ACTIVIDAD: PASO 4: DESCRIPCIÓN DE LA INFORMACIÓN.

Presentado por :
angel Guillermo Tinoco Morales
.

TUTORA:
STEFFI LUZ PEÑA

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA.

ESCUELA DE CIENCIAS BÁSICAS, TECNOLOGÍA E INGENIERÍA.
AÑO: 2019.
 INTRODUCCIÓN

En el presente trabajo, se realiza un análisis a una problemática económica y

social que nos muestra en qué condiciones de desarrollo territorial, social y
humano se encuentran las comunidades con mayor pobreza extrema en
Colombia, esto con el fin de tener un diagnostico mucho más claro de qué es la
pobreza, como se mide y que soluciones se pueden dar con relación a la
resolución de este interrogante.

Todo esto se hizo indagando en los diferentes medios de comunicación y libros en

los que se pudiera encontrar información pertinente acerca del tema.
 Justificación
La estadística es una disciplina aplicada en todos los campos de la actividad
humana. De ahí que se tenga como una asignatura indispensable en todas las
áreas y carreras del conocimiento de nivel intermedio y profesional.
Ella ha cobrado gran importancia en los últimos tiempos en todas y cada una de
las disciplinas, no sólo por su aplicación, sino por los diferentes avances que se
van dando en la ciencia y la tecnología moderna.
Los seres humanos en cualquier clase de actividad a que se dediquen en su diario
transcurrir, experimentan sensaciones y en una u otra medida ponderan y le dan
mucho significado a sus experiencias, con lo cual han llevado al hombre a
cuantificar, medir, cualificar, estos acontecimientos que lo rodea.

Es importante conocer la situación verdadera de estas comunidades para que las

entidades gubernamentales y privadas, tomen conciencia e inviertan en proyectos
tanto sociales como económicos que fortalezcan las debilidades que puedan tener
estas personas con miras a mejorar su calidad de vida.

El impacto que este proyecto de investigación va a tener se medirá teniendo en

cuenta las estrategias que utilizarán los gobiernos de turno para enfrentar el
flagelo de la pobreza extrema.
 Objetivos
Definir claramente el concepto básico de Estadística.
Diferenciar correctamente los conceptos de población y que servirán para el
análisis estadístico, como lo son la correlación, la regresión, los diagramas de
dispersión
Interpretar las principales áreas del conocimiento donde se aplica la metodología
estadística.
Analizar la necesidad que tiene el investigador de organizar y presentar los datos
en cuadros o tablas de distribución de frecuencias.
Elaborar gráficas de representación de la distribución de frecuencia de los datos
Estadísticos.
Aplicar adecuadamente las medidas de tendencia central.
Calcular acertadamente las medidas de variabilidad.
Aplicar las propiedades de la Media y la Varianza en el análisis de los datos
Actividad 1. Mapa Mental

Para el desarrollo de esta actividad, es necesario que el estudiante

revise en el Entorno de conocimiento (Unidad 3), las siguientes
referencias:

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

Paraninfo. Paginas. 151 – 158

Churchill, G.A. (2009). "Análisis de Regresión Múltiple." Investigación de

mercados. México City: Cengage Learning. Páginas 686 – 695
 1. DEFINICIÓN DE CONCEPTOS

Descripción de la Actividad:
Definir brevemente los siguientes conceptos básicos asociados a
Regresión y Correlación:
- Diagrama de dispersión.
- Correlación lineal simple.
- Coeficiente de determinación R2
- Correlación positiva y correlación negativa
- ¿Qué es el coeficiente de correlación lineal y qué nos ayuda a medir?

Diagrama de dispersión: Un 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.
Es decir, un diagrama de dispersión, muestra de manera gráfica la
relación que hay entre dos variables cuantitativas sobre un mismo grupo
de individuos o de observaciones.

Correlación lineal simple: En probabilidad y estadística, la correlación

indica la fuerza y la dirección de una relación lineal y proporcionalidad
entre dos variables estadísticas.

