02 523117 EstadísticaDescriptiva Bivariada

Tablas de Doble Entrada
Distribuciones Marginales
Distribuciones Condicionales
Covarianza y Correlación
Estadı́stica Descriptiva Bivariada.
Clase II.
Departamento de Estadı́stica
Facultad de Ciencias Fı́sicas y matemáticas
Universidad de Concepción
Prof: Marı́a José Alejandra Medina Fritz
27 de marzo de 2023
Marı́a José Alejandra Medina Fritz Estadı́stica (523117).

Estructura
TABLAS DE DOBLE ENTRADA
También, llamadas tablas de contingencia.
Comportamiento simultáneo de 2 variables, con el propósito de determi-

nar si existe o no alguna relación de dependencia lineal entre ellas.
Formadas en las filas por categorı́as o valores que toma una de las va-
riables, y en las columnas por los valores que toma la otra variable.
En cada casilla se indica las frecuencias absolutas o no de elementos que

reunen en conjunto los valores de la variable.
Las reglas de agrupación son las mismas que en el caso unidimensional.

Estructura
EJEMPLOS
Ejemplos de Aplicación
1 Determinar si el consumo de un producto depende del ingreso del grupo
familiar.
2 Determinar cuál o cuáles son los mejores dı́as de la semana para pros-
pectar a un cliente.

Estructura
EJEMPLOS
familiar.
3 Determinar si las ventas en miles de pesos de un producto depende de

los gastos en publicidad.

Estructura
EJEMPLOS
familiar.

4 Determinar el N o de intentos promedio que tiene un vendedor tiene

relación con llegar a un potencial cliente.

Estructura
EJEMPLOS
familiar.

4 Determinar el N o de intentos promedio que tiene un vendedor tiene

relación con llegar a un potencial cliente.

Estructura
Estructura de una Tabla de doble entrada
Clase variable X
XX VX
XXX x1 x2 ... xn−1 xn Total
VY X
X
Clase variable Y
y1 n11 n12 ... n1(n−1) n1n n1

y2 n21 n22 ... n2(n−1) n2n n2
. . . .
. . . .
. . ... . .
. . . .
. . . .
. . ... . .
yr−1 n(r−1)1 n(r−1)2 ... n(r−1)(n−1) n(r−1)n n(r−1)
yr nr1 nr2 ... nr(n−1) nrn nr
Total n1 n2 ... n(n−1) nn n

Estructura
EJEMPLO
Se quiere observar la relación que existe entre el número de horas diarias que
utiliza un vendedor en linkedin (X) y el ingreso obtenido semanalmente, en
millones de pesos (Y )
Variable N o de Horas X
XX
XXX Horas
Ingreso XXX 2 3 4 5
X
[1 - 2[ 2 1 1 0
V. Ingreso Y
[2 - 3[ 1 0 3 1
[3 - 4] 0 0 1 2
[4 - 5[ 3 1 2 3
[5 - 6[ 1 1 1 1
En cada casilla se registra el no de veces que se repite conjuntamente el
par (x, y).
Si una de las casillas se repite en muy pocas ocaciones es preferible
agrupar la variable en intervalos.

Estructura
EJEMPLO
XX
XXX Horas
Ingreso XXX 2 3 4 5
X
[1 - 2[ 2 1 1 0
V. Ingreso Y
[2 - 3[ 1 0 3 1
[3 - 4] 0 0 1 2
[4 - 5[ 3 1 2 3
[5 - 6[ 1 1 1 1
par (x, y).
Estudia el comportamiento simultáneo entre dos variables aplicadas a
una cierta unidad de observación.
Estructura
EJEMPLO
XX
XXX Horas
Ingreso XXX 2 3 4 5
X
[1 - 2[ 2 1 1 0
V. Ingreso Y
[2 - 3[ 1 0 3 1
[3 - 4] 0 0 1 2
[4 - 5[ 3 1 2 3
[5 - 6[ 1 1 1 1
par (x, y).
Estudia el comportamiento simultáneo entre dos variables aplicadas a
una cierta unidad de observación.
DISTRIBUCIONES MARGINALES
Se definen como las distribuciones por separado de cada una de las compo-
nentes de la variable bidimensional, anulando el efecto de la otra
Marginal de Y
Marginal de X
Ingresos en $ ni
N o de horas ni
]1 - 2] 4
2 7
]2 - 3] 5
3 3
]3 - 4] 3
4 8
]4 - 5[ 9
5 7
]5 - 6[ 4
Total 25
Total 25
Las distribuciones marginales son útiles cuando las variables son indepen-
dientes, es decir no hay relación entre ellas.

La construcción de una tabla de doble entrada, por lo general, no se obtiene

directamente de un programa estadı́stico.
1 Decidir si es necesario agrupar la variable.
2 Calcular la cantidad de intervalos apropiados.
3 En el caso de v.a cuantitativas discretas, es posible categorizar.

