Estadística aplicada a los negocios.
PIA - Reporte de solución de un caso mediante la aplicación de
métodos estadísticos sobre un problema relacionado con
proyecciones de información en estudios de mercado.
Lic. en Negocios Internacionales
Semestre: 5° Grupo: 5Ei
Maestro: ALEJANDRA CERVANTES MARTINEZ
Integrantes de equipo:
Cardenas Garza Mariel (2134147)
Cardona Castro Carlos Alejandro (2134086)
Castillo López Sofía Edith (2054756)
Cázares Aguillón Fernando (2043592)
Cano Rodríguez Carolina Miranda (2134111)
Contenido Mínimo A Evaluar Cumplimiento
Índice ☐
Introducción. - incluye valores ☐
UANL aplicados
Análisis y emisión de juicio ☐
Conclusiones individuales ☐
Conclusión del equipo ☐
Actividad en inglés ☐
---------------------------------------------------------------------------------------------------
Calificación PIA Calificación final.
Firma:
Ciudad Universitaria, 17 de noviembre de 2024
Introducción
El objetivo de este trabajo es analizar la relación entre dos variables clave que
emergen del uso de la plataforma TikTok, con el fin de entender cómo ciertos
patrones de comportamiento de los usuarios afectan su experiencia de interacción.
En un contexto donde las redes sociales son fundamentales para la comunicación y
el entretenimiento, es esencial estudiar los factores que influyen en la percepción de
los usuarios para mejorar su experiencia y optimizar las estrategias de contenido.
Para llevar a cabo este análisis, se utilizarán datos recolectados a través de una
encuesta aplicada a dos personas, lo que permitirá observar y medir la interacción
con TikTok en términos de tiempo de uso y el nivel de percepción del usuario sobre
su grado de participación en la plataforma. Estos datos se procesarán para construir
un modelo estadístico basado en un análisis de regresión lineal, que ayudará a
identificar tendencias y relaciones entre las variables seleccionadas. La variable
independiente (x) se definirá como el número de horas semanales dedicadas a
TikTok, mientras que la variable dependiente (y) será el nivel de interacción
percibido por los usuarios, medido en una escala previamente establecida.
Además de calcular métricas fundamentales como la media, la desviación estándar,
el coeficiente de correlación y la ecuación de regresión, se presentará una
representación gráfica a través de un diagrama de dispersión que facilite la
interpretación de los datos. Este gráfico incluirá la recta de regresión que describe la
relación lineal entre las variables y permitirá visualizar puntos clave como
proyecciones futuras y tendencias.
El análisis estadístico no solo busca interpretar los datos obtenidos, sino también
extraer conclusiones relevantes sobre la relación entre el tiempo dedicado a la
plataforma y la percepción de interacción del usuario. Asimismo, permitirá explorar
cómo se manifiestan estas dinámicas.
Regresión Lineal
La regresión lineal es una de las herramientas estadísticas más utilizadas para
analizar y modelar relaciones entre variables. Se aplica en una amplia variedad de
campos, como la economía, las ciencias sociales, la biología, la ingeniería y el
marketing, debido a su capacidad para prever comportamientos y comprender cómo
una o más variables pueden influir en una variable dependiente. Los objetivos
principales de la regresión lineal se centran en modelar la relación entre variables y
predecir valores futuros o desconocidos. Estos dos objetivos son fundamentales
para entender cómo funciona la regresión lineal y por qué es tan valiosa en la toma
de decisiones basada en datos.
Modelar la Relación entre Variables
El primer objetivo crucial de la regresión lineal es modelar la relación entre una
variable dependiente y una o más variables independientes. En términos sencillos,
esto significa encontrar una ecuación matemática que represente cómo cambia la
variable dependiente cuando se modifican las variables independientes. La
regresión lineal parte de la suposición de que existe una relación lineal entre las
variables, lo que implica que el cambio en la variable dependiente puede describirse
mediante una línea recta (en el caso de la regresión lineal simple) o un plano (en la
regresión lineal múltiple).
En la regresión lineal simple, se analiza cómo una variable independiente influye en
la variable dependiente. Por ejemplo, podríamos estudiar cómo el número de horas
de estudio (variable independiente) afecta el rendimiento académico de los
estudiantes (variable dependiente). En este caso, la regresión lineal nos ayuda a
determinar si existe una relación directa entre el tiempo dedicado al estudio y el
rendimiento, y si es así, cómo se puede describir esa relación de manera
matemática.
