Bueno, el tema 5 Seguimos, ¿no? Esta es la segunda parte Pero claro, el
tema 4 Ha sido solo relación entre variables cualitativas Aquí Si os
fijáis en el tema 5 Perdón Estamos ya hablando de relación entre
variables Cuantitativas Las cuantitativas Como ya sabéis Dicen aquí algo
online No carga el diagrama Bueno, las cuantitativas como ya sabéis Son
aquellas que se miden En escalas de intervalo de razón La manera de
estudiar La relación entre dos variables cuantitativas Puede ser de manera
gráfica o de manera analítica La gráfica quiere decir Que haces una
gráfica Y la analítica es que calculas el índice Y el índice te dice si
hay o no relación ¿Vale? En función del número que te salga ¿Sí?
Bueno, pues nada El método gráfico De representación de dos variables
Cuantitativas Ya sabéis que es el diagrama de dispersión Que visteis en
los temas anteriores Y como métodos analíticos Pues tenéis la covarianza
¿Sí? O los coeficientes de correlación lineal de piso ¿Vale? Eso es lo
que vamos a ver Dentro del coeficiente de correlación lineal de piso Lo
tenéis para variables ordinales, dicotómicas Y dicotómicas y
cuantitativas Bueno Esto ya lo sabéis Cuando tenéis una variación Cuando
hablamos de un diagrama de dispersión O nube de puntos ¿Sí? ¿Recordáis
que esto era un poco esto? Si esto es un nube de puntos Por ejemplo, te
dice Arousal y rendimiento Arousal es Nivel de activación Si están más o
menos Activado o activada ¿Veis? Conforme va aumentando el arousal Al
principio va aumentando El rendimiento hasta un punto Que ¡Puff! Baja
¿Vale? O sea que eso sería una relación de U invertida ¿Sí? Esto
sería imposible En diagramas de dispersión ¿Vale? Obviamente la
relación puede ser Cuando hablamos de una relación lineal ¿Por qué
lineal? Porque se asume que cuando calcula Coeficiente de correlación De
piso La relación entre las variables Debe ser lineal Si no Por ejemplo Si
tú calculas aquí En esta En estos datos El coeficiente de correlación
Pues diría que es cero No hay relación Pero realmente sí es cero Lo que
pasa es que como es curvilínea El coeficiente de correlación de Pearson
Pues te Seja los datos No hace una buena interpretación La relación entre
X e Y Tiene que ser relación lineal Una tendencia lineal Para poder
aplicar El coeficiente de correlación De Pearson Como ya sabéis Directa
quiere decir Que cuando uno aumenta El otro también Que cuando uno aumenta
Y otro disminuye O viceversa Inversa Relación nula Quiere decir que no
importa Cómo varían los valores de una Que la otra no va a modificarse
¿Vale? Entonces bueno Pues aquí tenéis más o menos Una relación
directa Pues se ve que uno aumenta Aumenta la motivación Aumenta el
rendimiento Relación inversa Aumenta las categorías Las categorías Las
calorías ingeridas Disminuye el grado de ¿De qué pone ahí? De anorexia
Si disminuye las calorías Ingeridas Disminuye Se aumenta las calorías
ingeridas Disminuye el grado de anorexia No lo sé Suponiendo ¿Vale? Que
sea así Y la edad y la motivación Pues como hay puntos por todos lados
¿No? Hay Hay motivación baja y alta Con edades bajas Y con edades altas
Pues esto un poco te viene a decir Que no hay relación No importa La edad
que tenga Porque te va a encontrar valores de todo tipo Ante las dos
variables Y esto sería una relación Curvilínea ¿Ok? Bueno pues El
primer coeficiente que se os presenta Es este que es La covarianza Bueno La
covarianza Como dice su nombre Lo que estudia es la Variación conjunta
Covariación ¿Sí? De la variable X e Y Esta es la fórmula Que la tenéis
La primera fórmula que tenéis En el formulario del tema 5 La fórmula de
la covarianza Que simplemente veis Que es el sumatorio De los productos
cruzados De la X y la Y Partido por el número total Menos la media de X y
medio de Y Claro Aquí, fijaros Que si fuera positiva Mayor que cero La
relación es directa Si es negativa Es inversa Si es cero Sería nula Bueno
pues se supone Que cuanto mayor sea El valor absoluto de la covarianza Pues
esto implica Que hay una Está relacionado con la linealidad De la
relación La desventaja es que Como no tiene valor máximo Es complicado su
