UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA (UNAD)

TUTOR: MILENA DIAZ

PRESENTADO POR: EDUAR RICARDO VELA

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA

2019
 INTRO
En este trabajo se realizaron varias practicas las cuales fueron focalizadas en el desarrollo de las competencias
planteadas en la rúbrica de evaluación, por medio de 4 actividades se requirió la aplicación necesaria de estas
temáticas como lo son regresión lineal o correlación.

JUSTIFICACIÓN
Para usar mas herramientas de la estadística descriptiva como lo son los diagramas de dispersión es necesario este
tipo de actividades las cuales impulsan el aprendizaje por medio de actividades muy didácticas para su correcta
comprensión y de este modo, tener datos en los cuales se puedan sacar análisis respectivos.

OBJETIVOS
ü Calcular la recta de regresión y el coeficiente de correlación para probar estadísticamente su relación.
ü En los ejercicios propuestos de laboratorio y de regresión y correlación lineal simple crear modelos matem
ü Aplicar los conceptos aprendidos de correlación y regresión para el desarrollo del paso 4.
ü Analizar y concluir sobre los resultados de los diagramas y la información presentada.
de las competencias
n necesaria de estas

rsión es necesario este

ticas para su correcta
respectivos.

adísticamente su relación.
l simple crear modelos matemáticos que permita predecir el efecto de una variable sobre la otra para determinar su fiabilidad.
lo del paso 4.
erminar su fiabilidad.
Es una medida lineal entre dos Variables
aleatorias cuantitativas A diferencia de
la covarianza, la correlación de pearson es
independiente de la escala de medida de las
variables.

COEFICIENTE DE
CORRELACION LINEAL

MEDIDAS BIVARIANTE
DE REGRESION Y
CORRELACION

COEFICIENTE DE
DETERMINACION R2

es un estadístico usado en el contexto de un

modelo estadístico cuyo principal propósito
es predecir futuros resultados o probar una
hipótesis.

POSITIVA CORRELACION POSITIVA Y NEGATIVA

NEGATIVA
 Se dice que la correlación es positiva perfecta, es
decir, ambas variables varían al mismo tiempo. Este
tipo de correlación es directamente proporcional.
Se dice que hay correlación nega
-1. Este tipo de correlació
proporcional. Entonces, hay corr
las dos variables se correlacion
 Es un tipo de diagrama matemático que
DIAGRAMA DE utiliza las coordenadas cartesianas para
DISPERSION mostrar los valores de dos variables para
un conjunto de datos.

POSITIVA NEGATIVA
EDIDAS BIVARIANTES
DE REGRESION Y
CORRELACION

NTE DE
ACION R2
CORRELACION
LINEAL SIMPLE

Correlación lineal Bajo el concepto de covarianza, que indica el grado

correlación se recogen varios de variación conjunta de dos
procedimientos e indicadores estadísticos variables aleatorias.
utilizados para determinar el grado de
asociación entre dos variables

NEGATIVA
 dice que hay correlación negativa perfecta cuando r =
-1. Este tipo de correlación es inversamente
oporcional. Entonces, hay correlación negativa cuando
as dos variables se correlacionan en sentido inverso.
nza, que indica el grado
ación conjunta de dos
riables aleatorias.
1’DIAGRAMA DE DISPERSIÓN:

Un diagrama de dispersión es una forma fenomenal de expresar datos de dos variables, y hacer predicciones basadas en l
histogramas y los diagramas de caja, los de dispersión muestran valores de datos individuales

2’ CORRELACIÓN LINEAL SIMPLE:

Técnica que permite medir la fuerza o intensidad de la relación entre dos variables linealmente relacionadas, su grado de re

3.COEFICIENTE DE DETERMINACIÓN R2:

El coeficiente de determinación, denominado R², se define como la proporción de la varianza total de la variable explicada
determina la calidad del modelo para replicar los resultados, y la proporción de variación de los resultados que puede explic

4’ CORRELACIÓN POSITIVA – CORRELACIÓN NEGATIVA:

CORRELACIÓN POSITVIVA: ocurre cuando una variable incrementa y la otra también. Por ejemplo, la altura de una pers
CORRELACIÓN NEGATIVA: es cuando una variable incrementa y la otra disminuye. El tiempo de estudio y el tiempo qu

5. ¿QUÉ ES EL COEFICIENTE DE CORRELACIÓN LINEAL Y QUÉ NOS AYUDA A MEDIR? :

Conocida como coeficiente de correlación lineal (de Pearson), es una medida de regresión que pretende cuantificar el grado
El coeficiente de correlación de Pearson es la covarianza estandarizada, y su ecuación difiere dependiendo de si se aplica a
es, y hacer predicciones basadas en los datos. Al contrario de los
uestran valores de datos individuales.

almente relacionadas, su grado de relación y su sentido.

arianza total de la variable explicada por la regresión. El coeficiente

ón de los resultados que puede explicarse por el modelo.

