Gracias, estudio Farmacia y mis matemáticas de palo me penalizan bastante en la asignaturas que requieren de las mismas, tales como la Fisicoquímica o la Farmacocinética. Menos mal que he encontrado este video, me ha solucionado muchas dudas. ¡Un saludo!
no exactamente. R² te dice si el modelo que has elegido explica bien los cambios que tiene la variable Y respecto a los cambios que podamos producir en X.
Excelente explicación maestro. En una investigando el coeficiente de determinación obtenido es 0.52, por favor que podría decir de las variables, gracias por su ayuda
El tamaño de efecto, para las correlaciones lineales, ¿sería el coeficiente de determinación? o ¿cómo calculo el tamaño el efecto para las correlaciones lineales?
no sé qué es "el tamaño de efecto", pero por el nombre podría intuir que sí que debe tener algo que ver con el coeficicente de determinación. El coeficiente de determinación es el porcentaje de varianza explicada por el modelo, es decir, que porcentaje de la variabilidad de los datos estamos consiguiendo explicar con un modelo o con el fenómeno a partir del cuál estamos prediciendo. Pero lo que te digo, "el tamaño de efecto" es algo que no he escuchado nunca...
Releyendo mi contestación creo que confunde más que aclara. Así que la borro y te reescribo: Los datos son los que son y eso no se puede modificar, depende del objetivo que tengas con el análisis de esos datos y del estudio que estés haciendo. Hay dos situaciones comunes: situación A. Estudio de una serie de datos y ajuste de un modelo lineal para determinar una tendencia. Esto está más relacionado con el R2 que puedes determinar como el r2 siendo r la correlación entre tu modelo y los datos y aquí es normal que salga pequeño, pues una serie suele tener variabilidad que obviamente no se refleja en una tendencia lineal. Aquí interpretamos R2 como el porcentaje de varianza que corresponde al modelo lineal. situación B. Estudio de la relación entre dos series. Esto está mas relacionado con r, y si sale pequeño es que no existe relación lineal. Puede que exista otro tipo de relación o que no exista relación. Esto lo puedes explorar con un diagrama de dispersión (scatter plot). Si ves algún patrón puede que encuentres un tipo de relación (cuadrática, exponencial, logarítmica,...) si lo que ves es un monton de puntos caótios, entonces es que no hay relación. Aquí el R2 no es que tenga mucho sentido, más que si encontraras un modelo para describir "y" en función de "x". En ese caso se interpretaría igula que el caso anterior.
hola, es difícil daros fuentes porque todo esto es redactado y diseñado por mí... Supongo que en este caso cualqueir texto de estadística descriptiva te valdría
En un estudio de medicina del deporte, se encontró que el coeficiente de correlación para las alturas y pesos de 9 jugadores ofensivos de fútbol americano fue de 0.514. a)Encuentra el coeficiente de determinación. Expresa tu respuesta en notación decimal usando tres decimales. b) ¿Qué porcentaje de la variación de los pesos fue explicado por la altura de los jugadores? Argumenta. c) ¿Qué porcentaje de la variación de las alturas fue explicado por los pesos de los jugadores? Argumenta.
Tengo una duda, espero pueda tener el tiempo para responderla. Si me piden encontrar el coeficiente de correlación (literalmente lo que escribí) debo usar la fórmula de r o la de R al 2??.
el coeficiente de determinación se una en cualquier modelo. el coeficiente de correlación solo en lineales. me huele que tiene que ser alguns cuestión de notación.
Amigazo, tengo una gran duda. Para un estudio no parametrico correlacional, que tipo de correlaciones se deben ocupar para medir variables cuantitativas y cualitativas?. Saludos!
Cualitativa-cualitativa la chi-cuadrado de pearson es la utilizada comúnmente y es no parámetrica. Para el caso cuantitativa-cualitativa, tenemos que sustituir el ANOVA, por Kruskal-Wallis. Y para el caso cuantitativo-cuantitativo, si sucede que no existe relación lineal, lo que tienes que hacer es buscar otro modelo, o bien por minimos cuadrados o bien puedes utilizar la prueba de Kolmogorov-Smirnov o la propia chi-cuadrado, para ver si los frecuencias de tu muestra se ajustan a las frecuencias esperadas por algún modelo propuesto. Aquí siempre ayuda un gráfico de dispersión x-y; y ver si puedes reconocer algún patrón.
alguien mas tiene otra definición o aclaración de loq eu quiere decir o como se puede interpretar el coeficiente de determinacion (r^2)? aun no logro entenderlo
Excelente video. Una pregunta, cuando quiero comparar con el coeficiente de determinación la bondad de un modelo en comparación de los valores reales, ¿es necesario que los datos del modelo como los datos reales tengan distribución normal?
