Mest-2 (Entregable)

Métodos
Estadísticos
para los
Negocios
Dr. Jorge Muro Arbulú
Métodos Estadísticos – J. Muro Arbulú 1
No se puede mostrar la imagen en este momento.
Medias
Medianas
Modas…
(Medidas de Tendencia Central)
Métodos Estadísticos - J. Muro Arbulú 2
1
Medias [ Promedio() ] [ =Media.geom() ]
Media Aritmética 
Media Geométrica 
(Promedio de %, Ratios, Índices, Tasas)

¿Aumento de 5% este Año y 15% el Próximo = 20%?
MG =
Mediana, Moda [=Mediana (); Moda()]
Mediana = Punto Medio de los Valores al Ordenarlos

de Menor a mayor o Viceversa De < a > De > a <
$60 $275
65 80
¿Par? 70  Mediana  70
80 65
275 60
Moda = El Valor de la Observación que Aparece con

Más Frecuencia
Moda
2
Medias, Medianas, Modas (Ej. Dpto. en Miles)
De < a > De > a <

$60 $275
65 80
70  Mediana  70 =Mediana() = 70
80 65
275 60
Media Aritmética  =$110 000

=Promedio() = 110
$275 000 Distorsiona Media
Promedio, Mediana, Moda ¿Cuál?
3
¿Qué Debe ver un Gerente?
Sobrecarga de Información:
• Costos de Inventario
• Planilla
• Volumen de Producción
• Utilización de Activos
• …
¿Qué Hacer Primero?
Agrupar la Data
Graficarla para Visualizar Algún Patrón
Ver Data en Forma Gráfica Puede Aumentar Nuestro
Entendimiento de la Situación
que Describe
4
Valores Atípicos (Outliers)
Data Como Este No

Concuerda con el Resto:
Outliers
¿Cómo los Interpretamos?

Típicamente, una de Siguientes Acciones:
1)Dejar el Outlier Solo

2)— Muy Raramente— Removerlo
3)Cambiarlo a su Valor Correcto
4) Usar la Mediana
5
Excluir o Cambiar la Data con Cuidado:
1)Nunca Hacerlo Para que la Data “Encaje”

Con a Conclusiones a priori
2) Cambios en la Data Deben ser
Caso por Caso
3) Investigar Cada Situación

01-abr 13 Inventario (Unidades)
02-abr 20 90
03-abr 12 80
80
04-abr 18
70
05-abr 15
06-abr 16 60
07-abr 10 50
08-abr 17
40
09-abr 17
10-abr 17 30
11-abr 14 20
12-abr 17
10
13-abr 80
14-abr 17 0
15-abr 17
16-abr 11
6
Notar que Días 12 y 14 el Inventario fue de 17 y 17
Respectivamente
Outliers (Error de Tipeo)
Valor Muy Improbable
Outliers
7
Medidas de Dispersión
(Sin Data Relacionada
Probabilísticamente)
Medidas de Tendencia Central

• Media Sentido del Centro de la Data
• Mediana
Ninguna Indica la Dispersión
• Moda
Dos Conjuntos de Data pueden Tener Igual Promedio (Media) y
Mediana y Estar Distribuidos Alrededor del Centro en Forma Diferente
¡Es Necesario Medir la Variabilidad de la Data!
8
Varianza (muestral)
Dada una variable aleatoria X con Media μ = E(X), se

Define su Varianza, Var(X) (también representada
como o, simplemente σ2):
Var (X)= = E [X - μ]2
= Corrección de Bessel
Grados de Libertad…
Solo es n-1 en D.E. por Muestreo, que
Introduce Variación Aleatoria
17
¿Cómo se Aparta la Data del Medio?
Varianza:
En un Hotel, Cada Sábado el
Número de Pedidos es
Alrededor de 172, la Media.
Varianza = Suma los

Cuadrados de Diferencias
¿Por qué los

Cuadrados?
Distancia de la Media
9
¿Cómo se Aparta la Data del Medio?
Varianza: =VAR.S() o =VAR()
Si Solo Sumamos:
Positivas y Negativas Pueden
Cancelarse
“La Distancia Típica de un Valor del Promedio es…”
Desviación Estándar (DE) =DESVEST()
La DE Nos Dice Qué Tanto está Expandida la Data Alrededor

de la Media [=PROMEDIO()].
Una Gran DE Indica Que la Data está Ampliamente Dispersa.
Una Pequeña DE Indica Que la Data está más Arracimada o

Junta.
10
Medidas de Dispersión
(Con Data Relacionada
Probabilísticamente)
Varianza, D. E. y Probabilidades
Se Ha Visto Varianza y D. E. de Arreglos de Data de
Cantidades Inciertas Independientes.
Es Cierto, Siempre y Cuando Éstas sean Cantidades

