Professional Documents
Culture Documents
Tema 3 - BIDIMENSIONALS
Tema 3 - BIDIMENSIONALS
Distribucions bidimensionals
Grau en Psicologia
Universitat de Vic
J.C.Martori
Introducció
Taula de doble entrada d’una sèrie
bidimensional.
yJ y1 y2 y3 . . . ym
xI
Freqüències
x1 n11 n12 n13 . . . n1m conjuntes
x2 n21 n22 n23 . . . n2m
x3 n31 n32 n33 . . . n3m
. . . . . . . .
. . . . . . . .
. . . . . . . .
xn nn1 nn2 nn3 . . . nnm
(18,56), (18,59), y 53 54 55 56 57 58 59 nI
(19,53), (19,53), x
(19,55), (19,57), 18 0 0 0 1 0 0 1 2
(19,57), (19,58),
19 2 0 1 0 2 5 0 10
20 3 2 0 0 0 0 0 5
(19,58), (19,58),
nJ 5 2 1 1 2 5 1 N= 17
(19,58), (19,58),
(20,53), (20,53),
(20,53), (20,54),
(20,54)
J.C.Martori
Representació gràfica
Núvol de punts de l’exemple anterior.
60
58
56
y
54
52
50
17 18 19 20 21
x
J.C.Martori
Distribucions marginals
Distribució de X independentment dels valors
de Y (i viceversa).
s
ni = nij
j =1
r
n j = nij
i =1
J.C.Martori
Distribucions marginals
Edats i pesos:
Xi ni xi ni
18 2 36
19 10 190
20 5 100
N = 17 326
Yj nj Yj nj Yj2 nj
53 5 265 14.045
54 2 108 5.832
55 1 55 3.025
56 1 56 3.136
57 2 114 6.498
58 5 290 16.820
59 1 59 3.481
N = 17 947 52.837
J.C.Martori
Distribucions condicionades
Imposem una
y 1 2 3 4 nI
x
restricció a una de 5 1 2 0 3 6
les variables i 10
15
2
3
1
2
3
1
2
2
8
8
Y / X=5 nj X / Y>2 ni
1 1 5 3
2 2 10 5
4 3 15 3
N=6 N = 11
J.C.Martori
Independència estadística
Dependència: Direm que dues variables són
dependents quan el valor d’un depèn del valor de
l’altre. Hi ha una relació entre les dues variables.
J.C.Martori
Independència estadística
Definició d’independència estadística:
ni n j nij
X , Y són independents = i, j
N N N
X 5 7 10 nJ
Y
4 8 16 8 32
5 20 40 20 80
8 8 16 8 32
nI 36 72 36 N= 144
J.C.Martori
Mesures de correlació
Tipus de correlació: LINEAL
J.C.Martori
Mesures de correlació
Tipus de correlació: Quadràtica
J.C.Martori
Mesures de correlació
Tipus de correlació: EXPONENCIAL
J.Ll. Garcia/J.C.Martori
Mesures de correlació lineal
Establir el grau de correlació lineal
entre les variables:
◼ Covariància (SXY)
◼ Coeficient de correlació lineal de Pearson
(rXY).
J.C.Martori
Mesures de correlació lineal
Covariància: mesura la relació entre X,Y →
orientació del núvol de punts.
(x − X )(y )
r s
1
S XY = i j − Y ni j
N i =1 j =1
O millor:
n m
x y n
i =1 j =1
i j ij
S XY = − XY
N
J.C.Martori
Mesures de correlació lineal
Covariància:
És la mitjana aritmètica del producte de les
desviacions de X respecte la seva mitjana, i
les desviacions de Y respecte la seva
mitjana.
n m
x y n
i =1 j =1
i j ij
S XY = − XY
N
J.C.Martori
Mesures de correlació lineal
Propietats:
◼ Si Sxy>0 → relació positiva o directa.
◼ Si Sxy<0 → relació negativa o inversa.
◼ Si Sxy=0 → incorrelació=no hi ha relació
lineal entre les variables=X i Y
són estadísticament
independents.
J.C.Martori
Mesures de correlació lineal
J.C.Martori
Mesures de correlació lineal
Coeficient de correlació de Pearson:
S XY
rXY =
S X SY
Propietats:
◼ -1≤ rxy ≤1.
◼ rxy i SXY tenen sempre el mateix signe.
J.C.Martori
Mesures de correlació lineal
Si rxy=1 → Correlació 7
7
6
Si rxy=-1 → Correlació y
5
4
J.C.Martori
Regressió lineal
Objectiu: substituir la dependència
estadística per la dependència funcional.
Covariació estadística Covariació funcional
y y
x x
J.C.Martori
Regressió lineal
Com? Fent passar una corba pel núvol
de punts.
Recta: ajustament o regressió lineal.
Paràbola: ajustament o regressió
quadràtic/a.
Exponencial: ajustament o regressió
quadràtic/a.
Etc.
Segons el núvol de punts
s’adapti a un tipus determinat
de corba, s’escollirà un
ajustament o un altre.
J.C.Martori
Regressió lineal
En dependència lineal entre les dues
variables, la funció que busquem és
una recta: la regressió lineal simple.
J.C.Martori
Regressió lineal
Mètode dels mínims quadrats:
determinar quina és la recta que passa
més a prop de tots els punts del núvol.
J.C.Martori
Regressió lineal
La solució és:
S xy
b= 2
a = Y −bX
Sx
Observacions:
◼ signe(b)=signe(Sxy).
◼ b=pendent de la recta=variació de y en
augmentar x en una unitat.
J.C.Martori
Regressió lineal
Exemple:
yJ 3 5 6 nI xInI xI2nI xIyJnIJ
xI
1 2 0 0 2 2 2 6
2 4 3 0 7 14 28 24+30
4 0 0 1 1 4 16 24
5 0 3 0 3 15 75 75
nJ 6 6 1 N= 13 35 121 159
yJnJ 18 30 6 54
J.C.Martori
Bondat de l’ajustament
Com de semblants són recta i núvol?
Ho mesurem:
1. Variància residual (Se2).
2. Coeficient de determinació (R2).
J.C.Martori
Bondat de l’ajustament
1. Variància residual (Se2):
(e )
s r
2
J.C.Martori
Bondat de l’ajustament
1. Variància residual (Se2):
Propietats:
1. Se2 ≥ 0
2. Es compleix que la mitjana dels valors
predits (y*) = mitjana dels valors
observats (y).
3. Es compleix que Sy2=Sy*2+Se2
4. Si Se2=0, l’ajustament és perfecte.
J.C.Martori
Bondat de l’ajustament
2. Coeficient de determinació:
Ens informa el % d’informació que
recull la recta de regressió; la bondat de
l’ajustament de la recta i, per tant la
representativitat d’aquesta.
J.C.Martori
Bondat de l’ajustament
2. Coeficient de determinació:
2
S y*
R =
2
2
·100
Sy
Propietats:
◼ 0≤R2≤100. Si R2≥75%, bon ajustament.
◼ Si la regressió és lineal: R2=(rxy)2
J.C.Martori