REPUBLICA BOLIVARIANA DE VENEZUELA
MINISTERIO DEL PODER POPULAR PARA LA EDUCACIÓN SUPERIOR
UNIVERSIDAD EXPERIMENTAL ROMULO GALLEGOS ‘’UNERG‘’
CÁTEDRA: METODOLOGÍA ESTADÍSTICA
MARACAIBO- ESTADO ZULIA
EQUIPO V
MEDIDAS ESTADISTICAS
Autores:
T.S.U. Jean Marquez C.I: 15.466.4557
T.S.U. Mariana Parra C.I: 16.492.890
T.S.U. Diexy Portillo C.I: 10.917.825
T.S.U. Zioly Linares C.I:14.922.141
T.S.U. Joismar Briñez C.I: 21.166.234
Maracaibo, Octubre del 2025
‘‘Medidas Estadísticas’’
1. Conceptos Básicos:
• Regresión y correlación de variables:
Regresión y la correlación son métodos estadísticos para analizar la relación entre dos
variables.
La correlación mide la fuerza y dirección de la asociación lineal entre dos variables.
La regresión busca establecer un modelo lineal para predecir el valor de una variable a partir
de otra.
A diferencia de la correlación, en la regresión se identifica una variable dependiente y una
independiente.
Correlación
Propósito: Cuantifica la fuerza y la dirección de una relación lineal entre dos variables sin
considerar una como causa de la otra.
Medición: Se expresa mediante el coeficiente de correlación de Pearson (r), que varía entre
-1 y +1.
Interpretación: Un valor cercano a +1 indica una fuerte correlación positiva, mientras que
uno cercano a -1 indica una fuerte correlación negativa. Un valor de 0 significa que no hay
correlación lineal.
Variables: No distingue entre variables dependientes o independientes.
Regresión
Propósito: Desarrolla un modelo lineal (una ecuación de recta) para predecir el valor de una
variable desconocida (dependiente) en función del valor de una variable conocida
(independiente).
Modelo: Busca la línea que mejor se ajusta a los puntos de datos, lo que permite predecir
valores futuros.
Variables: Asigna roles específicos a las variables; una es independiente (predictora) y la
otra es dependiente (objetivo).
Aplicación: Permite entender el impacto del cambio en la variable independiente sobre la
variable dependiente.
Diferencias clave
Objetivo: La correlación mide la existencia y fuerza de una relación, mientras que la regresión
busca predecir y modelar la relación funcional.
Direccionalidad: La correlación no tiene dirección entre las variables; la regresión sí, al
identificar una variable dependiente y una independiente.
Complementariedad: A menudo se utilizan juntas; primero se establece si hay correlación
y, si la hay, se procede con la regresión para construir el modelo predictivo.
Coeficientes de regresión y correlación:
El coeficiente de correlación y el coeficiente de regresión son medidas
estadísticas que analizan la relación entre dos variables, pero cumplen funciones
distintas.
Coeficiente de Correlación (r):
El coeficiente de correlación (generalmente el de Pearson, simbolizado como r)
es una medida estandarizada que cuantifica la fuerza y la dirección de la
relación lineal entre dos variables continuas.
Valor de r Interpretación
+1 Correlación positiva perfecta.
Valores Correlación positiva fuerte (a medida que una variable
cercanos a +1 aumenta, la otra también aumenta).
0 No existe relación lineal.
Valores Correlación negativa fuerte (a medida que una variable
cercanos a -1 aumenta, la otra disminuye).
-1 Correlación negativa perfecta.
El valor de r siempre se encuentra entre -1 y +1. Una limitación clave es que la
correlación no implica causalidad.
Coeficientes de Regresión (\beta_0 y \beta_1)
En el contexto de la regresión lineal simple (y = \beta_0 + \beta_1 x + \epsilon),
los coeficientes de regresión describen la recta de ajuste que mejor modela la
relación entre las variables, permitiendo la predicción de valores.
Coeficiente Símbolo Función Interpretación
Valor No siempre tiene una
esperado interpretación
Intercepción \beta_0 de Y práctica si X=0 está
cuando X fuera del rango de
es 0. datos.
Cuánto
cambia Y
por cada
Pendiente \beta_1 unidad
de
cambio
en X.
A diferencia del coeficiente de correlación r, el coeficiente de regresión \beta_1 no
es estandarizado y su valor depende de las unidades de medida de las variables
X e Y. La regresión se utiliza cuando se plantea una relación de posible causa y
efecto o para fines de predicción.
Diferencia Clave
La distinción fundamental radica en su objetivo:
El coeficiente de correlación (r) mide la fuerza y dirección de la asociación lineal.
El coeficiente de regresión (\beta_1) mide la magnitud del cambio en la variable
dependiente por unidad de cambio en la independiente, es decir, el efecto para construir
un modelo predictivo.
Existe una relación: el coeficiente de determinación (R^2, que se utiliza para
evaluar la bondad de ajuste del modelo de regresión) es simplemente el cuadrado
del coeficiente de correlación r en la regresión lineal simple (R^2 = r^2).
• Diagrama
Es una representación gráfica que simplifica y organiza información de manera visual,
utilizando elementos como recuadros, flechas y líneas para ilustrar ideas, procesos,
conceptos o datos. Existen diversos tipos, como los diagramas de flujo para procesos, los
diagramas de Venn para conjuntos, y los diagramas de barras o circulares para datos
numéricos. Su propósito principal es facilitar la comprensión, el análisis y la comunicación de
información compleja.