Estadística Descriptiva

Lic. Hilda Angélica Reyna Farje Vela

hilda.farje@unapiquitos.edu.pe
COMPETENCIA Nº1: (E-A)

Aplica los fundamentos teóricos y operaciones de la estadística descriptiva como herramienta para el
desarrollo de habilidades investigativas, contrastando los resultados con responsabilidad y ética, que
permitan una adecuada toma de decisiones en el campo educativo.

CAPACIDAD Nº3: (E-A)

Utiliza responsablemente los conocimientos que nos proporcionan las distribuciones bidimensionales,
modelos de regresión y correlación lineal y aplica las definiciones de probabilidad, construyendo variables
aleatorias y modelos probabilísticos.

TEMA
Medidas descriptivas en distribuciones bidimensionales.
 Medidas descriptivas en distribuciones
bidimensionales
Al analizar las series de datos o distribuciones bivariadas en forma conjunta se presentan
medidas descriptivas:
▪ Las de asociación entre variables como la covarianza.
▪ La correlación lineal si las variables son del tipo numérico y medidas de independencia en
tablas de contingencia, con su respectivo coeficiente de asociación si las variables son del
tipo categórica, así mismo surgen problemas de regresión la misma que se establece
mediante una relación funcional.
Responden a la pregunta:

● ¿Qué medidas descriptivas interpretas ahora?

● ¿Qué mide la covarianza?
● ¿Cuándo es factible determinar la correlación lineal?
Covarianza:
Mide el grado de relación o asociación entre dos variables, según la magnitud de la misma que
determina el grado de relación entre dos variables numéricas, siendo que cuanto más grande
es la covarianza mayor será la asociación (relación) entre las variables y cuanto menor sea esta
será más débil la asociación además sirve como un factor para el coeficiente de correlación
lineal, queda denotada por:
Cov (X, Y) = Cov (Y, X) ; Sxy = Syx

Para datos en serie (no agrupados):

Para datos en tablas de distribución de frecuencias bidimensionales (agrupados ):
CORRELACIÓN LINEAL
Mide algún grado de relación que guardan entre si dos variables numéricas.

▪ Si se analiza la estatura y el peso de los estudiantes de una clase es muy posible que exista
relación entre ambas variables tal como mientras más alto sea el alumno, mayor será su
peso.

Para variables numéricas, la correlación lineal es la medida más conveniente, esta se calcula
mediante el coeficiente de correlación desarrollado por Pearson, al cual también se le conoce
como coeficiente de correlación lineal de Pearson.

Coeficiente de correlación lineal:

El coeficiente de correlación lineal es una medida cuantitativa que mide el grado de intensidad
de una posible relación entre dos variables numéricas.

Este coeficiente se utiliza cuando la relación que puede existir entre las variables es lineal; es
decir, teniendo en cuenta que al representar en un plano cartesiano el gráfico los pares
ordenados de valores de dos variables, los puntos (nube de puntos o diagrama de dispersión)
evidenciarían la tendencia de una recta.
Nube de puntos o diagrama de dispersión
Es la representación de las observaciones bivariadas en el Plano Cartesiano, el mismo que
sugiere cualitativamente la tendencia y el grado de correlación lineal que existe entre dos
variables numéricas, tal como se muestra en los siguientes gráficos.
El coeficiente de correlación lineal se denota por rxy = ryx y se calcula aplicando la siguiente
fórmula:
Para datos en serie o no agrupados:

Para datos en tablas de distribución de frecuencias o agrupados

Dónde:
El numerador está constituido por la covarianza y el denominador se calcula mediante el producto
de las raíces cuadradas de las varianzas de "X" y de "Y".
Fórmula abreviada de la varianza:

{ }
𝒏
𝟏
∑ 𝒙𝒊𝟐 𝒇 𝒊 −𝒏 𝒙𝟐
𝟐

𝑺❑
𝒙 = n > 30 Datos en
𝒏 𝒊 =𝟏
distribuciones
de

{ }
𝒏
𝟏
∑ 𝒙𝒊𝟐 𝒇 𝒊 −𝒏 𝒙𝟐
𝟐

𝑺❑𝒙 = n ≤ 30 frecuencias
𝒏−𝟏 𝒊=𝟏
Los valores que toma el coeficiente de correlación "r" son: -1 < r < 1
• Si "r" > 0, la correlación lineal es positiva (si el valor de una variable se incrementa se
incrementa el de la otra. La correlación es tanto más fuerte cuanto más se aproxime a 1.
Por ejemplo: altura y peso: los alumnos más altos suelen pesar más.
• Si "r" < 0, la correlación lineal es negativa (si el valor de una variable crece el valor de la otra
variable disminuye. La correlación negativa es tanto más fuerte cuanto más se aproxime a -
1.
Por ejemplo: peso y velocidad: los alumnos más gordos suelen correr menos.
• Si "r" = 0, no existe correlación lineal entre las variables. Aunque podría existir otro tipo de
correlación (parabólica, exponencial, etc.
De todos modos, aunque el valor de "r" fuera próximo a 1 o -1, tampoco esto quiere decir
obligatoriamente que existe una relación de causa-efecto entre las dos variables, ya que este
resultado podría haberse debido al puro azar.
Situación problemática:
1. Del análisis documentario de las actas de estudio del I semestre académico 2023 se obtuvo las notas de los
estudiantes de la carrera de secundaria de Matemática e informática del I nivel:

Capacidades 6 8 10 12 12 14 14 16 20
comunicativas
Matemática I 4 10 10 12 14 12 14 18 20
Nº de 4 4 2 4 3 4 2 1 1
estudiantes

¿Qué tipos de datos son?

Situación problemática: Tallamos con un tallímetro la estatura (X= estatura en metros) y
pesamos en una balanza equilibrada (Y= peso en kilogramos) a los estudiantes del primer grado
“A” de educación secundaria de la I.E.P.S. “República de Venezuela” de la ciudad de Iquitos,
llegándose a obtener los siguientes resultados:

Estudiante X (m) Y (Kg) Estudiante X (m) Y (Kg) Estudiante X (m) Y (Kg)

1 1,25 32 11 1,25 32 21 1,25 33
2 1,28 33 12 1,28 35 22 1,28 32
3 1,30 34 13 1,27 34 23 1,27 34
4 1,24 34 14 1,26 33 24 1,25 34
5 1,25 35 15 1,28 33 25 1,26 35
6 1,29 37 16 1,29 32 26 1,29 32
7 1,36 38 17 1,36 35 27 1,36 38
8 1,24 36 18 1,24 32 28 1,24 33
9 1,27 37 19 1,27 32 29 1,27 35
10 1,29 35 20 1,29 34 30 1,30 34

En la situación problemática planteada determina la relación entre las variables.

 Medidas descriptivas en distribuciones
bidimensionales
Regresión
https://www.youtube.com/watch?v=dnMqqZXtJb4&t=711s (relacionado a la varianza y a la coeficiente de variación)
https://www.youtube.com/watch?v=4V_-ilIVpiY
https://www.youtube.com/watch?v=BDksmODVAyE
https://www.youtube.com/watch?v=8DVs35dV3mc
https://www.youtube.com/watch?v=SNf6k7svBeo
https://www.youtube.com/watch?v=Jwulx_AvVBc
https://www.youtube.com/watch?v=uYumtU1wajk

https://www.youtube.com/watch?v=Rg1KbgJIu8g (Rho Spearman)

https://www.youtube.com/watch?v=qV2x9EYD8rM
Diagramas de dispersión
https://www.youtube.com/watch?v=swqmjtwJr-E
Gracias…