No te pillo muy bien, te refieres al propio R^2? R^2 es un estimador no paramétrico, no necesitas presuponer nada sobre los datos de la muestra, ni que sea normal ni ninguna otra cosa...
@@notodoesmatematicas excelente brother, gracias por responder, no sabía que el R^2 era no paramétrico, con eso me ayudaste full y felicitaciones por tu canal
estas hablando de infrencia estadística, y ahí tienes que hacer un contraste de hipótesis... si es un contraste de correlación será la r (pero te faltará determinar un estadístico teórico...)
Se indica que r² = R² para un modelo lineal, pero ¿qué tenemos que entender como modelo lineal? Me explico un poco más. En Excel, cuando a una distribución de datos (x, y) se grafica como una dispersión y le sacas su línea de tendencia, puedes también obtener la ecuación en el gráfico y además el valor de "R cuadrado". Resulta que como la "erre" está en mayúsculas, uno piensa que es el coeficiente de determinación R², pero no, es el coeficiente de correlación lineal de Pearson r². El detalle está en que si sacas una linea de tendencia exponencial, polinómica, o potencial, da igual, vamos que no sea la linea de tendencia lineal, el valor de "R cuadrado" que te pone Excel en el gráfico, viene del cáculo de la correlación lineal de Pearson r², pero utilizando expresiones linealizadas, por ejemplo, en vez de utilizar (la suma de "x_i") (entiendase como equis subindice "i") y por ejemplo, para el caso de la potencial, se usa la suma del logaritmo natural de x_i, es decir, (la suma de ln x_i ) ... lo mismo para "y_i" (en el caso de la potencial). Sin embargo, si calculas R² como es, es decir, siguiendo la fórmula del coerficiente de determinación, claramente no coincide con el coeficiente de correlación de Pearson para un modelo potencial de la forma, y_potencial = a*x^b. Mi duda es, si tengo un modelo potencial sencillo como el que acabo de escribir, obtener el valor del coeficiente de correlación lineal de Pearson ¿tiene sentido? ya que no es un modelo lineal ¿o sí lo es porque se puede linealizar y_potencial y así poder hacer uso de la fórmula del coeficiente de correlación lineal de Pearson r² aunque no coincida con R²?; ¿o es que se tienen que sacar ambos valores? Perdón por tanto texto, ojala sea de su interes aportar ideas, y termino preguntando, la palabra "lineal" ¿hace referencia a una línea recta, o a cualquier línea, que pues, quedarían todas las líneas curvas por ejemplo? ... muchas gracias por leer hasta aquí ...
Lineal hace referencia únicamente a linea recta. r (de Pearson) mide cómo de bien se agrupan los pares x,y entorno a una linea recta. Por eso, si calculas r no estás midiendo "lo bueno" que es tu modelo y_potencial, sino "lo bueno" que es el modelo y=ax+b. Para medir lo bueno que es un modelo cualquiera y_cualquiera tienes que analizar los errores que se cometen al estimar las 'y' observadas en los datos, esto es, para cada par de datos de la muestra x,y tienes otro par x,y_cualquiera que viene de sustituir x en el modelo. Los errores son y_cualquiera-y (diferencia entre valor estimado y valor observado). Con esto se determina el error cuadrático medio (una especie de varianza) para obtener al final el R². Esa sí es una medida de la bondad del ajuste cualquiera, porque dice como de grandes son esas diferencias entre los valores observados y los valores estimados
@@notodoesmatematicas Uuuf vaya respuesta, muchas gracias. Entiendo que ya lo habías explicado muy bien en este video, pero me sirve mucho tu respuesta para reconfirmar. Si de por sí para una persona como yo que inicia es confuso si no se profundiza un poco en entender todo esto, Excel comete el error de colocar de forma escrita R², cuando está calculando r² de forma linealizada. Me queda buscar para que sirve calcular la r² de un modelo "y_cualquiera" porque he visto estos cálculos en demasiadas tesis e incluso artículos científicos, pero son cálculos hechos por el solo seguir recetas de cocina de otras investigaciones anteriores y cumplir ciertos requisitos, no tanto por obtener información contundente al aplicar la estadística. Si hay alguna idea adicional, aunque sea un detalle muy mínimo que hay que pensar, lo tomaré mucho en cuenta para seguir investigando en estos temas, muchas gracias ...