Coeficiente de determinación R2: En estadística, el coeficiente de

determinación R2, es utilizado en el contexto cuyo principal propósito es
predecir futuros resultados o probar una hipótesis. El valor del
coeficiente de determinación, aumenta cuando se incluyen nuevas
variables en el modelo, incluso cuando estas son poco significativas o
tienen poca correlación con la variable dependiente.
El término es usado en el análisis de regresión para denotar la
proporción relativa de la variación total en la variable de criterio que
puede explicarse mediante la ecuación de regresión ajustada.

Correlación positiva y correlación negativa: Existe una simple diferencia

en estos dos términos, pero que vale la pena aclarar.
Hay correlación positiva cuando la relación entre las variables es lineal y
recta, en la correlación positiva, el cambio de una variable predice el
cambio de otra.
Hay correlación negativa cuando las dos variables se correlacionan en
sentido inverso. En la correlación negativa la relación entre variables es
opuesta.

¿Qué es el coeficiente de correlación lineal y qué nos ayuda a medir?:

El coeficiente de correlación lineal, o también conocido como coeficiente
de Pearson, es una medida de regresión que pretende cuantificar el
grado de variación conjunta entre dos variables.
El coeficiente de correlación, es el término usado en el análisis de
regresión para designar la fuerza de la relación lineal entre las variables
de criterio y las variables predictivas.
 ANÁLISIS DE CORRELACIÓN LINEAL SIMPLE DE LAS DOS VARIABLES
CUANTITATIVAS SELECCIONADAS. (LABORATORIO)

Descripción de la actividad.
a. Identificar dos variables cuantitativas de la situación estudiada que
puedan estar relacionadas.
b. Realizar el diagrama de dispersión de dichas variables y determinar el
tipo de relación entre las variables.
c. Encuentre el modelo matemático que permite predecir el efecto de una
variable sobre la otra. ¿Es confiable?
d. Determine el grado de correlación de las dos variables.
e. Relacionar la información obtenida con el problema.
f. Establezca al menos 3 nuevos valores independientes para ser hallados a
través del modelo matemático calculado.

a) Las dos variables escogidas de la situación estudiada son % de

viviendas con algún nivel de hacinamiento y % de población de 15 años o
más analfabeta. Esto con el fin de analizar qué tan relacionadas pudieran
estar estas dos variables objeto de estudio. Todo esto bajo el criterio del
investigador

% %
Ocupantes Ocupantes
en en
viviendas viviendas
sin energía sin agua de
eléctrica acueducto
0,72 15,36
0,31 1,49
0,51 0,50
0,89 0,57
0,95 0,68
0,70 4,56
 1,02 0,29
1,00 8,60
1,16 4,40
2,83 3,67
3,03 2,10
1,61 3,00
0,37 4,35
1,84 6,46
0,82 2,15
0,58 0,78
2,07 7,50
0,33 0,70
39,51 28,26
5,29 15,03
0,98 2,72
0,71 6,63
0,39 1,19
0,57 0,95
0,57 1,52
0,93 0,86
12,82 8,36
4,65 5,44
0,98 42,29
0,62 0,91
21,20 30,95
4,23 1,19
0,51 2,99
1,72 1,37
1,31 3,61
0,41 0,98
0,41 9,89
4,38 12,51
0,04 0,09
1,49 5,73
0,64 1,35
4,80 10,39
2,66 9,49
0,64 1,79
1,22 29,66
0,96 3,42
0,32 1,10
 2,08 4,30
4,31 22,95
0,68 4,00
0,36 3,88
2,52 2,37
0,85 3,53
0,66 1,15
1,09 2,43
23,91 33,69
0,40 1,52
3,40 1,33
1,65 4,44
1,21 3,70
50,62 44,83
4,04 3,64
0,51 6,10
2,13 6,88
3,50 8,01
1,17 3,26
0,33 2,29
10,53 8,55
2,40 26,49
0,45 9,68
1,71 15,39
0,89 2,56
0,36 9,34
0,34 2,56
2,94 4,52
13,87 14,35
0,65 3,41
1,22 6,12
0,99 2,69
3,48 13,05
1,13 0,97
0,46 0,17
0,57 2,88
5,81 14,08
2,35 4,29
2,53 10,31
6,76 9,63
0,80 4,14
 4,97 2,17
0,53 2,59
1,38 6,53
0,46 2,80
0,54 3,72
1,95 3,98
0,78 0,84
1,07 0,62
0,24 2,26
0,25 3,03
5,83 4,92
4,66 14,44
0,33 9,10
0,22 0,74
0,36 0,36
2,90 6,47
0,56 14,86
2,61 1,87
0,64 1,49
1,89 1,74
1,65 6,62
0,75 2,94
0,66 4,96
2,40 8,32
1,72 3,45
0,85 0,74
10,96 31,50
0,61 3,21
1,76 3,19
1,67 18,65
0,83 1,91
0,18 3,13
0,60 0,61
8,60 1,60
0,95 1,59
1,19 9,70
1,25 12,50
b) El tipo de relación que existe entre estas dos variables y que se evidencia en el
gráfico a continuación, es una relación lineal, ya que podemos observar que a
medida que aumenta el porcentaje de población de 15 años o más analfabeta,
aumenta (aunque en diferentes proporciones) el porcentaje de viviendas con algún
nivel de hacinamiento.
% Ocupantes en viviendas sin agua de acueducto

