Regresion y Correlacion

Tema
REGRESIN
Y CORRELACIN
SIMPLE
DR. LUIS J. CASTILLO VSQUEZ
OBJETIVOS
Al finalizar el Tema 17, el participante ser capaz de:
1. Utilizar diagramas de dispersin para visualizar la relacin
entre dos variables.
2. Identificar relaciones simples entre variables
3. Utilizar la ecuacin de regresin para predecir valores
futuros.
4. Aplicar el anlisis de correlacin para describir el grado

hasta el cul dos variables estn relacionadas linealmente
entre si.
6. Realizar el diagnostico de la regresin
7. Medicin de la autocorrelacin
8. Realizar la estimacin por intervalos
9. Realizar el anlisis de varianza de la regresin
simple
CONTENIDO
1. El diagrama de dispersin
2. Las ecuaciones lineales simples
3. La regresin lineal simple

4. El error estndar de la estimacin
5. El anlisis de correlacin
6. El diagnstico de la regresin: al anlisis residual

7. La estadstica de Durbin-Watson
8. La estimacin por intervalos
9. Anlisis de varianza de la regresin simple.
17.1 El diagrama de dispersin

Es un grfico que permite detectar la existencia
de una relacin entre dos variables.
Visualmente se puede buscar patrones que
indiquen el tipo de relacin que se da entre las
variables.
(b) Lineal inversa
(a) Lineal directa

Y
Relaciones posibles
entre X y Y vistos
en diagramas de
dispersin
X
Y
X
(d) Curvilinea inversa
X
(e) Lineal inversa
con ms dispersin
(c) Curvilnea directa
X
(d) Ninguna relacin
Aplicacin
Los datos.
DATOS
COMPLEMENTO
10
1.0
1.5
2.0
2.5
3.0
3.5
4.0
4.5
5.0
5.5
10
12
14
13
15
17
14
14
EN Kg: X
AUMENTO DE
PESO : Y
Presente la informacin en un diagrama de dispersin

Procedimiento
1er Paso: Rena pares de datos (X,Y), cuya relacin
desea estudiar y organice la informacin en una
tabla.
PACIENTE
COMPLEMENTO
10
1.0
1.5
2.0
2.5
3.0
3.5
4.0
4.5
5.0
5.5
10
12
14
13
15
17
14
14
EN Kg: X
AUMENTO DE
PESO : Y
2do Paso: Encuentre los valores mnimos y mximos

para X e Y. Elija las escalas que se usarn en los
ejes horizontal y vertical, de manera que ambas
longitudes sean aproximadamente iguales, facilitando
la lectura del diagrama.
20
15
10
5
0
0.0
2.0
4.0
6.0
3er Paso: Registre los datos en el grfico. Cuando

se obtengan los mismos valores en diferentes
observaciones, muestre estos puntos haciendo
crculos concntricos (o), o registre el segundo punto
muy cerca del primero.
20
15
10
5
0
0.0
2.0
4.0
6.0
4to Paso: Agregue toda la informacin que

puede ser de utilidad para entender el diagrama,
tal como: ttulo del diagrama, perodo de tiempo,
nmero de pares de datos, nombre de la variable
y unidades de cada eje, entre otros.
17.2 Las ecuaciones lineales simples

Si dos variables, como X e Y, estn relacionadas, se
puede expresar como una relacin, por ejemplo:
Y = 3 + 1,5X
Al conocer la ecuacin se puede:
a) Calcular el valor de Y para cualquier valor
dado de X
b) Conocer el cambio en Y, cuando X vara en 1
Por ejemplo: Y = 3 + 1,5X
Valor
Valor
Cambio
dado de X calculado de Y de Y
1
4,5
2
6,0
1,5
3
7,5
1,5
4
9,0
1,5
5
10,5
1,5
El aumento en Y, cuando X vara en una unidad, est

dado por el coeficiente de X.
Ejemplo:
En Y = 10 + 2X
cuando X aumenta en 1, Y aumenta en 2
En Y = 5 - 0,8X
cuando X aumenta en 1, Y disminuye en 0,8
A) Tipos de Variables
En una ecuacin como Y = 30 + 3X, el valor de Y
depende del valor que toma X, por eso a Y se le
llama variable dependiente, y a X se le llama
variable independiente.
Y = b0 + b1 X
Variable
Dependiente
Variable
Independiente
B) Tipo de Relaciones
Cuando cambios en X provoca cambios en Y en igual

sentido (aumentos o disminuciones), las variables
estn directamente relacionadas. Se observa el
signo +
Ejemplo:
Y = 30 + 5X
Y
o
o
o
o
o
o
Cuando cambios en X, provoca variaciones en Y en

sentido inverso (X aumenta, Y disminuye o viceversa),
las variables estn inversamente relacionadas. Se
observa en la ecuacin el signo -.
Ejemplo:
Y = 20 - 3X
o
o
o
o
o
o
o
o
C) Grado de la ecuacin:
La ecuacin es de primer grado si la variable
independiente est elevada al exponente 1. Su
grfica genera una lnea recta (por lo que
tambin se le llama ecuacin lineal)
Ejemplo: Y = 30 + 4 X
Si la variable independiente est elevada a un

exponente diferente a 1, la ecuacin toma el valor del
exponente. Su grfica no es una lnea recta.
Ejemplo:
Y = 10 + 3 X + 4 X2 : ecuacin de segundo grado
Y = 3 + 7X + 5 X3 : ecuacin de tercer grado
D) Ecuaciones simples y mltiples:

