REPÚBLICA BOLIVARIANA DE VENEZUELA

MINISTERIO DEL PODEL POPULAR PARA LA EDUCACIÓN SUPERIOR

UNIVERSIDAD NACIONAL EXPERIMETAL
“RAFAEL MARIA BARALT”
PROGRAMA:ADMINISTRACIÓN

Unidad lV

Estadística Descriptiva Bivariada

Integrantes:
Anyuri Torreblanca 30.373.678
Yordy Gonzales
Brenda Pérez 30.464.760

San francisco, febrero de 2020

Correlación
La correlación es la forma numérica en la que la estadística ha podido
evaluar la relación de dos o más variables, es decir, mide la dependencia de
una variable con respecto de otra variable independiente.
Tipos de Correlación
Correlación directa, Correlación inversa, Correlación nula.

Correlación directa: La Correlación Directa se da cuando al aumentar una

de las variables la otra aumenta.

Correlación inversa: La correlación inversa se da cuando al aumentar una

de las variables la otra disminuye.

Correlación nula: La correlación nula se da cuando no hay dependencia

de ningún tipo entre las variables.

Proporcionalidad

La proporcionalidad es una relación o razón constante entre diferentes

magnitudes que se pueden medir. Si una aumenta o disminuye la otra
también aumenta o disminuye proporcionalmente. Es decir, es la conformidad
o proporción (igualdad de dos razones) de unas partes con el todo o de
elementos vinculados entre sí, o más formalmente, resulta ser la relación
entre magnitudes medibles.

Diagrama de Dispersión

Un diagrama de dispersión o gráfica de dispersión o gráfico de

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

Descripción: 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 (eje de las abscisas). La variable medida o dependiente
usualmente se representa a lo largo del eje vertical (eje de las ordenadas). Si
no existe una variable dependiente, cualquier variable se puede representar
en cada eje y el diagrama de dispersión mostrará el grado
de correlación (no causalidad) entre las dos variables.
Coeficiente de correlación
En estadística, el coeficiente de correlación de Pearson es una medida
lineal entre dos variables aleatorias (Una variable aleatoria es una función
que asigna un valor, usualmente numérico, al resultado de un experimento
aleatorio) 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.

Regresión lineal

En estadística la regresión lineal o ajuste lineal es un modelo matemático

usado para aproximar la relación de dependencia entre una variable
dependiente Y, las variables independientes Xi y un término aleatorio ε. Este
modelo puede ser expresado como:

Donde:

= Variable dependiente, explicada o regresando.

= Variables explicativas, independientes o regresores.

= Parámetros, miden la influencia que las variables

explicativas tienen sobre el regrediendo.

Recta de Regresión

La recta de regresión es la que mejor se ajusta a la nube de puntos.

llamado centro de gravedad.

La ecuación de la recta de regresión permite pronosticar la puntuación que

alcanzará cada sujeto en una variable Y conociendo su puntuación en otra
variable

X. A la variable Y se le denomina criterio y a la variable X predictor.

 Proyección de la variable

El coeficiente de correlación lineal nos permite determinar si, efectivamente, existe

relación entre las dos variables. Una vez que se concluye que sí existe relación,
la regresión nos permite definir la recta que mejor se ajusta a esta nube de puntos.

Una recta viene definida por la siguiente fórmula:

y = a + bx

Donde "y" sería la variable dependiente, es decir, aquella que viene definida a partir
de la otra variable "x" (variable independiente). Para definir la recta hay que determinar
los valores de los parámetros "a" y "b":
El parámetro "a" es el valor que toma la variable dependiente "y", cuando la
variable independiente "x" vale 0, y es el punto donde la recta cruza el eje vertical.
El parámetro "b" determina la pendiente de la recta, su grado de inclinación.
La regresión lineal nos permite calcular el valor de estos dos parámetros,
definiendo la recta que mejor se ajusta a esta nube de puntos.
El parámetro "b" viene determinado por la siguiente fórmula:
 Es la covarianza de las dos variables, dividida por la varianza de la variable "x".
El parámetro "a" viene determinado por:

a = ym - (b * xm)

Es la media de la variable "y", menos la media de la variable "x" multiplicada por el

parámetro "b" que hemos calculado.
Ejemplo: vamos a calcular la recta de regresión de la siguiente serie de datos de
altura y peso de los alumnos de una clase. Vamos a considerar que la altura es la
variable independiente "x" y que el peso es la variable dependiente "y" (podíamos
hacerlo también al contrario):

Alum Estat Pe Alum Estat Pe Alum Estat Pe

no ura so no ura so no ura so

x x x x x x x x x

Alum Alum Alum

1,25 32 1,25 33 1,25 33
no 1 no 11 no 21

Alum Alum Alum

1,28 33 1,28 35 1,28 34
no 2 no 12 no 22

Alum Alum Alum

1,27 34 1,27 34 1,27 34
no 3 no 13 no 23

Alum Alum Alum

1,21 30 1,21 30 1,21 31
no 4 no 14 no 24

Alum Alum Alum

1,22 32 1,22 33 1,22 32
no 5 no 15 no 25

Alum Alum Alum

1,29 35 1,29 34 1,29 34
no 6 no 16 no 26
Alum Alum Alum
1,30 34 1,30 35 1,30 34
no 7 no 17 no 27

Alum Alum Alum

1,24 32 1,24 32 1,24 31
no 8 no 18 no 28

Alum Alum Alum

1,27 32 1,27 33 1,27 35
no 9 no 19 no 29

Alum Alum Alum

1,29 35 1,29 33 1,29 34
no 10 no 20 no 30

El parámetro "b" viene determinado por:

(1/30) * 1,034

b ------------------------- =
= ---------------- 40,265

(1/30) * 0,00856

Y el parámetro "a" por:

a = 33,1 - (40,265 * 1,262) = -17,714

Por lo tanto, la recta que mejor se ajusta a esta serie de datos es:

y = -17,714 + (40,265 * x)

Esta recta define un valor de la variable dependiente (peso), para cada valor de la
variable independiente (estatura):
Estatura Peso

x x

1,20 30,6

1,21 31,0

1,22 31,4

1,23 31,8

1,24 32,2

1,25 32,6

1,26 33,0

1,27 33,4

1,28 33,8

1,29 34,2

34,6
1,30