ESTADISTICA DESCRIPTIVA

CÓDIGO: 100105

Paso 4 – Descripción de la Información

Presentado a:

JOSE RODRIGO GONZALEZ

Entregado por:

Nombre y apellidos:
BAYRON YACID PRADA GUERRERO

Código: 1091663628

Grupo: 100105_68

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA - UNAD

ESCUELA DE CIENCIAS BÁSICAS TECNOLOGÍA E INGENIERÍA
6 DE MAYO 2021
OCAÑA
 INTRODUCCIÓN
Por medio de las técnicas estadísticas bivariantes es posible analizar las características
de dos variables en una muestra o población con el objetivo de determinar las relaciones
que existen entre dichas variables, dependiendo de las características de las variables es
posible determinar cuál es la herramienta estadística más precisa para el análisis.
En este trabajo se presentará la conceptualización de las medidas estadísticas bivariantes
y se realizarán ejercicios prácticos para su aplicación.
 JUSTIFICACIÓN
La importancia de las medidas estadísticas bivariantes radica en que su aplicación puede
ayudar a entender fenómenos de la vida cotidiana y la relación de diferentes variables que
se afectan en los contextos reales. Por ejemplo:
“El análisis de regresión lineal múltiple, a diferencia del simple, se aproxima más a
situaciones de análisis real puesto que los fenómenos, hechos y procesos sociales, por
definición, son complejos y, en consecuencia, deben ser explicados en la medida de lo
posible por la serie de variables que, directa e indirectamente, participan en su
concreción.”
(Rodríguez Jaume, 2001)
OBJETIVOS

OBJETIVO GENERAL

 Conceptualizar y aplicar los conceptos de medidas estadísticas bivariantes.

OBJETIVOS ESPECIFICOS

 Realizar un mapa mental con los conceptos de medias estadísticas bivariantes.

 Definir los conceptos dados en la guía de actividades.
 Desarrollar el laboratorio para aplicar los conceptos vistos y elegir algunas
variables para analizar.
  Diagrama de dispersión.

El diagrama de dispersión, también conocido como gráfico de dispersión o gráfico de

correlación consiste en la representación gráfica de dos variables para un conjunto de
datos. En otras palabras, analizamos la relación entre dos variables, conociendo qué tanto
se afectan entre sí o qué tan independientes son una de la otra.

En este sentido, ambas variables se representan como un punto en el plano cartesiano y

de acuerdo a la relación que exista entre ellas, definimos su tipo de correlación.

 Correlación lineal simple.

La correlación, también conocida como coeficiente de correlación lineal (de Pearson), es

una medida de regresión que pretende cuantificar el grado de variación conjunta entre dos
variables.

Por tanto, es una medida estadística que cuantifica la dependencia lineal entre dos
variables, es decir, si se representan en un diagrama de dispersión los valores que toman
dos variables, el coeficiente de correlación lineal señalará lo bien o lo mal que el conjunto
de puntos representados se aproxima a una recta.

De una forma menos coloquial, la podemos definir como el número que mide el grado de
intensidad y el sentido de la relación entre dos variables.

 Coeficiente de determinación R2

El coeficiente de determinación es la proporción de la varianza total de la variable

explicada por la regresión. Es también denominado R cuadrado y sirve para reflejar la
bondad del ajuste de un modelo a la variable que se pretende explicar.

El coeficiente de determinación puede adquirir resultados que oscilan entre 0 y 1. Así,

cuando adquiere resultados más cercanos a 1, mayor resultará el ajuste del modelo a la
 variable que se pretende aplicar para el caso en concreto. Por el contrario, cuando
adquiere resultados que se acercan al valor 0, menor será el ajuste del modelo a la
variable que se pretende aplicar y, justo por eso, resultará dicho modelo menos fiable.

