Académique Documents
Professionnel Documents
Culture Documents
CORRELACIÓN
EL COEFICIENTE DE CORRELACION
Ingres o
horario de Cantidad
la Años de de hijos
ocupación estudio Nivel de menores
ppal (aprox.) Instrucción de 12 años
Ingres o horario de la Pears on Correlation 1,000 ,354** ,365** -,072**
ocupación ppal Sig. (2-tailed) , ,000 ,000 ,000
Años de estudio (aprox.) Pears on Correlation ,354** 1,000 ,945** -,223**
Sig. (2-tailed) ,000 , ,000 ,000
Nivel de Instrucción Pears on Correlation ,365** ,945** 1,000 -,217**
Sig. (2-tailed) ,000 ,000 , ,000
Cantidad de hijos Pears on Correlation -,072** -,223** -,217** 1,000
menores de 12 años Sig. (2-tailed) ,000 ,000 ,000 ,
**. Correlation is significant at the 0.01 level (2-tailed).
a. Listwise N=10338
DIAGRAMAS DE DISPERSIÓN
La forma más sencilla que tienen para predeterminar si existe o no correlación entre dos
variables es construir un diagrama de dispersión.La dispersión de estos puntos tienen las
siguientes formas generales:
a. Cuando puntos se localizan en los ejes coordenados y observas que los valores
de la variable X aumentan mientras que los valores de la variable Y disminuyen,
existiria una Correlación lineal negativa. Un ejemplo de ello sería: Una persona se
entrena para obtener el carnet de conducir repitiendo un test de 50 preguntas. En
la gráfica se describen el nº de errores que corresponden a los intentos realizados.
Observa que hay una correlación muy fuerte (los puntos están "casi" alineados) y
negativa (la recta es decreciente).
a) Si los puntos se van localizando en los ejes coordenados de manera que veas
que si los valores de la variable X aumentan y los valores de la variable y
también aumentan, entonces existe una Correlación Lineal Positiva. Un
ejemplo así ocurre al correlacionar las edades del marido y de la mujer en una
relación de parejas. En este caso a mayor edad del hombre, mayor edad de la
mujer.
b) Cuando los puntos se localizan en el eje de coordenadas y observes que su
relación no es lineal, es decir, aunque su patrón de dispersión está definido,
estas variables presentan una relación no lineal.
Ejemplo: La siguiente tabla muestra los datos registrados en una muestra aleatoria
de 10 escuelas para niños superdotados. La razón alumno/maestro es (X) y los
estudiantes que se salen antes de completar el curso es (Y).
De la tabla, ves que en las columnas (1) y (2) se han escrito las puntuaciones
originales. En la columna (3) se obtuvieron los cuadrados de las puntuaciones X y
en la columna (4) los cuadrados de las puntuaciones Y. La columna (5) se forma
con el producto de cada X por cada Y, finalmente se suman los valores de las cinco
columnas y se sustituyen en la fórmula que ya conoces, obteniendo el siguiente
resultado.
Ahora interpretaremos este valor. Para ello es necesario conocer las siguientes
características del coeficiente de correlación lineal.
Este coeficiente se emplea cuando una o ambas escalas de medidas de las variables son
ordinales, es decir, cuando una o ambas escalas de medida son posiciones. El coeficiente
de correlación de Spearman es una técnica no paramétrica que se basa en los rangos en
vez de en los valores originales de la variable. Este coeficiente es una medida de
asociación lineal que utiliza los rangos, números de orden, de cada grupo de sujetos y
compara dichos rangos. El coeficiente de correlación de Spearman es exactamente el
mismo que el coeficiente de correlación de Pearson calculado sobre el rango de
observaciones. En definitiva la correlación estimada entre X e Y se halla calculado el
coeficiente de correlación de Pearson para el conjunto de rangos apareados. El
coeficiente de correlación de Spearman es recomendable utilizarlo cuando los datos
presentan valores externos ya que dichos valores afectan mucho el coeficiente de
correlación de Pearson, o ante distribuciones no normales.
ALUMNOS X Y
Dyana 1 3
Elizabeth 2 4
Mario 3 1
Orlando 4 5
Mathías 5 6
Josué 6 2
Anita 7 8
Lucía 8 7
Solución:
Por lo tanto existe una correlación positiva moderada entre la primera y segunda
evaluación de los 8 estudiantes
REGRESIÓN
El termino de la regresión fue acuñado por Sir Francis galton (1889) antropólogo británico,
que atreves de la ley de regresión filial definió este término.
cuando se quiere predecir una medida basándose en el conocimiento de otra medida. Se
la denomina como regresión estadística y se la define como la tendencia de una medición
extrema que se presentará más cercana a la media en una segunda medición. La
regresión no es más que la manera de encontrar la relación entre dos o más variables X
y Y , como cuando se realizan estudios para predecir las ventas potenciales de un
producto nuevo por ejemplo en términos de precio, etc. La regresión estadística en otras
palabras es la tendencia de una medición extrema a presentarse más cercana a la media
en una segunda medición, se utiliza para predecir una medida basándose en el
conocimiento de otra.
La regresión es una técnica estadística utilizada para simular la relación existente entre
dos o más variables. Por lo tanto se puede emplear para construir un modelo que permita
predecir el comportamiento de una variable dada. La regresión es muy utilizada para
interpretar situaciones reales, pero comúnmente se hace de mala forma, por lo cual es
necesario realizar una selección adecuada de las variables que van a construir las
ecuaciones de la regresión, ya que tomar variables que no tengan relación en la práctica,
nos arrojará un modelo carente de sentido, es decir ilógico.
Ejemplos de regresión:
1.- Si ambas variables están realmente relacionadas entre sí o si, por el contrario,
pueden considerarse independientes.
Y= a + bx
Ejemplo:
Y'=48.0+.05143X
La ecuación cruza al eje Yen $48. Un libro sin las páginas costaría $48.
La pendiente de la línea es .05143.El costo de cada página adicional de
cinco céntimos.
El signo del valor de b y el signo del valor de r serán siempre iguales.
Dispersión simple :
Abrimos una ventana nueva en la que tenemos que cliquear alternando las tres
diferentes variables en el recuadro que señale el Eje Y y el Eje X.
Y= a+bx
a= 84.46
b=- (0.04)
Reemplazando:
Y=84,86+ -0,04(1.60)
Y=78,46 cm