UNIVERSIDAD DE CONCEPCION

FACULTAD DE CIENCIAS FISICAS Y MATEMATICAS

DEPARTAMENTO DE ESTADISTICA
1 Semestre de 2015

ESTADISTICA DESCRIPTIVA
BIDIMENSIONAL

Prof. Francisco Pradenas P.

1

Un anlisis estadstico descriptivo

bidimensional, estudia el
bidimensional
comportamiento simultneo entre
dos variables aplicadas a una cierta
unidad de observacin, con el
propsito de determinar si existe o
no alguna relacin de dependencia
lineal entre ellas.
2

ALGUNOS EJEMPLOS DE APLICACIN ...

Determinar si el consumo de un producto
depende del ingreso del grupo familiar.

Decidir si la humedad relativa en una
Regin tiene relacin con las temperaturas
del sector geogrfico.

Calcular la altura de una planta segn la
cantidad de fertilizante suministrado.

Averiguar si el rendimiento acadmico de
los estudiantes tiene relacin con el tiempo
de estudio diario.

Determinar la resistencia de una barra de
acero sometida a diferentes niveles de
temperatura.
temperatura

Supondremos que existen las variables X e Y, de las

cuales se dispone de n datos bidimensionales (xi , yi ).
Los pares de datos (xi , yi ), se pueden clasificar en r
clases respecto de la variable X y en s clases
respecto de la variable Y.
Denotaremos por nij a la frecuencia absoluta de la
clase conjunta (Ai Bj).
La clasificacin de los datos se resume en una tabla
de contingencia.
contingencia
4

TABLA DE CONTINGENCIA

EJEMPLO
Supongamos que se desea realizar un estudio,
respecto de la eventual relacin entre el nmero
de avisos publicitarios por televisin y el monto
total de las ventas semanales de un cierto
producto.
Para ello, se dispone de una muestra de 20
semanas (5 meses) donde se registro las ventas
del producto, en millones de pesos, y el
nmero de avisos publicitarios durante los
fines de semana.
6

Datos de la Muestra
Semana N x i (N avisos publicitarios) y i (monto de ventas)
1
8
80
2
4
50
3
5
62
4
4
41
5
4
58
6
4
34
7
5
66
8
7
72
9
5
59
10
6
74
11
8
90
12
6
68
13
4
38
14
5
63
15
6
70
16
7
74
17
8
85
18
8
86
19
7
79
20
4
37
7

DIAGRAMA DE DISPERSION
90

Monto de Ventas

80
70
60
50
40
30
20
3

N de Avisos Publicitarios en TV

TABLA DE CONTINGENCIA
Semana N xi (N avisos publicitarios) yi (monto de ventas)
1
8
80
2
4
50
3
5
62
4
4
41
5
4
58
6
4
34
7
5
66
8
7
72
9
5
59
10
6
74
11
8
90
12
6
68
13
4
38
14
5
63
15
6
70
16
7
74
17
8
85
18
8
86
19
7
79
20
4
37

Monto de Ventas (Y)

N Avisos Publicitarios (X)

33 - 45

45 - 57

57 - 69

4
5
6
7
8

1
4
1

n.j

69 - 81

81 - 93

ni.

2
3
1

6
4
3
3
4

n.. = 20

Cmo Describir Datos Bidimensionales?

DISTRIBUCIONES MARGINALES
Permiten conocer el comportamiento
individual de cada variable, aislando el
efecto que puede provocar la otra variable.
Se construyen mediante las clases de cada
variable y su frecuencia correspondiente.
Las distribuciones marginales son tiles
cuando las variables son independientes,
es decir, no existe relacin funcional entre
ellas.

10

EJEMPLO (avisos vs. ventas)

Semana N xi (N avisos publicitarios)
1
8
2
4
3
5
4
4
5
4
6
4
7
5
8
7
9
5
10
6
11
8
12
6
13
4
14
5
15
6
16
7
17
8
18
8
19
7
20
4

Distribucin Marginal de X
N Avisos Publicitarios (X)

ni.

4
5
6
7
8
n..

6
4
3
3
4
20

11

EJEMPLO (avisos vs. ventas)

Semana N yi (monto de ventas)
1
80
2
50
3
62
4
41
5
58
6
34
7
66
8
72
9
59
10
74
11
90
12
68
13
38
14
63
15
70
16
74
17
85
18
86
19
79
20
37

Distribucin Marginal de Y
Monto de Ventas (Y)

n.j

33 - 45
45 - 57
57 - 69
69 - 81
81 - 93
n..

