REGRESIN Y CORRELACIN

La regresin y la correlacin son dos tcnicas estrechamente relacionadas y

comprenden una forma de estimacin.
En forma ms especifica el anlisis de correlacin y regresin comprende el anlisis de
los datos mustrales para saber que es y como se relacionan entre s dos o ms
variables en una poblacin. El anlisis de correlacin produce un nmero que resume el
grado de la correlacin entre dos variables; y el anlisis de regresin da lugar a una
ecuacin matemtica que describe dicha relacin.
El anlisis de correlacin generalmente resulta til para un trabajo de exploracin
cuando un investigador o analista trata de determinar que variables son potenciales
importantes, el inters radica bsicamente en la fuerza de la relacin. La correlacin
mide la fuerza de una entre variables; la regresin da lugar a una ecuacin que
describe dicha relacin en trminos matemticos.
Los datos necesarios para anlisis de regresin y correlacin provienen de
observaciones de variables relacionadas.
Regresin lineal
La regresin lineal simple comprende el intento de desarrollar una lnea recta o
ecuacin matemtica lineal que describe la reaccin entre dos variables.
La regresin puede utilizadas de diversas formas. Se emplean en situaciones en la que
las dos variables miden aproximadamente lo mismo, pero en las que una variable es
relativamente costosa, o, por el contrario, es poco interesante trabajar con ella, mientras
que con la otra variable no ocurre lo mismo.

La finalidad de una ecuacin de regresin seria estimar los valores de una variable con
base en los valores conocidos de la otra.
Otra forma de emplear una ecuacin de regresin es para explicar los valores de una
variable en trmino de otra. Es decir se puede intuir una relacin de causa y efecto
entre dos variables. El anlisis de regresin nicamente indica qu relacin matemtica
podra haber, de existir una. Ni con regresin ni con la correlacin se pude establecer si
una variable tiene causa ciertos valores de otra variable.
Ecuacin Lineal
Dos caractersticas importantes de una ecuacin lineal
La independencia de la recta
La localizacin de la recta en algn punto. Una ecuacin lineal tiene la forma
y = a + bx
En la que a y b son valores que se determina a partir de los datos de la muestra; a
indica la altura de la recta en x= 0, y b seala su pendiente. La variable y es la que se
habr de predecir, y x es la variable predictora.
Determinacin de la ecuacin matemtica.
En la regresin, los valores de y son predichos a partir de valores de x dados o
conocidos. La variable y recibe el nombre variable dependiente y la variable x, el de
variable independiente.
El mtodo de los mnimos cuadrados
EL procedimiento ms utilizado por adaptar una recta aun conjunto de punto se le que
conoce como mtodo de mnimos cuadrados. La recta resultante presenta 2
caracterstica importantes.
es nula la suma desviaciones verticales en los puntos a partir de la recta
es mnima la suma de los cuadrados de dicha desviaciones.
5

(yi - yc) 2 En el cual Yi = valor esperado de y Yc= valor calculado de y utilizando la

ecuacin de mnimos cuadrados con el valor correspondientes x para yi Los valores de
a y b para la recta es Yc = a + bx que minimiza la suma de los cuadrados de la
desviacin ecuaciones normales.
y = na + (x) xy= a (x) +b (x2)
En las que n es el numero de pares de observaciones. Evaluando las cantidades x, y,
etc. Se puede resolver estas dos ecuaciones simultneamente para determinar a b. la
ecuaciones puede despejarse. Se obtuvieron dos formulas aun para a y otra para b.
n(xy)- (x)(y) b=
n(x2)-(x)2
y-b x
a=n
Inferencia en el anlisis de regresin
Los supuestos para el anlisis de regresin son como:
Existen datos de medicin para a x y z.
La variable dependiente es una variable aleatoria.
para cada valor de x, existe una distribucin condicional de la qu es de naturaleza
normal.
La desviacin estndar de todas las distribuciones condicionales son iguales
EL error estndar de estimacin.
La determinante primaria de la exactitud es el grado de dispersin de la poblacin:
cuanto ms dispersa este, menor ser la exactitud de la estimacin. El grado de
dispersin en la poblacin se puede estimar a partir del grado de dispersin en las

observaciones de la muestra con respecto a la lnea de regresin calculada, utilizando

