Está en la página 1de 12

DIAGRAMA DE

DISPERSIÓN
REGRESIÓN Y CORRELACIÓN
CONCEPTO:
• Diagrama de dispersión: Los diagramas de dispersión son una forma fenomenal de
expresar datos de dos variables, y hacer predicciones basadas en los datos.
• El estudio puede ampliarse para incluir una medida cuantitativa de tal relación.
• Las dos variables pueden estar relacionadas de la siguiente manera:
• Una característica de calidad y un factor que incide sobre ella.
• Dos características de calidad relacionadas.
• Dos factores relacionados con una misma característica de calidad.
¿PARA QUÉ SIRVE UN DIAGRAMA DE
DISPERSIÓN?

• Indica si dos variables (o factores o características de calidad) están relacionados.


• Proporciona la posibilidad de reconocer fácilmente relaciones Causa / efecto.
¿COMO SE CONSTRUYE EL DIAGRAMA
DE DISPERSIÓN?
• Paso 1.- Recolectar n parejas de datos de la forma (Xi, Yi), con i = 1, 2, 3,…n donde Xi
y Yi representan los valores respectivos de las dos variables. Los datos se suelen
representar en una tabla.
Paso 2.- Diseñar las escalas apropiadas para los ejes X y Y.
Paso 3.- Graficar las parejas de datos. Si hay puntos repetidos, se mostrarán como
círculos concéntricos.
Paso 4.- Documentar el diagrama.
LECTURA Y USO DEL DIAGRAMA DE
DISPERSIÓN
• La lectura se hace en base al tipo de relación entre los datos; lo fuerte o débil de la
relación, la forma de la relación y la posible presencia de punto anómalos.
• La relación entre los datos se denomina “correlación positiva” cuando a un aumento
en el valor de la variable X le acompaña un aumento en la otra variable.
Diagrama de dispersión
300

250

200

150

100

50

0
0 1 2 3 4 5 6 7 8

-50
EL CASO INVERSO DA LUGAR A
LA LLAMADA “CORRELACIÓN
NEGATIVA”.

El patrón de puntos puede asumir formas diversas,


dependiendo de la relación que exista entre las variables
EL COEFICIENTE DE
RELACIÓN LINEAL.
• El valor del Coeficiente de Correlación lineal de Pearson (r) proporciona una medida del
grado de relación entre dos variables y se calcula mediante la expresión:
• r = S (xy) / S(xx) S(yy)
• donde:
• S(xx) = ƩXi² – (ƩXi)² / n
• S(yy) = ƩYi² – (ƩYi)² / n
• S(xy) = ƩXiYi – ((ƩXi) (ƩYi))/ n
• n es el número de parejas de datos. El término S(xy) se llama covarianza.
EL COEFICIENTE DE
RELACIÓN LINEAL.
• El valor del Coeficiente de Correlación es:
• |r| =<1
• Si r = +1 ó r = -1 se tiene entonces una correlación perfecta, lo cual significa que
todos los puntos caen sobre una línea recta.
• Un valor de r = 0 indicará la ausencia de relación entre las variables; entre más
cercano esté el valor absoluto de r a la unidad mayor será el grado de correlación.
EJEMPLO:
LA ECUACIÓN DE
REGRESIÓN LINEAL.
• La regresión lineal nos sirve para determinar modelos matemáticos del comportamiento y relación de dos o
varias variables interrelacionadas.
El modelo que se busca corresponde a la ecuación de la “mejor” línea recta que pasa a través de los puntos. Ta
ecuación, denominada Ecuación de Regresión de Mínimos Cuadrados, es, en términos de las variables X y Y, l
siguiente:
• Y=a+bX
• b = (nƩXiYi – (ƩXi)(ƩYi))/n ƩXi² – (ƩXi)²
• a = (ƩYi – bƩXi)v/ n
• Para el ejemplo anterior:
• b = (nƩXiYi – (ƩXi)(ƩYi))/ ƩXi² – (ƩXi)² = ((22)(1481) – (1270)(28.7)) / 90700 – (1270) ² = 0.0025
• a = ƩYi – bƩXi/n = 28.7 – ((0.0025)(1270)) / 22 = 1.15
• Y = a + b X Y = 1.15 + 0.0025 X