Professional Documents
Culture Documents
DEFINICION COVARIANZA: Es una medida que entrega el tipo de asociación lineal entre
dos variables cuantitativas denotada por Cov(x,y), Sxy, xy.
cov( x, y ) (x i x )( yi y )
x y
i i Nx y
Para datos poblaciones
N N
cov( x, y ) (x i x )( yi y )
x y
i nx y
i
Para datos muéstrales
n 1 n 1
Interpretación de la covarianza
Si cov(x,y) >0 tipo de relacion directamente proporcional.
Si cov(x,y) <0 tipo de relacion inversamente proporcional.
Si cov(x,y) =0 no existe dependencia lineal.
Propiedades
Si X, Y, son variables aleatorias y a, b, c, d son constantes ("constante" en este contexto significa no
aleatorio), se cumple que:
Cov(x,y) e R
Cov(x,x)=V(x)
Cov(a+bx,c+dy)=bd Cov(x,y)
V(x±y) = V(x)+ V(y)±2cov(x,y)
Si X e Y son independientes, entonces su covarianza es cero. Lo opuesto, sin embargo,
generalmente no es cierto
COEFICIENTE DE CORRELACION
cov( x, y)
: , r x,y o simplemente r x, y r tal que -1≤ r ≤1
x y
Si r = 1, existe una correlación positiva perfecta. El índice indica una dependencia total
entre las dos variables denominada relación directa
Si r = 0, no existe relación lineal. Pero esto no necesariamente implica que las variables son
independientes: pueden existir todavía relaciones no lineales entre las dos variables.
Si r = -1, existe una correlación negativa perfecta. El índice indica una dependencia total
entre las dos variables llamada relación inversa:
COEFICIENTE DE DETERMINACIÓN
En un modelo de regresión lineal el coeficiente de determinación se interpreta como el porcentaje
de variación del modelo que es explicada por los datos , además corresponde a una medida de
bondad de ajuste y se interpreta como el grado de ajuste lineal entre las variables cuantitativas.