Medidas de correlacion TEORIA

Medidas de Correlación: Análisis Detallado

Key Concepts:

• Medidas de correlación: Dispersograma, Coeficiente de Correlación (Pearson), Recta de Regresión (Mínimos Cuadrados), Error Estándar de Estimación.
• Variable independiente (x) y variable dependiente (y).
• Relación directa (positiva) e indirecta (negativa) entre variables.
• Grado de correlación: Fuerte vs. Débil.
• Predicción del comportamiento de una variable.

1. Dispersograma (Diagrama de Dispersión)

• Definición: Gráfica que representa pares de valores de dos variables (x, y) como puntos.
• Propósito: Visualizar la relación entre las variables.
• Ejes:
  • Eje x: Variable independiente (ej., coeficiente intelectual).
  • Eje y: Variable dependiente (ej., promedio de calificaciones).
• Escala: No necesariamente inicia en cero. El ejemplo muestra el eje x iniciando en 105 y el eje y en 0.5.
• Ejemplo: Relación entre el coeficiente intelectual de 12 alumnos y su promedio de calificaciones.

2. Coeficiente de Correlación de Pearson

• Definición: Valor numérico que indica la fuerza y dirección de la relación lineal entre dos variables.
• Rango: -1 a 1 (inclusive).
• Signo:
  • Positivo: Relación directa (ambas variables crecen).
  • Negativo: Relación indirecta (una variable crece, la otra decrece).
• Magnitud:
  • Cercano a 1 o -1: Correlación fuerte (alta predictibilidad).
  • Cercano a 0: Correlación débil (baja predictibilidad, datos dispersos).
• Ejemplos:
  • r = 1: Correlación positiva perfecta (todos los puntos en la recta).
  • r = 0: Correlación nula (sin relación aparente).
  • r = -1: Correlación negativa perfecta (todos los puntos en la recta, pendiente negativa).
• Fórmula: (Mencionada, pero no detallada en el transcript. Se indica que se explicará en un ejemplo posterior).

3. Recta de Regresión (Método de Mínimos Cuadrados)

• Definición: Línea que mejor se ajusta al comportamiento de la relación entre dos variables.
• Propósito: Hacer predicciones sobre el valor de una variable basándose en el valor de la otra.
• Ecuación: y = b_yx + a_y (para predecir y dado x).
  • y: Valor estimado de la variable dependiente.
  • b_y: Pendiente de la recta.
  • a_y: Intersección de la recta con el eje y.
• Método de Mínimos Cuadrados: Utilizado para obtener la ecuación de la recta.
• Fórmulas: (Mencionadas, pero no detalladas en el transcript. Se indica que se explicarán en un ejemplo posterior).
  • Fórmula para calcular b_y.
  • Fórmula para calcular a_y.
• Ejemplo: Usando la recta de regresión para predecir el promedio de calificaciones de un alumno con un coeficiente intelectual de 115 (aproximadamente 1.5 en el ejemplo).

4. Error Estándar de Estimación

• Definición: Medida de la dispersión de los puntos de datos alrededor de la recta de regresión.
• Propósito: Indicar la precisión de las predicciones realizadas con la recta de regresión.
• Interpretación:
  • Error cercano a 0: Predicciones más precisas.
  • Error grande: Predicciones menos precisas.
• Conclusión: El error estándar indica qué tan certeros son los valores predichos por la ecuación de la recta. Un error grande implica que las predicciones no son válidas o certeras.

Síntesis/Conclusión

Las medidas de correlación, incluyendo el dispersograma, el coeficiente de correlación de Pearson, la recta de regresión y el error estándar de estimación, son herramientas estadísticas que permiten analizar y predecir la relación entre dos o más variables. El coeficiente de correlación indica la fuerza y dirección de la relación, mientras que la recta de regresión permite realizar predicciones. El error estándar de estimación evalúa la precisión de estas predicciones. Un error pequeño indica una alta precisión, mientras que un error grande sugiere que las predicciones son menos confiables. Estas medidas son cruciales para entender el comportamiento de los fenómenos y realizar predicciones informadas.

Bibliografía

• Estadística para la ciencia del comportamiento de Robert R. Pagano.