Contenidos

1. Datos bivariantes
Estadı́stica descriptiva bivariante
2. Representaciones gráficas

Estadı́stica I 3. Relación entre variables

Grado en Economı́a y ADE

Datos bivariantes: Descripción

• En la mayorı́a de los problemas de interés interviene más de una

variable y la información tomada se presenta como un conjunto de
datos bivariantes o multivariantes

• Las descripciones univariantes de las variables que intervienen en

Datos bivariantes estos problemas dan información incompleta de los mismos. El
mayor interés está en el estudio de la asociación (relaciones) entre
las distintas variables

• Descubrir la existencia de cierto tipo de relación entre una variable

Y y otra variable X , puede permitir a veces atribuir a esta última
parte de la variabilidad de la primera. Existen técnicas descriptivas
diferentes para describir la asociación entre variables, según el tipo
de variables a estudiar

Datos bivariantes: Descripción Datos bivariantes: Tablas de doble entrada

• Asociación entre variables cualitativas o atributos. En este caso

Frecuencia absoluta conjunta
se utilizan tablas de contingencia o comparación de grupos respecto
a una variable cualitativa Número de individuos que presentan simultaneamente X = xi e Y = yj
Ejemplo: El sexo y el color del pelo de una persona
X \Y y1 y2 ··· yp ni.
• Asociación entre una variable numérica y una cualitativa. En
x1 n11 n12 ··· n1p n1.
este caso se realizan comparaciones entre grupos o subpoblaciones
x2 n21 n22 ··· n2p n2.
respecto a la variable numérica .. .. .. .. .. ..
Ejemplo: La profesión y los años de servicio . . . . . .
xk nk1 nk2 ··· nkp nk.
• Asociación entre variables cuantitativas. Se utiliza el análisis de n.j n·1 n·2 ··· n·p N
regresión y de correlación
Ejemplo: X p
k X k
X p
X
Número de hijos y número de hermanos (discreta-discreta), nij = ni· = n·j = N
hijos de una familia y estatura del padre (discreta-continua), i=1 j=1 i=1 j=1

Temperatura y pulsaciones (continua-discreta),

Perı́metro craneal y perı́metro torácico (continuo-continuo) 3 4
Datos bivariantes: Tablas de frecuencias Datos bivariantes: Resumenes numéricos

Frecuencia relativa conjunta

Proporción de individuos que presentan simultaneamente X = xi e

Y = yj Momentos

X \Y y1 y2 ··· yp fi. Se define el momento respecto al par de valores (c, v ) de órdenes r y s:

x1 f11 f12 ··· f1p f1. Pk Pp
− c)r (yj − v )s · nij
i=1 j=1 (xi
x2 f21 f22 ··· f2p f2. Mr ,s (c, v ) =
.. .. .. .. .. .. N
. . . . . .
xk fk1 fk2 ··· fkp fk. Momentos a tener en cuenta
f.j f·1 f·2 ··· f·p 1
nij • Momentos respecto al origen (c, v ) = (0, 0) de órdenes r y s
fij =
N • Momentos respecto a las medias (c, v ) = (X , Y ) de órdenes r y s
X p
k X k
X p
X
fij = fi· = f·j = 1
i=1 j=1 i=1 j=1

5 6

Datos bivariantes: Resumenes numéricos Datos bivariantes: Resumenes numéricos

Momentos respecto al origen (c, v ) = (0, 0) de órdenes r y s: Momentos respecto al origen (c, v ) = (X , Y ) de órdenes r y s:

p
k X
X
(xi − X )r (yj − Y )s · nij
Pk Pp Pk Pp
i=1 j=1 (xi − 0)r (yj − 0)s · nij i=1
r
j=1 (xi ) (yj )
s
· nij
ar ,s = = i=1 j=1
N N mr ,s =
N
Momentos de interés
Momentos de interés

a0,0 = 1 p
k X
X
(xi − X )(yj − Y ) · nij
i=1 j=1
a1,0 = X a0,1 = Y m1,1 = a1,1 − a1,0 · a0,1 = Covarianza
N

p
k X
X
xi · yj · nij m2,0 = SX2 m0,2 = SY2
i=1 j=1
a1,1 =
N
7 8

Datos bivariantes: Distribuciones marginales y condicionadas

A partir de una variable bidimensional podemos estudiar dos tipos de

variables unidimensionales:
Distribuciones Marginales

• Distribuciones marginales

• Distribuciones condicionadas

9 10
Datos bivariantes: Distribución marginal de X Datos bivariantes: Distribución marginal de X

Frecuencia absoluta marginal

• Media marginal:
X ni·
x1 n1· N
X k
X
.. .. xi xi ni. k
. . i=1 i=1
X
X = = = xi fi.
xk nk· N N
i=1
N

ni .
Frecuencia relativa marginal: fi . = N
• Varianza marginal:
X fi·
N k
x1 f1·
X X
(xi − X )2 xi2 ni. k
.. .. X
i=1 i=1
. . SX2 = = − (X )2 = xi2 fi. − (X )2
xk fk· N N
i=1

1
11 12

Datos bivariantes: Distribución marginal de Y Datos bivariantes: Distribución marginal de Y

Frecuencia absoluta marginal

• Media marginal:
Y n·j
y1 n·1 N
X p
X
.. .. yj yj n.j
. . p
j=1 j=1 X
yp n·p Y = = = yj f.j
N N
j=1
N

n. j
Frecuencia relativa marginal: f. j = N • Varianza marginal:

