2.2: Gráficas de dispersión
- Page ID
- 149853
\( \newcommand{\vecs}[1]{\overset { \scriptstyle \rightharpoonup} {\mathbf{#1}} } \)
\( \newcommand{\vecd}[1]{\overset{-\!-\!\rightharpoonup}{\vphantom{a}\smash {#1}}} \)
\( \newcommand{\id}{\mathrm{id}}\) \( \newcommand{\Span}{\mathrm{span}}\)
( \newcommand{\kernel}{\mathrm{null}\,}\) \( \newcommand{\range}{\mathrm{range}\,}\)
\( \newcommand{\RealPart}{\mathrm{Re}}\) \( \newcommand{\ImaginaryPart}{\mathrm{Im}}\)
\( \newcommand{\Argument}{\mathrm{Arg}}\) \( \newcommand{\norm}[1]{\| #1 \|}\)
\( \newcommand{\inner}[2]{\langle #1, #2 \rangle}\)
\( \newcommand{\Span}{\mathrm{span}}\)
\( \newcommand{\id}{\mathrm{id}}\)
\( \newcommand{\Span}{\mathrm{span}}\)
\( \newcommand{\kernel}{\mathrm{null}\,}\)
\( \newcommand{\range}{\mathrm{range}\,}\)
\( \newcommand{\RealPart}{\mathrm{Re}}\)
\( \newcommand{\ImaginaryPart}{\mathrm{Im}}\)
\( \newcommand{\Argument}{\mathrm{Arg}}\)
\( \newcommand{\norm}[1]{\| #1 \|}\)
\( \newcommand{\inner}[2]{\langle #1, #2 \rangle}\)
\( \newcommand{\Span}{\mathrm{span}}\) \( \newcommand{\AA}{\unicode[.8,0]{x212B}}\)
\( \newcommand{\vectorA}[1]{\vec{#1}} % arrow\)
\( \newcommand{\vectorAt}[1]{\vec{\text{#1}}} % arrow\)
\( \newcommand{\vectorB}[1]{\overset { \scriptstyle \rightharpoonup} {\mathbf{#1}} } \)
\( \newcommand{\vectorC}[1]{\textbf{#1}} \)
\( \newcommand{\vectorD}[1]{\overrightarrow{#1}} \)
\( \newcommand{\vectorDt}[1]{\overrightarrow{\text{#1}}} \)
\( \newcommand{\vectE}[1]{\overset{-\!-\!\rightharpoonup}{\vphantom{a}\smash{\mathbf {#1}}}} \)
\( \newcommand{\vecs}[1]{\overset { \scriptstyle \rightharpoonup} {\mathbf{#1}} } \)
\( \newcommand{\vecd}[1]{\overset{-\!-\!\rightharpoonup}{\vphantom{a}\smash {#1}}} \)
Cuando tenemos datos bivariados, lo primero que debemos hacer siempre es dibujar una gráfica de estos datos, para tener una idea sobre lo que nos están mostrando los datos y qué métodos estadísticos tiene sentido tratar de usar. La forma de hacerlo es la siguiente
[def:scatterplot] Dados los datos cuantitativos bivariados, hacemos la gráfica de dispersión de estos datos de la siguiente manera: Dibujar un\(x\)\(y\) - y un eje, y etiquetarlos con descripciones de las variables independientes y dependientes, respectivamente. Después, para cada individuo en el conjunto de datos, poner un punto en la gráfica en la ubicación\((x,y)\), si\(x\) es el valor de la variable independiente de ese individuo y\(y\) el valor de su variable dependiente.
Después de hacer una gráfica de dispersión, generalmente la describimos cualitativamente en tres aspectos:
[def:scattershape] Si la nube de puntos de datos en una gráfica de dispersión generalmente se encuentra cerca de alguna curva, decimos que la gráfica de dispersión tiene [aproximadamente] esa forma.
Una forma común que tendemos a encontrar en los diagramas de dispersión es que es lineal
Si no hay forma visible, decimos que la gráfica de dispersión es amorfa, o no tiene forma clara.
[def:scatterstrength] Cuando una gráfica de dispersión tiene alguna forma visible —para que no la describamos como amorfa—, lo cerca que está la nube de puntos de datos a esa curva se llama la fuerza de esa asociación. En este contexto, una asociación fuerte [lineal , por ejemplo] significa que los puntos están cerca de la curva nombrada [línea, por ejemplo,], mientras que una asociación débil significa que los puntos no se encuentran particularmente cerca de cualquiera de las curvas nombradas [línea, e.g.,].
[def:scatterdirection] En caso de que una gráfica de dispersión tenga una asociación lineal bastante fuerte, la dirección de la asociación describió si la línea está aumentando o disminuyendo. Decimos que la asociación es positiva si la línea va en aumento y negativa si está disminuyendo.
[Tenga en cuenta que las palabras positivo y negativo aquí se puede considerar como que describen la pendiente de la línea que estamos diciendo es la relación subyacente en la gráfica de dispersión.]