En la regresión lineal múltiple, el modelo se extiende a varias variables
independientes, lo que permite estudiar situaciones más complejas. Por ejemplo,
podríamos intentar predecir el precio de una vivienda (variable dependiente)
considerando variables como el tamaño de la casa, la ubicación, el número de
habitaciones y el año de construcción (variables independientes). El objetivo aquí es
comprender cómo todas estas variables juntas influyen en el precio de la vivienda y
cómo se puede expresar esa influencia en una ecuación.
Este primer objetivo es clave porque no solo ayuda a comprender las relaciones
subyacentes entre las variables, sino que también permite identificar patrones y
tendencias que pueden no ser evidentes a simple vista. Además, el modelo
resultante ofrece una representación cuantitativa de esas relaciones, lo cual es
extremadamente útil para el análisis y la interpretación de datos en diversas
disciplinas.
Método de mínimos cuadrados
El método de mínimos cuadrados es una técnica estadística fundamental que
permite ajustar un modelo lineal a un conjunto de datos observados, con el objetivo
de minimizar la discrepancia entre los valores reales y los predichos por el modelo.
Este método se utiliza principalmente en regresión lineal, donde la relación entre
una variable dependiente y una o más variables independientes se representa
mediante una ecuación lineal. Su simplicidad, efectividad y aplicabilidad en diversas
áreas hacen que sea una herramienta esencial en el análisis de datos.
El objetivo principal del método de mínimos cuadrados es encontrar la mejor línea
recta (en el caso de la regresión lineal simple) que se ajuste a los datos observados,
minimizando la suma de los cuadrados de los errores. Los errores son las
diferencias entre los valores reales de la variable dependiente yi y los valores
predichos por el modelo y^i, es decir, las distancias entre los puntos de datos reales
y la línea ajustada. Esta minimización garantiza que la línea de ajuste sea la más
cercana posible a todos los puntos de datos.
Evaluación del Modelo de Regresión Lineal
La regresión lineal es una de las técnicas estadísticas más comunes y útiles para
analizar la relación entre variables. Al ajustar un modelo de regresión lineal a un
conjunto de datos, uno de los pasos más importantes es evaluar su desempeño
para determinar si es confiable y adecuado para hacer predicciones. La evaluación
del modelo de regresión lineal no solo permite conocer la precisión del ajuste, sino
que también ayuda a validar las suposiciones subyacentes del modelo. Existen
diversas herramientas y métricas que permiten realizar esta evaluación, cada una
proporcionando información diferente sobre la calidad del modelo.
Para obtener una evaluación más detallada, es esencial analizar los errores del
modelo, que representan las diferencias entre los valores predichos y los valores
observados. El error cuadrático medio (MSE) es una medida de la magnitud de
estos errores y se calcula como el promedio de los cuadrados de las diferencias. Un
MSE bajo indica que los errores son pequeños, lo que implica que las predicciones
del modelo son precisas. A su vez, el Raíz del Error Cuadrático Medio (RMSE) es la
raíz cuadrada de este valor y ofrece una medida de error en las mismas unidades
que la variable dependiente, lo que facilita su interpretación.
Además de las métricas numéricas, otro paso crucial en la evaluación del modelo de
regresión es el análisis de los residuos, es decir, las diferencias entre los valores
observados y los predichos. Los residuos deben cumplir con ciertas propiedades
para que el modelo sea válido. En primer lugar, los residuos deben ser normales.
Esto significa que, al graficarlos, deberían distribuirse de manera simétrica alrededor
de cero, lo que indica que no hay sesgo sistemático en los errores del modelo. El
análisis de residuos también permite comprobar la homocedasticidad, es decir, que
los residuos tengan una varianza constante en todos los niveles de la variable
independiente. Si los residuos muestran patrones de dispersión que aumentan o
disminuyen con el valor de la variable independiente, esto indica que el modelo no
está captando completamente la relación entre las variables y podría ser necesario
ajustar el modelo o utilizar una transformación de los datos.
