Análisis Bivariado

Concepto

Se llaman datos bivariados a aquellos que provienen de dos variable medidas al

mismo tiempo sobre cada individuo.

Por ejemplo: Edad y Género, Población, Escolaridad e Ingreso, Peso y Estatura,

etc.

Dependiendo de la naturaleza de cada variable se da el tratamiento a los datos.

Dos variables Cualitativas

Cuando los datos bivariados provienen de dos variables cualitativas, resulta

conveniente organizarlos en una Tabla de Contingencia. Las columnas de esta
tabla representan a las categorías de la variable 1 y los renglones representan a
las categorías de la variable 2; la frecuencia aparecerá en las celdas centrales de
la tabla.

Frecuencias relativas

Si dividimos todas las celdas de la tabla sobre el tamaño de muestra (total de

pacientes), obtenemos una nueva tabla, la cual nos proporciona la Frecuencia
Relativa respecto al total.

Dos variables Cuantitativas

Cuando los datos bivariados provienen de dos variables cuantitativas resulta de

interés estudiar la relación que guarda una con la otra. La relación puede ser de
muy distinta naturaleza: lineal, cuadrática, exponencial, logarítmica,
trigonométrica, etc. En estadística la relación que nos interesa es la Relación
Lineal, por lo que se llevan a cabo Análisis de Correlación Lineal y de Regresión
Lineal. El análisis de correlación, se usa para medir la fuerza de asociación entre
las variables.

Correlación
Diagrama de dispersión

Es un tipo de diagrama matemático que utiliza las coordenadas cartesianas para

mostrar los valores de dos variables para un conjunto de datos. Los datos se
muestran como un conjunto de puntos, cada uno con el valor de una variable que
determina la posición en el eje horizontal (x) y el valor de la otra variable
determinado por la posición en el eje vertical (y).1. Como por ejemplo:

Fuente: https://es.wikipedia.org/wiki/Diagrama_de_dispersi%C3%B3n

Fuente:
http://diposit.ub.edu/dspace/html/2445/2921/cuestionari.html

Covarianza lineal:

σ xy =
∑ ( x i− x́ ) ( y i− ý )
N

Dónde si:

σ xy >0 : Lineal > 0

σ xy =0 : No existe

σ xy <0 : Lineal < 0

OJO:
En la covalencia se toma en cuenta 3 elementos que nos permitirá identificar la
relación entre los datos. Ellas son fuerza, sentido y forma.

Coeficiente correlacional de Pearson

σ xy
r=
σx .σy

Donde sí:

r= -1: negativa perfecta

r=0: no hay

r=1: positiva perfecta

Ejemplos

En una prueba de simulacro y un examen de 5 estudiantes estos son los

resultados: (de 1 al 10)

Simulacro: 5, 7, 4, 9, 8 seria x

Examen: 7, 4, 7, 10, 3 seria y

 examen
12

10

8
examen
6

0
0 1 2 3 4 5 6 7 8 9 10

x́=6,6

ý=6,2

Ahora

x−x́ Seria 1.6, -0.4, 2.6, -2.4, -1.4

y− ý Seria: -0.8, 2.2, -0.8, -3.2, 3.3

( x− x́ )( y− ý ) Seria: -1.28, -0.88, -2.08, 7.68, -4.62

1.1 8
σ xy = =−¿0.236
5