Criterios para la Presentacin del Proyecto de Investigacin y de Tesis 23

2
fx
i 1
i
2
i
 nx 2
Sx
n 1

f i es la frecuencia particular de cada valor que toma la variable;

En donde:

Xi: es cada uno de los datos

X: media aritmtica

N: nmero total de datos

COEFICIENTE DE VARIACIN

De acuerdo a Lind-Marchal-Mason. (2004, p.115) Es la razn (cociente) de

la desviacin estndar y la media aritmtica, expresada como un porcentaje.

S
C.V . X 100

Donde:

S: desviacin estndar

X: media

Esta medida es til para comparar la variacin relativa cuando los datos

estn en unidades diferentes. Ejemplo: Un estudio sobre el monto de bonos

pagados y los aos de servicio de varios empleados, dio como resultado los

VAC. Academia de Investigacin

 Criterios para la Presentacin del Proyecto de Investigacin y de Tesis 24

siguientes datos estadsticos: la media de los bonos pagados fue de $200 y la

desviacin estndar fue de $40. Comprese las dispersiones relativas.

CV= (40/200)*100= 20%

Lind-Marchal-Mason. (2004), p.115, 116.

Existen otras medidas de dispersin como son los Cuartiles, Deciles y

Centiles, estos expresan de igual manera a la dispersin que la desviacin

estndar, razn por la cual solo se mencionan en este prrafo sin profundizar en

los conceptos y frmulas.

Los cuarteles, percentiles, deciles etc., son medidas posicionales que se

utilizan para definir valores lmite para una fraccin determinada de elementos en

la distribucin ordenada, por ejemplo cul es el valor de la variable estudiada

cuando se separa el 68% de los datos ordenados?

n100
(i )
 F p11
C i L pi  a
f pi

CORRELACIN

Una correlacin existe entre 2 variables cuando una de ellas est

relacionada con la otra de alguna manera. Triola F. Mario, (2008), p. 517.

VAC. Academia de Investigacin

 Criterios para la Presentacin del Proyecto de Investigacin y de Tesis 25

COEFICIENTE DE CORRELACIN

El coeficiente de correlacin lineal r mide la fuerza o grado de la relacin

lineal entre los valores cuantitativos apareados x y y en una muestra. El

coeficiente de correlacin lineal tambin se conoce como coeficiente de

correlacin producto momento de Pearson, en honor a Karl Pearson (1857-

1936), quien lo desarroll originalmente. Triola F. Mario, (2008), p. 518.

x y  nx y
i 1
i i
r
s x sy n 1

donde:

n: nmero de pares de observaciones x es la media de la variable x

;VXPDGHORVYDORUHVGHODYDULDEOH[ y es la media de la variable y

<VXPDGHORVYDORUHVGHODYDULDEOH\ sx es la desviacin estndar de x

;<VXPDGHORVSURGXFWRVGHx y y sy es la desviacin estndar y

Ejemplo: En la siguiente tabla se muestran las llamadas a clientes

realizadas y copiadoras vendidas por lo 10 vendedores de una muestra de la

empresa Copier Sales of America.

representante de llamadas a clientes

ventas (X)
tom keller 20
jeff hall 40
brian virost 20
VAC. Academia de Investigacin
 Criterios para la Presentacin del Proyecto de Investigacin y de Tesis 26

greg fish 30
susan welch 10
carlos ramirez 10
rich niles 20
mike kiel 20
mark reynolds 20
soni jones 30

Calcular el coeficiente de correlacin.

Como primer paso se tiene que graficar el diagrama de dispersin y ubicar

la media de ambas variables (lneas rojas) x=22 y y=45, antes de hacerlo es

pertinente aclarar que la variable dependiente es el nmero de computadoras

vendidas y la independiente es la cantidad de llamadas hechas. Para graficar se

posiciona a la variable dependiente en el eje Y y la variable independiente en el

eje X.

Fuente:Creacin propia (2012)

VAC. Academia de Investigacin

 Criterios para la Presentacin del Proyecto de Investigacin y de Tesis 27

Si la relacin entre las 2 variables es positiva, entonces el nmero de

copiadoras vendidas es mayor a la media as como el nmero de llamadas

hechas.