interpretación ¿Ok? El uso de la covarianza ¿Una duda allí? No, vale
Por eso es por lo que Bueno, la covarianza no se suele usar Como índice De
relación entre variables cuantitativas El más típico El que vosotros
más vais a utilizar Es el El del índice de correlación de Pearson Que si
os fijáis Bueno pues Se basa en la covarianza Pero también Aquí lo
tenéis Las dos fórmulas que tenéis en el formulario Consciente
correlación de Pearson Uno es la covarianza Partido por la multiplicación
De las desviaciones típicas O directamente Con los datos directos Con la
frecuencia ¿Veis? Que es n por El sumatorio de Los productos cruzados X y
Y Menos El sumatorio de X Multiplicado por el sumatorio de Y Así
sucesivamente Lo más importante Que aquí tenéis Es que Ya El coeficiente
de correlación de Pearson Este sí que va desde menos uno hasta uno Uno
sería perfecto Directo Menos uno Perfecto Inverso Cero Sería ausencia
¿No? De relación Obviamente Bueno pues Cuanto mayor sea el valor absoluto
Mayor va a ser La relación entre las variables Esto sería Directo Inverso
Directo ¿Eh? Directo Perdón Directo Inverso La relación directa e
inversa Bueno aquí no hay relación Y esta sería la curvilínea ¿Vale?
Esto es fácil ¿No? ¿Sí? Más o menos Bueno lo que tenéis que ver es
Bueno que algunas características Dicen ¿Cómo se calcula el rango del
tema 4? Me están preguntando aquí Vale El tema 4 lo he dejado grabado
Yao1 Pregunta por el rango del tema 4 Está grabada la explicación de
cómo se calcula el rango en el tema 4 Con respecto al coeficiente de
correlación De Spirman Que relaciona Variables ordinales ¿No? Te lo
puedes Lo puedes mirar en la grabación Aunque he intentado explicarlo
lentamente Porque eso da un poco de problema ¿Vale? Bueno Características
del índice de correlación de Pearson Es simétrico ¿Qué quiere decir?
Que te da igual calcular la correlación de X sobre Y Que de Y sobre X
¿Eh? No se ve afectado el valor absoluto del coeficiente de correlación
Por transformaciones lineales ¿No? Una transformación lineal es La
típica ¿No? Esta que Cualquier variable Si tenéis la variable Y ¿No? Si
tenéis la variable Y Yo la variable Y La voy a transformar en una Y2 Y la
Y2 Pues imaginar Que sea A, ¿no? Más BX Que es fácil de entender ¿No?
De X es un valor Pues imaginaros Que A es 3 ¿Sí? Y la B es 2 ¿Sí? Y
esto de X está mal Debería ser más fácil Debería haber puesto Y
¿Vale? Debo sumar la referencia en punto ¿Vale? Entonces No pasa nada
Quiere decir Si hacéis esto Que es una transformación lineal ¿Sí?
Bueno, pues vaya A seguir obteniendo El mismo índice de correlación De
Pearson Si hacéis La correlación de Pearson De X y Y Y os da 0,8 Si
hacéis la correlación de Pearson Con esa transformación lineal De X con
Y2 Pues va a seguir siendo 0,8 ¿Por qué? Porque si hacéis la
correlación De Y con Y2 Esta correlación es 1 Es decir Que no hay una No
implica Un tipo No hay cambio Con respecto a la variabilidad ¿Vale?
Entonces Esa es una de las propiedades Que tiene ¿Ok? Más o menos Eso lo
había entendido ¿Vale? ¿Sí? ¿Vale? Correlación no implica causalidad
¿Sí? ¿Vale? Pues dice No Cualquier Que es uno de los grandes problemas
Dos Que dos variables Varíen conjuntamente No quiere decir Que una ¿No?
Sea la causa De la otra ¿Ok? O sea Viene No viene a tutoría ¿No? Y saca
matrícula de honor Viene a tutoría Y suspende ¿No? Viene a tutoría
¿Sí? Viene a tutoría Suspende Un puto diría Ah, pues una relación
perfecta Como venga Suspenda ¿No? Pero hay otra variable Que puede estar
afectando Como No viene a tutoría Pero está encerrado Está encerrado
Estudiando ¿No? Y no Como si no hubiera un mañana ¿No? ¿Vale? Entonces
Correlación No implica causalidad Eso es Un aspecto importante ¿Vale? Eso
es lo que pasa Eso quiere decir Que puede verse afectado Por otras
variables ¿Vale? Y eso es lo que veis En fundamentos de investigación
Bueno Después tenéis Coeficiente de correlación De Pearson Para
variables ordinales Ya eso sabéis Cuáles ¿No? El que hemos visto En el
tema 4 Que es el coeficiente De correlación De Spearman ¿Vale?