Dispersión

f(x) = − 0.03 x + 36.71

R² = 0.02

% Ocupantes en viviendas sin energía eléctrica

C . Encuentre el modelo matemático que permite predecir el efecto de una

variable sobre la otra. ¿Es confiable?

y = -0,0281x + 36,711 R² = 0,0205

El modelo matemático expuesto es el modelo que nos permite predecir el efecto de una
variable sobre otra. La confiabilidad y viabilidad del mismo se puede analizar por medio
del estadístico R², que toma valores entre cero y uno, y que entre más cercano esté al
número 1 más confiable será el modelo ya que la variable independiente (X) estará
explicado en mayor medida el comportamiento de la variable dependiente (Y). en nuestro
análisis, vemos que el valor del estadístico toma un dato muy lejano del 1 y bastante
cercano al cero (0), lo que nos dice que estas variables están poco relacionadas entre sí o
que para poder explicar el comportamiento de (Y) será necesario adicionar nuevas
variables que permitan hacer el análisis mucho más enriquecedor.
 d. Determine el grado de correlación de las dos variables.

R= 0,65178668

El grado de correlación lineal de dos variables toma unos valores que se

interpretan de acuerdo a la fuerza que pueda tener la explicación de una
variable con relación a otra. En nuestro análisis, el coeficiente de
correlación es 0,6517. Y lo que nos dice la tabla de referencia es que
cuando se tienen valores de r positivos, y esos valores se encuentran en
el intervalo: 0,30 < r < 0,60 existe una correlación mínima entre las
variables, y eso es lo que se evidencia en nuestro análisis.

e. Relacionar la información obtenida con el problema.

Pues nos permite predecir el efecto de una variable sobre otra. en

nuestro análisis, podemos notar que el valor del estadístico toma un
dato muy lejano del 1 y bastante cercano al cero (0), lo que nos dice
que estas variables están poco relacionadas entre sí o que para poder
explicar el comportamiento de (Y) será necesario adicionar nuevas
variables que permitan hacer el análisis mucho más enriquecedor.

f. Establezca al menos 3 nuevos valores independientes para ser hallados a

través del modelo matemático calculado.

y = -0,0281x + 36,711

y =0,0281 (15,7) + 36,711 = 36,712

y =0,0281 (20,2) + 36,711 =36,712

y =0,0281 (24,5) + 36,711 =36,712

 ANÁLISIS DE CORRELACIÓN MÚLTIPLE DE LAS VARIABLES
CUANTITATIVAS SELECCIONADAS.
Descripción de la actividad.

a. Identificar una variable cuantitativa dependiente y varias variables cuantitativas

independientes del estudio de investigación.

b. Realizar el diagrama de dispersión de dichas variables.

c. Calcular la recta de regresión y el coeficiente de correlación para probar

estadísticamente su relación.

d. Relacionar la información obtenida con el problema.

a. Identificar una variable cuantitativa dependiente y varias variables

cuantitativas independientes del estudio de investigación.