la formula.
Se = " (yi -yc) n-2 en la cual: yi = cada valor de y yc = valor de lnea de regresin
correspondiente a partir de la ecuacin de regresin.
n = nmeros de observaciones.
La formula anterior no se utiliza por lo general para clculos reales, es ms fcil trabajar
con la formula simplificada.
Se " y2 - a y - b xy n 2
Inferencia de acerca de la pendiente de una lnea de regresin.
Aun cuando es muy poca o nula relacin entre dos variables de aun poblacin, es
posible obtener valores maestrales que hacen que parezca que la variables estn
relacionadas, es importantes probar los resultados tales de caculo, a fin determinar si
son significativos (es decir si los parmetros verdaderos no son cero), Si no existe
ninguna relacin se esperara obtener aun pendiente cero, se pone a prueba la
hiptesis nula contra la hiptesis alternativa.
La significacin del coeficiente de regresin se puede probar comparndolo con su
desviacin estndar.
t = valor de la muestra - valor esperado
Desviacin estndar
Anlisis de regresin lineal mltiple.
La regresin mltiple comprende tres o ms variables. Existe solo una variable
dependiente, pero hay dos o ms tipo independiente. Esta operacin al desarrollo de
7

una ecuacin que se puede utilizar para predecir valore de y, respecto a valores dados
de la diferencia variables independientes adicionales es incrementar la capacidad
predicativa sobre la de la regresin lineal simple.
Las tcnicas de los mnimos cuadrados se utilizan para obtener ecuaciones de
regresin.
Yc= a +b1x1+b2x2+bkxk
a = ordenada en el origen
b1= pendiente
k = numero de variables independientes.
Un anlisis de regresin simple de dos variable da lugar a la ecuacin de una recta, un
problema de tres variables produce un plano, y un problema de k variables implica un
hiperplano de a (k +1) dimensiones.
Anlisis de Correlacin.
EL objetivo de un estudio de correlacin es determinar la consistencia de una relacin
entre observaciones por partes. EL trmino correlacin significa relacin mutua, ye
que indica el grado en el que los valores de una variable se relacionan con los valores
de otra. Se considera tres tcnicas de correlacin uno para datos de medicin, otro para
datos jerarquizados y el ltimo para clasificaciones nominales.
Datos Continuos: r de Pearson
EL grado de relacin entre dos variables continuas se resume mediante un coeficiente
de correlacin que se conoce como r de Pearson en honor del gran matemtico Kart
Pearson, quien ideo este mtodo. Esta tcnica es vlida mientras si es posible
establecer ciertos supuestos bastante estrictos.

Ha sido de inters en muchos problemas prcticos hallar la relacin entre dos o ms

variables y medir el grado de tal relacin. Cuando se presume una relacin lineal entre
dos variables, se utiliza el mtodo de los mnimos cuadrados debido al cientfico
alemn Kart Gauss, 1777-1855- para conseguir la lnea recta o de regresin que mejor
pronostica los valores de una variable a partir de la otra y se emplea el coeficiente de
correlacin de Pearson para medir la fuerza de la relacin entre las dos variables.
Supongamos que queremos hallar una relacin entre el puntaje obtenido en la
componente de Matemticas del examen de admisin de la Universidad y el puntaje
calificacin definitiva- obtenida al finalizar el curso de matemticas. Para esto dispone
de la informacin siguiente:
Estudiante No.
Puntaje matemtico al
1
39
2
43
3
21
4
64
9
57
6
47
7
28
8
75
9
34
10
52
A la tabla anterior se le asocia un grfico de
dispersin.

Puntaje
al
finalizar
65
78
52
82
25
89
73
98
56
75
puntos denominado diagrama de

Este diagrama da apoyo intuitivo a la idea de que existe una relacin lineal entre X y Y.
Cul es un modelo razonable para los datos anteriores?
Supondremos que Y es una variable aleatoria, cuyo valor depende, entre otras
consideraciones, del valor de X, especficamente, esto es

Y X
En donde y son constantes (desconocidas), X es el puntaje matemtico en el
examen de admisin (conocido) que permitira hacer un pronstico para el valor de Y, el
puntaje en matemticas, y es una variable aleatoria, acerca de la cual haremos la
hiptesis siguiente:
E 0, V 2

COV I, J 0

para todo X y todo i j

Es decir, el valor esperado y la varianza de no dependen del valor de X.