Coeficiente de correlación De Pearson Para variables dicotómicas Es el
coeficiente ¿No? El phi Que es mucho más rápido De calcular El
coeficiente phi Que el coeficiente de correlación De Pearson ¿Vale? Ahora
sí Este es nuevo El coeficiente De correlación Visceral Puntual Este es
muy típico En psicometría Cuando estudiéis psicometría Lo veréis Que
es La relación Que se da ¿Eh? Entre una variable Dicotómica Y una
variable Cuantitativa ¿Vale? Cuando tienes Una variable dicotómica Y una
cuantitativa Se estudia La correlación visceral ¿Vale? Bueno pues Tenéis
la P Y la Q Bueno la P Hace referencia A la proporción De casos Que tienen
Está bien Que Obtienen el valor De uno ¿No? Pues normalmente P Es el
número De acierto ¿No? Si no Tú tienes dos valores La dicotómica
Imagínate Que la dicotómica Es una variable ¿No? X ¿No? Tú puedes
tener Dos valores O O cero O uno ¿No? Dices P Si es la proporción Si
tengo Veinte casos ¿Sí? Y de estos veinte casos He obtenido ¿Sí? Diez
Unos Y diez Cero ¿Vale? Pues la P Es simplemente La proporción Pues de
veinte Había diez Uno ¿Sí? Y la Q Hace referencia A la proporción Del
otro valor Que es Número de casos De cero Que sería De veinte ¿Sí? Pues
también Había diez Entonces En ambos casos Es cero coma cinco O ¿No? P
Uno Menos P Será igual a P ¿No? ¿Vale? Bueno Bueno pues en definitiva
Tenéis que sacar La media ¿No? De la variable Cuantitativa Cuando la
gente A prueba Por ejemplo Voy a ver Si estar aprobado Está relacionado
Con El número de horas De estudio ¿Sí? Aprobar o no Y número de horas
Pues yo digo La media De horas de estudio De la gente Que aprueba Y la
media De horas de estudio De la gente Que no aprueba Después saca La media
de horas De estudio Y esta es La raíz cuadrada De P por Q Simplemente La
variación Típica En variables Diquetónicas ¿Vale? Y así Obtenéis El
coeficiente De correlación Visceral puntual Que se interpreta Igual que El
coeficiente De correlación De Pearson ¿Vale? Igual Se utiliza El
coeficiente De correlación Visceral Que yo creo Que ese no No lo tenéis
Que estudiar El coeficiente De correlación Visceral es Cuando Lo que se
hace Es Dicotomizar Una variable Es decir Una variable Que era cuantitativa
Se convierte ¿No? Con dos valores No es igual Que el coeficiente De
correlación Visceral puntual ¿Por qué? Porque yo puedo decir Género
Hombre Mujer Esa es Dos valores Esa es Dicotómica Distinto es Yo tengo La
nota académica Y la transformo En apto Suspenso Eso es Dicotomizado Una
cosa Es una variable Dicotómica Y otra cosa Es una variable Dicotomizada
Si la variable Es dicotomizada En vez de utilizar Os lo pueden preguntar
Como pregunta teórica En vez de utilizar El coeficiente De correlación
Visceral puntual Tenéis que utilizar El coeficiente De correlación
Visceral ¿Vale? Y parece que es lo mismo Dicotómica Dicotomizada ¿Sí?
