ESTADISTICA DESCRIPTIVA

Unidad 2: Paso 4 - Descripción de la Información

Estudiante

Sandra Lizeth Ramos Torres.

CC. 1089481883

Grupo del curso

100105_209

Presentado a

Sandra Patricia Barrios Rodríguez

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA

SAN JUAN DE PASTO

NOVIEMBRE 2018
Diagrama de dispersión.

Los diagramas de dispersión son una forma fenomenal de expresar datos

de dos variables, y hacer predicciones basadas en los datos. Al contrario
de los histogramas y los diagramas de caja, los de dispersión muestran
valores de datos individuales.

Un diagrama de dispersión o gráfica de dispersión o gráfico de

dispersión es un tipo de diagrama matemático que utiliza las coordenadas
cartesianas para mostrar los valores de dos variables para un conjunto de
datos.

Se emplea cuando una o varias variables está bajo el control del

experimentador. Si existe un parámetro que se incrementa o disminuye
de forma sistemática por el experimentador, se le denomina parámetro
de control o variable independiente y habitualmente se representa a lo
largo del eje horizontal. La variable medida o dependiente usualmente se
representa a lo largo del eje vertical. Si no existe una variable
dependiente, cualquier variable se puede representar en cada eje y el
diagrama de dispersión mostrará el grado de correlación entre las dos
variables.
Correlación lineal simple.

Mide e indica el grado en el que los valores de una variable se relacionan

con los valores de otra, el análisis que se ocupa de medir la relación entre
una sola variable independiente y la variable dependiente.

Se refiere al grado de variación conjunta existente entre dos o más

variables.

Coeficiente de determinación R2

Medida estadística de la bondad del ajuste o fiabilidad del modelo

estimado a los datos. Se representa por R2 e indica cuál es la proporción
de la variación total en la variable dependiente (Y), que es explicada por
el modelo de regresión estimado, es decir, mide la capacidad explicativa
del modelo estimado.

El resultado del R Cuadrado oscila entre 0 y 1. Cuanto más cerca de 1 se

sitúe su valor, mayor será el ajuste del modelo a la variable que estamos
intentando explicar. De forma inversa, cuanto más cerca de cero, menos
ajustado estará el modelo y, por tanto, menos fiable será.

Correlación
Con los diagramas de dispersión podemos ver cómo se relacionan ambas
variables entre sí. Esto es lo que se conoce como correlación. Hay tres
tipos de correlación: positiva, negativa y nula (sin correlación).

 Correlación positiva: ocurre cuando una variable aumenta y la otra

también. Por ejemplo, la altura de una persona y el tamaño de su
pie; mientras aumenta la altura, el pie también.

 Correlación negativa: es cuando una variable aumenta y la otra

disminuye. El tiempo de estudio y el tiempo que pasas jugando
videojuegos, tienen una correlación negativa, ya que cuando tu
tiempo de estudio aumenta, no te queda tanto tiempo para jugar
videojuegos.

 Sin correlación: no hay una relación aparente entre las variables.

Los puntos en tus videojuegos y tu talla de zapato no parece tener
ninguna correlación; mientras una aumenta, la otra no tiene ningún
efecto.
¿Qué es el coeficiente de correlación lineal y qué nos ayuda a
medir?

El coeficiente de correlación de Pearson, pensado para variables

cuantitativas (escala mínima de intervalo), es un índice que mide el grado
de covariación entre distintas variables relacionadas linealmente.
Decimos "variables relacionadas linealmente". Esto significa que puede
haber variables fuertemente relacionadas, pero no de forma lineal, en
cuyo caso no proceder a aplicarse la correlación de Pearson. Por ejemplo,
la relación entre la ansiedad y el rendimiento tiene forma de U invertida;
igualmente, si relacionamos población y tiempo la relación será de forma
exponencial. En estos casos y en otros muchos no es conveniente utilizar
la correlación de Pearson.

El coeficiente de correlación de Pearson es un índice de fácil ejecución e,

igualmente, de fácil interpretación. Digamos, en primera instancia, que
sus valores absolutos oscilan entre 0 y 1. Esto es, si tenemos dos variables
X e Y, y definimos el coeficiente de correlación de Pearson entre estas dos
variables como xy r entonces: Hemos especificado los términos "valores
absolutos" ya que en realidad si se contempla el signo el coeficiente de
correlación de Pearson oscila entre –1 y +1. No obstante ha de indicarse
que la magnitud de la relación viene especificada por el valor numérico
del coeficiente, reflejando el signo la dirección de tal valor. En este
sentido, tan fuerte es una relación de +1 como de -1. En el primer caso
la relación es perfecta positiva y en el segundo perfecta negativa.
Pasamos a continuación a desarrollar algo más estos conceptos.
 BIBLIOGRAFIA.

Achen, C. H. (1982). Interpreting and using regression. London: Sage.

Amon, J. (1990). Estadística para psicólogos (1). Estadística Descriptiva.

Madrid: Pirámide.

(*) Amon, J. (1990). Estadística para psicólogos (2). Probabilidad.

Estadística Inferencial. Madrid: Pirámide.

https://www.shmoop.com/estadistica-basica-probabilidades/diagrama-
dispersion-correlacion.html

Montero, J.M. (2007).Regresión y Correlación Simple. Madrid: Paraninfo.

(pp.130–172). Recuperado de
http://go.galegroup.com/ps/i.do?id=GALE%7CCX4052100011&v=2.1&u
=unad&it=r&p=GVRL&sw=w&asid=b82c81e98fcc1361e1929abe203c82
19

Churchill, G.A.(2009).Análisis de Correlación y de Regresión Simple.

Mexico City: Cengage Learning. (pp-675–686). Recuperado de
http://go.galegroup.com/ps/i.do?id=GALE%7CCX4058900232&v=2.1&u
=unad&it=r&p=GVRL&sw=w&asid=e558184ed89e57d11ede116134cfce
41