Wow esta es la mejor explicación que he visto para estos parámetros, gracias!
Genio, en 4 minutos explicaste lo que no aprendí en 6 años!
Entonces no creo que el autor sea un genio.
@@pensadornatural Ja ja ja
La calidad de la información y el lenguaje técnico hacen de este video un contenido excelente👏👏👏👏, muchas gracias por compartir el conocimiento. 🎉🎉🎉
EXELENTE AMIGO SIGA ASÍ
3:06, gracias, era lo que estaba buscando jajaja
Así se explican las cosas! Bravo!
Gracias, estudio Farmacia y mis matemáticas de palo me penalizan bastante en la asignaturas que requieren de las mismas, tales como la Fisicoquímica o la Farmacocinética. Menos mal que he encontrado este video, me ha solucionado muchas dudas. ¡Un saludo!
Llevaba un mes tratando de entender esto. ¡Gracias!
Excelente y gracias. Muy buena la forma que explicas. Saludos desde Perú
GRACIAS! Que trabajo! que video tan hermoso
gracias por el tiempo que te tomaste por explicar, entendi todo C:
O sea que el R² puede explicar los cambios que tiene una variable Y respecto a los cambios que podamos producir en X?
no exactamente. R² te dice si el modelo que has elegido explica bien los cambios que tiene la variable Y respecto a los cambios que podamos producir en X.
Excelente explicación maestro. En una investigando el coeficiente de determinación obtenido es 0.52, por favor que podría decir de las variables, gracias por su ayuda
Reverencia para usted! EL MEJOR EN EXPLICAR ESTO
super bien explicado muchas gracias !! un abrazo
de película, tu explicación me sacó de tremenda confusión, gracias!
Al fin lo entendi. GRACIAS !!!!!
muchas gracias, me fue muy útil su video
Muy bueno, gracias.
Muchas gracias, buen video. Queda muy claro.
Espectacular, muchas gracias!
Buen video, necesario y útil
gracias amigo
Muchas gracias crack! que buena explicación
Saludos desde Perú
muy bien explicado, gracias
Excelentísima explicación, gracias!
clarisimo, muchas gracias
gracias mi king
¿Qué libro(s) recomienda para aprender más sobre esto o fuentes? . Muy buen video y fácil de entender
Wow... Demasiada buena la explicación, muchas gracias :)
Gracias
Excelente explicación!! Felicitaciones
El coeficiente de determinación viene siendo el mismo coeficiente de la correlación de spearman?
Coeficiente de determinación como se grafica en la nube ?
Que buena explicación, sigue adelante, éxitos.
Gracias! super claaaaro
Excelente explicación, gracias
Excelente explicación.
Excelente
Uno de los pocos que deja las diferencias claras, muchas gracias :D
GENIAL
El coeficiente de determinación, indica la proporción de la variación total en Y que se explica por la variación en X?
que buen vídeo
Puedes explicar la diferencia entre correlación y significancia por favor
Ya lo sabes? Yo lo necesito
No se pone mas god que esto
3:05 Como puedo demostrarlo. Me ayudan por favor
Crack, nuevo sub :,D
excelente explicacion!!
Hola!, disculpa un R² de cero implica que las variables X,Y no están correlacionadas?
Muy bueno
gracias
;)
Buen trabajo (y)
El tamaño de efecto, para las correlaciones lineales, ¿sería el coeficiente de determinación? o ¿cómo calculo el tamaño el efecto para las correlaciones lineales?
no sé qué es "el tamaño de efecto", pero por el nombre podría intuir que sí que debe tener algo que ver con el coeficicente de determinación. El coeficiente de determinación es el porcentaje de varianza explicada por el modelo, es decir, que porcentaje de la variabilidad de los datos estamos consiguiendo explicar con un modelo o con el fenómeno a partir del cuál estamos prediciendo. Pero lo que te digo, "el tamaño de efecto" es algo que no he escuchado nunca...
que ocurre si r2 es mas bajo de lo aceptado???
que el modelo utilizado no es el adecuado para explicar los datos
Y que acción podría tomar para que mis datos sean aceptados🤔
@@notodoesmatematicas muchas gracias estimado fue de mucha ayuda!!😊
Releyendo mi contestación creo que confunde más que aclara. Así que la borro y te reescribo: Los datos son los que son y eso no se puede modificar, depende del objetivo que tengas con el análisis de esos datos y del estudio que estés haciendo. Hay dos situaciones comunes:
situación A. Estudio de una serie de datos y ajuste de un modelo lineal para determinar una tendencia. Esto está más relacionado con el R2 que puedes determinar como el r2 siendo r la correlación entre tu modelo y los datos y aquí es normal que salga pequeño, pues una serie suele tener variabilidad que obviamente no se refleja en una tendencia lineal. Aquí interpretamos R2 como el porcentaje de varianza que corresponde al modelo lineal.
