UNIVERSIDAD ANDINA

NSTOR CCERES VELSQUEZ

FACULTAD DE INGENIERAS Y CIENCIAS PURAS
ESCUELA PROFESIONAL DE INGENIERA INDUSTRIAL

TEMA:
ESTADISTICA BIVARIADO

CURSO:
TALLER DE TESIS II

PRESENTADO POR:
KEYKO SOFA SALAS PREZ
GROVER IVAN HUALPA DIAZ
RUTH YUMIRA QUISPE QUISPE
WALDO ELVIS VALERA CCACCASACA

DOCENTE:
DR. RICARDO HUERTA MAGUIA

SEMESTRE: X

JULIACA PER

2017-II
 INTRODUCCION

El anlisis de datos bivariado es una forma evolucionada de anlisis estadstico

en el cual se cuantifica a nivel descriptivo e inferencial el nivel de covarianza
entre dos variables y de esta forma se da cuenta de la relacin entre dos
variables. La cuantificacin de la covarianza consiste en la construccin de
coeficientes que permitan integrar en un valor estimado, informacin con
respecto a la varianza conjunta entre dos variables y tiene como objetivo
fundamental definir la magnitud y el sentido de la relacin entre las variables. De
este modo, el anlisis conjunto de las varianzas de dos variables (regularmente
definidas como X y Y) permite identificar la relacin emprica entre stas,
entendiendo por relacin el ajuste de los datos a una funcin lineal estocstica
subyacente.

A partir de un referente terico pertinente, el anlisis bivariado busca someter a

contrastacin la tesis de asociacin y hasta causalidad entre dos variables
definidas. En cualquier caso, el anlisis bivariado se plantea con la intencin de
determinar el nivel de relacin entre dos variables y la funcin estocstica que
subyace a un conjunto de observaciones (x,y). Pues si bien, la relacin no es
evidencia suficiente de causalidad no se puede hablar de causalidad en ausencia
de relacin entre las variables.

El anlisis bivariante de datos involucra una familia de estadsticos cuya

pertinencia est condicionada por el nivel de medicin (Stevens, 1946) de las
variables involucradas. Esta familia de estadsticos se divide en dos grandes
grupos, a saber: paramtricos y no paramtricos. (Siegel & Castellan, 1995). Los
paramtricos agrupan el caso de las variables con nivel de medicin de intervalo
o superior, distribucin normal bivariada y n> 30. Los no paramtricos son el
resto de las pruebas de correlacin que no cumplen con los supuestos de las
pruebas paramtricas; lo cual, les permite agrupar los estadsticos de
contingencia y de correlacin para variables con nivel de medicin inferior a
intervalo. En cualquier caso, el inters fundamental es construir un ndice que
permita determinar la magnitud y direccin de la relacin entre las variables.
 ESTADISTICA BIVARIADO

1. Supuestos tericos considerados

El primer supuesto terico involucrado en este proceso se refiere a la

variabilidad propia de cada variable, es un sin sentido hablar de relacin en
ausencia de covarianza y la covarianza es inmanentemente varianza de X y
de Y, en otras palabras si una variable deja de variar simplemente se
convierte en una constante y si una variable es una constante cualquier
diferencia en los valores de la otra variable siempre estar asociado al mismo
valor de esta primera variable.

La traduccin ms simple, los cambios en una variable (X) no se asocian con

cambios en una variable (Y) que permanece constante. El segundo supuesto
se presenta a nivel inferencial, el contraste de hiptesis de correlacin supone
que la distribucin de los datos bivariados se comporta de manera normal.
(Pearson, 1895).

Por tratarse de una distribucin bivariada, la inferencia se basar en el uso de

la funcin de distribucin de los valores t para determinar la probabilidad de
error al tomar la decisin de aceptar la hiptesis de nulidad de la relacin.

