1

I. ANÁLISIS LINEAL DE DATOS

Autor, Javier Felipe Castañeda, y Autor, Sebastián Cabra, IEEE
(Javierf.castanedas@ecci.edu.co , sebastian.cabrac@ecci.ecu.co) U.ECCI

 la pendiente tiene una direccion positiva ademas de que como evidenciamos en la

Tabla 1 esta presenta un valor mayor a 0 indicando que es positiva, por otro lado
podemos evidenciar en el coeficiente de relacion que es la dependencia de una
Resumen—Se realiza un estudio en 99 individuos, donde se interpretó variable con la otra y podemos ver una relacion fuerte dependiente una de la otra
similitudes entre 5 variables como estatura, peso, talla de calzado, deporte,
y proporcional por otro lado se ven los calculos de la recta de regresion en la
edad y años de estudio.
Tabla 3, concluyendo que al crecer tambien se aumenta el peso de las personas y
Se tomó muestras de cada una de las variables cuantitativas,
es algo que comparten todos los encuestados.
identificando similitudes y diferencias entre ellas. Se pudo reconocer, como
entre las personas evaluadas hubo cierta afinidad respecto a los datos
recolectados.

Abstract--A study is carried out in 99 individuals, where similarities

between 5 variables such as height, weight, shoe size, sport, age and years of
study were interpreted.
Samples of each of the variables were taken quantitative, identifying
similarities and differences between them. It was possible to recognize how
there was a certain affinity among the people evaluated with respect to the
data collected

II. INTRODUCCIÓN
De las 99 muestras se sacaron 10 pares en un orden donde una variable era la
dependiente y la otra la independiente.

Es fundamental tener en cuenta la covariancia que es el grado que nos indica la
variación conjunta de dos variables aleatorias respecto a sus medias. También hay
que tener en cuenta su grado de correlación, que nos va a indicar la fuerza y la
dirección de una relación lineal y proporcionalidad entre las dos variables,
dependen una de la otra.
III. ANÁLISIS DE DATOS
A. Gráfico de Dispersión
Los gráficos de dispersión se usan para trazar puntos de datos mostrando
cuánto afecta una variable a otra.
Fig.2: diagrama de dispersion, Estatura vs Talla.
Luego del peso se estudio la talla de los zapatos de los encuestados la cual tiene
una relacion fuerte graficamente ademas de aritmetica según la Tabla 2 y sus
variables son proporcionalmente dependientes entre si ademas de tener direccion
positiva que significa que cuando una crece la otra crece lo cual podemos
observar por la grafica y la covarianza de la Tabla 1 ,por otro lado se ven los
calculos de la recta de regresion en la Tabla 3 , se puede concluir que si la
estatura de una persona aumenta su talla de zapato igual.

Principalmente de las 99 muestras se sacaron 10 pares ordenados en un orden en

el cual una variable era la dependiente y la otra la independiente ya que si les
cambiábamos el orden solo se cambiarían de orden los resultados.

Fig.3: diagrama de dispersion, Estatura vs Edad.

Tambien se estudio la Edad según la Estaturaen donde se ve una relaciondebil en

Fig.1: diagrama de dispersion, Estatura vs Peso.
El primer par ordenado de variables que se tomo fue la estatura vs el peso en
la que podemos presenciar una relacion positiva porque como vemos en la grafica
la grafica ademas de aritmetica según la Tabla 2 y sus variables no son
proporcionalmente dependientes entre si ademas de tener direccion negativa que
significa que cuando una decrece la otra crece lo cual podemos observar por la
grafica y la covarianza de la Tabla 1 ,por otro lado se ven los calculos de la recta
de regresion en la Tabla 3, se puede concluir que si un individuo crece en su
estatura no significa que sea mayor en su edad o viceversa.

