Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Bivariada
TABLAS DE DOBLE ENTRADA
2
¿Cómo es la estructura de una tabla de doble
entrada?
CLASES VARIABLE X
...
x1 x2 xc Total
n
Total n.1 n.2 n.c
3
Ejemplo 1. Si se quiere observar la relación que existe entre el
número de cargas familiares (X) y el ingreso m$ (Y).
DISCRETA
VARIABLE X
0 1 2 3
10-20 2 1 1 0
VARIABLE Y 20-30 1 0 3 1
30-40 0 0 1 2
40-50 3 1 2 3
50-60 1 1 1 1
CUANTITATIVA
CONTINUA
4
DISTRIBUCIONES MARGINALES
Marginal de X Marginal de Y
Cargas n Ingreso n
familiares (m$)
0 7 10-20 4
1 3 20-30 5
2 8 30-40 3
3 7 40-50 9
Total 25 50-60 4
Total 25
Distribuciones unidimensionales
5
¿CÓMO CONSTRUIR UNA TABLA DE DOBLE
ENTRADA?
La mayoría de los programas estadísticos no permiten directamente
obtener las tablas de doble entrada, especialmente para las variables
continuas. Por esto se debe comenzar realizando el siguiente
procedimiento:
1. Decidir que variables son de interés agrupar, y revisar que éstas
tengan el mismo número de observaciones.
6
DISTRIBUCIONES CONDICIONALES (X/a) ó (Y/b)
7
¿Cuál es la media de las cargas familiares cuando el ingreso
varía entre 10-40 (u.m.)?
Cargas familiares X
0 1 2 3
10 40
10-20 2 1 1 0 Categ. n
20-30 1 0 3 1 0 3
30-40 0 0 1 2
1 1
40-50 3 1 2 3
2 5
50-60 1 1 1 1
3 3
Ingreso u.m.
Utilizar la fórmula de la media para tablas de categorías individuales
8
COVARIANZA Cov(X,Y)
Se define
r s
( x
i 1 j 1
i x )( yi y )
Cov( X , Y )
n
Para efectos de calculo utilizamos la siguiente expresión,
Cov( X , Y ) xy x y
9
EJEMPLO 1. CALCULO DE LA COVARIANZA
mI 0 1 2 3
RESULTADOS
15 10-20 2 1 1 0
25
35
20-30
30-40
1
0
0
0
3
1
1
2
x2
45 40-50 3 1 2 3 y 36.6($ m)
55 50-60 1 1 1 1
15 0 2 15 11 .......................... 55 1 3
xy 1510
25
Cov( X , Y )
r -1 r 1
sx s y
Interpretación del coeficiente de correlación lineal.
100
90
80 Pesa 76 kg.
70
30
140 150 160 170 180 190 200
14
Relación entre variables.
Tenemos las alturas y los pesos de 30 individuos representados en un diagrama de
dispersión.
100
90
80
70
60
50
40
30
140 150 160 170 180 190 200
15
Predicción de una variable en función de la otra.
Aparentemente el peso aumenta 10Kg por cada 10 cm de altura... o sea,
el peso aumenta en una unidad por cada unidad de altura.
100
90
80
70
10 kg.
60
50
10 cm.
40
30
140 150 160 170 180 190 200
16
Cómo reconocer relación directa e inversa.
330 100
Para valores de X por encima de la media •Para los valores de X mayores que la
tenemos valores de Y por encima y por debajo media le corresponden valores de Y
en proporciones similares. Incorrelación. mayores también.
Dado un valor de X no podemos decir gran •Conocido X sabemos que Y se mueve por
cosa sobre Y. Mala relación. Independencia. una horquilla estrecha. Buena relación.
19
Coef. de correlación lineal de Pearson
La coeficiente de correlación lineal de Pearson de
dos variables, r, nos indica si los puntos tienen una
tendencia a disponerse alineadamente
(excluyendo rectas horizontales y verticales).