As:
E Y X

V Y 2

Observemos que aqu X no es una variable aleatoria. Supongamos que se escogen n

valores de X, x1, x2,, xn. Para cada xi sea yi una observacin independiente de la

10

variable aleatoria Y, por tanto (x 1, y1),, (xn, yn) puede considerarse como una muestra
aleatoria de la variable aleatoria T para los valores (x 1, x2,, xn) dados.
Definicin: Supngase que tenemos E(Y)=X+ con el significado previo. Sea (x 1, y1),
,(xn, yn) una muestra aleatoria de Y. Los estimadores de mnimos cuadrados de Y
son los valores de y que minimizan a
n

Y - X

i 1

Este criterio se puede interpretar intuitivamente en la figura siguiente. Para cada par (x i,
yi) calculamos la diferencia entre y i, el valor observado, y X i+, el valor esperado.
Puesto que slo nos interesa la magnitud de esta diferencia, se eleva al cuadrado y
sumamos todas las diferencias, la lnea buscada es aquella para la cual esta suma es
ms pequea.

A fin de obtener los estimadores pedidos para y procedemos como sigue:

Sea

SCE , Y - X

. Para minimizar a SCE debemos resolver las

SCE SCE

ecuaciones
que conducen a un sistema de dos ecuaciones lineales

con incgnitas y de fcil solucin por determinantes, por ejemplo, denotando por a y
b las soluciones ptimas se encuentra que:

11

 y x
n

i 1
n

x
i 1

a y bx

El estimador del parmetro 2 no pude obtenerse por los mtodos anteriores.

Establecemos simplemente que la estimacin mediante los mnimos cuadrados est
dada por el estadgrafo.

S2

1 n
Y - X 2 SCE

n 2 i1
n-2

Ejercicio 1. Estime la lnea de regresin de mnimos cuadrados con los datos de la

pgina 1. Si un estudiante obtiene 60% en la adicin, cunto esperar en la nota final
de matemticas? Comente.
Observacin.
A y b son funciones lineales de los valores maestrales y 1, y2,, yn; basta visualizar las
soluciones ptimas antes mencionadas.
Ejercicio 2. Recordando que a y b son estimaciones puntuales de y que dependen
de la muestra observada de tamao n, que pueden a su vez considerarse como valores
de las variables aleatorias A y B , demuestre que:

E(A)

E B

y
n

V A

x
n

i1

2
i

n x i x
i1

VB

2
2

2
n

x
i 1

Observaciones adicionales
En el ejercicio 2 se prueba que A y B son estimadores in-sesgados de y , pero hay
ms an, son tambin los ms eficientes. La prueba de esto es un caso particular del
12

Teorema general de Gauss-Markov, que establece que bajo ciertas condiciones los
estimadores de mnimos cuadrados y los estimadores ms eficientes son siempre los
mismos.
El mtodo de los mnimos cuadrados puede aplicarse a modelos no lineales por
2
ejemplo si E Y X X , podemos estimar , y de manera que:

y X
n

Sea minimizada.
Si se impone la hiptesis adicional de que la variable aleatoria sea normal n(, 0, 2)
se podra utilizar una estimacin por mxima verosimilitud.
Ejercicio 3. Probar que si:

S XX x i x

i 1

xi
2

S YY y i y
i 1

xi
1

S XY

n
x
1 i 1 yi
n
n

x i x y i y x i y i
n
i1
1

Entonces la estimacin puntual de se puede expresar as:

b S XY S XX
Y la estimacin puntual de 2 as:

s2

S YY bS XY
n2

Pruebe tambin que s2 es una estimacin insesgada de 2.

13

Nota: La estimacin puntual de es ms cmoda de resolver en el ejercicio 1.

Obsrvese que s en este modelo mide la dispersin de los puntos maestrales alrededor
de la recta de mnimos cuadrados estimada. Por lo tanto, puede esperarse
empricamente que el 95% se encuentren a una distancia menor de 2s de la recta de
mnimos cuadrados.
Ejercicio 4. Calcule una estimacin puntual de 2, con los datos de los puntajes. Qu
significa?
Ejercicio 5. Estamos familiarizados con el hecho de que la temperatura del aire
disminuye con la altura del lugar, los datos siguientes refuerzan la idea y hacen
presumir una relacin lineal entre la temperatura Y y la altura X observada en ciertos
puntos del Valle de Aburr al amanecer.
X altura en metros
1642
2242
1000
937
1178
1502
2043
1502
1603
975
1549
1066
1495
1508
1000
1000
1971
982
1173
907
1790
2109

Y temperatura en C
18
12
19
21
18
16
0
14
10
16
15
20
15
18
23
19
19
23
18
21
12
11
14

1410
1777
910
Grafique el diagrama de dispersin.