Simples: Muestra la relacin entre dos variables
Y = 30 + 2X
Y = 10 - 3X2
Mltiple: Muestra la relacin entre tres o ms
variables
Y = 3X + 8 Z
Y = 5 + 2X2 + 4W
D) Grfica de una ecuacin de primer grado:

Ejemplo: Y = 3 + 1,5X
X
Y
1
4 ,5
2
6 ,0
3
7 ,5
4
9 ,0
5
1 0 ,5
Los cinco pares de valores se diagraman de la

forma siguiente.
Y
12
11
10
9
8
7
6
5
4
3
2
1
.
.
.
.
.
(5,10.5)
(4,9)
(3,7.5)
(2,6)
(1,4.5)
E) Forma general:
La ecuacin simple de primer grado tiene la
siguiente forma general
Y = b 0 + b1 X
Donde:
b1: pendiente, o sea, el cambio en Y cuando X = 1.
b0: el valor autnomo, es decir, Y = b0 cuando X = 0.
En la grfica es la interseccin con el eje Y
Ejemplo:
Y
Y = 3 + 1.5X
b0 = 3
17.3 Regresin lineal simple

Es una tcnica estadstica que permite determinar la
mejor ecuacin que represente la relacin entre dos
variables relacionadas.
Para poder establecer la relacin cuantitativa entre X

e Y es necesario disponer de pares de observaciones.
Cada par ha sido registrado a la misma unidad
elemental.
A) Suposiciones de regresin y correlacin

a) Normalidad: los valores de Y estarn distribuidos
normalmente a cada valor de X.
b) Homoscedasticidad: la variacin alrededor de la lnea
de regresin sea constante para todos los valores de
X.
c) Independencia de error: el error (diferencia
entre un valor observado y uno estimado de
independientemente de cada valor de X.
residual
Y) sea
d) Linealidad: la relacin entre las variables es lineal.

B) El mtodo de Mnimos Cuadrados

Es el procedimiento matemtico utilizado para
determinar los valores numricos de los
coeficientes de regresin: b0 y b1
= b + b X se llama
La ecuacin general Y
0
1
ecuacin de regresin y permite estimar o
predecir los valores de Y.
El mtodo consiste en determinar una

ecuacin que la suma de los errores al
cuadrado sea mnima.
Y
= error
Yi - Y
Min Y - Y
10
8
Lnea de
estimacin
4 Error= -6
Error= 2
X
10
12
14
El mtodo utiliza un sistema de ecuacin llamado

ecuaciones normales, que tienen la siguiente
forma:
Y nb0 + b1 X
2
XY
b
X
b
X
0
1
Para aplicar las frmulas,
tenemos que confeccionar
un
cuadro
como
el
siguiente:
X2
XY
1.0
8.0
1.0
8.0
1.5
10.0
2.3
15.0
2.0
9.0
4.0
18.0
2.5
12.0
6.3
30.0
3.0
14.0
9.0
42.0
3.5
13.0
12.3
45.5
16.0
60.0
4.0
15.0
4.5
17.0
20.3
76.5
5.0
14.0
25.0
70.0
5.5
14.0
30.3
77.0
126.0
126.3
442.0
XY
32.5
X
Sustituyendo los valores Y 126,0 , n = 5, X 32,5

2
XY
4
42
X
y 126 ,3 ,en las ecuaciones normales,

obtenemos el siguiente sistema de ecuaciones.
126 = 10b0 + 32,5b1
442 = 32,5b0 + 126,3b1
Resolviendo el sistema tenemos: b0 = 7,479
b1= 1,576 ,por lo tanto,
7,479 1,576X
Y
c) Interpretacin
b0 = 7,478 : Es probable que un paciente desnutrido
que no sea considerado dentro del
Programa de Alimentacin Complementaria
tenga un peso de 7,478 Kg.
b1 = 1,576:Por cada Kg. del alimento complementario,
se espera que probablemente el nio
aumento su peso en 1,576 Kg.
D) Valor observado y valor estimado de Y

El valor observado (Yi) se refiere al nivel efectivo u
observado de la variable Y (peso del nio), mientras
), es el nivel estimado de la
que el valor estimado ( Y
i
variable (peso esperado), obtenido utilizando la
X
Y
Y
ecuacin de regresin.
Y
.
.
Yi
Valor
observado
Valor
estimado
xo
1.0
8.0
9.055
1.5
10.0
9.843
2.0
9.0
10.630
2.5
12.0
11.418
3.0
14.0
12.206
3.5
13.0
12.994
4.0
15.0
13.782
4.5
17.0
14.570
5.0
14.0
15.358
5.5
14.0
16.146
17.4 Error estndar de estimacin (Syx)