Los Supuestos de la Regresión Lineal: Importancia y Cumplimiento
Estos supuestos aseguran que las estimaciones del modelo sean precisas y que las
inferencias estadísticas sean confiables. A continuación, se presentan los
principales supuestos de la regresión lineal, explicando su importancia y las
consecuencias de su incumplimiento.
1. Linealidad
El primer supuesto es que la relación entre las variables independientes y la variable
dependiente sea lineal. Es decir, que los cambios en las variables independientes se
reflejan de manera proporcional en la variable dependiente. Si este supuesto no se
cumple, el modelo de regresión lineal no será adecuado. Para verificarlo, se pueden
graficar las variables para observar si la relación sigue una tendencia lineal.
2. Independencia de los Errores
Los errores del modelo deben ser independientes entre sí, lo que significa que no
debe haber patrones o correlaciones entre los residuos de las observaciones. Si
este supuesto se viola, el modelo puede ser inexacto, especialmente en series
temporales. Herramientas como el test de Durbin-Watson se utilizan para comprobar
la independencia de los errores.
3. Homocedasticidad
Otro supuesto fundamental es que los errores tienen varianza constante en todos
los niveles de las variables independientes. Esto significa que la dispersión de los
residuos no debe aumentar o disminuir a medida que cambia el valor de la variable
independiente. Si se observa heterocedasticidad (es decir, variabilidad en los
errores), el modelo será menos confiable, y es necesario hacer ajustes o aplicar
transformaciones a los datos.
4. Normalidad de los Errores
Para que las pruebas de significancia sean válidas, se supone que los errores
siguen una distribución normal. Aunque este supuesto no es esencial para la
predicción, sí lo es para realizar inferencias sobre los coeficientes del modelo. Si los
errores no siguen una distribución normal, las pruebas estadísticas, como las
pruebas t, pueden resultar inexactas. Gráficos como el Q-Q plot son útiles para
verificar esta suposición.
5. No Multicolinealidad
En modelos de regresión múltiple, es crucial que las variables independientes no
estén altamente correlacionadas entre sí, ya que la multicolinealidad puede inflar las
estimaciones de los coeficientes y hacer que el modelo sea inestable. Para detectar
multicolinealidad, se puede utilizar el Índice de Inflación de la Varianza (VIF), donde
un valor superior a 10 indica problemas de multicolinealidad.
Aplicaciones de la regresión lineal
La regresión lineal es una herramienta estadística esencial utilizada para analizar y
predecir relaciones entre variables. Su simplicidad y efectividad permiten su
aplicación en diversos campos:
1. Economía y Finanzas: Se usa para predecir precios de acciones, analizar el
impacto de variables económicas (como tasas de interés) sobre el
crecimiento económico o el rendimiento de las inversiones.
2. Marketing y Ventas: Ayuda a predecir la demanda de productos, ajustar
precios y evaluar la efectividad de campañas publicitarias, permitiendo a las
empresas optimizar su presupuesto de marketing.
3. Medicina y Ciencias de la Salud: En la medicina, se aplica para predecir
riesgos de enfermedades basados en factores como la edad o el índice de
masa corporal, y para evaluar la eficacia de tratamientos médicos.
4. Ciencias Sociales: Se utiliza para estudiar las relaciones entre variables
sociales, como el impacto del ingreso o la educación sobre la calidad de vida
o las actitudes políticas.
5. Ciencia y Tecnología: En ingeniería, biología y física, se emplea para
modelar procesos y fenómenos como la resistencia de materiales o el
crecimiento de poblaciones.
6. Sector Inmobiliario: Ayuda a predecir los valores de las propiedades en
función de características como ubicación, tamaño y número de habitaciones.
7. Agricultura: Permite predecir el rendimiento de los cultivos en función de
factores climáticos, uso de fertilizantes y otros parámetros.
8. Transporte y Logística: Se aplica para predecir tiempos de entrega,
optimizar rutas y mejorar la eficiencia operativa de las empresas de
transporte.
Datos Finales de la encuesta
Tabla de Análisis de Regresión
Variables x- media, y- media, desviación estándar- x, desviación estándar y,
coeficiente de correlación, valor de b, valor de a, ecuación de correlación y una
proyección de la variable “y”.