14
6
19

a) Estime la lnea de mnimos cuadrados.

b) Si usted se encontrara al amanecer, a 2000 m en inmediaciones de este Valle,
qu temperatura esperara soportar?
c) Estime 2.
Coeficiente de correlacin
Algunas veces es deseable tener un indicador del grado de intensidad o fuerza de la
relacin lineal entre dos variables Y e X que sea independiente de sus respectivas
escalas de medicin. A este indicador se le denomina coeficiente de correlacin lineal
entre X e Y. El estadgrafo comnmente utilizado se llama coeficiente de correlacin del
producto momento de Pearson.
Definiciones. Sea (X, Y) una variable aleatoria bidimensional, definimos P XY el
coeficiente de correlacin entre X e Y como sigue:

p xy

E X E X Y E Y
V X V Y

El coeficiente de correlacin muestral de Pearson es un estadgrafo para P XY y se

define as:

S xy
S xxS y y

S xx
Sy y

Observaciones
El signo de es igual al de b as:
Si >0 la relacin ser lineal creciente.
Si >0 la relacin ser lineal decreciente.
Si =0 no hay relacin lineal.
Si

la relacin lineal es muy buena.

Si 0 la relacin lineal es muy dbil.

15

La ausencia de relacin lineal entre dos variables no implica que sean independientes,
a lo mejor existe otra relacin no lineal.

Lmites de confianza y pruebas de significacin en la regresin lineal

Adems de la estimacin de la lnea de regresin entre X e Y para efectuar pronsticos,
al estudioso le es muy til poder hacer inferencia acerca de la pendiente b del
intercepto a y de la validez general de la lnea de regresin calculada. Es importante
saber qu tan bien estima b a o que tan bien pronostica la recta estimada el valor
medio de Y.
Asumiendo que B es una variable aleatoria normal que segn el ejercicio 2 posee
2
2
2
media E(B) = y varianza V(B) = S XX , sabiendo tambin que n 2 S es unna

variable chi-cuadrado con (n-2) grados de libertad, concluimos por un teorema anterior
que el estadgrafo

S xx
B

S
S S xx

Tiene una distribucin t con (n-2) grados de libertad lo que nos permite establecer el
siguiente intervalo de confianza para la pendiente .
Un intervalo de confianza al (1-)% para la pendiente de la lnea de regresin

E Y 1 X es:
b

t 2s
S xx

Donde t/2 es un valor de la variable aleatoria t de forma que

P T t 2

f t dt 2

t 2

16

Con n-2 grados de libertad.

Ejercicio 6
a) Calcule el coeficiente de Pearson para los datos de los puntajes y halle un
intervalo de confianza al 95% para en la lnea de regresin asociada. Comente.
b) Igual que en a), pero con los datos del ejercicio 5.
Asociado al intervalo de confianza previo se puede disear una dcima para la
pendiente con la siguiente metodologa:
1) HO: = O
2) Ha: < O > O O (una o dos colas).
3) Seleccionar el nivel de significacin y determinar la regin crtica o regin de
rechazo para:
Ho; RC

v n- 2

: T -t T t

T -t 2 T t 2

4) Calcular

b - 0
s S xx
5) Si t cae en RC concluir que se rechaza HO; si t no cae en RC, no se puede
rechazar HO, o sea que no difiere significativamente de O.

Ejemplo: Usando los datos de los puntajes determinar si existe una relacin lineal entre
los puntajes en la admisin y en matemticas sabiendo que b 0.77.
1) HO: = 0 (no hay relacin lineal)
2) Ha: O (existe alguna relacin lineal)

3) = 5%

T : T t 0.025 T t 0.025
v 8 grados de libertad

RC

17

b - 0
0.77

4.377 t 0.025 2.306

s S xx 8.7 2.474
v 8

t
4)

5) Rechazamos HO es decir difiere significativamente de 0.

