ClubEnsayos.com - Ensayos de Calidad, Tareas y Monografias
Buscar

Practica 2 de estadistica ANÁLISIS DE DOS VARIABLES

Iancka ChoqueApuntes16 de Mayo de 2019

993 Palabras (4 Páginas)173 Visitas

Página 1 de 4

PRACTICA 2

ANÁLISIS DE DOS VARIABLES

  1. Repaso de estadística unitaria

Las siguientes preguntas se refieren a las variable ESCALA del archivo ejercicios.sav

  1. Calcule los estadísticos de tendencia central de dicha variable

Media 4.60

Mediana 5.00

Moda 5

  1. Calcule los índices de asimetría y curtosis de dicha variable

Asimetría 0,267

Curtosis -0,148

  1. Queremos hacer 4 grupos iguales en dicha variable. Los grupos son: izquierda, centro-izquierda, centro derecha y derecha ¿Qué valores de la variable ESCALA delimitan cada uno de los grupos?

  1. Calcule los centiles 20, 40 y80 de dicha distribución:

C20= 3

C40=4

C80=6

  1. Matrices de Varianza-Covarianza y Correlaciones

Seleccione las variables de la pregunta 13 del cuestionario INGRESO2 e INGRESO3) del archivo ejercicios.sav y ejecute la matriz-covarianzas y la matriz de correlaciones entre las tres variables

Según los resultados obtenidos en el visor SPSS conteste a las siguientes preguntas:

2.1        ¿Cuál de las tres variables es más homogénea?

        La variable INGRESOS 3, porque la varianza es positiva

Correlations

Ingresos personales

Ingresos de tu pareja

Aportaciones familiares (incluida "paga" mensual o semanal)

Ingresos personales

Pearson Correlation

1

,373**

-,124**

Sig. (2-tailed)

,000

,001

Sum of Squares and Cross-products

1708685,919

470122,523

-102999,564

Covariance

2624,710

722,154

-158,217

N

652

652

652

Ingresos de tu pareja

Pearson Correlation

,373**

1

-,116**

Sig. (2-tailed)

,000

,003

Sum of Squares and Cross-products

470122,523

929168,446

-71061,350

Covariance

722,154

1427,294

-109,157

N

652

652

652

Aportaciones familiares (incluida "paga" mensual o semanal)

Pearson Correlation

-,124**

-,116**

1

Sig. (2-tailed)

,001

,003

Sum of Squares and Cross-products

-102999,564

-71061,350

402861,779

Covariance

-158,217

-109,157

618,835

N

652

652

652

**. Correlation is significant at the 0.01 level (2-tailed).

2.2 Elabore la matriz de varianzas-covarianzas entre las variables INGRESO 1 e INGRESO 2.

                        INGRESO 1                                        INGRESO 2

[pic 1]

INGRESO 1

INGRESO 2

2.3 Elabore la matriz de correlaciones entre las variables INGRESO1 e INGRESO 3

                        INGRESO 2                                        INGRESO 3

[pic 2]

INGRESO 2

INGRESO 3

2.4 Compruebe cómo se obtendrá la correlación de Pearson entre INGRESOS 1 e INGRESO 2 si solo se utilizan los datos que aparecen en la matriz de varianzas obtenida en el apartado 2.2.

Correlations

Ingresos personales

Ingresos de tu pareja

Ingresos personales

Pearson Correlation

1

,373**

Sig. (2-tailed)

,000

N

652

652

Ingresos de tu pareja

Pearson Correlation

,373**

1

Sig. (2-tailed)

,000

N

652

652

**. Correlation is significant at the 0.01 level (2-tailed).

  1. Combinación lineal de variables

Calcule (mediante el menú Transformar -) calcular del SPSS)una nueva variable que sea la suma de los ingresos personales del entrevistado, y los ingresos de su pareja (INGRESO 1 + INGRESO2). Ala nueva variable la llamaremos INPAREJA. La etiqueta de dicha variable será “ingresos personales y de la pareja”.

3.1 La media de la variable INPAREJA es: 35,1595

      La varianza: 5496,312

      Índice de asimetría: 3,394

3.2 Calcule a partir de la matriz de varianzas-covarianzas entre las  variables INGRESO 1 e INGRESO2 (OBTENIDA EN EL APARTADO 2.2) el valor de la varianza e la variable INPAREJA

Statistics

INPAREJA

N

Valid

652

Missing

65

Variance

5496,312

  1. Modelos lineales de regresión

Queremos elaborar un modelo de represión lineal que nos permita pronosticar las horas que un entrevistado ve la televisión a la semana (TV) a partir de las horas semanales de ocio de dicho entrevistado.

En dicho modelo…

4.1        La variable predictora horas es y la variable criterio es tv.

Model Summary

Model

R

R Square

Adjusted R Square

Std. Error of the Estimate

1

,228a

,052

,050

6,745

a. Predictors: (Constant), horas

Coefficientsa

Model

Unstandardized Coefficients

Standardized Coefficients

t

Sig.

B

Std. Error

Beta

1

(Constant)

7,972

,539

14,791

,000

horas

,138

,023

,228

6,096

,000

a. Dependent Variable: tv

4.2        La ecuación de regresión en puntuaciones directas es:

        Tv= 7.972 + 0.138 horas

        

 

Coefficientsa

Model

Unstandardized Coefficients

Standardized Coefficients

t

Sig.

B

Std. Error

Beta

1

(Constant)

7,972

,539

14,791

,000

horas

,138

,023

,228

6,096

,000

a. Dependent Variable: tv

...

Descargar como (para miembros actualizados) txt (7 Kb) pdf (617 Kb) docx (690 Kb)
Leer 3 páginas más »
Disponible sólo en Clubensayos.com