Estadística descriptiva

Paso 4- Descripción de la Información

Campo riano
Tutor

Luis carlos gonzalez acosta

Universidad nacional abierta y a distancia–unad

Escuela de ciencias básicas, tecnologías e ingenierías-ecbti

Ingeniería de sistemas

Bogotá d.c., 16 de noviembre 2019

Introducción
Las medidas bivariantes nos permiten correlacionar y determinar las relaciones entre
variables de un caso estudiado, crear modelos matemáticos que de acuerdo con el
porcentaje de confiabilidad podamos reusarlo en diferentes casos, permitiendo enriquecer la
obtención de la información que se nos suministra para estudiar a través de esta técnica de
la estadística.
Justificación
El presente informe es necesario realizarlo con el fin de aplicar y reconocer los pasos de
para describir a través de medidas bivariantes de la estadística con los temas tratados con el
fin de que esta área del conocimiento logremos explicar situaciones que se puedan
presentar en la vida real tales como la académica, laboral o empresarial. Así mismo
podamos interpretar un informe estadístico cuando sean expuestos a nosotros con el fin de
tomar decisiones.
Objetivos
Generales
Reconocer las ventajas de la estadística aplicándola a los diferentes escenarios que se
plantean en la presente actividad y como obtener los resultados deseados a partir de los
métodos que tiene esta para describir la información.
Específicos
Aplicar los conocimientos estadísticos para obtener la descripción de la información que
queremos determinar de una situación planteada.
Apoyarse en las medidas bivariantes para determinar los comportamientos de los datos
entregados.
Actividad N° 1

Actividad N° 2
Diagrama de Dispersión
Es la representación grafica de las observaciones o datos ilustradas en un plan cartesiano,
teniendo en cuenta que es una representación de medidas bivariantes o bidimensionales, los
datos u observaciones se ubican de acuerdo con las variables X, Y; creando una nube de
puntos o conjuntos de puntos en diferentes partes de la representación gráfica.
Correlación Lineal Simple
La correlación lineal simple es la determinación de correlación de dos variables que se
comparan en la varianza y desviaciones estándar de cada una.
Coeficiente de Determinación R2
Es la dependencia de la variable Y con respecto de X, se representa en porcentaje el
resultado que da entre 0 y 1.
Correlación Positiva y Negativa
La correlación positiva es cuando es directamente proporcional es decir si aumenta una
observación o dato en una de las variables, la otra aumenta y así mismo en ambas cuando
disminuye.
La correlación negativa es cuando es inversamente proporcional es decir cuando una
observación o dato en una de las variables aumenta la otra variable disminuye o viceversa
cuando disminuye.
Coeficiente de correlación lineal y en que nos ayuda
Es un método para determinar la correlación entre las variables estudiadas, es decir, medir
la dependencia efectiva de una variable con la otra evidenciado en un rango de valores -1 y
+1.
Actividad N° 3
1.1. Peso-Altura. Un colegio del distrito de Bogotá desea realizar un estudio de
crecimiento dentro de su población estudiantil, para lo que se ha construido desde una
muestra la siguiente de información del peso (en kg.) y la altura (en cm.) de 20
jóvenes:
Tipo de Asociación: Directa
Modelo Matemático: y = 0.746x - 44.863
X: Altura
Y: Peso

Confiabilida
d del
Modelo
COEFICIENTE DE DETERMINACION, R²: 0.5583 55.83% Matematico

El modelo
tiene un
alto
porcentaje
de no ser
confiable
en ciertas
situaciones.
COEFICIENTE DE CORRELACION: 0.747194754
TIPO DE CORRELACION: Correlacion Regular
PESO ESPERADO PARA LA ESTATURA DE 172 CM 83.45

Podemos observar que para estudiar esta población el modelo matemático tiene una alta
tasa de no ser confiable, las variables de Altura y Peso pueden no estar muy relacionadas lo
que no permite tener mayor exactitud si se llegara a presentar un estudiante de 172 cm de
altura su peso sea de 83 kilos. Se toma como variable independiente la altura y el peso
como variable dependiente, debido a que por regla general el peso puede variar por
diferentes razones y de acuerdo con la altura los individuos deben estar en un rango de
peso.

