UNIVERSIDAD DE ATACAMA

FACULTAD DE CIENCIAS JUR IDICAS / CARRERA DE TRABAJO SOCIAL

TECNOLOG INFORMATICA I (SPSS) IA ESTAD ISTICA DESCRIPTIVA CON MAS DE UNA VARIABLE
Profesor: Hugo S. Salinas. Primer Semestre 2008

1.
1.1.

Relacin Lineal o
Tipos de relacin lineal o
Por ejemplo las variables Inteligencia y Rendimiento. Tabla 1: Inteligencia y Rendimiento. X 3 1 2 3 1 Y 6 3 5 7 4 1. DIRECTA o POSITIVA

Figura 1: Inteligencia y Rendimiento. 2. INVERSA O NEGATIVA Por ejemplo las variables Ansiedad y Aciertos. Tabla 2: Ansiedad y Aciertos. S 2 4 6 2 1 T 4 2 1 3 5

TECNOLOG INFORMATICA I (SPSS) IA

Figura 2: Ansiedad y Aciertos. 3. RELACION LINEAL NULA Por ejemplo las variables Extroversin y Absentismo. o Tabla 3: Extroversin y Absentismo. o U 2 4 4 2 2 W 5 4 7 4 8

Figura 3: Extroversin y Absentismo. o

1.2.
1.2.1.

Representacin grca o a
Diagrama de Dispersin o

Se dispone de n pares de puntuaciones (en el ejemplo para 10 sujetos) en dos variables cuantitativas (Tienen que referirse a los mismos sujetos). Tabla 1 2 4 4 6 7 4: Ejemplo para 10 sujetos. 3 4 5 6 7 8 9 5 5 7 9 9 9 10 8 10 12 10 13 15 13

Sujeto X Y

10 10 15

Aqu X = 7,2 y Y = 10,9. Entonces el grco de dispersion es: a

TECNOLOG INFORMATICA I (SPSS) IA

Figura 4: Grco de dispersion. a

2.
2.1.

Cuanticacin de la relacin lineal o o

Covarianza
SXY = xy x y, SXY , (1)

donde x =

1 n

xi y xy =

1 n

xi yi

2.2.

Correlacin de Pearson o
rXY = SXY , SX SY 1 rXY 1, (2)

NOTA: En transformaciones lineales la covarianza se altera pero la correlacin de Pearson no. En o efecto, si: U = a X + c y V = c Y + d, entonces SU V = a b SXY y rU V = rXY (Si a y b tienen signos contrarios, entonces rU V = rXY ).

2.3.

Matriz de varianzas y covarianzas

S=
2 SX

SXY 2 SY

SXZ SY Z . . .
2 SZ

2.4.

Matriz de correlaciones
1 rXY 1 R= rXZ rY Z . . . 1 ,

donde rXY =

SXY SX SY

1 rXY 1,

TECNOLOG INFORMATICA I (SPSS) IA

2.4.1.

Interpretacin de rXY o

Figura 5: Interpretation de rXY 1. Examinar su magnitud absoluta: a) Si |rXY | = 0, entonces hay relacin lineal nula. o b) Si |rXY | 1, entonces hay relacin lineal o 2. Examinar su signo: a) Si rXY > 0, entonces hay relacin lineal directa o b) Si rXY < 0, entonces hay Relacin lineal inversa o 2.4.2. Propiedades de rXY

2 1. rXY 100 % de variabilidad comn entre X e Y . Por ejemplo si rXY = 0,5, entonces existe u un 25 % de variabilidad comn entre las variables X e Y . u

2. rXY = 0 no implica que no haya relacin entre X e Y (la relacin puede ser de otro tipo). o o 3. Factores que afectan a rXY : a) Variabilidad de X, Y y XY , b) Terceras variables (efectos moderadores), c) Que X e Y estn bien medidas (abilidad) y e d ) La muestra en que se evalen X e Y . u 4. Para decidir si X e Y estn linealmente relacionadas, se realiza una prueba de signicacin a o estad stica (contraste de hiptesis sobre XY ) o 5. La correlacin NUNCA IMPLICA CAUSALIDAD, slo grado de relacin lineal. o o o

3.
3.1.

Regresin Lineal o
Introduccin o

OBJETIVO: Hacer predicciones o pronsticos en una variable (Y ) a partir de otra (X): Regresin o o de Y sobre X. Variable predictora: X (o variable independiente). La que se utiliza para hacer pronsticos. o
TECNOLOG INFORMATICA I (SPSS) IA

Variable criterio: Y (o variable dependiente). Sobre la que se pronostica Para esto, se crea un MODELO (la recta de regresin Y = 0 + 1 X, donde 0 es el origen y 1 la o pendiente) que se aproxime o ajuste lo ms posible a los datos observados en X y en Y . a Ejemplos: X: Minutos en llamada; Y : Gasto en el telfono mvil (en miles pesos/mes) e o X: Ansiedad ; Y : nmero de aciertos en la PSU. u

3.2.
3.2.1.

Identicacin del modelo o

Criterio de m nimos cuadrados

Se trata de encontrar aquella recta de regresin Y = 0 + 1 X en que la distancia al cuadrado entre o ella y las puntuaciones observadas sea m nima. Es decir: 1 n (Y Y )2 0,
SXY 2 SX

(3) = rXY
SY SX .

De modo que se tiene lo siguiente: 0 = Y 1 X, donde 1 =

Figura 6: Estimacin de M o nimos Cuadrados

3.3.
3.3.1.

Valoracin del modelo o

Coeciente de determinacin o

2 rXY : Proporcin de varianza de Y que queda explicada por X. o Descomposicin de la varianza del criterio (Y ): o

Yi = Yi + (Yi Yi ), donde: Yi son las puntuaciones observadas (emp ricas). Yi son las puntuaciones pronosticadas (estimadas). Yi Yi son los errores en los pronsticos. o Por lo tanto, la varianza de Yi = Yi + (Yi Yi ) est dada por: a
2 2 2 SY = SY + SY Y + 2 SY (Y Yi )

(4)

(5)

donde:
TECNOLOG INFORMATICA I (SPSS) IA

S2 =
Y

1 n

(Yi Y )2 ,
1 n

S2

Y Y

(Yi Y )2 ,

SY (Y Y ) = 0, Luego, reemplazando:
2 2 2 SY = SY + SY Y , 2 donde la varianza de la variable dependiente (criterio) SY se descompone en:

(6)

o S 2 : varianza de las estimaciones (pronsticos). Varianza explicada.

Y

S2

Y Y

: error cuadrtico medio. Varianza No explicada. a

TECNOLOG INFORMATICA I (SPSS) IA