3

3
3
1
2
3
3
3
2
0.52777778
 item 1 item 2 item 3 total de la fila
1 4 2 4 10
nunca 1 2 2 1 3 6
raramente 2 3 3 1 2 6
a menudo 3 4 2 2 2 6
siempre 4 5 2 1 4 7
6 1 1 3 5
7 2 4 4 10
8 3 3 4 10
9 4 4 3 11
10 1 1 1 3
1.15555556 1.55555556 1.11111111 7.15555556

3.82222222

alpha 0.80124224
 nunca a veces siempre casi siempre
hace ejercici 2 4 2 2

hacer ejercicio
4.5
4
3.5
3
2.5 hacer ejercicio

2
1.5
1
0.5
0
nunca a veces siempre casi siempre
hacer ejercicio
entre peso y talla de 20 niños varones se muestra en la tabla 1. La covarianza, que en este ejemplo es el producto

talla (cm) peso (kg)

72 9 0.98575594
76 10
59 6
68 8
10
12
58 5 R² = 0.9717147802
70 8 10
65 7
54 4 8
83 11
64 7 6
66 7
61 6 4
66 8
57 5 2
81 11
59 5 0
50 55 60 65 7
71 9
62 6
75 10
ue en este ejemplo es el producto de peso (kg) por talla (cm), para que no tenga dimensión y sea un coeficiente, se divide por la desviación

0.97171478

correlación
12
R² = 0.9717147802
10

8
correlación
Linear (correlación)
6

0
50 55 60 65 70 75 80 85
iente, se divide por la desviación típica de X (talla) y por la desviación típica de Y (peso) con lo que obtenemos el coeficiente de correlación
emos el coeficiente de correlación de Pearson que en este caso es de 0.885 e indica una importante correlación entre las dos variables. Es e
ación entre las dos variables. Es evidente que el hecho de que la correlación sea fuerte no implica causalidad. Si elevamos al cuadrado el c
dad. Si elevamos al cuadrado el coeficiente de correlación obtendremos el coeficiente de determinación (r2 =0.783) que nos indica que el 7
r2 =0.783) que nos indica que el 78.3% de la variabilidad en el peso se explica por la talla del niño. Por lo tanto existen otras variables que m
tanto existen otras variables que modifican y explican la variabilidad del peso de estos niños. La introducción de más variable con técnicas d
ón de más variable con técnicas de análisis multivariado nos permitirá identificar la importancia de que otras variables pueden tener sobre
tras variables pueden tener sobre el peso.
105 116 103 124 137 126 112 129 118 105 12
4 8 2 7 9 9 3 10 7 6
10 R² = 0.6933475337
105 4 0.83267493
116 8 8
103 2
124 7 6
137 9
126 9 4
112 3
129 10 2
118 7
105 6 0
100 105 110 115 120 125 13
R² = 0.6933475337

Column E
Linear (Column E)

105 110 115 120 125 130 135 140