Inciertas sean Probabilísticamente Independientes .
22
11
Valor Esperado
El Valor Esperado de una Cantidad Incierta

es el Promedio Ponderado de Todos sus
Valores Posibles x Prob. de Ocurrencia
(Distrib. de Probabilidad)
X  {x1, x2, ..., xn}

VE o E de X = x1P(X= x1)+ x2 P(X=x2)+ ... +xnP(X=xn)
= E(X)= E(x1)+ E(x2)+…+E(xn)

23
Valor Esperado
VE de X = Promedio Ponderado de X
E(X)
“Mejor Suposición” del Resultado de una

Variable Aleatoria o Cantidad Incierta
Si Y=a +bX E(Y)=a +bE(X) (sólo lineal)
24
12
Varianza y D. E. (Más)
(0,24)
$20
(0,47)
$35
A
(0,29)
$50
(0,25)
-$9
(0,35)
B $0
(0,40)
$95
25
Resultados
E(Utilidad / A) = $35,75
E(Utilidad / B) = $35,75
Var(Utilidad / A) = (20-35,75)2(0,24)+...
=$118,69  =$10,89
Var(Utilidad / B) = $2 352,19  =$48,50
26
13
Afortunadamente…
A Mano Excel
Varianza
2 Var()
Var.S()
Desviación Desvest()
Estándar
27
Análisis de
Dos Variables
(Correlación)
28
14
Dos Variables ¿Están Relacionadas? Atletas:
1ro: Visualizar la Data: Dispersión
Atletas más Altos Tienden a Ser más Pesados

En Negocios, las Relaciones tienden a ser más Sutiles
29
Series de Tiempo
Queremos comprar Memorias (PC’s) pero Precios son Muy Volátiles

¿Qué hacemos? ¿Compramos o Esperamos?
Series de Tiempo son Muy Útiles:

Data en Orden Temporal
Muestran Cambio a Través del Tiempo
Patrones Estacionales o Anuales
Pero… No hay que Confiar Solo en lo que Visualizamos 30
15
Series de Tiempo (Más)
31
Visualización
Supongamos que Tratamos de Saber si hay Una Relación
Lineal
Intuitivamente, Notamos cuando la Data está Cerca a
Una Línea en un Diagrama de Dispersión
Mientras Más Cerca los Puntos de Datos a Línea, Más
Confianza de Relación Lineal entre las Dos Variables

32
16
Coeficiente de Correlación , Mide Fortaleza de
Relación Lineal en Escala de -1 a 1
Diagrama de Dispersión: Diagrama de Dispersión: Diagrama de Dispersión:
Visualiza la Relación Visualiza la Relación Visualiza la Relación
Variable 2
Variable 2
Variable 2
Variable 1
Variable 1 Variable 1
-1 0 1 -1 0 1 -1 0 1
 = -1  =0  =1
Coeficiente de Correlación ¿0?
Coeficiente de Correlación
(= 0; ¿No Hay Relación Entre la Data?)
34
17
Modelos No Lineales…
Aun Cuando el Coeficiente de Correlación sea Cero, Puede Existir

una Relación, Solo que No Lineal.
Diagramas de Dispersión Pueden Revelar Patrones y Ayudar a

Entender Mejor los Contextos de Negocios que la Data Describe
35
¿Y el -1, …, 1? ¿De Dónde lo Sacamos?
Volvamos a la Altura y Peso de los Atletas…
=COEF.DE.CORREL(Rango 1; Rango 2)
Correlación , que, Matemáticamente es:
Promed. de X * Promed. de Y
El Orden de las dos Datas (Peso y Altura) No Importa…

Siempre que Pertenezcan a la Misma Persona
36
18
Regresión
Lineal
Métodos Estadísticos - J. Muro

Arbulú 37
Requisitos
Premisa: Existe Data Histórica
Construir Distrib. de Probab. (DdP) con la Data
Data: Entender y Modelizar Relaciones
Data en Conjunción con DdP Teóricas

Arbulú 38
19
Usos
Poderosa Herramienta Estadística
Usada Siempre en Negocios:
En Finanzas
Predicción de Demanda
Investigación de Mercados
…Por Nombrar Solo Algunas Áreas

Arbulú 39
Ecuación del un Modelo Lineal
Modelo Lineal:
y = Variable Dependiente (o Respuesta)

x = Variable Independiente (o Explicativa)
a= Recta Intercepta y
b= Pendiente de la Recta
y
 = Variable Error
y
b= y/x
a x
x
40
20
Regresión Lineal:
Herramienta Estadística: Ayuda a Caracterizar la
Estructura de la Relación Entre Dos Variables
Línea de la Regresión:
Estructura de la Relación
Variable 2
Variable 1

Arbulú 41
Ejemplo: ¿Cómo influye la

Publicidad en las Ventas?
Niveles de Publicidad Influencian Ventas, Pero no

se Conoce Cómo es la Relación
Ventas (en $Millones)
Publicidad (en $Miles)

Arbulú 42
21
Publicidad y Ventas?
Data en Publicidad y Ventas en los Últimos 10 Años
Coeficiente de correlación
 =0,93
La Relación Parece Métodos

Razonablemente
Estadísticos - J. Muro
Lineal
Arbulú 43
¿Cuál Línea?
¿Qué Línea Encaja Mejor con la Data?

