ESTADISTICA DESCRIPTIVA.

WHILMER FERNÁNDEZ
1061689638

TUTOR
JOSE RODRIGO GONZALEZ

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA - UNAD

MAYO DE 2019
POPAYÁN
 MAPA MENTAL

REGRESION MULTIPLE: Se utiliza

cuando estudiamos la relación entre
varias variables independientes y otra
variable dependiente

REGRESION LINEAL SIMPLE: Se busca

encontrar una función de x simple que
REGRESION nos permita aproximar y
mediate(y=b0+b1x)

Modelo matematico utilizado para

relacionar la dependencia de una
variable dependiente y las
independientes Xi

MEDIDAS BIVARIANTES Corresponde a la proporcionalidad y la

relacion lineal que existe entre
diferentes variables.Si los valores de
una variable de modifican de manera
sistematica con respecto a los valores
de otra.

DIRECTA: Se da cuando al aumentar

una de las variables la otra aumenta

CORRELACION

INVERSA: Se da cuando al aumentar

una de las variables la otra disminuye

NULA: se da cuando no hay

dependencia de ningun tipo entre las
variables
:

Diagrama de dispersión
 
El diagrama de dispersión permite estudiar las relaciones entre dos conjuntos
asociados de datos que aparecen en pares (por ejemplo, (x,y), uno de cada
conjunto). El diagrama muestra estos pares como una nube de puntos.
Las relaciones entre los conjuntos asociados de datos se infieren a partir de la
forma de las nubes.
 
 Una relación positiva entre x y y significa que los valores crecientes
de x están asociados con los valores crecientes de y.
 Una relación negativa significa que los valores crecientes de x están
asociados con los valores decrecientes de y. 

Uso del diagrama de dispersión

Entre sus usos está descubrir y mostrar las relaciones entre dos conjuntos
asociados de datos y confirmar relaciones anticipadas entre dos conjuntos
asociados de datos.
El diagrama de dispersión puede estudiar la relación entre:
 Dos factores o causas relacionadas con la calidad.
 Dos problemas de calidad.
 Un problema de calidad y su posible causa.

Procedimiento para hacer un diagrama de dispersión

 Recolectar datos pareados (x,y) a partir de dos conjuntos asociados

de datos cuya relación va a ser objeto de estudio. Es conveniente
contar con 30 pares de datos aproximadamente.
 Rotular el eje x y el eje y.
 Encontrar los valores mínimo y máximo, tanto para x como para y y
utilizar estos valores para elaborar la escala de los ejes horizontal (x)
y vertical (y). Ambos deben tener aproximadamente la misma
longitud.
 Plotear los datos pareados (x,y). Cuando haya dos pares de datos
que tengan los mismos valores, dibujar círculos concéntricos al punto
ploteado o plotear el segundo punto a una corta distancia.
  Examinar la forma de la nube de puntos para descubrir los tipos y las
fuerzas de las relaciones.

Correlación lineal simple.

El concepto de relación o correlación se refiere al grado de variación conjunta

existente entre dos o más variables. Más exactamente, el análisis que se ocupa
de medir la relación entre una sola variable independiente y la variable
dependiente se llama análisis de correlación simple.
Coeficiente de determinación R2

El coeficiente de determinación, se define como la proporción de la varianza

total de la variable explicada por la regresión. El coeficiente de determinación,
también llamado R cuadrado, refleja la bondad del ajuste de un modelo a la
variable que pretender explicar.
Es importante saber que el resultado del coeficiente de determinación 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 positiva y correlación negativa

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, ambas variables varían al mismo tiempo. Este tipo de
correlación es directamente proporcional. Hay correlación positiva cuando las
dos variables se correlacionan en sentido directo. Por lo que, a valores altos de
una le corresponden valores altos de la otra e igualmente con los valores bajos.

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
evidente será esta covariación.