én. Por ejemplo, la altura de una persona y el tamaño de su pie; mientras aumenta la altura, el pie también.
. El tiempo de estudio y el tiempo que pasas jugando videojuegos, tienen una correlación negativa, ya que cuando tu tiempo de jugar vi

A MEDIR? :

ión que pretende cuantificar el grado de variación conjunta entre dos variables.
difiere dependiendo de si se aplica a una muestra, Coeficiente de Pearson muestral (r), o si se aplica la población Coeficiente de Pearson
ya que cuando tu tiempo de jugar videojuegos aumenta, no te queda tanto tiempo para estudiar.

a la población Coeficiente de Pearson poblacional (ρρ).

 1.3. 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:

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

PESO - ALTURA
170
165
160
f(x) = 0.7482925755x + 100.3409341265
155 R² = 0.5582506688
altura (cm)

150
145
140
135
130
55 60 65 70 75 80 85
peso (kG)

b) Encuentre el modelo matemático que permite predecir el efecto de una variable sobre la otra. ¿Es
confiable?

Modelo dado excel -> y = 0,7483x + 100,34

Es un modelo confiable dada la naturaleza de la dispersión

c) Determine el porcentaje de explicación del modelo y el grado de relación de las dos variables.

Porcentaje de explicación dado R^2 -> 74,7%

Es un buen porcentaje de confiablidad.

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

Dada la ecuación -> y = 0,7483x + 100,34

Reemplazo para un valor de 172 cm

Peso esperado de -> 95,76 Kg

1.6. 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 (cm) 120 124 107 118 112

Peso (kg) 24 23 19 24 21

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

Diagrama de dispersión
30

25
f(x) = 0.3860164512x - 22.7514688602
R² = 0.8328827864
20
peso (kg)

15

10

0
100 105 110 115 120 125 130
Estatura (cm)

Variable dependiente -> Peso

Variable independiente -> Estatura

b. Encuentre el modelo matemático que permite predecir el efecto de una variable sobre la otra. ¿Es
confiable?

Modelo dado excel -> y = 0,386x - 22,751

Es confiable dada a la poca dispersión en los datos

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

Grado de correlación -> 0.898433028

Este grado de correlación nos refleja una buena relación entre las variables del problema

d. ¿Cuál es el peso que debería tener un estudiante que mida 128 cm?
Dada la ecuación -> y = 0,386x - 22,751

Reemplazo para un valor de 128 cm

Peso esperado es de ->

1.8. %-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

1. Realice el diagrama de dispersión y determine el tipo de asociación entre

las variables.

Diagrama de dispersión
umbra l de refejo de fexi ón nociceptiva

16
14
12
10
f(x) = - 0.06286783x + 11.6418129408
8 R² = 0.1114945446
6
4
2
0
10 20 30 40 50 60 70 80 90 100
% s obrepes o

Es una relación inversamente profesional.

2. Ajuste un modelo matemático que permita predecir el efecto de una variable sobre la otra. ¿Es confiable?

Dado la gráfica de excel -> y = -0,0629x + 11,642

Es un buen modelo, sin embargo no tanto como se esperaría debido a la dispersión de datos.

3. Determine el porcentaje de explicación del modelo y el grado de relación de las dos variables.

Porcentaje de explicación -> 33.40%

Este porcentaje refleja que la dispersión es considerable y no refle el modelo matematico
 4. ¿Cuál es el umbral de reflejo de flexión nociceptiva, cuando hay un porcentaje de sobrepeso, de 40?.