DISTRIBUCIONES CONDICIONALES
En ocaciones podemos necesitar condicionar los valores de la variable Y a un

determinado valor de X o viceversa. Este tipo de distribuciones se denomina
Distribución de la variable “Y ” condicionada a “X”
EJEMPLO 2
Qué pasarı́a si se quiere saber cuál es el promedio de horas diarias, si el
ingreso varı́a entre 1 y 4 millones de pesos.
Variable N o de Horas Diarias Horas diarias ni

XX
XXX Horas 2 3
Ingreso XXX 2 3 4 5 3 1
X
Ingreso
]1 - 2] 2 1 1 0 4 5
]2 - 3] 1 0 3 1 5 3
]3 - 4] 0 0 1 2 Total 12
X/ [1,4]

Distribuciones Marginales Covarianza
Distribuciones Condicionales Coeficiente de Correlación lineal
COVARIANZA Y CORRELACIÓN
Uno de los objetivos del estudio de Variables Aleatorias Bidimensionales, es

detereminar si existe o no relación entre las variables X e Y .
Las medidas estadı́sticas que periten cuantificar esta relación son:
Covarianza
Correlación

COVARIANZA COV(X,Y) ∨ SXY
Mide la variación conjunta entre 2 variables cuantitativas X e Y , con respecto

a la media aritmética de cada una de ellas
Pr Ps
i=1 j=1 (xi − x̄)(yi − ȳ)
cov(X, Y ) =
n
S(X, Y ) = XY − X × Y
= E(XY ) − E(X)E(Y )

PROPIEDADES DE LA COVARIANZA
Si cov(X, Y ) > 0 ⇒ ∃ dependencia lineal directa entre X e Y , es decir,

un aumento o disminución en una de las variables, provoca el mismo
efecto en la otra variable.
Si cov(X, Y ) < 0 ⇒ ∃ dependencia lineal inversa entre X e Y , esto quiere

decir que un aumento o disminución en una de las variables, provoca el
efecto inverso en la otra variable.

PROPIEDADES DE LA COVARIANZA
Si cov(X, Y ) > 0 ⇒ ∃ dependencia lineal directa entre X e Y , es decir,

un aumento o disminución en una de las variables, provoca el mismo
efecto en la otra variable.
Si cov(X, Y ) < 0 ⇒ ∃ dependencia lineal inversa entre X e Y , esto quiere

decir que un aumento o disminución en una de las variables, provoca el
efecto inverso en la otra variable.

COVARIANZA COV (X, Y )
EJERCICIO 3
Del EJERCICIO 1, se tiene:
Datos
(15×0×2)+...+(55×1×3)
X = 3,6; Y = 36,6; XY = 25
= 169,6
Luego,
cov(X, Y ) = 169,6 − 3,6 × 36,6

= 37,84
∴ la variación conjunta entre X e Y es 37,84

CORRELACIÓN (ρX,Y )
Este coeficiente mide el grado o magnitud de la asociación lineal entre 2

variables de tipo cuantitativas.
cov(X, Y )
ρ(X, Y ) = ,
SX × SY
donde
SX y SY son desviaciones estándar poblacionales de X e Y , respectiva-

mente.
Diremos que 2 variables son icorrelacionadas o no presentan relación, si

y sólo si, la covarianza es cero.

INTERPRETACIÓN DEL COEFICIENTE DE CORRELACIÓN
ρ < 0 ⇒ ∃ relación lineal inversa.
ρ = 0 ⇒ @ relación lineal.

ρ > 0 ⇒ ∃ relación lineal directa entre ambas variables.

ρ > 0 ⇒ ∃ relación lineal directa entre ambas variables.

PROPIEDADES
1 |ρXY | ≤ 1 ⇒ −1 ≤ ρXY ≤ 1.
2 Sı́ las variables son icorrelacionadas entre sı́, ρXY = 0.

PROPIEDADES
1 |ρXY | ≤ 1 ⇒ −1 ≤ ρXY ≤ 1.
3 Relación lineal perfecta entre dos variables implica que ρXY = 1∨ρXY =
−1.

PROPIEDADES
1 |ρXY | ≤ 1 ⇒ −1 ≤ ρXY ≤ 1.
−1.
4 Miéntras más cercano esté ρ de ± 1, mejor será el grado de asociación o

relación.

PROPIEDADES
1 |ρXY | ≤ 1 ⇒ −1 ≤ ρXY ≤ 1.
−1.

relación.

PROPIEDADES
1 |ρXY | ≤ 1 ⇒ −1 ≤ ρXY ≤ 1.
−1.

relación.