Y f·j N
X p
X
y1 f·1 (yj − Y )2 yj n.j
p
.. .. j=1 j=1 X
. . SY2 = = − (Y )2 = yj f.j − (Y )2
N N
j=1
yp f·p
1
13 14

Distribuciones condicionadas: Distribución de X

condicionada por Y

• La tabla se lee por columnas

• Familia de p distribuciones condicionadas de la variable X a cada
valor de Y = y1 , . . . , yp −→ X /Y=yj , j = 1, . . . , p
X \Y y1 y2 ··· yp
x1 f1/1 f1/2 · · · f1/p
Distribuciones Condicionadas x2 f2/1 f2/2 · · · f2/p
.. .. .. .. ..
. . . . .
xk fk/1 fk/2 ··· fk/p
1 1 1 1

• Distribución de X condicionada por Y = yj ⇒ X /Y=yj

• Frecuencia relativa de X = xi condicionada por Y = yj
nij fij
fi/j = =
n. j f. j
15 16
Distribuciones condicionadas: Distribución de Y
condicionada por X

• La tabla se lee por filas

• Familia de k distribuciones condicionadas de la variable Y a cada
valor de X = x1 , . . . , xk −→ Y /X=xi , i = 1, . . . , k
X \Y y1 y2 ··· yp
x1 f1/1 f1/2 · · · f1/p 1
x2 f2/1 f2/2 · · · f2/p 1
Representaciones gráficas
.. .. .. .. ..
. . . . . 1
xk fk/1 fk/2 ··· fk/p 1

• Distribución de Y condicionada por X = xi ⇒ Y /X=xi

• Frecuencia relativa de Y = yj condicionada por X = xi

nij fij
fj/i = =
ni . fi .
17

Representaciones gráficas de tablas de doble entrada Representaciones gráficas de tablas de doble entrada

• Histograma de frecuencias tridimensional

• Diagrama de barras agrupadas
Clientes de la empresa Histograma 3D. Datos simulados normales

Diagrama de barras múltiples Diagrama de barras apiladas

25 40
Norte Norte
20 Centro
Porcentajes

Centro
Porcentajes

Sur 30
Sur
15
20
10

5 10

0
0
Mayorista Minorista Detalle
Mayorista Minorista Detalle

18 19

Representaciones gráficas de datos individualizados

• Diagrama de dispersión o nube de puntos

Plot of HORSEPOWER vs WEIGHT
180
HORSEPOWER

150
120
Relación entre variables

90
60
30
0
1700 2200 2700 3200 3700 4200 4700
WEIGHT 20
Asociación entre variables numéricas Asociación entre variables numéricas: Covarianza

Independencia
Diremos que dos variables son estadı́sticamente independientes si

• En la mayorı́a de los problemas de interés intervienen más de una nij ni· n·j
fij = fi· f·j ⇔ = ·
variable N N N

• El interés principal es el estudio de las relaciones entre las variables ¿Cómo medimos la dependencia?
presentes en el problema PN
i=1 (xi − X )(yi − Y )
SXY = Cov (X , Y ) = m1,1 =
N
• Suelen buscarse relaciones lineales entre las variables: Pk Pp
i=1 j=1 (xi − X )(yi − Y )nij
• Es el tipo de relación más simple =
N
• Muchas relaciones no lineales pueden linealizarse a través de p
k X
X
transformaciones = (xi − X )(yi − Y )fij
i=1 j=1
Pk Pp
i=1 j=1 ·xi · yj · nij
= −X ·Y
N
21 22

Asociación entre variables numéricas: Covarianza Asociación entre variables numéricas: Covarianza

Propiedades:

• Si SXY > 0 −→ Existe relación positiva o creciente

Defectos
• Si SXY = 0 −→ No existe relación
• Tiene unidades: La covarianza se mide en unidades. Sin embargo,
• Si SXY < 0 −→ Existe relación inversa o decreciente
el grado de asociación entre dos variables no deberı́a depender de las
• SXY = SYX unidades en que las midamos (cambios de escala lineales). Los
cambios de localización no afectan a la covarianza
• SXX = SX2

• Cov (a · X , c · Y ) = a · c · Cov (X , Y ) • Sólo indica el sentido de la asociación (a través del signo).

• Cov (b + X , Y ) = Cov (X , Y )

• Cov (b + a · X , d + c · Y ) = a · c · Cov (X , Y )

23 24

Asociación entre variables numéricas: Coeficiente de cor- Asociación entre variables numéricas: Coeficiente de cor-
relación relación

Propiedades

Definición: • Adimensionalidad: No tiene unidades

SXY • El sentido de asociación lineal (creciente o decreciente) lo da el

rXY = signo, que es el mismo que el de la covarianza
SX SY
• −1 ≤ rXY ≤ 1
• Invariancia frente a cambios de localización u origen y escala
Interpretación: (transformaciones lineales) en las variables

U =a·X +b
• Si |rXY | próximo a 1 −→ Asociación lineal importante
V =c ·Y +d
• Si |rXY | próximo a 0 −→ Asociación lineal débil rUV = rXY

• rXY = 0 ⇐⇒ Ausencia de relación lineal

25 • |rXY | = 1 ⇐⇒ Asociación lineal exacta 26
Asociación entre variables numéricas: Matriz de varianzas- Asociación entre variables numéricas: Matriz de correlaciones
covarianzas

Definición:
Definición:
!
SX2 SXY !
S= 1 rXY
SYX SY2 S=
rYX 1

Propiedades:
Propiedades:
• En la diagonal principal aparecen las varianzas
• Es simérica
• En las diagonales secundarias aparecen las covarianzas
• Es definida positiva
• Es simérica
• Es definida positiva

27 28