Cálculo Valor
X (Media) 3.854545455
Y (Media) 7.327272727
Desviación estándar (X) 2.03140329
Desviación estándar (Y) 2.073238167
Coeficiente de correlación (r) 0.917303497
Pendiente (b) 0.936194517
Intercepto (a) 3.718668407
Ecuación de correlación Y= 0.94X +
3.72
Proyección de Y para X=7 10.27203003
Diagrama de Dispersión
Conclusión General
El presente proyecto basado en la regresión lineal demostró la capacidad de este
modelo estadístico para analizar y proyectar relaciones entre variables relevantes en
estudios de mercado. Los hallazgos principales se estructuran de la siguiente
manera:
Coeficiente de Correlación:
El coeficiente de correlación calculado (r=0.917) evidencia una relación fuerte y
positiva entre las variables estudiadas, lo que sugiere que a medida que la variable
independiente aumenta, también lo hace la variable dependiente.
Ecuación de Regresión y Variaciones:
La ecuación de regresión (Y= 0.94x + 3.72) indica que por cada unidad que se
incrementa la variable independiente, la variable dependiente aumenta en promedio
0.94 unidades. Esto refuerza la relación directa entre ambas variables.
Proyección y Precisión:
Al proyectar Y para un valor de X= 7, se obtuvo un valor de Y= 10.27. Esta
proyección refleja la utilidad de la ecuación de regresión para prever
comportamientos futuros, facilitando la planificación estratégica basada en datos.
Intervalo de Confianza y de Proyección:
Los intervalos construidos proporcionan un rango de valores probable para las
predicciones, garantizando una estimación con cierto nivel de confianza. Esto
permite respaldar decisiones con un margen de seguridad que contempla la
variabilidad inherente de los datos.
Relevancia del Proyecto:
Este análisis sirve como una herramienta clave en la toma de decisiones
empresariales, especialmente en áreas como pronóstico de ventas, optimización de
recursos y planificación estratégica. La metodología aplicada refuerza la importancia
de basarse en datos cuantitativos para reducir la incertidumbre y mitigar riesgos en
el contexto de negocios.
En conclusión , este proyecto no solo proporcionó una visión práctica de cómo
aplicar la regresión lineal en escenarios empresariales, sino también fortaleció las
habilidades de análisis crítico, interpretación de resultados y toma de decisiones
basada en información confiable.
Conclusiones individuales:
Mariel cardenas Garza:
Realizar este análisis nos ayuda a resaltar la importancia de entender y aplicar
herramientas estadísticas como la regresión lineal para examinar la relación entre
variables clave en diferentes contextos, como el uso de plataformas digitales.
Comprender estos temas es esencial en un mundo impulsado por datos, donde la
habilidad de interpretar relaciones y tendencias puede ser crucial para la
planificación estratégica. En el caso de Tik Tok, conocer cómo el tiempo que los
usuarios pasan en la plataforma afecta su percepción de interacción puede ser
beneficioso tanto para empresas como para creadores de contenido, al optimizar
sus estrategias de engagement.
Carlos Alejandro Cardona castro:
Podemos concluir que el uso de estadísticas refuerza habilidades como el
pensamiento crítico, la interpretación de resultados y la capacidad de anticipar
escenarios futuros con un respaldo cuantitativo. Estas competencias son vitales
para disminuir la incertidumbre y maximizar recursos en cualquier área, desde el
marketing hasta la toma de decisiones empresariales,dominar herramientas como la
regresión lineal y su aplicación práctica no solo refuerza el conocimiento, sino que
también añade valor a quienes buscan soluciones basadas en datos en un entorno
competitivo y dinámico así como el análisis de datos
Fernando Cázares Aguillón:
Durante la elaboración de este PIA conocí la importancia del cálculo de
proyecciones en los negocios gracias a que ayudan a anticipar resultados, tomar
decisiones estratégicas y justificar acciones basadas en datos, mejorando la
planificación y reduciendo riesgos.
A pesar de tener complicaciones organizando datos, realizando los cálculos
estadísticos e interpretando resultados, junto con la creación de gráficos claros y
conectar los análisis con decisiones prácticas, consideramos que fue hecho de
manera satisfactoria.
Aprendí mucho haciendo este análisis estadístico, como regresión lineal y
proyecciones, y cómo aplicarlos a decisiones empresariales, además de mejorar en
la interpretación de datos y diseño visual.