% %
Ocupantes Ocupantes % de
Población de % de
en en
15 años o viviendas con
viviendas viviendas más piso de tierra
sin energía sin agua de analfabeta
eléctrica acueducto
0,72 15,36 10,82 2,12
0,31 1,49 3,79 1,51
0,51 0,50 4,89 2,74
0,89 0,57 6,38 5,49
0,95 0,68 5,52 2,26
0,70 4,56 5,24 1,61
1,02 0,29 5,14 2,56
1,00 8,60 9,55 1,04
1,16 4,40 5,66 1,21
2,83 3,67 11,27 6,83
3,03 2,10 9,43 5,91
1,61 3,00 8,31 2,58
0,37 4,35 8,52 1,83
1,84 6,46 10,13 12,19
 0,82 2,15 4,8 3,53
0,58 0,78 11,36 3,35
2,07 7,50 7,45 8,69
0,33 0,70 8,14 1,64
39,51 28,26 19,47 30,49
5,29 15,03 5,83 7,64
0,98 2,72 7,98 2,76
0,71 6,63 7,13 7,55
0,39 1,19 4,23 3,3
0,57 0,95 7,17 4,58
0,57 1,52 5,45 1,9
0,93 0,86 10,13 6,37
12,82 8,36 17,09 17,25
4,65 5,44 8,27 1,61
0,98 42,29 11,02 3,42
0,62 0,91 4,18 2,69
21,20 30,95 14,57 6,85
4,23 1,19 10,18 11,36
0,51 2,99 9,8 2,42
1,72 1,37 7,91 2,85
1,31 3,61 8,31 1,58
0,41 0,98 4,01 2,83
0,41 9,89 5,16 2,37
4,38 12,51 10,56 10,37
0,04 0,09 2,11 1,54
1,49 5,73 8,2 5,52
0,64 1,35 7,16 0,89
4,80 10,39 10,95 7,11
2,66 9,49 9,2 4,51
0,64 1,79 3,46 1,99
1,22 29,66 9,57 4,15
0,96 3,42 6,81 1,35
0,32 1,10 7,57 2,37
2,08 4,30 13,77 2,05
4,31 22,95 16,18 5,88
0,68 4,00 6,5 4,66
0,36 3,88 4,6 1,49
2,52 2,37 6,31 3,89
0,85 3,53 7,16 2,33
0,66 1,15 6,26 2,05
1,09 2,43 5,63 1,31
23,91 33,69 19,31 8,48
0,40 1,52 7,02 2,85
3,40 1,33 4,86 1,72
1,65 4,44 8,28 4,64
1,21 3,70 9,61 2,47
50,62 44,83 27,47 37,73
4,04 3,64 7,61 7,26
0,51 6,10 5,05 1,78
2,13 6,88 8,85 4,59
3,50 8,01 14,82 6,61
1,17 3,26 8,16 5,76
0,33 2,29 2,66 2,25
10,53 8,55 10,59 11,39
2,40 26,49 18,63 9,19
0,45 9,68 4,3 5,54
1,71 15,39 10,26 8,54
0,89 2,56 9,72 1,44
0,36 9,34 6,54 0,99
0,34 2,56 6,72 0,86
2,94 4,52 5,45 3,88
13,87 14,35 9,56 10,38
0,65 3,41 5,31 1,95
1,22 6,12 9,14 2,49
0,99 2,69 10,83 10,12
3,48 13,05 10,32 4,83
1,13 0,97 8,59 3,29
0,46 0,17 4,21 6,76
0,57 2,88 5,57 1,96
5,81 14,08 7,39 4,28
2,35 4,29 9,69 2,99
2,53 10,31 8,89 5,7
6,76 9,63 10,62 9,9
0,80 4,14 6,53 4,75
4,97 2,17 6,2 3,99
0,53 2,59 6,66 2,52
1,38 6,53 8,12 3,53
0,46 2,80 8,42 5,68
0,54 3,72 6,55 0,82
1,95 3,98 4,92 4,92
0,78 0,84 6,28 1,18
1,07 0,62 10,39 6,08
 0,24 2,26 2,56 2,6
0,25 3,03 3,44 4,32
5,83 4,92 13,11 15,55
4,66 14,44 8,66 3,38
0,33 9,10 3,38 4,29
0,22 0,74 8,83 2,46
0,36 0,36 8,3 2,67
2,90 6,47 9,45 3,93
0,56 14,86 8,88 2,15
2,61 1,87 12,84 5,9
0,64 1,49 5,62 5,95
1,89 1,74 6,09 10,57
1,65 6,62 11,86 3,72
0,75 2,94 4,96 2,57
0,66 4,96 6,61 0,31
2,40 8,32 9,95 2,33
1,72 3,45 9,32 5,25
0,85 0,74 7,2 3,29
10,96 31,50 12,57 7,81
0,61 3,21 5,04 1,4
1,76 3,19 11,04 2,17
1,67 18,65 8,18 2,2
0,83 1,91 6,18 9,16
0,18 3,13 2,3 3,09
0,60 0,61 5,99 5,22
8,60 1,60 11,36 9,24
0,95 1,59 9,23 3,38
1,19 9,70 7,58 2,39
1,25 12,50 9,64 1,23