Dada la ecuación -> y = -0,0629x + 11,642

Reemplazo para un valor de 40

El umbral sería de -> 9,126

imiento dentro de su Nº Peso (Kg) Altura (cm)
nformación del peso (en
1 61 150
2 63 143
3 60 146
4 74 160
e las variables.
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

le sobre la otra. ¿Es

las dos variables.

m?
matemático que permita
na 10 niños y realiza las

110 115 104 110 116

19 22 16 20 23

agrama de dispersión y

130

le sobre la otra. ¿Es

cm?
 y (umbral de
reflejo de flexión
x % Sobrepeso. nociceptiva)
89 2
90 3
75 4
30 4.5
51 5.5
a respuesta individual al
75 7
or se mide utilizando el
nzada. Obsérvese que 62 9
45 13
90 15
20 14

e la otra. ¿Es confiable?

las dos variables.

de sobrepeso, de 40?.
Edad (años) Estatura (M)
9 1.32 Identificar dos variables cuantitativas de la situación estudiad
7 1.22 relacionadas e identificar la variable dependiente e ind
8 1.26
10 1.39 Variable dependiente Estatura
8 1.25 Variable independiente Edad
11 1.43
11 1.45
9 1.34 Realizar el diagrama de dispersión de dichas variables y de
7 1.20 relación entre las variables.
11 1.40
8 1.26
8 1.25 EDAD-PESO
11 1.42 1.6
8 1.27 1.4
10 1.35 f(x) = 0.0574740421x + 0.8004426498
1.2 R² = 0.8670608687
10 1.35
1
11 1.42
ESTATURA

0.8
7 1.20
0.6
11 1.41
0.4
8 1.26
8 1.25 0.2

11 1.40 0
6.5 7 7.5 8 8.5 9 9.5 10 10.5 11
9 1.31 EDAD
9 1.32
9 1.32
10 1.39
8 1.24 Encuentre el modelo matemático que permite predecir el efecto
11 1.45 la otra. ¿Es confiable?
8 1.26
8 1.26 Dada la ecuación que nos da excel: y = 0,0575x + 0,8004
9 1.35
8 1.27
11 1.45
10 1.38
Determine el grado de correlación de las dos va
9 1.33
8 1.20
11 1.50 Coeficiente de correlación 0.931074
8 1.21 r^2 93.11%
8 1.22
10 1.30
8 1.23
Relacionar la información obtenida con el prob
10 1.37
11 1.45
9 1.35 Podemos concluir que estas variables tienen mucha relación, con e
7 1.20 conclusiones cuando sea necesario en cuanto debe ser la altura de
10 1.38 según el estudio tenemos fuentes confiables
8 1.27
8 1.26
10 1.37
9 1.32
9 1.37
9 1.32
9 1.36
7 1.30
10 1.38
8 1.25
8 1.24
8 1.24
8 1.25
9 1.38
9 1.27
10 1.37
10 1.39
10 1.40
8 1.26
9 1.35
10 1.36
8 1.26
10 1.32
10 1.33
10 1.35
8 1.27
11 1.45
8 1.26
7 1.20
9 1.30
7 1.21
9 1.32
10 1.38
11 1.45
8 1.25
10 1.37
10 1.40
11 1.45
10 1.35
9 1.33
9 1.33
11 1.42
10 1.37
9 1.31
9 1.30
9 1.28
9 1.31
9 1.32
9 1.32
10 1.36
11 1.43
11 1.45
9 1.33
9 1.33
8 1.26
8 1.32
10 1.42
9 1.27
10 1.34
as de la situación estudiada que puedan estar
variable dependiente e independiente.

n de dichas variables y determinar el tipo de

entre las variables.

ESO Hablamos de una relación proporcional y positva para estas variables

26498

9 9.5 10 10.5 11 11.5

AD

permite predecir el efecto de una variable sobre

. ¿Es confiable?

y = 0,0575x + 0,8004 Podemos decir que es confiable dado que los datos no se alejan considerablemente de la
recta

correlación de las dos variables

ación obtenida con el problema

enen mucha relación, con esto podemos guiarnos para sacar

cuanto debe ser la altura de un niño dependiendo de su edad
tenemos fuentes confiables para esto.
ara estas variables

ejan considerablemente de la
 CONCLUSIONES

Fue evidente que la correcta utilización de las regresiones y los diagramas de dispersión
son de gran ayuda cuando queremos concluir algo sobre 2 o más variables que
posiblemente estemos estudiando que se relacionen, teniendo esto en cuenta pudimos ver
qué tipos de relación existía entre las variables y poder encontrar un modelo matemático
para poder predecir valores que no encontramos en los datos presentados.