Estadística Industrial

Ingeniería Industrial

Primer entrega Caso 2

STARBUCKS

Alumno(s):
Nombre: Matrícula:
Acosta Flores Norma Karina. AFNO160291
Arrollo López Adolfo Ángel. ALAO161201
Figueroa Herrera Sebastián. FHSO160159
Rodríguez Chavarría David. RCDO160610

Asignatura: Estadística Industrial

Profesor(a):
Sergio Rodrigo Casasola Santana

Fecha: 8/04/2018
 ÍNDICE

Introducción ................................................................................................................. 2
Marco teórico ............................................................................................................... 4
 Prueba de normalidad ........................................................................................ 5
 Prueba de bondad de ajuste ................................................................................ 6
 Análisis de regresión y correlación lineal simple ............................................. 6
 Análisis de regresión y correlación lineal múltiple ........................................... 6
 Planteamiento ..................................................................................................... 4
Objetivo general........................................................................................................... 4

2
 Introducción
En el siguiente caso nos son expuestas dos problemáticas de la reconocida empresa de café
llamada Starbucks, en la primera parte nos hace mención de que se han registrado últimamente un
gran aumento de ventas, suponen que el motivo se debe a la implementación de sus nuevas tarjetas
de prepago, por lo que la empresa busca afirmar si el aumento de ventas se debe gracias a estas nuevas.
En la segunda parte del caso, nos hace mención del gran crecimiento en ventas que esta empresa ha
tenido a lo largo de los últimos 7 años, se plantea la búsqueda de los motivos por los cuales ha ocurrido
esto, con el fin de tener en cuenta los pronósticos para los siguientes 3 años.

Marco teórico

 Prueba de normalidad

Definición 1: Pruebas para determinar si un conjunto de datos se distribuyen de una manera

que es consistente con una distribución normal.

Definición 2: pruebas de normalidad se utilizan para determinar si un conjunto de datos está

bien modelada por una distribución normal o no, o para calcular la probabilidad de una variable
aleatoria de fondo es que se distribuye normalmente. Más precisamente, son una forma de selección
de modelos, y se puede interpretar de varias maneras, dependiendo de la interpretación de la
probabilidad:

* En cuanto a la estadística descriptiva, que se mide un grado de ajuste de un modelo normal a los
datos - si el ajuste es pobre, entonces los datos no está bien modelada en que el respeto por una
distribución normal, sin hacer un juicio sobre cualquier otra variable subyacente.

* En las pruebas de hipótesis estadísticas frecuentista de estadística, los datos se ponen a prueba
contra la hipótesis nula que se distribuye normalmente.

(Pruebas de normalidad, s.f.)

3
  Prueba de bondad de ajuste

Deacuerdo con Navidi (2006) Un estadístico de la bondad del ajuste representa

una cantidad que mide qué tan bien un modelo explica un conjunto específico de datos.
Un modelo lineal ajusta bien si hay una fuerte relación lineal entre x y y. (pag. 124).

La Prueba de Bondad de Ajuste Chi Cuadrado es el test de bondad de ajuste más

utilizado. En general un test de bondad de ajuste se utiliza para discriminar si una
colección de datos o muestra se ajusta a una distribución teórica de una determinada
población. En otras palabras, nos dice si la muestra disponible representa (ajusta)
razonablemente los datos que uno esperaría encontrar en la población.
El test de bondad de ajuste chi cuadrado puede ser utilizado para trabajar tanto
con distribuciones discretas como, por ejemplo, la Distribución de Poisson o la
Distribución Binomial como así también con distribuciones continuas (por ejemplo,
Distribución Normal, Distribución Exponencial, etc). Esto a diferencia de las pruebas
de bondad de ajuste Kolmogorov Smirnov y Anderson Darling que sólo pueden ser
utilizados para trabajar con distribuciones continuas.
(Prueba de bondad de ajuste, s.f.)