De una manera anloga, debido a que el coeficiente de Pearson se anula cuando la
pendiente b se anula, segn la expresin

b S xx S y y

, el contraste de hiptesis para

lo es tambin para pxy el coeficiente de correlacin.

Ejercicio 7. Usando los datos del ejercicio 5, determinar si existe una relacin lineal
entre la altura y la temperatura.
El intervalo de confianza y la prueba de hiptesis para el intercepto 1 de la linea de
regresin parte tambin de que la variable aleatoria A est distribuida normalmente con
media E(A) = y varianza
n

V A

2 xi

ns xx

A - 1

T
s

ns xx

Tiene una distribucin t con (n-2) grados de libertad.

Tiene una distribucin t con (n-2) grados de libertad.

Esto posibilita el siguiente intervalo de confianza para el intercepto 1 de la lnea de
regresin E Y 1 X es
a t 2s

2
i

ns xx

Donde

t /2

v n 2

tiene el significado usual.

Siguiendo la misma metodologa de la dcima para la pendiente se puede disear

una para el intercepto 1.

18

Ejercicio 8. Usando los datos del ejercicio 5:

a)

Halle un intervalo de confianza al 95% para el intercepto 1.

b)

Contraste con el nivel de significacin del 10% las hiptesis:

HO: 1 = 5
Ha: 1 > 5
Ejercicio 9. Usando los datos de la pgina 1:
a) Hallar un intervalo de confianza al 95% para el intercepto 1.
b) Contraste con el nivel de significacin del 10% las hiptesis:
HO: 1 = 40
Ha: 1 40
Intervalo de confianza para la respuesta media a un nivel fijo de entrada X 0
Sabemos que E(Y) = +X y que si X=X 0 entonces E Y Xo Xo es estimada
mediante el estadgrafo Y A BXo as
E Yo E A BXo Xo E Y Xo

Donde Y0 es el estadgrafo insesgado para E Y Xo .

Con el estadgrafo

o E Y Yo
Y

s 1 n x 0 x sxx
2

, que tiene una distribucin t con (n-2)

grados de libertad establecemos:

Un intervalo al (1-)100% de confianza para la respuesta media E Y Xo est dada
por :
T Yo t 2 s 1 n x 0 x s xx
2

Con el significado usual para

t /2

n2

Ejemplo: Hallar un intervalo de confianza al 95% para el valor esperado de la

calificacin definitiva de matemticas si en la admisin obtuvo 50.
Aqu x0 = 50 entonces
19


E Y Xo 1 x o Y

Y 40.78 0.77 50 79.28

Y sustituyendo en la frmula para el intervalo de confianza obtenemos
t 2 s 1 x0 x
Y
n
s xx
n2

79.28 t 0.025 8.7

v ) 8
.
.
.
2.306

79.28 6.55

1 50 46

10
2.474

o sea

72.73 E Y 50 85.83
En el 95% de las veces cuando los estudiantes obtienen un puntaje 50 en la admisin
se espera obtendrn un puntaje entre 72.73 y 85.83 en matemticas.
PROBLEMAS SELECCIONADOS
En los siguientes problemas:
a)

Dibuje el diagrama de dispersin y observe si existe una relacin lineal entre las
variables.

b)

Determine los valores de y para la curva de regresin lineal, e intrprete de

acuerdo al contexto del problema.

2
c) Calcule a s , e intrprete el significado de s de acuerdo al contexto del problema.
d) Determine el intervalo de confianza del 96% para . Interprete.

e)

Determine un intervalo de confianza del 95% para . Interprete.

f)

Determine un valor esperado de la variable respuesta de acuerdo a la lnea de

regresin en un nivel de la variable explicativa que sea diferente de los valores
dados. Calcule el intervalo de confianza e intrprete.

g)

Determine un valor esperado para una sola respuesta en el mismo punto de la

variable explicativa del punto anterior y calcule el intervalo de confianza e
intrprete.

h) Pruebe una hiptesis con respecto a . Interprete en el contexto del problema.

20

i)

Pruebe una hiptesis con respecto a una respuesta media y con respecto a una
sola respuesta. Interprete en el contexto del problema.

j) Pruebe la hiptesis si la asociacin lineal p es significativa entre las variables X y Y.

a) Calcule el coeficiente de correlacin r entre el nmero de aos que ha fumado
(x) y el dao a los pulmones (y).
2
2
b) Calcule el coeficiente de determinacin r . Interprete r

c) Ajuste una recta de mnimos cuadrados a los datos. Represente la recta y los
2
puntos. Compare la grfica con la recta y los valores de r y r calculados.