b. Realizar el diagrama de dispersión de dichas variables.

 Dispersión
50.00 40
45.00 35
% variantes de pendiente

40.00
30
35.00
30.00 25
25.00 20
20.00 15
15.00
10
10.00
5.00 5
f(x) = − 0 x + 6.9
0.00 R² = 0 0
0.72 1.00 0.82 0.71 0.98 0.41 2.66 0.68 0.40 2.13 1.71 1.22 2.35 0.46 5.83 2.61 1.72 0.18
% variable independiente

. Calcular la recta de regresión y el coeficiente de correlación para probar

estadísticamente su relación
Coeficiente de correlación múltiple 0,426825786
Coeficiente de determinación R^2 0,65178668
R^2 ajustado 0,64178668

Error típico 6,243226393

Observaciones 125

  Coeficientes Error típico Estadístico t Probabilidad

Intercepción 34,32511024 2,278138966 15,06717139 1,55613E-29
Variable X 1 -0,103409365 0,062766133 -1,64753442 0,102042761
Variable X 2 0,206032893 0,228791327 0,900527548 0,369628403
Variable X 3 0,705764887 0,155384136 4,542065271 1,32685E-05

CONCLUSIONES

 La Estadística es una ciencia matemática que se utiliza para describir, analizar e
interpretar ciertas características de un conjunto de individuos llamado población.
Cuando nos referimos a muestra y población hablamos de conceptos relativos
pero estrechamente ligados. Una población es un todo y una muestra es una
fracción o segmento de ese todo.

    Podemos dividir la estadística en dos ramas; la estadística descriptiva, que se

dedica a los métodos de recolección, descripción, visualización y resumen de
datos originados a partir de los fenómenos en estudio; y la estadística inferencial,
que se dedica a la generación de los modelos, inferencias y predicciones
asociadas a los fenómenos en cuestión.
Con base en los datos socioeconómicos que analizamos, se han obtenido algunas
conclusiones bastante importantes.

La primera es que la pobreza no solo debe ser analizada por la cantidad de dinero
que ganan las personas ocupadas, sino que se deben tener en cuenta por ejemplo
en qué condiciones de desarrollo territorial, social y humano se encuentran las
comunidades con mayor pobreza extrema en Colombia. Es por esto que
analizamos una serie de variables tanto cualitativas como cuantitativas con miras
a hacer mucho más enriquecedor este análisis.
 REFERENCIAS BIBLIOGRÁFICAS

Churchill, G.A. (2009). "Análisis de Regresión Múltiple." Investigación de

mercados. Mexico City: Cengage Learning. Páginas 686 – 695

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

Paraninfo. Paginas. 151 – 158

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

México City: Cengage Learning. Páginas 675 – 686