1.2. Estatura-Peso. Una Nutricionista de un hogar infantil desea encontrar un modelo

matemático que permita determinar la relación entre el peso y la estatura de sus
estudiantes. Para ello selecciona 10 niños y realiza las mediciones respectivas.
Tipo de Asociación: Directa
Modelo Matemático: y = 0.386x - 22.751
X: Estatura
Y: Altura
COEFICIENTE DE DETERMINACION, R²: 0.8329 83.29% Confiabilidad del Modelo Matematico
El modelo tiene un alto porcentaje de
ser confiable en los casos expuestos
COEFICIENTE DE CORRELACION: 0.912633552
TIPO DE CORRELACION: Correlacion Aceptable
PESO ESPERADO PARA LA ESTATURA DE 128 CM 26.657

Podemos observar que de este grupo estudiado de estudiantes la estatura y el peso pueden
estar muy relacionados, la tasa de que el modelo matemático no sea muy confiable es bajo,
se toma como variable independiente la estatura por lo expuesto anteriormente y el peso
como variable dependiente, es muy probable que un estudiante de 128 cm este pensando 26
kilos aproximadamente.
1.3. %-Umbral. Los investigadores están estudiando la correlación entre la obesidad y la
respuesta individual al dolor. La obesidad se mide como porcentaje sobre el peso
ideal (x). La respuesta al dolor se mide utilizando el umbral de reflejo de reflexión
nociceptiva (y) que es una medida de sensación de punzada. Obsérvese que ambas,
X e Y, son variables aleatorias

Tipo de Asociación: Inversa

Modelo Matemático: y = -0.0629x + 11.642
X: % Sobrepeso
(Umbral de reflejo
de flexión
Y: nociceptiva)
COEFICIENTE DE DETERMINACION, R²: 0.1115 11.15% Confiabilidad del Modelo Matematico
El modelo matematico tiene un
porcentaje bajo de confiabilidad para
las situaciones expuestas
COEFICIENTE DE CORRELACION: 0.333916157
TIPO DE CORRELACION: Correlación Minima
umbral de reflejo de flexión nociceptiva
cuando hay un porcentaje de sobrepeso de 40 9.126
La correlación entre la obesidad y la respuesta al dolor parece no estar muy conectada o
correlacionada como podemos ver, el modelo matemático planteado para estudiarlo
evidencia que la confiabilidad de determinarlo es bajo y así mismo el coeficiente de
correlación, adicionalmente si una persona con sobrepeso de 40, el umbral de reflejo del
dolor es de 9 sin embargo puede que no sea muy certero el resultado.
Actividad N° 4
A partir de la base de datos suministrada: Desempleo en Colombia_2019 (16-4), cada
estudiante, deberá:

Tipo de Asociación: Inversa

Modelo Matemático: y = -0.0176x + 10.84
X: Tasa de incertidumbre empresarial

Y: Tasa de desempleo
COEFICIENTE DE DETERMINACION, R²: 0.003 0.30% Confiabilidad del Modelo Matematico

El modelo matematico tiene un

porcentaje bajo de confiabilidad para
las situaciones expuestas
COEFICIENTE DE CORRELACION: 0.054772256
TIPO DE CORRELACION: Correlación Minima

De la incertidumbre empresarial podemos decir que se toma variable independiente debido

a que se supondría que a mayor tasa de incertidumbre las empresas tienden a recortar
personal o abstenerse a contratar, el modelo matemático para medir estas dos variables
tiene bajo porcentaje de confiabilidad, es decir que esto nos lleva a decir que la tasa de
incertidumbre empresarial no está conectada o correlacionada con la tasa de desempleo en
el periodo estudiado.
Conclusión
Evidenciando el uso de las medidas bivariantes podemos describir mejor la información al
determinar la correlación de las variables estudiadas, establecer un método de análisis y su
confiabilidad, en definitiva, aprender aplicar los conocimientos estadísticos brindan un
mayor entendimiento de las diferentes situaciones que se planteen permitiendo llegar a
mejorar el entendimiento sobre ellas.
Bibliografía

Montero, J. M. (2007). Características de Una Distribución de Frecuencias. Statistical

Descriptive. Cengage Learning Paraninfo, S.A. (pp 41-50). Recuperado
de http://go.galegroup.com/ps/i.do?id=GALE%7CCX4052100008&v=2.1&u=unad&it=r&
p=GVRL&sw=w&asid=99feba20c3312cbea60961107ffc27a0

Montero, J.M. (2007). Regresión y Correlación Simple. Madrid: Paraninfo. (pp 151 – 158).
Recuperado
de http://go.galegroup.com/ps/i.do?id=GALE%7CCX4052100011&v=2.1&u=unad&it=r&
p=GVRL&sw=w&asid=b82c81e98fcc1361e1929abe203c8219

Churchill, G.A. (2009). Análisis de Correlación y de Regresión Simple. México 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=e558184ed89e57d11ede116134cfce41