Algunas variedades de lombrices viven en la tierra y se alimentan de las races del

csped y de las plantas de los jardines.

Esta plaga, que es particularmente

problemtica en los climas clidos, se puede combatir con la aplicacin de pesticidas.

Los siguientes datos corresponden al porcentaje de lombrices eliminadas para varias
tasas de aplicacin (kilos de ingrediente activo por cada 4.000 metros cuadrados).

Tasa de aplicacin, x
Porcentaje eliminado, y
a)

2
50, 56, 48

3
63, 69, 71

4
86, 82, 76

5
94, 99, 97

Calcule el coeficiente de correlacin r, entre la tasa de aplicacin (x) y el

porcentaje (y).

2
b) Calcule el coeficiente de determinacin r e interprtelo.

c)
d)

Ajuste una recta de mnimos cuadrados a los datos.

Supongamos que se desea estimar el porcentaje medio de lombrices
eliminadas correspondiente a una aplicacin de 4 kilos de pesticida por 4.000
metros cuadrados. Satisfacen los datos las suposiciones requeridas por los
intervalos de confianza?

21

La produccin de soya importante fuente de protenas, vara con el clima, con la

cantidad de lluvia y con la produccin de productos alternos. Los datos de la tabla
siguiente muestran la produccin anual en los Estados Unidos (en cientos de miles de
toneladas) para los aos 1960 y 1977.

a)
b)

Ajuste una recta de mnimos cuadrados a estos datos.

Pronostique la produccin de soya en los estados Unidos para el ao 1978,
usando un intervalo de prediccin del 90%.

c)

Obsrvese que se ha pronosticado un valor de y fuera del intervalo de

valores de x usados para desarrollar la ecuacin de prediccin. Cmo podra
afectar esto la interpretacin del intervalo de prediccin?.

22

COCLUSIONES

RECOMENDACIONES

REFERENCIAS BIBLIOGRFICAS

D.A. Lind, R.D. Mason, W.G. Marchal (2001): Estadstica para Administracin y
Economa.
Ed. Irwin McGraw-Hill.F.
Kvanli, A. Introduction to Business Statistics South-Western
23

R. Johnson (1996): Elementary Statistics. Ed. Duxbury

Richard I. Levin & David S. Rubin (1996): Estadstica para Administradores. Ed.
Prentice Hall.
E. Farber (1995): A Guide to Minitab. Ed. McGraw-Hill.

CUESTIONARIO
1. Qu es regresin y correlacin Lineal? Son dos tcnicas estrechamente
relacionadas y comprenden una forma de estimacin, comprende el anlisis de
los datos mustrales para saber que es y como se relacionan entre s dos o ms
variables en una poblacin.
2. Qu comprende la regresin lineal simple? Comprende el intento de
desarrollar una lnea recta o ecuacin matemtica lineal que describe la reaccin
entre dos variables.

24

3. Que es el mtodo de los mnimos cuadrados? EL procedimiento ms

utilizado por adaptar una recta aun conjunto de punto se le que conoce como
mtodo de mnimos cuadrados.
4. La recta resultante presenta 2 caracterstica importantes que son:

Es nula la suma desviaciones verticales en los puntos a partir de la recta

Es mnima la suma de los cuadrados de dicha desviaciones

5. Que es la regresin mltiple? Existe solo una variable dependiente, pero hay
dos o ms tipo independiente esta operacin al desarrollo de una ecuacin que
se puede utilizar para predecir valore de y, respecto a valores dados de la
diferencia variables independientes adicionales es incrementar la capacidad
predicativa sobre la de la regresin lineal simple.
6. Que significa el trmino correlacin? Significa relacin mutua, ye que indica
el grado en el que los valores de una variable se relacionan con los valores de
otra.
7. Se considera tres tcnicas de correlacin las cuales son: 1. uno para datos
de medicin, 2. otro para datos jerarquizados y 3. el ltimo para clasificaciones
nominales.
8. Cules son las dos variables en un coeficiente de correlacin? 2 variables
Y e X que sea independiente de sus respectivas escalas de medicin.
9. Cul es el valor de inicio de una variable? Valor de X
10. Cul es el valor final de una variable? Valor de Y

25