Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
cada una de las ideas referente al punto de vista acerca del laboratorio de regresión y
El trabajo está conformado por un análisis de correlación lineal simple de dos variables
cuales son realizadas teniendo en cuenta cada una de las referencias propuestas en el entorno
correspondiente.
JUSTIFICACION
La estadística descriptiva es una ciencia que analiza series de datos los cuales dependiendo
La presente actividad está basada en fortalecer el conocimiento, esto con el fin de identificar
vamos a tener la capacidad de relacionar los temas con las ayudas estadísticas vistas en la
presente unida, lo anterior mediante la relación entre dos variables cuantitativas del problema
estudiado.
Aplicando la temática vista en la unidad se lograrán determinar la relación entre una variable
correlación para probar estadísticamente su relación, cada uno de los participantes realizara
en Colombia”.
OBJETIVOS
Realizar mapa mental las medidas
estadísticas Bivariantes de regresión y
correlación, y demás temas conceptos.
• Calcular la recta de regresión y coeficiente de correlación para probar
estadísticamente su relación
investigación
Técnica estadística
usada para medir la Técnica estadística usada para derivar
Puede explicarse cercanía de la una ecuación que relaciona una variable
mediante la ecuación de relación lineal entre de criterio con una o más variables de
regresión ajustada. dos o más variables predicción.
en una escala de
intervalo.
Análisis de regresión simple. Análisis de regresión múltiple
-Diagrama de dispersión.
Dispersión se define como el grado de distanciamiento de un conjunto de valores respecto a
su valor medio.
A partir de esta definición, se derivan las medidas de dispersión que aprendimos en la clase
de estadística del colegio: rango, varianza, desviación, covarianza, coeficiente de
correlación, etc. El diagrama de dispersión, también conocido como grafico de dispersión o
grafico de correlación consiste en la representación gráfica de dos variables para un
conjunto de datos. En otras palabras, analizamos la relación entre dos variables, conociendo
que tanto se afectan entre sí o que tan independientes son una de la otra. En este sentido,
ambas variables se representan como un punto en el plano cartesiano y de acuerdo a la
relación que exista entre ellas, definimos su tipo de correlación.
-Correlación lineal simple.
El concepto de relación o correlación se refiere al grado de variación conjunto existente
entre dos o más variables. En este apartado nos vamos a centrar en el estudio de un tipo
particular de relación llamada lineal y nos vamos limitar a considerar únicamente dos
variables (simple).
-Coeficiente de determinación R2
nos indica cuanto de la variación total en Y se debe a la variación en X , su principal
propósito es predecir futuros resultados o probar una hipótesis , es importante tener en
cuenta que el resultado del coeficiente de terminación R2 oscila entre 0 y 1. Cuanto más
cerca de 1 se situé su valor , mayor será el ajuste del modelo a la variable que estamos
intentando explicar. Por el contrario, si su resultado se encuentra más cerca de cero, menos
ajustado estará al modelo y menos confiable será.
-Correlación positiva y correlación negativa
Correlación positiva.
se habla de una correlación positiva cuando una relación entre una variable y otra es lineal y
directa, de manera que un cambio en una variable predice el cambio en la otra variable. En
ese caso, se dice que la correlación es positiva perfecta, es decir, amabas variables varían al
mismo tiempo. Este tipo de correlación es directamente proporcional.
Hay correlación positiva cuando las dos variables se correlaciona en sentido directo. Por lo
que a valores altos de una corresponden valores altos de la otra e igualmente con los valores
bajos.
Correlación negativa.
se habla de una correlación negativa cuando la relación entre una variable y otra es opuesta
o inversa, es decir, cuando una variable cambia, la otra se modifica hacia lo contrario.
entonces cuando una posee variable valores altos, la otra posee valores bajos y mientras este
valor esté más cerca de -1 más evidencia será esta covariacion.
Se dice que hay correlación negativa perfecta cuando r=-1. este tipo de correlación es
inversamente proporcional. Entonces hay correlación negativa cuando las dos varibles se
correlaciona en sentido inverso.
