DISTRIBUCIONES BIDIMENSIONALES

Las distribuciones bidimensionales son aquellas en las que se estudian al

mismo tiempo dos variables de cada elemento de la población: por ejemplo:
peso y altura de un grupo de estudiantes; superficie y precio de las viviendas
de una ciudad; potencia y velocidad de una gama de coches deportivos.
Para representar los datos obtenidos se utiliza una ​tabla de correlación​:

Las "x" representan una de las variables y las "y" la otra variable. En cada
intersección de un valor de "x" y un valor de "y" se recoge el número de veces
que dicho par de valores se ha presentado conjuntamente.
Ejemplo: ​Medimos el peso y la estatura de los alumnos de una clase y
obtenemos los
siguientes resultados:
Esta información se puede representar de un modo más organizado en la
siguiente tabla de correlación:

Tal como se puede ver, en cada casilla se recoge el número de veces que se
presenta conjuntamente cada par de valores (x, y).

Tal como vimos en las distribuciones unidimensionales si una de las variables

(o las dos) presentan gran número de valores diferentes, y cada uno de ellos se
repite en muy pocas ocasiones, puede convenir agrupar los valores de dicha
variable (o de las dos) en tramos.
 REGRESIÓN LINEAL

En ​estadística​ la regresión lineal o ajuste lineal es un ​modelo

matemático​ usado para aproximar la relación de dependencia entre
una ​variable dependiente​ ​Y,​ las ​variables independientes​ ​X​i​ y un
término ​aleatorio​ ε. Este modelo puede ser expresado como:

Representamos
en un gráfico los pares de
valores de una distribución
bidimensional: la variable "x"
en el eje horizontal o eje
de abscisa, y la variable "y" en
el eje vertical, o eje de
ordenada. Vemos que la nube de puntos sigue una tendencia lineal​:

El ​coeficiente de correlación lineal ​nos permite determinar si, efectivamente, existe

relación entre las dos variables. Una vez que se concluye que sí existe relación, la
regresión ​nos permite definir la recta que mejor se ajusta a esta nube de punto
Una recta viene definida por la siguiente fórmula:
y = a + bx

Donde "y" sería la variable dependiente, es decir, aquella que viene definida a
partir de la otra variable "x" (variable independiente). Para definir la recta hay
que determinar los valores de los parámetros "a" y "b":
El ​parámetro "a" ​es el valor que toma la variable dependiente "y", cuando la
variable independiente "x" vale 0, y es el punto donde la recta cruza el eje
vertical.
El ​parámetro "b" ​determina la pendiente de la recta, su grado de inclinación.
La ​regresión lineal ​nos permite calcular el valor de estos dos parámetros,
definiendo la recta que mejor se ajusta a esta nube de puntos.

TIPOS DE MODELOS DE REGRESIÓN LINEAL

● Regresión lineal simple​.- ​Sólo se maneja una ​variable independiente​,

por lo que sólo cuenta con dos ​parámetros​.

● Regresión lineal múltiple. - ​La regresión lineal permite trabajar con una

variable a nivel de intervalo o razón. De la misma manera, es posible analizar la

relación entre dos o más variables a través de ecuaciones, lo que se
denomina regresión múltiple o regresión lineal múltiple.

Constantemente en la práctica de la investigación estadística, se encuentran variables que

de alguna manera están relacionadas entre sí, por lo que es posible que unas de las
variables puedan relacionarse matemáticamente en función de otra u otras variables.
Maneja varias ​variables independientes​. Cuenta con varios parámetros.

● Rectas de regresión.- ​Las rectas de regresión son las ​rectas​ que mejor se

ajustan a la nube de puntos (o también llamado ​diagrama de dispersión​) generada

por una ​distribución binomial​. Matemáticamente, son posibles dos rectas de
máximo ajuste

CONCLUSIONES
Regresión lineal

el análisis de regresión lineal es una técnica estadística utilizada para estudiar

la relación entre variables. que se adapta a una amplia de situaciones. en
investigación social, el análisis de regresión se utiliza para predecir un amplio
rango de fenómenos, desde medidas económica hasta diferentes aspectos del
ser humano. en el contexto de la investigación de mercados puede utilizarse
para determinar en cual de diferentes medios de comunicación puede resultar
más eficaz de invertir o predecir el número de ventas de determinado producto

análisis bidimensional
es el resultado de la observación simultanea de caracteres en el individuo,
obteniéndose pares de resultados, estas variables pueden ser cuantitativas o
cualitativas, por ejemplo: peso y altura, edad y horas de lectura, ingreso gasto
una variable bidimensional es una variable en la cada individua está definido
por un par de caracteres (x, y) estas son variables estadisticas en las que
existen relación entre ellas, una de ellas es la variable independiente y la otra
variable dependiente
distribución bidimensional: son aquellas en las que cada individuo le
corresponde los valores de dos variables, representadas por el par (x, y)
si representamos cada par de valores como las coordenadas de un punto, el
conjunto de todos ellos se llaman nube de puntos o diagrama de dispersión.
sobre una nube de puntos se puede trazar una recta que se ajuste a ellos lo
mejor posible, llamada recta de regresión.