PRUEBA DE LA IMPORTANCIA DEL COEFICIENTE DE CORRELACION

Se determina mediante la siguiente formula: Prueba t del coeficiente de correlacin con 2 grados de libertad:
= 2
1 2

Para calcular la hiptesis nula y la hiptesis alternativa emplearemos la siguiente formula: H: = 0 (la correlacin entre la poblacin es cero) H1: 0(la correlacin entre la poblacin es diferente de cero) La letra griega p es el coeficiente de correlacin entre la poblacin y r es el coeficiente de correlacin entre la muestra

 UN EJEMPLO: Se determino el coeficiente de relacin entre la ganancia en la venta de un vehculo de Applewood Auto Group y la edad de la persona que compro dicho vehculo era de 0.262. dado que el signo del coeficiente de correlacin fue positivo, se concluy que exista una relacin directa entre ambas variables. Sin embargo debido a que la cifra de correlacin era muy baja (cerca de cero) se concluy que no haba ganancias en una campaa de publicidad dirigida a los compradores mayores, que generan una ganancia mas grande. Se puede concluir que no existe relacin entre las dos variables? Utilice un nivel de significancia d 0.05

 Solucin: Supongamos que la se recolectaron datos de 180 vehculos vendidos por Applewood Auto Group, lo cual es una muestra de la poblacin de todos los vehculos vendidos durante los ltimos aos. La letra griega p es el coeficiente de correlacin entre la poblacin y r es el coeficiente de correlacin entre la muestra Establecemos la hiptesis nula y la alternativa Hay que probar la hiptesis nula de que el coeficiente de correlacin es igual a cero. La hiptesis alternativa que existe una correlacin entre ambas variables. H0: p 0 (La correlacin entre la poblacin es igual a cero) H1: p 0 (La correlacin entre la poblacin es positiva)

Esta es una prueba de una cola, porque el inters es confirmar una asociacin positiva entre las variables. El estadstico de prueba sigue la distribucin t con n- 2 grados de libertad, son 180 2 = 178. Pero 178 no aparece en el apndice B.2. el valor mas cercano es 180 por lo tanto se ocupara. La regla de decisin es rechazar la hiptesis nula si el valor calculado del estadstico de prueba es mayor a 1.653
= 2 = 1 2
0.262180 - 2
1 0.262

= 3.622

Comparando el valor del estadstico de prueba de 3.622 con el valor critico de 1.653, se rechaza la hiptesis nula

ANALISIS DE REGRESN
En la seccin anterior se desarrollaron medidas para expresar la fuerza y la direccin de la relacin lineal entre dos variables. Aqu se elabora una ecuacin para expresar la relacin lineal entre dos variables. Adems se desea estimar el valor de la variable dependiente Y con base en un valor seleccionado de la variable independiente X. La tcnica para desarrollar la ecuacin y proporcionar las estimaciones se denomina Anlisis De Regresin. ECUACIN DE REGRESION: EXPRESA LA RELACIN LINEAL ENTRE DOS VARIABLES.

PRINCIPIOS DE MINIMOS CUADRADOS

Su objetivo es utilizar datos para trazar una lnea que represente mejor la relacin entre las dos variables. Se taraza un diagrama de dispersin para visualizar la posicin de la lnea. El diagrama de dispersin en la grfica se reproduce en la grfica, con una recta trazada por los puntos para ilustrar que una recta probablemente ajustara los datos. Sin embargo, la recta trazada con una regla tiene una desventaja: su posicin se basa en el criterio de la persona que traza la recta.

Llamadas de ventas y copiadoras vendidas de 10 representantes de ventas

Cuatro rectas superpuestas en el diagrama de dispersin

Las rectas trazadas a mano en la grfica representan los criterios de cuatro personas. Todas las rectas, excepto A, parecen razonables. Sin embargo, cada una generara un estimado distinto de unidades vendidas para un nmero particular de llamadas de ventas.

