ESTADISTICA
c. 24
CLASE N°7
TABLA DE FRECUENCIAS CON INTERVALOS
Intervalos f' f F' F m
153 - 158 2 0,04 2 0,04 155,5
159 - 164 8 0,16 10 0,2 161,5
165 - 170 7 0,14 17 0,34 167,5
171 - 176 13 0,26 30 0,6 173,5
177 - 182 7 0,14 37 0,74 179,5
183 - 188 6 0,12 43 0,86 185,5
189 - 197 7 0,14 50 1 193,5
Distribuciones bidimensionales
Hasta ahora, hemos descrito el estudio que puede realizarse de una
población o muestra respecto a una sola variable estadística. Lo
que pretendemos ahora es abordar el estudio de un fenómeno respecto a
dos variables unidimensionales simultáneamente, se obtiene así el
concepto de variable estadística bidimensional en la que cada elemento
de la misma vendrá representado por un par ordenado (xi, yi).
Parece lógico pensar que las siguientes parejas de variables deben guardar
alguna relación entre sí:
· Los pesos y las estaturas de un conjunto de personas.
· El número de encuentros ganados por un equipo de fútbol y el lugar que
ocupa en la clasificación.
· Las notas obtenidas por cada alumno de una clase en dos asignaturas de
similares características.
· Las velocidades a las que circulan un conjunto de vehículos y su consumo
de combustible.
· Extensión en km2 y número de habitantes de los distintos países de
Europa.
· Ingresos y gastos de cada una de las familias de los trabajadores de
una empresa.
· Número de horas que dedican los estudiantes a ver la televisión y
resultados académicos.
La primera forma de describir una distribución bidimensional es
representar los pares de valores en el plano cartesiano.
El gráfico obtenido recibe el nombre de nube de puntos o diagrama de
dispersión.
Un diagrama de dispersión ofrece una idea bastante aproximada sobre el tipo
de relación existente entre dos variables.
Ejemplo:
Estudiamos las notas obtenidas por 6 alumnos en las asignaturas de Física y
Matemáticas, viniendo los resultados recogidos en la siguiente tabla:
La nube de puntos que se obtiene es:
El término “correlación” significa relación mutua; por lo que el análisis de
correlación mide e indica el grado en el que los valores de una variable se
relacionan con los valores de otra. Dicho de otra forma, el análisis que se
ocupa de medir la relación entre una sola variable independiente y la
variable dependiente se llama análisis de correlación simple.
Muchos son los casos que se pueden mencionar como ejemplos en los que
puede existir una relación posible entre dos variables podrían ser:
● ¿Tienden a tener mayor grado de educación las personas con altos
ingresos, en comparación con las de bajos ingresos?
● ¿Puede el éxito en el trabajo pronosticarse a partir de las calificaciones
obtenidas durante la carrera?
Para ver, por tanto, si se puede utilizar el coeficiente de correlación lineal,
lo mejor es representar los pares de valores en un gráfico y ver qué forma
describen.
Fórmulas de estadística bidimensional
Diagrama de dispersión
Representación en ejes cartesianos del par de variables estadísticas.
Tablas de doble entrada
Parámetros de una distribución bidimensional
M e d ia s m a r g in a le s
V a r ia n z a y d e s v ia c io n e s típ ic a s m a r g in a le s
C o v a r ia n z a
Correlación
Estudio de la dependencia o relación entre dos variables de una
distribución bidimensional
• r = -1 ⇒ Dependência lineal inversa
• -1 < r < 0 ⇒ Dependência débil inversa
• r=0 ⇒ Independência
• 0<r<1 ⇒ Dependência débil directa
• r=1 ⇒ Dependência lineal directa
Recta de regresión
• Recta de Y sobre X:
Recta de X sobre Y:
Coeficiente de determinación
•
Los valores que puede tomar el coeficiente de correlación "r"
son: -1 < r < 1
•
Si "r" > 0, la correlación lineal es positiva. La correlación es tanto
más fuerte cuanto más se aproxime a 1.
•
Si "r" < 0, la correlación lineal es negativa. La correlación
negativa es tanto más fuerte cuanto más se aproxime a -1.
•
Si "r" = 0, no existe correlación lineal entre las variables. Aunque
podría existir otro tipo de correlación (parabólica, exponencial,
etc.)
Aunque el valor de "r" fuera próximo a 1 o -1, tampoco esto quiere decir
obligatoriamente que existe una relación de causa-efecto entre las dos
variables, ya que este resultado podría haberse debido al puro azar.
Volviendo al coeficiente de correlación lineal r, veamos qué propiedades tiene:
● Carece de unidades de medida (adimensional).
● Sólo toma valores comprendidos entre [-1,1].
● Cuando |r| esté próximo a uno, r= +1 (recta lineal creciente de izquierda a
derecha) o r= -1 (recta lineal decreciente), se tiene que existe una relación
lineal muy fuerte entre las variables.
● Cuando r≈0, puede afirmarse que no existe relación lineal entre ambas
variables. Se dice en este caso que las variables son incorrelaladas.
Para entenderlo mejor, veamos los siguientes diagramas de dispersión:
En la figura de arriba vemos que r = ±1 es lo mismo que decir que las
observaciones de ambas variables están perfectamente alineadas. El signo
de r, es el mismo que el de SXY, por tanto nos indica el crecimiento
o decrecimiento de la recta. La relación lineal es tanto más perfecta cuanto r
está cercano a ±1.
En la correlación no se distingue la variable dependiente de la
independiente, la correlación de X con respecto a Y es la misma que la
correlación de Y con respecto a X. Aunque la interpretación de la magnitud
del coeficiente de correlación depende del contexto particular de aplicación,
en términos generales se considera que una correlación es baja por debajo
de 0,30 en valor absoluto, que existe una asociación moderada entre 0,30 y
0,70, y alta por encima de 0,70.
EJEMPLO
Estudiamos la relación entre las calificaciones, de matemática (x) y física
(y).Para un grupo de 10 alumnos, los resultados obtenidos fueron.
xi yi xi2 y12 [Link]
7 6 49 36 42
8 9 64 81 72
3 5 9 25 15
5 3 25 9 15
6 4 36 16 24
2 5 4 25 10
9 10 81 100 90
5 6 25 36 30
7 6 49 36 42
3 5 9 25 15
55 59 351 380 355
f(x) = NaNx
Recta de Regresion de y sobre x
xi yi
7 6
8 9
3 5
5 3
Fisica
6 4
2 5
9 10
5 6
7 6
Matematica
3 5
¡Gracias!