaciones cabe hacer respecto de la relación entre el número de llamadas de ventas
y el número de copia- doras vendidas?
Tabla: llamas vs Vendidas:
Ventas Llamadas Vendidas
Tom Keller 20 30
Jeff Hall 40 60
variable independiente x: Número de llamadas de ventas
Brian Virost 20 40 vairiable dependiente y: Copiadoras vendidas
Greg Fish 30 60
Susan Welch 10 30
RELACIÓN ENTRE EL NÚMERO DE LLAMADAS DE VENTAS EN UN MES
VERSUS EL NÚMERO DE COPIADORAS QUE SE
Carlos Ramírez 10 40 VENDIERON EN COPIER SALES OF AMERICA
Rich Niles 20 40 80
Mike Kiel 20 50
70

Mark Reynolds 20 30 60
Soni Jones 30 70
50

Se observa que Soni Jones vendió más

Vendidas
40
copiadoras, y fue una de las tres
30
representantes que hicieron 30 llamadas o
más. Por otro lado, Susan Welch y Carlos 20

Ramírez sólo hicieron 10 llamadas de 10

ventas. La señora Welch, junto con otros

0
dos, tuvo el número menor de copiadoras 0 5 10 15 20 25 30 35 40 45

vendidas entre los representantes Llamadas

muestreados.
RESPUESTA:

La implicación es que el número de copiadoras vendidas se relaciona con el número de llamadas de

ventas. Conforme aumenta el número de llamadas de venta, parece que el número de copiadoras
vendidas también lo hace. De este modo, el número de llamadas de ventas se considera variable
independiente, y el de copiadoras vendidas, variable dependiente.

La variable independiente proporciona la base para la estimación. Es la variable predictora, digamos

que se desea predecir el número esperado de copiadoras que se venderán si un representante realiza
20 llamadas de ventas.

Importante la variable independiente no es un número aleatorio.

La variable dependiente es la variable que se desea predecir o estimar. También puede ser descrita
como el resultado de un valor conocido de la variable independiente. La variable dependiente es
aleatoria, esto es, por cada valor dado a la variable independiente, existen muchos posibles resultados
para la variable dependiente. Note que cinco representantes de ventas hicieron 20 llamadas de ventas.
El resultado de realizar esta cantidad de llamadas se traduce en tres valores distintos de variable
dependiente.
Coeficiente de correlación
El coeficiente de correlación, creado por Karl Pearson alrededor de 1900,
describe la fuerza de la relación entre dos conjuntos de variables en escala
de intervalo o de razón. Se designa con la letra r, y con frecuencia se le
conoce como r de Pearson y coeficiente de correlación producto-momento.
Puede adoptar cualquier valor de -1.00 a +1.00, inclusive. Un coeficiente de
correlación de -1.00 o bien de +1.00 indica una correlación perfecta.

Por ejemplo, un coeficiente de correlación para el caso anterior calculado a

+1.00 indicaría que el número de llamadas de ventas y la cantidad de
copiadoras que vende cada representante están perfectamente relacionados
en un sentido lineal positivo. Un valor calculado de -1.00 revela que las
llamadas de ventas y el número de copiadoras vendidas están perfectamente
relacionados en un sentido lineal inverso.
Diagramas de dispersión con correlación negativa
perfecta y correlación positiva perfecta
Si no hay ninguna relación entre los dos conjuntos de variables, la r de Pearson es cero. Un
coeficiente de correlación r cercano a 0 (sea 0.08) indica que la relación lineal es muy débil. Se
llega a la misma conclusión si r = - 0.08. Los coeficientes de - 0.91 y + 0.91 tienen una fuerza
igual; los dos indican una correlación muy fuerte entre las dos variables. Por lo tanto, la fuerza de
la correlación no depende de la dirección (ya sea - o bien +).
¿Cómo se interpreta una correlación de
0.759?

Primero, es positiva, por lo que se obser-va

una relación directa entre el número de
llamadas de ventas y el número de copiadoras
vendidas. Esto confirma el razonamiento
basado en el diagrama de dispersión.
El valor de 0.759 está muy cercano a 1.00, y
por ende se concluye que la asociación es
fuerte.
La correlación de 0.759 indica una asociación
positiva fuerte entre las variables.
Sin embargo, ¿más llamadas de ventas
ocasionan más ventas? No, aquí no se ha
demostrado la causa y el efecto, sólo que hay
una relación entre las dos variables, llamadas
de ventas y copiadoras vendidas.
TALLER #1:

Esta foto de Autor desconocido está bajo licencia CC BY-SA