Nuestros Ojos y Mente “Ven” Cómo Están
Relacionadas, pero ¿Cómo lo Formalizamos?
¿Cuál?
Arbulú 44
22
Método de Cuadrados Mínimos: Regresión y Errores 
Se Toma Cuadrado de Cada Distancia y Luego se Suman
todos los Cuadrados (Similar a Como Calculamos la Varianza)
Suma de Cuadrados Residuales (SCR), o Suma de

Cuadrados de los Errores: Cuan Precisa Una Línea Describe
un Conjunto de Datos  SCR Que sea Mínima. O:

Ventas (en $Millones)
SCR
SCE
(Se lo Dejamos a
la PC)
Máximo o Mínimo
Publicidad (en $Miles)

Arbulú 45
Regresión: En Práctica Data  Análisis de Datos

Arbulú 46
23
Regresión: En Práctica Data  Análisis de Datos
A B C
Variable Dependiente
Variable Independiente
(o Explicativa)

Arbulú 47
Data  Análisis de Datos  Regresión: Resultados

Resumen
Estadísticas de la regresión
Coeficiente de
correlación
múltiple 0,93
Etiqueta “Publicidad ($)”. Ha Sido
Coeficiente de
determinación Puesta por Excel de la Columna
R^2 0,86
Original de Datos.
R^2 ajustado 0,84
Error típico 376153,16
Observaciones 10
Pendiente (b)
ANÁLISIS DE VARIANZA
Grados de Promedio de los Valor crítico de
libertad Suma de cuadrados cuadrados F F
Regresión 1 6881255000000,91 6881255000000,91 48,63 0,00
Residuos 8 1131929600999,09 141491200124,89
Total 9 8013184601000,00
Coeficientes Error típico Estadístico t Probabilidad Inferior 95% Superior 95% Inferior 95,0% Superior 95,0%
Intercepción -333831,15 470558,58 -0,71 0,50 -1418941,18 751278,87 -1418941,18 751278,87
Publicidad 50,00 7,17 6,97 0,00 33,47 66,53 33,47 66,53
Ventas=-333 831 + 50 x (Publicidad)

Arbulú 48
24
Resultados: Significado de la Ecuación
A B C
Línea de Regresión Ajustada
5,000,000
4,500,000
4,000,000
3,500,000
3,000,000
Ventas
2,500,000
Ventas
2,000,000
Pronóstico Ventas
1,500,000
1,000,000
500,000
-
- 20,000 40,000 60,000 80,000 100,000
Publicidad
Ecuación de Regresión:
Ventas = -333 831 + 50 x Publicidad
$1 en Publicidad  $ 50 en Ventas
$10 000 en Publicidad  $ 500 000 en Ventas
Arbulú 49
Resultados: ¿Hasta Dónde?

Cuidado
Cuidado
No extrapolar Línea Lejos de Datos Históricos
Implica Presumir que Toda Data (pasada y Futura) es

Lineal Arbulú 50
25
Resultados y Precauciones
Línea
Líneade
deRegresión
Regresión
Rango
Rango de
de
Ventas (en Miles)

Data
DataHistórica
Histórica
Publicidad (en Miles)

Arbulú 51
R2  Proporción de Variación Total de la

Variable Dependiente es Explicada por Línea de
Regresión
Resumen
Coeficiente de correlación múltiple 0,93
R2
Coeficiente de determinación R^2 0,86
R^2 ajustado 0,84
Observaciones 10
Grados de Promedio de los

libertad Suma de cuadrados cuadrados F Valor crítico de F
Regresión 1 6,88E+12 6881255000000,91 48,63 0,00
Residuos 8 1,13E+12 141491200124,89
Total 9 8,01E+12
Coeficientes Error típico Estadístico t Probabilidad Inferior 95% Superior 95%

Intercepción -333831,15 Métodos Estadísticos - -0,71
470558,58 J. Muro 0,50 -1418941,18 751278,87
Publicidad ($) 50,00 7,17Arbulú 6,97 0,00 33,47 66,5352
26
Regresión: En Práctica / Data  Análisis de Datos
Resumen
Coeficiente de correlación múltiple 0,93
Coeficiente de determinación R^2 0,86 Valor-p 0,0001  Un 99.99% de