Sofía Edith Castillo López:
En conclusión aprendí que el cálculo de proyecciones en los negocios es crucial
porque permite anticipar resultados, tomar decisiones informadas y planificar
estrategias efectivas para el crecimiento y la mitigación de riesgos. Las
proyecciones financieras ayudan a identificar oportunidades, gestionar recursos y
atraer inversionistas. En la realización del PIA, la principal dificultad fue obtener
datos confiables y prever las variables clave que afectan las proyecciones, además
de garantizar que todos los aspectos del plan estuvieran alineados con los objetivos
de la empresa. A través de este proceso, adquirí conocimientos sobre la importancia
de la planificación estratégica y financiera, y aprendí a estructurar un plan integral
que incluye análisis de riesgos y toma de decisiones basada en datos. Esta
experiencia fortaleció mis habilidades de análisis y planificación, esenciales para la
gestión empresarial.
Carolina Miranda Cano Rodríguez:
El cálculo de proyecciones en los negocios es muy importante porque ayuda a
anticipar resultados, tomar decisiones estratégicas y aprovechar los recursos de
manera eficiente, lo que beneficia el crecimiento de las empresas. Durante la
realización del PIA, tuve dificultades para organizar y analizar los datos, interpretar
los cálculos estadísticos y hacer gráficos claros. También fue un reto relacionar los
resultados con decisiones prácticas. Sin embargo, aprendí mucho sobre cómo usar
la regresión lineal para proyectar datos, interpretar relaciones entre variables y
entender intervalos de confianza. Este proyecto mejoró mis habilidades para
analizar datos y tomar decisiones informadas, lo cual es muy útil en los negocios.
valores asociados al quehacer institucional
Se consideran como valores universitarios prioritarios aquellos que tienen relación
con las esferas científica, profesional y cívica, se cubren las dimensiones que tienen
que ver con la producción y difusión del conocimiento, con el desempeño de las
actividades inherentes a los distintos campos profesionales y a la participación de
los estudiantes y egresados universitarios en las actividades cívicas del conjunto de
la sociedad.
● Verdad
● Responsabilidad
● Justicia
● Igualdad
● Paz
● Libertad
● Tolerancia
● Solidaridad
● Respeto
● Honestidad
Los valores que guían el trabajo institucional, como la verdad, la responsabilidad, la
justicia, la igualdad, la paz, la libertad, la tolerancia, la solidaridad, el respeto y la
honestidad, son fundamentales para asegurar la calidad y el éxito del trabajo en
equipo. Estos principios no solo refuerzan la dinámica del grupo, sino que también
fomentan la obtención de resultados éticos y confiables.
Bibliografía
UANL. (2024, junio 25). Valores y atributos UANL - Universidad Autónoma de Nuevo
León. Universidad Autónoma de Nuevo León; UANL - Universidad Autónoma de
Nuevo León. [Link]
El Método de mínimos cuadrados: definición y ejemplos☑. (2016, abril 12). Mi Profe.
[Link]
Cruces Álvarez, S. A. (s/f). El Método de Mínimos Cuadrados. [Link].
Recuperado el 18 de noviembre de 2024, de
[Link]
el plano. Suponagamos que se tienen los siguientes datos para las variables x, E.
M. de M. C. se A. P. A. R. a. U. S. de D. P. C. P. en. (s/f). El m ́etodo de m ́ınimos
cuadrados. [Link]. Recuperado el 18 de noviembre de 2024, de
[Link]
direccionales_2016_12.pdf
Introducción a la regresión lineal. (s/f). [Link]. Recuperado el 18 de
noviembre de 2024, de
[Link]
Molina, M. (2020, junio 17). La distancia más corta. El método de los mínimos
cuadrados. AnestesiaR.
[Link]
drados/
Ortega, C. (2019, marzo 22). Análisis de regresión: Qué es, tipos y cómo realizarlo.
QuestionPro. [Link]
¿Qué es la regresión lineal? (2024, julio 29). [Link].
[Link]
Quesada, S. M. (2019). Regresión Lineal Simple. Estadística inferencial aplicada.
[Link]
RPubs - Regresión lineal simple: Supuestos. (s/f). [Link]. Recuperado el 18 de
noviembre de 2024, de [Link]
Saavedra, J. A. (2022, septiembre 16). Regresión Lineal: qué es, para qué sirve, por
qué es importante, tipos y ejemplos de uso. Ebac.
[Link]