 Analisís de regresión y correlación lineal simple

El coeficiente de correlación lineal r que es una medida numérica de la fuerza de

la relación entre dos variables que representan datos cuantitativos. Utilizando datos
muestrales apareados (que en ocasiones se llaman datos bivariados), calculamos el
valor de r (generalmente con la ayuda de recursos tecnológicos) y luego utilizamos este
valor para concluir que existe (o no) una relación entre las dos variables. (Triola, 2009)
Análisis de regresión y correlación lineal simple. La correlación lineal y la regresión
lineal simple son métodos estadísticos que estudian la relación lineal existente entre
dos variables. Antes de profundizar en cada uno de ellos, conviene destacar algunas
diferencias:
La correlación cuantifica como de relacionadas están dos variables, mientras que
la regresión lineal consiste en generar una ecuación (modelo) que, basándose en la
relación existente entre ambas variables, permita predecir el valor de una a partir de la
otra.

4
 El cálculo de la correlación entre dos variables es independiente del orden o
asignación de cada variable a X e Y, mide únicamente la relación entre ambas sin
considerar dependencias. En el caso de la regresión lineal, el modelo varía según qué
variable se considere dependiente de la otra (lo cual no implica causa-efecto). (Rodrigo,
2016)

 Analisís de regresión y correlación lineal multiple

De acuerdo con Triola (2009), una ecuación de regresión múltiple expresa una
relación lineal entre una variable de respuesta y y dos o más variables de predicción
(x1, x2,… xk) .La forma general de una ecuación de regresión múltiple es: yˆ = b0 +
b1x1 + b2x2 + …+ bkxk). (pag. 516).

El análisis de regresión múltiple se emplea para resolver importantes problemas de

investigación, particularmente en el mundo empresarial. El análisis de regresión es con
mucho la técnica de dependencia más versátil y ampliamente utilizada, aplicable en
cualquier ámbito de la toma de decisiones en los negocios. Sus usos van de los
problemas más generales a los más específicos, relacionando en cada caso un factor (o
factores) con un resultado específico.
Correlación En estadística, el coeficiente de correlación de Pearson es una
medida de la relación lineal entre dos variables aleatorias cuantitativas. A diferencia de
la covarianza, la correlación de Pearson es independiente de la escala de medida de las
variables. De manera menos formal, podemos definir el coeficiente de correlación de
Pearson como un índice que puede utilizarse para medir el grado de relación de dos
variables siempre y cuando ambas sean cuantitativas. (Correlaciones y análisis de
regresión).

5
 Planteamiento
La empresa Starbucks lanzó su tarjeta prepagada en el año 2001, la cual tiene entre $5 y $500
dólares y puede usarse en cualquier local. Se piensa que la tarjeta constituyó gran parte del aumento
de 7% en ventas de la compañía a principios de 2002, y que atrajo numerosos nuevos clientes a la
tienda ya que las recargaban con un monto mayor al inicial.
Por ello, la gerencia de la tienda desea estudiar las razones por las cuales algunas personas
compran éstas tarjetas con cantidades prepagada más altas que otras personas, realizando un modelo
de regresión lineal.
En la parte dos pide reflexionar sobre el crecimiento rápido que ha tenido la empresa en los
últimos 7 años elaborando un modelo de regresión lineal múltiple involucrando 3 variables
independientes para así observar que variable no afecta a los ingresos para poder controlar a las que
si. Todo esto lo haremos con ayuda de las herramientas Minitab y Excel.

Objetivo general
Que lo integrantes del equipo comprendan y desarrollen los análisis de regresión que se
solicitan para la resolución del caso y analizar la utilidad que tiene este tema para pronosticar.

6
 Bibliografía

Correlaciones y análisis de regresión. (s.f.). Recuperado el 30 de Marzo de 2018, de

https://5%20Correlciones%20y%20Analisis%20de%20Regresion.pdf
Manufacturing Terms. (s.f.). Recuperado el 26 de Marzo de 2018, de
https://www.manufacturingterms.com/Spanish/Normality-Tests.html
Navidi, W. (2006). Estadística para ingenieros. México, DF: McGRAW-
HILL/INTERAMERICANA EDITORES, S.A DE C.V.
Prueba de bondad de ajuste. (s.f.). Recuperado el 29 de Marzo de 2018, de
https://www.probabilidadesyestadistica.com/prueba-de-bondad-de-ajuste-chi-
cuadrado/
Rodrigo, J. A. (Junio de 2016). Recuperado el 29 de Marzo de 2018, de
https://rpubs.com/Joaquin_AR/223351
Triola, M. (2009). Estadística. México: Pearson Educación.
Triola, M (2009). Estadística. México: Pearson Educación.