R^2 ajustado 0,84 Confianza que Pendiente (b) es
a0
Observaciones 10
Grados de Promedio de los

libertad Suma de cuadrados cuadrados F Valor crítico de F
Regresión 1 6881255000000,91 6881255000000,91 48,63 0,00
Residuos 8 1131929600999,09 141491200124,89
Total 9 8013184601000,00
Coeficientes Error típico Estadístico t Probabilidad Inferior 95% Superior 95%

Intercepción -333831,15 470558,58 -0,71 0,50 -1418941,18 751278,87
Publicidad ($) 50,00 7,17 6,97 0,00 33,47 66,53

Arbulú 53
Regresión: Versión Rápida

A B C Insertar  Gráfico Dispersión
Ecuación de Regresión:
Ventas = -333 831 + 50 x Publicidad
Arbulú 54
27
Sumario o Resumen
Medias, Medianas, Modas
Medidas de Dispersión y Utilidad
Correlación en la Data y su Medida
Método de Cuadrados Mínimos (Algoritmos)
Regresión Lineal
Metodología y Límites de Regresión Lineal

Arbulú 55
28

Mest-2 (Entregable)

Загружено:

Сведения о документе

Авторское право

Доступные форматы

Поделиться этим документом

Поделиться или встроить документ

Параметры публикации

Этот документ был вам полезен?

Это неприемлемый материал?

Авторское право:

Доступные форматы

Mest-2 (Entregable)

Загружено:

Авторское право:

Доступные форматы

Métodos

Métodos Estadísticos – J. Muro Arbulú 1

No se puede mostrar la imagen en este momento.

(Medidas de Tendencia Central)

Métodos Estadísticos - J. Muro Arbulú 2

(Promedio de %, Ratios, Índices, Tasas)

Mediana, Moda [=Mediana (); Moda()]

Mediana = Punto Medio de los Valores al Ordenarlos

Moda = El Valor de la Observación que Aparece con

De < a > De > a <

Media Aritmética  =$110 000

Métodos Estadísticos - J. Muro Arbulú 5

Promedio, Mediana, Moda ¿Cuál?

Métodos Estadísticos - J. Muro Arbulú 6

Métodos Estadísticos - J. Muro Arbulú 7

¿Qué Hacer Primero?

Graficarla para Visualizar Algún Patrón

Ver Data en Forma Gráfica Puede Aumentar Nuestro

Métodos Estadísticos - J. Muro Arbulú 8

Data Como Este No

¿Cómo los Interpretamos?

Métodos Estadísticos - J. Muro Arbulú 9

Valores Atípicos (Outliers)

1)Dejar el Outlier Solo

Métodos Estadísticos - J. Muro Arbulú 10

1)Nunca Hacerlo Para que la Data “Encaje”

Métodos Estadísticos - J. Muro Arbulú 11

Valores Atípicos (Outliers)

Outliers (Error de Tipeo)

Valor Muy Improbable

Métodos Estadísticos - J. Muro Arbulú 13

Métodos Estadísticos - J. Muro Arbulú 14

Métodos Estadísticos - J. Muro Arbulú 15

Medidas de Tendencia Central

¡Es Necesario Medir la Variabilidad de la Data!

Métodos Estadísticos - J. Muro Arbulú 16

Dada una variable aleatoria X con Media μ = E(X), se

Var (X)= = E [X - μ]2

¿Cómo se Aparta la Data del Medio?

Varianza = Suma los

¿Por qué los

Métodos Estadísticos - J. Muro Arbulú 18

Varianza: =VAR.S() o =VAR()

Métodos Estadísticos - J. Muro Arbulú 19

“La Distancia Típica de un Valor del Promedio es…”

Desviación Estándar (DE) =DESVEST()

La DE Nos Dice Qué Tanto está Expandida la Data Alrededor

Una Gran DE Indica Que la Data está Ampliamente Dispersa.

Una Pequeña DE Indica Que la Data está más Arracimada o

Métodos Estadísticos - J. Muro Arbulú 20

Métodos Estadísticos - J. Muro Arbulú 21

Es Cierto, Siempre y Cuando Éstas sean Cantidades

El Valor Esperado de una Cantidad Incierta

X  {x1, x2, ..., xn}

= E(X)= E(x1)+ E(x2)+…+E(xn)

“Mejor Suposición” del Resultado de una

Si Y=a +bX E(Y)=a +bE(X) (sólo lineal)

Var(Utilidad / B) = $2 352,19  =$48,50

Atletas más Altos Tienden a Ser más Pesados

Queremos comprar Memorias (PC’s) pero Precios son Muy Volátiles

Series de Tiempo son Muy Útiles:

Intuitivamente, Notamos cuando la Data está Cerca a

Una Línea en un Diagrama de Dispersión

Mientras Más Cerca los Puntos de Datos a Línea, Más