 Correlación positiva y correlación negativa

Correlación positiva Correlación negativa

Una correlación positiva, cuando el coeficiente de Se produce una correlación negativa (inversa) cuando
correlación es mayor que 0, significa que ambas el coeficiente de correlación es inferior a 0 e indica
variables se mueven en la misma dirección o están que ambas variables se mueven en la dirección
correlacionadas. Cuando ρ es +1, significa que las opuesta. En resumen, cualquier lectura entre 0 y -1
dos variables que se comparan tienen una relación significa que los dos valores se mueven en
positiva perfecta; cuando una variable se mueve hacia direcciones opuestas. Cuando ρ es -1, se dice que la
arriba o hacia abajo, la otra variable se mueve en la relación está perfectamente correlacionada
misma dirección con la misma magnitud. negativamente; en resumen, si una variable aumenta,
Cuanto más se acerca el valor de ρ a +1, más fuerte la otra variable disminuye con la misma magnitud, y
es la relación lineal. Por ejemplo, suponga que el valor viceversa. Sin embargo, el grado en que dos valores
de los precios del petróleo está directamente están correlacionados negativamente puede variar
relacionado con los precios de los boletos de avión, con el tiempo y casi nunca están exactamente
con un coeficiente de correlación de +0.8. La relación correlacionados, todo el tiempo.
entre los precios del petróleo y las tarifas aéreas tiene Por ejemplo, supongamos que se realiza un estudio
una correlación positiva muy fuerte ya que el valor es para evaluar la relación entre la temperatura exterior
cercano a +1. Así que si el precio del petróleo y las facturas de calefacción. El estudio concluye que
disminuye, las tarifas aéreas siguen en conjunto. Si el existe una correlación negativa entre los precios de
precio del petróleo aumenta, también lo hacen los las facturas de calefacción y la temperatura
precios de los billetes de avión. exterior. El coeficiente de correlación se calcula en
En el cuadro a continuación, comparamos uno de los -0.96. Esta fuerte correlación negativa significa que a
mayores bancos estadounidenses jpmorgan chase & medida que la temperatura disminuye en el exterior,
co. (jpm) con la selección financiera spdr etf los precios de las facturas de calefacción aumentan y
(xlf). Como se puede imaginar, JP Morgan debería viceversa.
tener una correlación positiva con la industria bancaria Cuando se trata de invertir, la correlación negativa no
en su conjunto. significa necesariamente que se deben evitar los
Podemos ver que el coeficiente de correlación (parte valores. El coeficiente de correlación puede ayudar a
inferior del gráfico) se encuentra actualmente en . los inversores a diversificar su cartera al incluir una
7919, que está cerca de indicar una fuerte correlación combinación de inversiones que tengan una
positiva. Una lectura por encima de .50 típicamente
indica una fuerte correlación positiva.
Comprender la correlación entre dos acciones o una volatilidad en una cartera, a veces los opuestos se
acción y su industria puede ayudar a los inversores a
evaluar cómo se negocian las acciones en relación
con sus pares. Todos los tipos de valores, incluidos
los bonos, sectores y ETFS, se pueden comparar con
el coeficiente de correlación.
¿Qué es el coeficiente de correlación lineal y qué nos ayuda a medir?
El coeficiente de correlación lineal es una medida de la asociación lineal que existe entre
dos variables y nos ayuda a medir:
• Asociación lineal positiva o directa.
• Asociación lineal negativa o inversa.
correlación negativa o baja con el mercado de
valores. En resumen, cuando se reduce el riesgo de
atraen.
Por ejemplo, suponga que tiene una cartera
equilibrada de $ 100,000 que se invierte 60% en
acciones y 40% en bonos. En un año de buen
desempeño económico, el componente de acciones
de su cartera podría generar un rendimiento del 12%,
mientras que el componente de bonos puede generar
un -2% porque las tasas de interés están en una
tendencia al alza. Por lo tanto, el rendimiento general
de su cartera sería del 6.4% ((12% x 0.6) + (-2% x
0.4). Al año siguiente, a medida que la economía se
desacelera notablemente y las tasas de interés bajan,
su cartera de acciones podría generar -5 %, mientras
que su cartera de bonos puede devolver un 8%, lo
que le brinda un rendimiento general de la cartera del
0.2%.
¿Qué pasa si, en lugar de una cartera equilibrada, su
cartera era 100% de renta variable? utilizando los
mismos supuestos de rendimiento, su cartera de
capital tendría un rendimiento del 12% en el primer
año y -5% en el segundo año, que son más volátiles
que los rendimientos de la cartera equilibrada de
6.4% y 0.2%.
• Asociación lineal nula o no asociación.

Desarrollo de la respuesta:

Sean X y Y dos variables aleatorias, el Coeficiente de Correlación se define como una

medida estandarizada de la asociación lineal que existe entre las variables X y Y en
relación con sus dispersiones.  

El coeficiente de correlación toma valores entre -1 y +1, siendo el grado de asociación

lineal mayor en la medida que se aproxima a los extremos de ese intervalo.  

1. Correlación positiva o directa, cuando el coeficiente tiende a +1. Las variables se

comportan de la misma manera; es decir cuando una aumenta la otra también.

2. Correlación negativa o inversa, cuando el coeficiente tiende a -1. Las variables se

comportan de manera contraria; es decir cuando una aumenta la otra disminuye.  

3. Correlación lineal nula o no asociación, cuando el coeficiente tiende a 0 (cero) significa

que las variables no tienen asociación. Hay ausencia de correlación.  

En definitiva, el coeficiente de correlación lineal es una medida de la asociación lineal que

existe entre dos variables y nos ayuda a medir si ella es positiva, negativa o nula.

Actividad 3. Ejercicio práctico.

En esta actividad cada estudiante deberá resolver un ejercicio de los que aparecen a
continuación; posterior a ello compartirá su elección en el foro del entorno de Aprendizaje
Foro de discusión Unidad 2- Paso 4 Descripción de la Información. En cada ejercicio
deberá responder los siguientes interrogantes:

a. Realice el diagrama de dispersión y determine el tipo de asociación entre las

variables.
b. Encuentre el coeficiente de determinación y correlación.
c. Determine el modelo matemático que permite predecir el efecto de una variable
sobre la otra. ¿Es confiable?
d. Determine el grado de relación de las dos variables.