Al emplear la recta de regresin con un mtodo matemtico denominado principio de los mnimos cuadrados. Este mtodo proporciona lo que comnmente se conoce como recta del mejor ajuste.

PRINCIPIO DE MINIMOS CUADRADOS

Determina una ecuacin de regresin al minimizar la suma de los cuadrados de las distancias verticales entre los valores reales de Y, y los valores pronosticados de Y.
Para ilustrar este concepto, se trazan los mismos datos en las tres grficas siguientes. La recta de regresin en la grfica se determin con el mtodo de los mnimos cuadrados. Es la recta de mejor ajuste porque la suma de los cuadrados de las desviaciones verticales respecto de s misma es mnima. La primera grfica (X = 3, Y = 8) se desva 2 unidades de la recta, calculada como 10 8. El cuadrado de la desviacin es 4. La desviacin al cuadrado de la grfica en X = 4, Y = 18 es 16. La desviacin al cuadrado de la grfica en X = 5, Y = 16 es 4. La suma de las desviaciones al cuadrado es 24, calculada como 4 + 16 + 4.

Para ilustrar este concepto, se trazan los mismos datos en las tres grficas siguientes. La recta de regresin en la grfica se determin con el mtodo de los mnimos cuadrados. Es la recta de mejor ajuste porque la suma de los cuadrados de las desviaciones verticales respecto de s misma es mnima. La primera grfica (X = 3, Y = 8) se desva 2 unidades de la recta, calculada como 10 8. El cuadrado de la desviacin es 4. La desviacin al cuadrado de la grfica en X = 4, Y = 18 es 16. La desviacin al cuadrado de la grfica en X = 5, Y = 16 es 4. La suma de las desviaciones al cuadrado es 24, calculada como 4 + 16 + 4. Suponga que las rectas en las grficas 1 y 2 se trazaron con una regla. La suma de las desviaciones verticales al cuadrado en la grfica 1 es 44. Para la grfica 2 es 132.

Recta de mnimos cuadrados

Recta trazada con una regla

Recta diferente trazada con una regla

FORMULA GENERAL DE LA ECUACION DE REGRESION LINEAL

Y = a + bX
Donde: Y, que se lee Y prima, es el valor de la estimacin de la variable Y para un valor X seleccionado.

a es la interseccin Y. es el valor estimado de Y cuando X = 0. En otras palabras es el valor estimado de Y donde la recta de regresin cruza el eje Y cuando X es cero.
b es la pendiente de la recta, o el cambio promedio en Y por cada cambio de una unidad (ya sea aumento o reduccin) de la variable independiente X. X es cualquier valor de la variable independiente que se seleccione.

FORMULAS OARA a Y b
PENDIENTE PARA LA RECTA DE REGRESION

b=r

sy
sx

Donde: r, es el coeficiente de correlacin. sy, es la desviacin estndar de Y (variable dependiente) Sx, es la desviacin estndar de X (variable independiente) INTERSECCION CON EL EJE Y

Donde: Y:es la media de Y (la variable dependiente) X:es la media de X (es la variable independiente)

EJERCICIO:
La gerente de ventas de Copier Sales of America, reuni informacin sobre los nmeros de llamadas de ventas y copiadoras vendidas de una muestra de 10 representantes de ventas. Como parte de su presentacin en la siguiente reunin de ventas, la seora Bancer desea presentar informacin especfica acerca de la relacin entre el nmero de llamadas y el nmero de ventas. Con el mtodo de los mnimos cuadrados, determine una ecuacin lineal que exprese la relacin entre ambas variables. cul es el nmero esperado de copiadoras vendidas de un representante de ventas que hizo 20 llamadas?

La informacin obtenida por la gerente se muestra de la siguiente manera:

Coeficiente de correlacin: 0.759

Desviacin estndar de independiente X: 9.189 la variable

Desviacin estndar dependiente Y: 14.337

de

la

variable

Media de la variable dependiente Y: 45

Media de la variable independiente X: 22

Nmero de llamadas vendedor X:20 hechas por un