Se dice que hay correlación negativa perfecta cuando r = -1. Este tipo de
correlación es inversamente proporcional. Entonces, hay correlación negativa
cuando las dos variables se correlacionan en sentido inverso.
¿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 variación entre
distintas variables relacionadas linealmente. Es un método estadístico
paramétrico, ya que utiliza la media, la varianza, y por tanto, requiere criterios
de normalidad para las variables analizadas.
Se define como la covarianza muestral entre X y Y dividida por el producto de
S xy
las desviaciones típicas de cada variable r =
Sx S
y
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:

Peso Altura
Nº
(Kg) (cm)
1 61 150
2 63 143
3 60 146
4 74 160
5 58 143
6 63 145
7 64 149
8 74 158
9 74 150
10 66 150
11 63 153
12 61 151
13 64 151
14 69 147
15 64 142
16 77 164
17 76 162
18 80 163
19 79 152
20 68 144

a) Realice el diagrama de dispersión y determine el tipo de asociación entre las

variables.
 ESTUDIO DE CRECIMIENTO COLEGIO DISTRITAL
EN BOGOTA
90
80
70 f(x) = 0.79 x − 52.38
R² = 0.59
60
50
PESO

40
30
20
10
0
140 145 150 155 160 165 170
ALTURA

Encuentre el modelo matemático que permite predecir el efecto de una variable

sobre la otra. ¿Es confiable?

y=0,7938 x−52,382

R ²=0,5946∗100=59,46 %

Confiabilidad del modelo ¿ 59,46 %

Determine el porcentaje de explicación del modelo y el grado de relación de las

dos variables.

SI existe relación entre las variables, porque el peso depende de la altura.

Coeficiente de determinación ¿ 0,5946∗100=59,46 % Mínima

Coeficiente de correlación =√ 0,5946=0,77 Regular

¿Cuál es el peso esperado de un estudiante que mide 172 cm?

Hallar Y Y =0,7938 x−52,382

X= 172

Y=?

Y =0,7938 x−52,382

Y =0,7938 x 172

Y =136,5336−52,382

Y =84,15
 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.

A continuación, se presentan los resultados:

Estatura 120 124 107 118 112 110 115 104 110 116
(cm)
Peso (kg) 24 23 19 24 21 19 22 16 20 23

a. Identifique la variable dependiente (y) y la variable independiente (x), realice

el diagrama de dispersión y determine el tipo de asociación entre las variables

X Estatura
Y Peso (kg)
(cm)
120 24
124 23
107 19
118 24
112 21
110 19
115 22
104 16
110 20
116 23
b. Encuentre el modelo matemático que permite predecir el efecto de una
variable sobre la otra. ¿Es confiable?

y=0,386x-22,751
R² = 0,8329

Confiabilidad del 83,29 % aceptable

Coeficiente de determinación ¿ 0,8329∗100=83,29 % Aceptable

Coeficiente de correlación =√ 0,8329=0,91 Excelente

c. Determine el grado de correlación de las dos variables.

Coeficiente de correlación =√ 0,8329=0,91 Excelente

d. ¿Cuál es el peso que debería tener un estudiante que mida 128 cm?

X =128

Y =?

Y =0,386 x −22,751

Y =0,386 X 128

Y =49,408−22,751

Y =26,657

%-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

y (umbral de reflejo de
% Sobrepeso. X
flexión nociceptiva) Y

89 2,00
90 3,00
75 4,00
30 4,50
 51 5,50
75 7,00
62 9,00
45 13,00
90 15,00
20 14,00

Realice el diagrama de dispersión y determine el tipo de asociación entre las

variables.

Ajuste un modelo matemático que permita predecir el efecto de una variable

sobre la otra. ¿Es confiable?

y=−0,0629 x +11,642R ²=0,1115

Confiabilidad del 11,15% no es confiable

Determine el porcentaje de explicación del modelo y el grado de relación de las

dos variables.
Coeficiente de determinación ¿ 0,1115∗100=11,15 % no hay correlacion

Coeficiente de correlación =√ 0,1115=0,33 mínima

¿Cuál es el umbral de reflejo de flexión nociceptiva, cuando hay un porcentaje

de sobrepeso, de 40?

X =40

Y?

Y =−0,0629 x +11,642

Y =−0,0629 x 40

Y =−2,516+11,642

Y =9,126