3.3 Peso-Altura. Un colegio del distrito de Bogotá desea realizar un estudio de

crecimiento dentro de su población estudiantil, para lo que se ha construido desde una
muestra la siguiente de información del peso (en kg.) y la altura (en cm.) de 15 jóvenes:
 PESO ALTURA
(kg) (cm)
61 150
63 143
60 146
74 160
58 143
63 145
64 149
74 158
74 150
66 150
63 153
61 151
64 151
69 147
64 142

SOLUCION

a. Realice el diagrama de dispersión y determine el tipo de asociación entre las

variables.

GRAFICO DE DISPERSION
165

160

155
f(x) = 0.64 x + 107.48
ALTURA (cm)

150 R² = 0.41

145

140

135

130
56 58 60 62 64 66 68 70 72 74 76
PESO (KG)

b. Encuentre el coeficiente de determinación y correlación.

 COEFICIENTE DE CORRELACION
  0.641541501

 COEFICIENTE DE DETERMINACION

 0.411575497

c. Determine el modelo matemático que permite predecir el efecto de una

variable sobre la otra. ¿Es confiable?

 y = 0.6399x + 107.48
R² = 0.4116

d. Determine el grado de relación de las dos variables.

 Esta ecuación hace una buena estimación entre las variables debido a
que el coeficiente de determinación R2 explica el 64.15% de la
información y el valor del coeficiente de correlación R confirma el grado
de relación de las variables, que es el 41.15%.

Actividad 4. Regresión y correlación Lineal.

Descripción de la Actividad Individual:

A partir de la base de datos suministrada: Anexo 1-Evolución Covid 19 - 400 Pacientes

Colombia - 2021 (16-1), cada estudiante, deberá:

 Identificar dos variables cuantitativas de la situación estudiada que puedan

estar relacionadas e identificar la variable dependiente e independiente.

VARIABLES ELEGIDA
 o EDAD Y PESO

 Realizar el diagrama de dispersión de dichas variables y determinar el tipo

de relación entre las variables.

COMPARATIVO ENTRE EDAD Y PESO

80
70
60 f(x) = 0.01 x + 63.43
R² = 0
50
EDAD

40
30
20
10
0
0 10 20 30 40 50 60 70 80 90 100
PESO (KG)

El coeficiente de correlación que tenemos como resultado, indica que existe una relación
Positiva entre ambas variables.

 Determine al coeficiente de determinación y de correlación de las dos

variables. Interprete los resultados

 COEFICIENTE DE CORRELACION

 0.06926515

 COEFICIENTE DE DETERMINACION

 0.00479766

 Encuentre el modelo matemático que permite predecir el efecto de una

variable sobre la otra. ¿Es confiable?
 y = 0.0083x + 63.432
R² = 0.0048

El modelo es: y =0.0083x + 63.432. Es confiable dado que, para el ejercicio, obtenemos
un coeficiente de correlación del 69% el cual es un valor aceptable para poder decir que la
variable dependiente se explica a partir de la variable independiente.

 Determine el tipo de correlación de las dos variables.

La correlación directa se da cuando al aumentar una de las variables la otra aumenta

 Relacionar la información obtenida con el problema.

El coeficiente de determinación coincide con la conclusión del coeficiente de Pearson,

existe una relación positiva fuerte. Cabe señalar que existe un dato atípico que distorsiona
el modelo, al removerlo podemos tener una correlación del 100%

CONCLUSIONES
1. Regresión Lineal
A partir de los resultados podemos concluir que el método de regresión lineal simple sirve
para formular modelos que ayuden a explicar una variable a partir de la otra, es decir, que
a partir del valor de una variable podamos calcular el valor de otra. Lo anterior tendrá
validez en la medida en que el coeficiente de correlación sea lo suficientemente confiable,
es decir, tenga un valor cercano a 1.
2. Regresión Lineal Múltiple
A partir de los resultados del ejercicio, podemos concluir que el método de regresión lineal
múltiple es válido y útil en los casos en que una variable se relaciona con más de una
variable independiente, por lo que formularemos un modelo que nos permita, a partir de
los valores de las variables independientes, predecir el valor de la variable dependiente.

REFERENCIAS BIBLIOGRÁFICAS

 Regresión y correlación lineal. (s. f.). Recuperado de.

http://www.unadzsurlab.com/ovas_ibague/regresion/pagina6.htm
 Ucha, A. P. (2020, 13 febrero). Coeficiente de correlación lineal. Economipedia.
https://economipedia.com/definiciones/coeficiente-de-correlacion-lineal.html
 Rodríguez Jaume, M. J. (2001). Estadística Informática: casos y ejemplos con el
SPSS.Recuperadode:https://rua.ua.es/dspace/bitstream/10045/8143/1/Regresion
%20MUTIPLE.pdf