ESTADISTICA DESCRIPTIVA

PASO 4 - DESCRIPCIÓN DE LA INFORMACIÓN

PRESENTADO POR:
DUBER PERDOMO
C.C

PRESENTADO A:
GENARO PENAGOS

GRUPO: 100105_372

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA - UNAD

ESCUELA DE CIENCIAS BÁSICAS TECNOLOGÍA E INGENIERÍA
NOVIEMBRE 2018
NEIVA – HUILA
Diagrama de dispersión

Una distribución bidimensional o variante puede representarse gráficamente en

un plano cartesiano, ubicando en el eje horizontal o abscisa los valores de la
primera variable denominada X y en el eje vertical u ordenada, los valores de la
segunda variable, Y. De manera pues que se grafican tantas parejas ordenadas
como observaciones hayan de las variables. A este conjunto de puntos o nube de
puntos se le denomina diagrama de dispersión, dado que los puntos se ubican de
forma dispersa en el plano cartesiano.

Correlación lineal simple

El término “correlación” literalmente significa relación mutua; de este modo, el

análisis de correlación mide e indica el grado en el que los valores de una variable
se relacionan con los valores de otra.

Más exactamente, 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 escolaridad 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

en los exámenes de selección?
COEFICIENTE DE DETERMINACION

El R Cuadrado se define como la proporción de la varianza total de la variable

explicada por la regresión. El R Cuadrado, también llamado coeficiente de
determinación, refleja la bondad del ajuste de un modelo a la variable que
pretender explicar.
Es importante saber que el resultado del R Cuadrado oscila entre 0 y 1. Cuanto
más cerca de 1 se sitúe su valor, mayor será el ajuste del modelo a la variable que
estamos intentando explicar. De forma inversa, cuanto más cerca de cero, menos
ajustado estará el modelo y, por tanto, menos fiable será.

En la expresión anterior tenemos una fracción. Así pues, vayamos por partes. En
primer lugar, analizaremos el numerador, es decir, la parte de arriba.

Para aquellos que no conozcan la expresión de la varianza, les recomiendo que

lean el artículo sobre la misma. Para aquellos que si la conozcan, podrán caer en
la cuenta de que es la expresión de la varianza, pero con dos diferencias
fundamentales.

La primera diferencia es que la Y lleva un circunflejo o, lo que los profesores

llaman de forma didáctica, “sombrerito”. Ese sombrerito lo que detalla es que esa
Y es la estimación de un modelo sobre lo que según las variables explicativas vale
Y, pero no es el valor real de Y, sino una estimación de Y.

Para aquellos que no conozcan la expresión de la varianza, les recomiendo que

lean el artículo sobre la misma. Para aquellos que si la conozcan, podrán caer en
la cuenta de que es la expresión de la varianza, pero con dos diferencias
fundamentales.
La primera diferencia es que la Y lleva un circunflejo o, lo que los profesores
llaman de forma didáctica, “sombrerito”. Ese sombrerito lo que detalla es que esa
Y es la estimación de un modelo sobre lo que según las variables explicativas vale
Y, pero no es el valor real de Y, sino una estimación de Y.

En segundo lugar, faltaría dividir entre T. Que, en otros casos, se nota como N o
número de observaciones. Sin embargo, dado que la fórmula del denominador
también la llevaría, eliminamos los denominadores (parte de abajo) de ambas
fórmulas para simplificar la expresión. De esta manera es más fácil trabajar con
ella.

A continuación, vamos a realizar el mismo análisis con la parte del denominador

(parte de abajo).

CORRELACION POSITIVA Y NEGATIVA

Se dice que existe una correlación lineal positiva entre dos variables, si al
aumentar o disminuir los valores de la variable independiente aumentan o
disminuyen los de la variable dependiente. En un gráfico de dispersión, la nube de
puntos tiene forma ascendente y por tanto la recta que se ajusta tendrá una
pendiente positiva.

En cambio, cuando al aumentar los valores de la variable independiente

disminuyen los valores de la variable dependiente, o viceversa, se dice que la
correlación lineal es negativa. En este caso la nube de puntos descenderá de
izquierda a derecha y la pendiente de la recta ajustada será negativa.