4
1
6
6
3
20

12

ANALISIS DESCRIPTIVO DE
DISTRIBUCIONES MARGINALES
Una vez obtenidas las distribuciones
marginales de X e Y, el analista pueda
estudiar el comportamiento cualitativo y
cuantitativo de ellas, mediante grficos y
medidas estadsticas.
Puede ser de inters averiguar sobre la
forma de la distribucin de frecuencias de X
y de Y, estudiar la variabilidad de cada una y
compararlas, analizar las medidas de
tendencia central, etc.
13

DISTRIBUCIONES CONDICIONALES
Permiten conocer el comportamiento de
una de las variables, sujeta o condicionada
a valores de la otra variable.
Se construyen mediante las clases de una
de las variables y la frecuencia
correspondiente de la otra variable.
Las distribuciones condicionales son tiles
cuando las variables son dependientes, es
decir, existe relacin funcional entre ellas.
14

EJEMPLO (avisos vs. ventas)

Distribucin Condicional de X si Y
]57 , 69]
Monto de Ventas (Y)
N Avisos Publicitarios (X)

33 - 45

45 - 57

57 - 69

69 - 81

81 - 93

ni.

n.. = 20

n.j

N Avisos Publicitarios (X)

X / ]57 , 69]

4
5
6
7
8

1
4
1
0
0

n.3

15

EJEMPLO (avisos vs. ventas)

Distribucin Condicional de Y si X = 6
Monto de Ventas (Y)
N Avisos Publicitarios (X)

33 - 45

45 - 57

57 - 69

69 - 81

81 - 93

ni.

n.. = 20

n.j

Monto de Ventas (Y)

Y/6

33 - 45
45 - 57
57 - 69
69 - 81
81 - 93
n3.

0
0
1
2
0
3

16

COVARIANZA Y CORRELACION
Como ya mencionamos, uno de los
objetivos en el estudio de variables
bidimensionales, es determinar si existe o
no relacin lineal entre las variables X e Y.
Y
Las medidas estadsticas que permiten
cuantificar la relacin lineal entre estas
variables, son la covarianza y el
coeficiente de correlacin.
correlacin
17

COVARIANZA
La covarianza mide la dispersin
conjunta entre dos variables
cuantitativas X e Y, con respecto de la
media aritmtica de cada una de ellas.

18

PROPIEDADES DE LA COVARIANZA
1. Si las variables X e Y son
independientes entre s, entonces
la covarianza es cero. El inverso no
siempre se cumple.
2. Si la covarianza es distinta de cero,
entonces las variables X e Y son
dependientes entre s.
19

PROPIEDADES DE LA COVARIANZA

3. Si Cov(X,Y) > 0, entonces existe

dependencia lineal directa entre
las variables, es decir, un aumento
o disminucin en una de estas
variables provocar el mismo
efecto en la otra variable.

20

PROPIEDADES DE LA COVARIANZA

4. Si Cov(X,Y) < 0, entonces existe

dependencia lineal inversa entre
las variables, es decir, un aumento
o disminucin en una de estas
variables provocar un efecto
contrario en la otra variable.

21

EJEMPLO (avisos vs. ventas)

X
Y

X
2,2875
23,125

Y
274,81

Varianza de X = 2,2875
Varianza de Y = 274,81
Cov(X,Y)= 23,125
22

EJEMPLO (avisos vs. ventas)

Cov(X,Y)= 23,125
Como Cov(X,Y) > 0, entonces existe dependencia
lineal directa entre el nmero de avisos
publicitarios (X) y el monto total de ventas
semanales (Y).

Mientras mayor es el nmero de avisos

publicitarios en TV, mayor es el monto obtenido
por concepto de ventas del producto.
23

COEFICIENTE DE CORRELACION
El coeficiente de correlacin mide el grado
o magnitud de la asociacin lineal entre
dos variables cuantitativas X e Y.

sX : desviacin estndar de X.

sY : desviacin estndar de Y.
24

PROPIEDADES DEL
COEFICIENTE DE CORRELACION

1. |rXY| 1 -1 rXY 1.
2. Si rXY > 0, entonces la asociacin lineal
entre X e Y es directa.
3. Si rXY < 0, entonces la asociacin lineal
entre X e Y es inversa.
4. Si las variables X e Y son independientes
entre s, entonces rXY = 0.
25

EJEMPLO (avisos vs. ventas)

X
Y

X
1
0,922

Y
1

rX,Y = 0,922
Varianza de X = 2,2875
Varianza de Y = 274,81
Cov(X,Y)= 23,125

rX ,Y

Cov( X , Y )
23.125
=
=
= 0.922
s X . sY
2.2875 274.81
26

EJEMPLO (avisos vs. ventas)

rX,Y = 0,922
El grado de dependencia lineal directa entre el
nmero de avisos publicitarios (X) y el monto
total de ventas semanales (Y), es de 0,922
0,922.

Existe un 92.2% de relacin lineal entre el

nmero de avisos publicitarios en TV y el monto
obtenido por concepto de ventas del producto.

27