* Trabajo Estadística Descriptiva. Universidad ECCI


Fig.4: diagrama de dispersion, Estatura vs Años de estudio.
Otro par ordenado de variables que se tomo fue la estatura vs los años que
dichos encuestados llevan estudiando, en la que podemos presenciar una relacion
positiva porque como vemos en la grafica la pendiente tiene una direccion
positiva ademas de que como evidenciamos en la Tabla 1 esta presenta un valor
mayor a 0 indicando que es positiva, por otro lado podemos evidenciar en el
coeficiente de relacion que es la dependencia de una variable con la otra y
podemos ver una relacion fuerte dependiente una de la otra y proporcional, por
otro lado se ven los calculos de la recta de regresion en la Tabla 3, concluyendo
que al crecer tambien se va creciendo en el aprendizaje academico.
Fig.5: diagrama de dispersion, Peso vs Talla.
Consiguiente despues de analizar la variable Estatura con las demas se entra a
tomar la variable peso donde este con la talla representan una correlacion positiva
ademas de fuerte entre si, por otro lado se ven los calculos de la recta de regresion
en la Tabla 3, se puede ver esto que entre mas aumenta el peso la talla igual. por
otro lado se ven los calculos de la recta de regresion en la Tabla 3.
Fig.6: diagrama de dispersion, Peso vs Edad.
Luego se toma la edad donde este con representa una correlacion positiva pero
muy debil entre si ya que presenta gran cantidad de datos atipicos, se puede ver
que el peso no es muy dependiente de la edad, por lo que si un individuo aumenta
su peso no significa que su edad si.
2
Fig.6: diagrama de dispersion, Peso vs Años estudiando
Consiguiente se analizan las variables Peso y Años de estudio donde
covarianza positiva pero analizandolo no hay forma de que dependiendo del peso
halla una forma de determinar los años de estudio esto se demuestra viendo la
grafica en la Fig 6 donde los datos estan un tanto dispersos. por otro lado se ven
los calculos de la recta de regresion en la Tabla 3 .
Fig.7: diagrama de dispersion, Talla vs Años de estudio.
Al analizar las variables talla y años de estudio se ve que la correlacióon es
aún menor que la relación de los Años de estudio y el peso ya que la estatura
varia más en los datos optenidos que el peso. por otro lado se ven los calculos de
la recta de regresion en la Tabla 3.
Fig.8: diagrama de dispersion, Talla vs Edad.
Para analizar talla y edad se puede ver una covarianza relativamente alta pues
como se muestra en la grafica hay un grupo de datos eso hace ver que los datos
donde la talla es más grande se puede referir a los hobres y el de talla más baja el
de las mujeres. por otro lado se ven los calculos de la recta de regresion en la
Tabla 3.
 3

Cov (x; y): la covarianza entre el valor «x» e «y».

σ(x): desviación típica de «x».
σ(y): desviación típica de «y».
Valores que puede tomar la correlación:
ρ = -1 Correlación perfecta negativa
ρ=0 No existe correlación
ρ = +1 Correlación perfecta positiva

Fig.8: diagrama de dispersion, Edad vs Años de estudio.

Y por último la correlación entre las variables Edad y Años de estudio en este
grafico se puede ver unos datos muy unidos y otros totalmente dispersos esto pasa
cuando hay un promedio de edad que se gradua alos 17 años, los datos alejados
hacen referencia a que esa persona halla perdido más de un año academico y se
alargan sus años de estudio. por otro lado se ven los calculos de la recta de
regresion en la Tabla 3.

B. Covarianza.
La covarianza es el valor que refleja en qué cuantía dos variables aleatorias
varían de forma conjunta respecto a sus medias. (López, 2019)

Ecu. 1: Ecuación de Covarianza

Img. 1: Correlación.

Tabla 1: Covarianza

C. Coeficiente de Correlación
Esta medida de regresión cuantifica la dependencia lineal
entre dos variables. Siendo:
Tabla 2: Coeficienre de Correlación

D. Recta de Regresion
Ecu 2: Ecuación de Coeficiente de Correlación
 4

La recta de regresión pasa por el punto (x, ŷ) conformado

por las medias aritméticas de los valores de {x} y {y}

Tabla 3: Recta de regresion

IV. CONCLUCIONES

Se puede concluir que existen datos que tienen cierta relación

natural o común como son Estatura y Peso donde el doctor
pregunta por la estatura y hay un aproximado de cuánto debe
estar pesando esa persona, esto se debe a que al ser más alto
los huesos son más grandes y generan más peso en su cuerpo,
otro ejemplo es la Edad y años de estudio que lo común es a
los 16 a 18 años el joven debió terminar el bachillerato.

Por otro lado, están los que no tienen una correlación como
años de estudio y estatura, ya que hay personas que por
genética no crecen o por el contrario crecen mucho debido a
diversos factores, pero esto no interfiere si la persona estudia o
no con un aproximado de estatura.

V. REFERENCIAS

[1] Lopez, F. (2019) Covarianza [Economipedia] Recuperado de:

https://economipedia.com/definiciones/covarianza.html
[2] Marta (2020) Recta de regreción [superprof] Recuperado de:
https://www.superprof.es/apuntes/escolar/matematicas/estadistica/disbidime
nsion/recta-de-regresion.html
[3] Anónimo (2020) Coeficiente de correlación lineal [Coeficiente de
correlación]. Recuperado de:
https://economipedia.com/definiciones/coeficiente-de-correlacion-
lineal.html