𝑌̂ = + = −2,11 × 108 + 4609211,446
- ¿Qué es el coeficiente de correlación lineal y qué nos ayuda a medir?
En estadística, el coeficiente de correlación es una medida lineal entre dos variables
aleatorias cuantitativas. a diferencia de la covarianza, la correlación de Pearson es
independiente de la escala de medida de las variables. De manera menos formal, podemos
definir el coeficiente de correlación de Pearson como un índice que puede utilizarse para
medir el grado de relación de dos variables siempre y cuando ambas sean cuantitativas y
continuas.
De optar por el uso del programa Infostat, lo podrá descargar en el entorno de aprendizaje
practico, carpeta: Laboratorios Estadística Descriptiva: Infostat tutoriales, enlace descarga
del Infostat.
-Identificar dos variables cuantitativas de la situación estudiada que puedan estar relacionadas
e identificar la variable dependiente e independiente.
- Realizar el diagrama de dispersión de dichas variables y determinar el tipo de relación entre
las variables.
- Encuentre el modelo matemático que permite predecir el efecto de una variable sobre la otra.
¿Es confiable?
- Determine el grado de correlación de las dos variables.
- Relacionar la información obtenida con el problema.
VARIABLES
A partir de la base de datos suministrada, cada estudiante debe:
-Identificar dos variables cuantitativas de la situación estudiada que puedan estar
relacionadas.
Variables analizadas: Tasa de empleo (%) y Producción Millones
Con la ayuda de Excel se obtuvieron los siguientes resultados:
∑𝑥 = 10725
∑𝑦 = 8.364.942.064
∑𝑥𝑦 = 4,67443 × 1011
∑𝑥
2 = 591473,2847
∑𝑦
2 = 4,14574 × 1017
𝑦̅ = 42897138,79
Produccion Millones
80.000.0
00 y = 5E+06x -
70.000.0 2E+08
00 R² = 0,6096
Producción Millones
60.000.0
00
50.000.0
00
40.000.0
00
30.000.0 0,00 10,00 20,00 30,00 40,00 50,00
00 60,00 70,00
20.000.0 Tasa de empleo
00
10.000.0
00
-
r confirma además el grado de relación entre las variables: Tasa de empleo (%) está
Lo cual nos permite concluir que el modelo de regresión lineal ajustado tiene un
alto grado
de confiabilidad.
dos
variables.
El 𝑅
conforme a la
Tasa de empleo (%) aumenta, esto básicamente nos indica que las dos variables se
problemática.
12000, y = 4,7238x +
00 0,0255
R² =
10000, 0,9997
00
Tasa de empleo
8000,00
6000,00
4000,00
2000,00
0,00
0,00 500,00 1000,00 1500,00
2000,00 2500,00
Tasa de
desempleo
empleo y desempleo
Personas Sin Empleo Lineal (Personas Sin Empleo)
9.000.000
8.000.000 y = -0,2198x +
1E+07
cantidad personas y
7.000.000
R² =
6.000.000 0,2379
5.000.000
4.000.000
3.000.000
2.000.000
1.000.000
-
- 20.000.000 40.000.000
60.000.000
personas sin empleo
y = -0,2198x + 1E+07 𝒂𝒂𝒊
R² = 0,2379 𝒓𝒈𝒂𝒓 48,7749936 𝒈𝒓𝒂 𝒓𝒓𝒂𝒊
ANEXO LABORATORIO
CONSLUSION LABORATORIO
Las variables salieron siendo muy relacionadas las unas con las otras y fue fructífero
el resultado ya que se pudo cumplir con el objetivo como el saber la variedad del empleo y el
Este trabajo dio a entender muy bien los conceptos de regresión y correlación y aprendí a
implementarlos. Aparte aprendí a manejar de una manera diferente Word y Excel lo cual es
satisfactorio.
Vi también la gran relación que pueden tener dos variables cuantitativas y el porcentaje de
estas.