2. Representacin grfica de una relacin bivariada

La representacin grfica de las correlaciones obedece a los principios del

anlisis matemtico de funciones. La representacin de funciones parte de la
nocin clave del sistema de coordenadas cartesianas . Este sistema se
encuentra conformado fundamentalmente por dos ejes: el eje de las abscisas
o eje de las x y el eje de las ordenadas o eje de las y; las cuales se cruzan
de manera perpendicular, con un punto de intercepcin que llamaremos o
(origen de las coordenadas).

1 Este sistema de referencia se denomina sistema de ejes cartesianos o sistema cartesiano (de Cartesius, nombre
latinalizado de Ren Descartes, filsofo y matemtico francs del siglo XVII).
En virtud de lo anterior y en atencin a una determinada unidad de medida, se
establecen con signo positivo las distancias en las semirrectas desde el
origen hacia arriba y hacia la derecha, y con signo negativo desde el origen
hacia abajo y hacia la izquierda. Con ello, todo el plano queda dividido en
cuatro cuadrantes (I, II, III y IV), que se numeran en sentido contrario al
movimiento de las agujas de un reloj. Veamos la ilustracin:

Una vez entendido el concepto de Plano Cartesiano, avanzamos hacia la

representacin grfica de las correlaciones incorporando la nocin de punto.

El punto posee una idea clave para nuestro asunto de las correlaciones, esta
es: el punto es la mnima expresin de una lnea. De acuerdo con lo
estudiado, la lnea que describe el comportamiento de un conjunto de puntos
se define por una funcin. De modo que el punto puede ser definido como la
mnima expresin de una nube de puntos y ya que toda funcin se define
como una relacin entre variables, entonces el punto define la mnima
expresin de una relacin entre variables, digamos: x y y.

Por cada punto (x,y) del plano pasan dos rectas perpendiculares entre s y
paralelas a cada uno de los ejes, es decir, pasa una recta paralela al eje de
las x (abscisas) y una recta paralela al eje de las y (ordenadas). Estas rectas
cortan los dos ejes en dos puntos. Si llamamos A y B, respectivamente, a
cada uno de los puntos de corte estos definen las distancias OA y OB, por
tanto, la abscisa y la ordenada del punto P. Por consiguiente, a cada pareja
ordenada de puntos (x,y) le corresponde un punto del plano, y viceversa; a
cada punto del plano le corresponde una pareja ordenada de puntos. El juego
de Batalla Naval es un ejemplo de ello.
 Veamos a continuacin, de manera formal, algunos ejemplos adicionales:

3. Combinacin lineal de variables y correlacin

Toda combinacin lineal de variables se define como una funcin de x con

respecto a Y. toda funcin describe la relacin entre un conjunto de pares
ordenados (x,y). Por su parte, la correlacin permite cuantificar la magnitud y
sentido de esta relacin.

4. Otros coeficientes de correlacin lineal

En muchos casos, los datos nos ofrecen variables que no cumplen con los
requerimientos para el clculo e interpretacin del coeficiente de correlacin
de Pearson. Principalmente, el referente al nivel de medicin de las variables
involucradas, pues no se tienen observaciones de variables mtricas.

Los casos pueden incluir slo una de las variables o ambas, pueden incluir
variables con nivel de medicin tan bajo como el nominal. Segn el tipo de
variables implicadas en la combinacin, se cuentan:

a) coeficiente phi,
b) coeficiente de correlacin tetracrica,
c) coeficiente de asociacin C de Cramer,
 d) coeficiente de correlacin biserial y punto biserial,
e) coeficiente eta,
f) coeficiente de correlacin tau de kendall y
g) coeficiente de correlacin de spearman.

5. Ejemplos

Ejemplo 1

Variable Independiente
Factor de Riesgo: Beber Agua no potable

Variable Dependiente
Enfermedad: Clera

Ejemplo 2

Variable Independiente
Factor de Riesgo: Peso al Nacer

Variable dependiente
Enfermedad: hipertensin sistlica