1

Unidad 2: Momento 4- Descripción de la Información

Marybel Ospina García

Programa de Psicología Universidad Nacional Abierta y a Distancia. UNAD

Estadística Grupo 489

Tutor Carlos Alberto Acevedo

11 de mayo de 2022
 2

Actividad 1. Enlace mapa mental

https://www.goconqr.com/es-ES/mindmap/36577833/medidas-estadisticas-bivariantes-de-

regresion-y-correlacion

Actividad 2.

Definir brevemente los conceptos básicos asociados a Regresión y Correlación como:

-Diagrama de dispersión: el gráfico de dispersión también llamado nube de puntos, refleja la

relación entre las variables X e Y (Montero,2007). Lo anterior permite comprender que el

diagrama de dispersión puede dar una idea preliminar de la correlación entre las variables

estudiadas.

-Correlación lineal simple:  Según Churchill (2009) mide la cercanía de la relación entre dos o

más variables, considerando la variación conjunta de las dos mediciones, ninguna de las cuales

está sujeta a restricción por el observador. Se usa para medir la cercanía de la relación lineal

entre dos o más variables en una escala intervalo.

-Coeficiente de determinación R2: Se usa en el análisis de regresión para señalar la proporción

relativa de la variación total en la variable de criterio que puede explicarse mediante la ecuación

de regresión ajustada. Es decir, r2 = 1 menos el error estándar del estimado al cuadrado, dividido

entre la varianza de la muestra de la variable de criterio. A falta de variable de predicción, el

mejor estimado de la variable de criterio sería la media de la muestra. Un R2 igual a 1 significa

un ajuste lineal esto es, la variación total de la variable Y es explicada por el modelo de

regresión. El valor cero indica la no representatividad del modelo lineal, lo que supone que el

modelo no explica nada de la variación total de la variable (Churchill, 2009).

 3

-Correlación positiva y correlación negativa

La correlación positiva, indica que un aumento dado de X determina con exactitud otro de Y,

tiene coeficiente +1. (Churchill, 2009).

La correlación negativa, indica que un incremento de X determina exactamente una disminución

de Y, produce un coeficiente –1 (Churchill, 2009).

- ¿Qué es el coeficiente de correlación lineal y qué nos ayuda a medir?

Según Churchill (2009) es una medida que calcula la  intensidad de la relación lineal entre dos

variables. Ayuda a “medir el grado de dependencia de Y sobre X bajo la función de regresión

lineal estimada” (Montero, 2007, p. 157).

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.

 4

Ejercicio

1. Azúcar-Glicemia. Se quiere estudiar la asociación entre consumo de azúcar y tensión

arterial. A una serie de voluntarios se les administra distintas dosis de azúcar en su dieta y se

mide su glucemia un tiempo después.

Solución

Actividad 3. Ejercicio práctico.

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

Y
X (Azúcar)
(Glicemia
(mg/L)
) (mg/dL)

1,4 84

2,6 90

3,5 95

4,1 107

4,3 110

4,5 114

4,9 150
 5

Diagrama de dispersión azúcar y glicemia

(Glicemia) (mg/dL)
160
140
120
100
80
60
40
20
0
1 1.5 2 2.5 3 3.5 4 4.5 5 5.5

Aparentemente hay una relación lineal de tipo positiva, porque a medida que aumenta el

azúcar se observa que hay una variación en la glicemia. Por lo anterior se observa una

asociación lineal positiva entre ambas variables.

b).Encuentre el coeficiente de determinación y correlación.

(Glicemia) (mg/dL)
160

140

120 f(x) = 14.6431939641622 x + 54.2181703866708

100 R² = 0.679294865900484
80

60

40

20

0
1 1.5 2 2.5 3 3.5 4 4.5 5 5.5
 6

R² = 0,6793

Para interpretar, de acuerdo con Téllez (2013).

1-0,96% ajuste perfecto

0,95-0,85% ajuste fuerte

0,84-0,70% ajuste significativo

0,69-0,50% ajuste moderado

0,49-0,20% ajuste débil

Coeficiente de determinación presenta un ajuste moderado. Indica que tanto explica la variable X

a la variable Y.