Se calculan los productos que requiere la frmula de r:

representante de llamadas a clientes copiadoras vendidas XY

ventas (X) (Y)
tom keller 20 30 400 900 600
jeff hall 40 60 1600 36002400
brian virost 20 40 400 1600 800
greg fish 30 60 900 36001800
susan welch 10 30 100 900 300
carlos ramirez 10 40 100 1600 400
rich niles 20 40 400 1600 800
mike kiel 20 50 400 25001000
mark reynolds 20 30 400 900 600
soni jones 30 70 900 49002100
1080
TOTAL 220 450 5600 22100
0

Sustituyendo en la frmula

r= =0.759

Para interpretar este nmero sera de la forma siguiente: en primera

instancia es un nmero positivo, esto quiere decir, que existe una relacin directa

entre variables, en segundo lugar es muy cercano a 1, y entre ms cercano a 1 la

relacin es ms fuerte.

VAC. Academia de Investigacin

 Criterios para la Presentacin del Proyecto de Investigacin y de Tesis 28

Se dice que entre ms cercano a 1 (cuando la relacin es positiva) o a -1

(cuando la relacin es negativa) mayor es el grado de asociacin entre las

variables estudiadas.

REGRESIN LINEAL 3

Dado un conjunto de datos muestrales apareados, la ecuacin de

regresin

Y=a + bx

Describe algebraicamente la relacin entre 2 variables. La grfica de la

ecuacin de regresin se denomina recta de regresin (o recta del mejor ajuste o

recta de mnimos cuadrados). Triola (2008, p. 542).

Donde:

Y: es el valor pronosticado de la variable y para un valor seleccionado x.

a: es la ordenada de la interseccin con l, es decir, el valor estimado de y

cuando x=0.

b: es la pendiente de la recta, o el cambio promedio de y por unidad de

cambio en la variable independiente x.

3
El anlisis de regresin slo se utiliza cuando existe una relacin de dependencia entre las variables, esto
es Y depende o se modifica cuando el investigador modifica la variable independiente X. Y esto se mide
2 2
usando el coeficiente de determinacin r . Se considera que el modelo de regresin es adecuado cuando r es
al menos 0.8 pero entre ms cercano a 1 es mejor el ajuste al modelo matemtico propuesto.

VAC. Academia de Investigacin

 Criterios para la Presentacin del Proyecto de Investigacin y de Tesis 29

x y
i 1
i i  nx y
b= b
s x n 1

Donde x y y son las medias de ambas variables; sx es la desviacin

estndar de la variable x y n es el tamao de la muestra o nmero de pares

ordenados

&
a= a y  bx

donde:

X: valor de la variable independiente

Y: valor de la variable dependiente

N: nmero de elementos de la muestra

Ejemplo: Retomando el ejemplo utilizado en el apartado de correlacin

Cul es el nmero esperado de copiadoras vendidas por un representante que

realiza 20 llamadas a sus clientes?

Utilizando la tabla expuesta en el ejercicio anterior y sustituyendo en la

frmula tenemos:

b= = 1.1842

a=

VAC. Academia de Investigacin

 Criterios para la Presentacin del Proyecto de Investigacin y de Tesis 30

Por lo tanto la ecuacin de regresin es Y=18.9476+1.1842X. De modo

que si un vendedor hace 20 llamadas telefnicas, puede esperarse que venda

42.6316 copiadoras, esto es resultado de Y=18.9476+1.1842 (20). El valor

b=1.1842 (1.2 ya redondeado) significa que para cada llamada adicional que

realizan los representantes de ventas pueden esperar que aumente en casi 1.2 el

nmero de copiadoras vendidas. (Lind-Marchal-Mason. 2004), p.472, 473.

REFERENCIAS BIBLIOGRFICAS

Daniel WW, (2006) Bioestadstica- Base para el Anlisis de las Ciencias de

la Salud 4 Edicin: Limusa Wiley.

Devore J.L.(2001) Probabilidad y Estadistica para Ingeniera y Ciencias, 5

Edicin. Mxico: Thompson Learning.

Hines, W.W y Montgomery, D.C. (1993) Probabilidad y Estadstica para

Ingeniera y Administracin, 3 Edicin C.E.C.S.A. Mxico.

Lind-Marchal-Mason (2004) Estadstica para Administracin y Economa.

11 Ed: Alfa Omega.

Mendenhall. W.(1982) Introduccin a la probabilidad y la Estadstica 5

Edicin Wadsworth International/ Iberoamrica. USA: Thompson Learning.

Triola, Mario F. (2008). Estadstica. 10 Edicin: Ed. Pearson.

VAC. Academia de Investigacin