situación B. Estudio de la relación entre dos series. Esto está mas relacionado con r, y si sale pequeño es que no existe relación lineal. Puede que exista otro tipo de relación o que no exista relación. Esto lo puedes explorar con un diagrama de dispersión (scatter plot). Si ves algún patrón puede que encuentres un tipo de relación (cuadrática, exponencial, logarítmica,...) si lo que ves es un monton de puntos caótios, entonces es que no hay relación. Aquí el R2 no es que tenga mucho sentido, más que si encontraras un modelo para describir "y" en función de "x". En ese caso se interpretaría igula que el caso anterior.
Excelente video! me sería muy útil que proporcionara sus fuentes ;D
hola, es difícil daros fuentes porque todo esto es redactado y diseñado por mí... Supongo que en este caso cualqueir texto de estadística descriptiva te valdría
En un estudio de medicina del deporte, se encontró que el coeficiente de correlación para las alturas y pesos de 9 jugadores ofensivos de fútbol americano fue de 0.514.
a)Encuentra el coeficiente de determinación. Expresa tu respuesta en notación decimal usando tres decimales.
b) ¿Qué porcentaje de la variación de los pesos fue explicado por la altura de los jugadores? Argumenta.
c) ¿Qué porcentaje de la variación de las alturas fue explicado por los pesos de los jugadores? Argumenta.
pero puede el coeficiente de determinación usarse para modelos no lineales?
sí. pero en esos casos el R² del modelo no coincide con r²
Tengo una duda, espero pueda tener el tiempo para responderla. Si me piden encontrar el coeficiente de correlación (literalmente lo que escribí) debo usar la fórmula de r o la de R al 2??.
r
@@notodoesmatematicas Muchas gracias, en serio maestro.
Hoy en matematicas en 4 minutos
Tengo una duda mi estimado amigo, cual es la diferencia entre indice de determinación y coeficiente de determinación.
no conozco, en estadística, algo que se llama indice de determinación
El coeficiente se usa para modelos lineales, el índice para modelos no lineales (exponencial, potencial, entre otros)
el coeficiente de determinación se una en cualquier modelo. el coeficiente de correlación solo en lineales. me huele que tiene que ser alguns cuestión de notación.
Que significa cuando tiene un pearson positivo y un coef de determinacion negativa ??
el coeficiente de determinación no puede ser negativo.
@@notodoesmatematicas Me salio R2 = -0.208
Amigazo, tengo una gran duda. Para un estudio no parametrico correlacional, que tipo de correlaciones se deben ocupar para medir variables cuantitativas y cualitativas?. Saludos!
Cualitativa-cualitativa la chi-cuadrado de pearson es la utilizada comúnmente y es no parámetrica. Para el caso cuantitativa-cualitativa, tenemos que sustituir el ANOVA, por Kruskal-Wallis. Y para el caso cuantitativo-cuantitativo, si sucede que no existe relación lineal, lo que tienes que hacer es buscar otro modelo, o bien por minimos cuadrados o bien puedes utilizar la prueba de Kolmogorov-Smirnov o la propia chi-cuadrado, para ver si los frecuencias de tu muestra se ajustan a las frecuencias esperadas por algún modelo propuesto. Aquí siempre ayuda un gráfico de dispersión x-y; y ver si puedes reconocer algún patrón.
alguien mas tiene otra definición o aclaración de loq eu quiere decir o como se puede interpretar el coeficiente de determinacion (r^2)? aun no logro entenderlo
En R^2.... Faltarían los cuadrados de las varianzas? S^2y*/S^2y en el minuto 2.14 (muy buena explicación)
Excelente video. Una pregunta, cuando quiero comparar con el coeficiente de determinación la bondad de un modelo en comparación de los valores reales, ¿es necesario que los datos del modelo como los datos reales tengan distribución normal?
No te pillo muy bien, te refieres al propio R^2? R^2 es un estimador no paramétrico, no necesitas presuponer nada sobre los datos de la muestra, ni que sea normal ni ninguna otra cosa...
@@notodoesmatematicas excelente brother, gracias por responder, no sabía que el R^2 era no paramétrico, con eso me ayudaste full y felicitaciones por tu canal
falto un ejemplo para ver como realmente se diferencian mediante un ejercicio, gracias!