El valor de 0,6793 quiere decir que la variable azúcar explica de forma moderada a la variable

glicemia. Se tiene un coeficiente de determinación moderado, esta entre (0,69-0,50) el resultado.

Que tanto explica la variable X a la variable Y en términos de porcentaje.

El coeficiente de determinación dio 0,6793 es moderado, quiere decir que la variable X (azúcar)

explica en un 68% a la variable Y (glicemia), ajuste moderado entre ambas.

Es decir, que el azúcar explica la variación en un 68% a la glicemia atribuible en un modelo de

regresión lineal.

De acuerdo con Téllez y Lemus (2013) el coeficiente de correlación lineal de Pearson oscila

entre -1 y +1 y se interpreta de la siguiente manera

r > 1, las variables X y Y tienen una relación lineal positiva perfecta, es decir, todos y cada uno

de los puntos (X,Y) se encuentran sobre una línea recta de pendiente positiva.
 7

r= -1,  las variables X y Y tienen una relación lineal negativa perfecta, es decir, todos y cada uno

de los puntos (X,Y) se encuentran sobre una línea recta de pendiente negativa.

r= 0 , se puede afirmar que entre las variables X y Y no existe una dependencia lineal.

Si 0 < r < 1 se puede afirmar que entre las variables X y Y existe una posible dependencia lineal

positiva. La fortaleza de dicha asociación lineal aumenta a medida que r tienda a 1.

Si 1 < r < 0 se puede afirmar que entre las variables X y Y existe una posible dependencia lineal

negativa. La fortaleza de dicha asociación lineal aumenta a medida que r tienda a

-1.

Para el ejercicio con el uso del excel: r= 0,824193464, quiere decir que existe una relación alta

entre la variable azúcar y glicemia de los voluntarios a los que se les tomo la muestra, esto

quiere decir que para los datos dados a medida que el azúcar aumenta también aumenta la

glicemia. Ello confirma la información dada en el diagrama.

Si 0 < r < 1 se puede afirmar que entre las variables X y Y existe una posible dependencia lineal

positiva. La fortaleza de dicha asociación lineal aumenta a medida que r tienda a 1.

c).Determine el modelo matemático que permite predecir el efecto de una variable sobre la

otra. ¿Es confiable?

 8

(Glicemia) (mg/dL)
160

140

120 f(x) = 14.6431939641622 x + 54.2181703866708

100 R² = 0.679294865900484
80

60

40

20

0
1 1.5 2 2.5 3 3.5 4 4.5 5 5.5

En el modelo de regresión lineal la variable dependiente según Tellez y lemus (2013) se

relaciona con la variable independiente a través de la ecuación:

Y = b0+b1X1+b2X2+b3X3+ ··· +bnXn

Para el ejercicio con el uso del Excel el modelo matemático que relaciona las variables X y Y

es:

y = 14,643x + 54,218

¿Es confiable? El R² = 0,68 me indica que el modelo es apropiado esta cercano a 1. Si es

confiable el modelo.

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

El coeficiente de correlación permite determinar cuan estrecha es la relación lineal de las

variables X y Y. Según Churchill (2009) es una medida que calcula la  intensidad de la relación

lineal entre dos variables. Ayuda a “medir el grado de dependencia de Y sobre X bajo la función

de regresión lineal estimada” (Montero, 2007, p. 157).

 9

Para el ejercicio con el uso del excel: r=0,824193464 que es el resultado de la raíz cuadrada de

R²=0,824193464

Según las propiedades del coeficiente de correlación

¿Cuándo se puede decir que hay una correlación fuerte entre las variables y cuándo la

correlación es débil? Regla empírica (Devore,2005):

0 ≤ /r/ ≤ 0,5, la correlación se considera débil

0,8 ≤ /r/ ≤ 1, la correlación se considera fuerte

Dado que en el ejerció r= 0,82, la correlación se considera fuerte, es positiva.