-1 0 +1
21
Correlaciones positivas
330 130
120
280 110
230 100
90
180 80
70
130 60
80 50
r=0,1 40
r=0,4
30 30
140 150 160 170 180 190 200 140 150 160 170 180 190 200
110 100
100 90
90 80
80
70
70
60
60
50 50
40 r=0,6 40 r=0,8
30 30
140 150 160 170 180 190 200 140 150 160 170 180 190 200
22
Casi perfectas y positivas
100 100
90 90
80 80
70 70
60 60
50 50
40 r=0,9 40 r=0,99
30 30
140 150 160 170 180 190 200 140 150 160 170 180 190 200
100
90
80
70
60
50
40 r=1
30
140 150 160 170 180 190 200
23
Correlaciones negativas
90 80
80 70
70 60
60 50
50
40
40
30
30
20 20
10 r=-0,5 10 r=-0,7
0 0
140 150 160 170 180 190 200 140 150 160 170 180 190 200
80 80
70 70
60 60
50 50
40 40
30 30
20 20
10 r=-0,95 10 r=-0,999
0 0
140 150 160 170 180 190 200 140 150 160 170 180 190 200
24
Preguntas frecuentes
¿Si r=0 eso quiere decir que las variables
son independientes?
En la práctica, casi siempre es así, pero no tiene
por qué ser cierto en todos los casos.
Lo contrario si es cierto: Independencia
implica que las variables están no correlacionadas
25
Otros coeficientes de
asociación
Cuando las variables en lugar de ser numéricas son
ordinales, es posible preguntarse sobre si hay algún
tipo de correlación entre ellas.
27
Ajuste de una recta a un
conjunto de puntos
El ejemplo del estudio de la altura en grupos familiares de
Pearson es del tipo que desarrollaremos en el resto del
tema.
b1 (pendiente de la recta)
180
150 b1=0,5
120
90
60
b0=85 cm
30
0
0
10
20
30
40
50
60
70
80
90
100
110
120
130
140
150
160
170
180
190
200
210
220
31
La relación entre las variables no es exacta. Es natural
preguntarse entonces:
Cuál es la mejor recta que sirve para representar los valores
de Y en función de los de X
Qué error cometemos con dicha aproximación (residual).
180
150 b1=0,5
120
90
60
b0=85 cm
30
0
0
10
20
30
40
50
60
70
80
90
100
110
120
130
140
150
160
170
180
190
200
210
220
32
El modelo lineal de regresión se construye utilizando la técnica de
estimación mínimo cuadrática:
Buscar b0, b1 de tal manera que se minimice la cantidad
Σi ei2
SY
b1 r b0 y b1 x
SX
Se obtiene además unas ventajas “de regalo”
El error residual medio es nulo
La varianza del error residual es mínima para dicha estimación.
33
Que el error medio de las Cometió un error
predicciones sea nulo no quiere de -30 en su
última predicción
decir que las predicciones sean
buenas.
34
¿Cómo medir la bondad de una regresión?
Imaginemos un diagrama de dispersión, y vamos
a tratar de comprender en primer lugar qué es
el error residual, su relación con la varianza de Y,
y de ahí, cómo medir la bondad de un ajuste.
35
Interpretación de la variabilidad en Y
En primer lugar olvidemos que existe la Y
variable X. Veamos cuál es la variabilidad
en el eje Y.
36
Interpretación del residuo
Fijémonos ahora en los errores de predicción
(líneas verticales). Los proyectamos sobre el eje Y. Y
37
Bondad de un ajuste
Resumiendo: Y
SY
R 2 (rxy ) 2
38
Resumen sobre bondad de un ajuste
La bondad de un ajuste de un modelo de regresión se mide usando el
coeficiente de determinación R2
39
Ejemplo con SPSS
A continuación vamos a analizar un ejemplo realizado con
datos simulados, de lo que podría parecer el estudio
sobre alturas de hijos y padres, realizado con SPSS.
14
10
12
8
10
8 6
6
4
b0=89,985
b1=0,466
¿Eso significa que el 57% de las predicciones del modelo sonAltura del Padre
correctas?
¿Cómo lo interpretas?
Correlaciones
42