No es igual ¿Vale? ¿Eh? No, no Vale Bueno Si queréis Más información
De eso Sobre eso Os puedo dar Más información Bueno Aquí hay un resumen
De todo lo que hemos visto Hasta ahora Que nada Simplemente Que Si os
fijáis Realmente Son los distintos Índices Es un resumen De todo lo que
se ha visto Hasta ahora Lo único que hace Es relacionar Variable
cualitativa Dicotómica La puedo relacionar Con cualitativa dicotómica
Politómica Ordinal y cuantitativa Politómica La puedo relacionar Con
politómica y ordinal Y la cualitativa politómica Con ordinal y
cuantitativa Y la cuantitativa Solo con cuantitativa Es esto que tenéis
aquí ¿Vale? Voy un poco Rápido Para intentar Acabar este tema Esto no es
nada nuevo Hay algunos índices Que no tenéis que Obviamente ¿No? El
coeficiente de correlación De Guzmán-Cuspal Pues no Tenéis que saber Que
está aquí en esto ¿No? O el ¿No? O el Correlación de Kendall Pues
tampoco ¿No? Solamente los que están En negrita ¿Vale? La última parte
Solo brevemente En cinco minutos Y si no El siguiente día Empiezo por
aquí Porque esto es importante Es La regresión lineal Simple La idea De
la regresión lineal Simple Es que yo pueda Predecir los valores De Y A
partir de los valores De X ¿No? Que yo pueda predecir Es simple Porque
solamente Es una variable Predice los valores De otra ¿Vale? Que a la hora
De la verdad En psicología Normalmente hay varias variables Son las que se
usan En los modelos ¿Vale? Bueno Pero aquí En relación En regresión
lineal Simple Solo tenéis dos La X y la Y Si os fijáis Tenéis Y es igual
A alfa Más BX ¿Sí? Es lo que tenéis aquí En la página 7 Del
formulario ¿Sí? Aparece En la página 7 Del formulario Aquí lo tenéis
En letra griega Pero es igual En el formulario Tenéis ¿Veis? Y Sub I
¿No? Con Un apostrofito Más ¿No? Es igual a A Más ¿Sí? ¿Veis? B X Y
Normalmente Se pone En letra griega Cuando hace referencia A la población
Como vosotros Vais a trabajar Con muestras Con datos de muestra Pues por
eso se pone ¿No? En En letras Muestras Bueno Y sería el valor Que yo
quiero pronosticar Vamos a ver Quiero pronosticar Qué nota vais a sacar Al
final De esta asignatura ¿Vale? De 0 a 10 ¿Sí? ¿Y de qué puede
depender? Decidme Una variable De la que pueda depender El número de horas
de estudio Bien Como dice el número De horas de estudio Yo lo único que
quería Era que me dierais Un ejemplo de variable Cuantitativa Porque las
dos Tienen que ser cuantitativas ¿Vale? Entonces te dice ¿Vale? Nota O
Voy a poner nota En la I Sí Y esto sería La variable Horas de estudio
¿Vale? Y ahora Tenéis que calcular La A Y la B De la regresión De la
recta de regresión Entonces la recta de regresión Como dice su nombre
¿No? Si esta es la X ¿No? Y esta es la I La A Es El valor ¿Sí? De la X
De la I Cuando la ¿Eh? Cuando Cuando la X Es 0 ¿Cuánto vale A? Pues en
este punto Pues aquí ¿Vale? Ya Gracias Bueno me quedan Nada Un minuto
¿Vale? Y acabo Y aquí seguimos El siguiente día Al principio Sin hacer
nada De horas de estudio Imaginarlo 0 1 2 3 4 5 Sin hacer nada Vaya a tener
un 1 ¿Vale? Este sería la ¿Sí? La ordenada en el origen ¿Qué se dice?
Cuando esto es 0 ¿Cuánto vale la I? Si la B Hace referencia A la
pendiente ¿Vale? Si yo Hiciera aquí una línea Esta Sí Esta altura Pues
es ¿Sí? Cuanto más No pronunciada Sea la pendiente Quiere decir Que el
número de horas De estudio Afecta ¿Vale? ¿Sí? Entonces Una Cuando
Imaginaros Yo aplico la fórmula Imaginaros que esto es 2 Bueno era 1 Más
3 ¿Vale? ¿Sí? Este es el número de horas A la semana Imaginaros que la
B Ha salido 3 Ya veremos Que hay una fórmula Para la B Si yo estudio 2
horas A la semana Pues la La I Estimada Sería ¿No? 1 más ¿No? 3 por 2 6
7 ¿Vale? 7 Tengo un 7 Según mi recta De regresión Yo digo Que si estudio
2 horas a la semana De análisis de datos Voy a sacar un 7 Después va al
examen Y saca un 3 Error Pues la diferencia Entre el pronóstico Y la nota
real Es el error de estimación ¿Vale? Sobre eso Seguimos el siguiente
día ¿Vale? El siguiente día Ya empezamos Acabamos esto Y empezamos
Probabilidad