02 523117 EstadísticaDescriptiva Bivariada

Cargado por

Información del documento

Descripción original:

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

02 523117 EstadísticaDescriptiva Bivariada

Cargado por

Copyright:

Formatos disponibles

Tablas de Doble Entrada

Estadı́stica Descriptiva Bivariada.

Marı́a José Alejandra Medina Fritz Estadı́stica (523117).

TABLAS DE DOBLE ENTRADA

También, llamadas tablas de contingencia.

Comportamiento simultáneo de 2 variables, con el propósito de determi-

En cada casilla se indica las frecuencias absolutas o no de elementos que

Las reglas de agrupación son las mismas que en el caso unidimensional.

Marı́a José Alejandra Medina Fritz Estadı́stica (523117).

Marı́a José Alejandra Medina Fritz Estadı́stica (523117).

3 Determinar si las ventas en miles de pesos de un producto depende de

Marı́a José Alejandra Medina Fritz Estadı́stica (523117).

3 Determinar si las ventas en miles de pesos de un producto depende de

4 Determinar el N o de intentos promedio que tiene un vendedor tiene

Marı́a José Alejandra Medina Fritz Estadı́stica (523117).

3 Determinar si las ventas en miles de pesos de un producto depende de

4 Determinar el N o de intentos promedio que tiene un vendedor tiene

Marı́a José Alejandra Medina Fritz Estadı́stica (523117).

Estructura de una Tabla de doble entrada

y1 n11 n12 ... n1(n−1) n1n n1

Marı́a José Alejandra Medina Fritz Estadı́stica (523117).

Marı́a José Alejandra Medina Fritz Estadı́stica (523117).

Marı́a José Alejandra Medina Fritz Estadı́stica (523117).

La construcción de una tabla de doble entrada, por lo general, no se obtiene

1 Decidir si es necesario agrupar la variable.

2 Calcular la cantidad de intervalos apropiados.

3 En el caso de v.a cuantitativas discretas, es posible categorizar.

Marı́a José Alejandra Medina Fritz Estadı́stica (523117).

En ocaciones podemos necesitar condicionar los valores de la variable Y a un

Variable N o de Horas Diarias Horas diarias ni

Marı́a José Alejandra Medina Fritz Estadı́stica (523117).

Uno de los objetivos del estudio de Variables Aleatorias Bidimensionales, es

Las medidas estadı́sticas que periten cuantificar esta relación son:

Marı́a José Alejandra Medina Fritz Estadı́stica (523117).

COVARIANZA COV(X,Y) ∨ SXY

Mide la variación conjunta entre 2 variables cuantitativas X e Y , con respecto

Marı́a José Alejandra Medina Fritz Estadı́stica (523117).

Si cov(X, Y ) > 0 ⇒ ∃ dependencia lineal directa entre X e Y , es decir,

Si cov(X, Y ) < 0 ⇒ ∃ dependencia lineal inversa entre X e Y , esto quiere

Marı́a José Alejandra Medina Fritz Estadı́stica (523117).

Si cov(X, Y ) > 0 ⇒ ∃ dependencia lineal directa entre X e Y , es decir,

Si cov(X, Y ) < 0 ⇒ ∃ dependencia lineal inversa entre X e Y , esto quiere

Marı́a José Alejandra Medina Fritz Estadı́stica (523117).

COVARIANZA COV (X, Y )

Del EJERCICIO 1, se tiene:

cov(X, Y ) = 169,6 − 3,6 × 36,6

∴ la variación conjunta entre X e Y es 37,84

Marı́a José Alejandra Medina Fritz Estadı́stica (523117).

Este coeficiente mide el grado o magnitud de la asociación lineal entre 2

SX y SY son desviaciones estándar poblacionales de X e Y , respectiva-

Diremos que 2 variables son icorrelacionadas o no presentan relación, si

Marı́a José Alejandra Medina Fritz Estadı́stica (523117).

INTERPRETACIÓN DEL COEFICIENTE DE CORRELACIÓN

ρ < 0 ⇒ ∃ relación lineal inversa.

Marı́a José Alejandra Medina Fritz Estadı́stica (523117).

INTERPRETACIÓN DEL COEFICIENTE DE CORRELACIÓN

ρ < 0 ⇒ ∃ relación lineal inversa.

ρ > 0 ⇒ ∃ relación lineal directa entre ambas variables.

Marı́a José Alejandra Medina Fritz Estadı́stica (523117).

INTERPRETACIÓN DEL COEFICIENTE DE CORRELACIÓN

ρ < 0 ⇒ ∃ relación lineal inversa.

ρ > 0 ⇒ ∃ relación lineal directa entre ambas variables.

Marı́a José Alejandra Medina Fritz Estadı́stica (523117).

y1 n11 n12 ... n1(n−1) n1n n1