Alguien sabe mas informacion del caso en que el coeficiente de correlación y determinación dan 1
que el ajuste lineal es perfecto y que la recta de regresión es el modelo que explica el 100% de la varianza de los datos
Muy buena explicación tengo una duda si me dan un alfa o error del = 0,01 % me.dice compruebe si se acepta o se rechaza
Cual fórmula debo usar
estas hablando de infrencia estadística, y ahí tienes que hacer un contraste de hipótesis... si es un contraste de correlación será la r (pero te faltará determinar un estadístico teórico...)
Se indica que r² = R² para un modelo lineal, pero ¿qué tenemos que entender como modelo lineal? Me explico un poco más. En Excel, cuando a una distribución de datos (x, y) se grafica como una dispersión y le sacas su línea de tendencia, puedes también obtener la ecuación en el gráfico y además el valor de "R cuadrado".
Resulta que como la "erre" está en mayúsculas, uno piensa que es el coeficiente de determinación R², pero no, es el coeficiente de correlación lineal de Pearson r². El detalle está en que si sacas una linea de tendencia exponencial, polinómica, o potencial, da igual, vamos que no sea la linea de tendencia lineal, el valor de "R cuadrado" que te pone Excel en el gráfico, viene del cáculo de la correlación lineal de Pearson r², pero utilizando expresiones linealizadas, por ejemplo, en vez de utilizar (la suma de "x_i") (entiendase como equis subindice "i") y por ejemplo, para el caso de la potencial, se usa la suma del logaritmo natural de x_i, es decir, (la suma de ln x_i ) ... lo mismo para "y_i" (en el caso de la potencial).
Sin embargo, si calculas R² como es, es decir, siguiendo la fórmula del coerficiente de determinación, claramente no coincide con el coeficiente de correlación de Pearson para un modelo potencial de la forma, y_potencial = a*x^b.
Mi duda es, si tengo un modelo potencial sencillo como el que acabo de escribir, obtener el valor del coeficiente de correlación lineal de Pearson ¿tiene sentido? ya que no es un modelo lineal ¿o sí lo es porque se puede linealizar y_potencial y así poder hacer uso de la fórmula del coeficiente de correlación lineal de Pearson r² aunque no coincida con R²?; ¿o es que se tienen que sacar ambos valores?
Perdón por tanto texto, ojala sea de su interes aportar ideas, y termino preguntando, la palabra "lineal" ¿hace referencia a una línea recta, o a cualquier línea, que pues, quedarían todas las líneas curvas por ejemplo? ... muchas gracias por leer hasta aquí ...
Lineal hace referencia únicamente a linea recta. r (de Pearson) mide cómo de bien se agrupan los pares x,y entorno a una linea recta. Por eso, si calculas r no estás midiendo "lo bueno" que es tu modelo y_potencial, sino "lo bueno" que es el modelo y=ax+b. Para medir lo bueno que es un modelo cualquiera y_cualquiera tienes que analizar los errores que se cometen al estimar las 'y' observadas en los datos, esto es, para cada par de datos de la muestra x,y tienes otro par x,y_cualquiera que viene de sustituir x en el modelo. Los errores son y_cualquiera-y (diferencia entre valor estimado y valor observado). Con esto se determina el error cuadrático medio (una especie de varianza) para obtener al final el R². Esa sí es una medida de la bondad del ajuste cualquiera, porque dice como de grandes son esas diferencias entre los valores observados y los valores estimados
@@notodoesmatematicas Uuuf vaya respuesta, muchas gracias. Entiendo que ya lo habías explicado muy bien en este video, pero me sirve mucho tu respuesta para reconfirmar.
Si de por sí para una persona como yo que inicia es confuso si no se profundiza un poco en entender todo esto, Excel comete el error de colocar de forma escrita R², cuando está calculando r² de forma linealizada.
Me queda buscar para que sirve calcular la r² de un modelo "y_cualquiera" porque he visto estos cálculos en demasiadas tesis e incluso artículos científicos, pero son cálculos hechos por el solo seguir recetas de cocina de otras investigaciones anteriores y cumplir ciertos requisitos, no tanto por obtener información contundente al aplicar la estadística. Si hay alguna idea adicional, aunque sea un detalle muy mínimo que hay que pensar, lo tomaré mucho en cuenta para seguir investigando en estos temas, muchas gracias ...
Eyeyeyeyey
Muy enrredado esa mierda.