Mide la disparidad promedio entre los valores
observados y estimados de la variable Y. Se calcula
por la siguiente relacin
)
(Y - Y
Sy x =
n2
14
Y Y
1.0
8.0
9.055
-1.1
1.112181
1.5
10.0
9.843
0.2
0.024806
2.0
9.0
10.630
-1.6
2.658204
2.5
12.0
11.418
0.6
0.338375
3.0
14.0
12.206
1.8
3.217718
3.5
13.0
12.994
0.0
3.48E-05
4.0
15.0
13.782
1.2
1.483524
4.5
17.0
14.570
2.4
5.905386
5.0
14.0
15.358
-1.4
1.843621
5.5
14.0
46
-2.1
4.604028
32.5
126.0
126.0
0.0
21.2
Y Y
Reemplazando en la formula
S yx
21,20
21,20
2,65
10 2
8
Syx =1,628
El Syx es un indicador del grado de precisin con que

la ecuacin de regresin describe la relacin entre
las dos variables: cuanto ms pequeo, los valores
observado y estimado de Y son razonablemente
cercanos y, la ecuacin de regresin es una buena
descripcin esa la relacin.
17.5 El anlisis de correlacin

El anlisis de correlacin es la tcnica estadstica
que permite describir el grado hasta el cual una
variable est linealmente relacionada con otra.
Hay dos medidas que se usan para describir la
correlacin
El coeficiente de determinacin
El coeficiente de correlacin
A) El coeficiente de determinacin
Al construir un modelo de regresin, se define que
el valor Y depende de X.
Y = f (X)
Si la relacin es lineal: Y = b0 + b1X
Pero en la prctica Y depende tambin de otros

factores diferentes a X:
Y = b0 + b1X +
Parte de los cambios en Y pueden explicarse por X, a
otro se llama variacin explicada.
Pero hay cambios en Y que no pueden explicarse
por X, a lo que se llama variacin no explicada.
Yi
Y
Variacin
Total
Yi - Y
Variacin
no explicada
Yi - Y
Variacin
Explicada
- Y
VARIACION
TOTAL
=
VARIACION
EXPLICADA
VARIACION
NO EXPLICADA
El coeficiente de determinacin se puede calcular

del modo siguiente:
r2
variacion explicada
variacion total
r2 =
2
Y - Y
i
-Y
Y
Se elevan al cuadrado, para evitar que Y - Y 0

obtenindose un nmero positivo.
1er Paso: Clculo de la venta media por vendedor

son ( Y )
n
Y=
i1
Y1 Y2 Y3 Y4 Y5
Y=
5
9 5 7 14 10 45
Y=
5
5
Y = 9 unidades
2do Paso: Se calcula la variacin total, es decir, la

sumatoria de las desviaciones de las ventas
2
observadas (Yi) con respecto a la media: Yi - Y
Y Y
Y Y2
8.0
12.6
-4.6
21.16
10.0
12.6
-2.6
6.76
9.0
12.6
-3.6
12.96
12.0
12.6
-0.6
0.36
14.0
12.6
1.4
1.96
13.0
12.6
0.4
0.16
15.0
12.6
2.4
5.76
17.0
12.6
4.4
19.36
14.0
12.6
1.4
1.96
14.0
12.6
1.4
1.96
126.0
0.0
Y Y
72.4
2
Y Y
126.0
Y
3er Paso: Se calcula la variacin explicada, es

decir, la sumatoria de las desviaciones cuadrticas
entre las ventas esperadas y la venta media de la
muestra: Y - Y
2
Y Y
2
Y Y
9.055
12.6
-3.545
12.5699
9.843
12.6
-2.758
7.6038
10.630
12.6
-1.970
3.8793
11.418
12.6
-1.182
1.3964
12.206
12.6
-0.394
0.1551
12.994
12.6
0.394
0.1553
13.782
12.6
1.182
1.3971
14.570
12.6
1.970
3.8805
15.358
12.6
2.758
7.6055
16.146
12.6
3.546
12.5720
126.0
126.0
0.0
Y Y
51.2
2
4to Paso: Se compara la variacin explicada y

la variacin total.
r2
r2
variacion explicada
variacion total
=
r2 =
Y-Y
Yi - Y
51,2
0,707
72,4
5to Paso: Interpretacin: 70,7% de las

variaciones en el incremento de peso, pueden
explicarse por el consumo del complemento
nutricional.
Valores posibles de r2
Si r2 = 1 : Correlacin perfecta, es decir, toda
variacin de Y puede explicarse por X
Si r2 = 0 : no existe correlacin entre X e Y. La
variacin explicada es 0. La variable X
no explica nada de los cambios en Y
Resumen
2
0 r 1
Cuanto ms cerca a uno, las variables tendrn
mayor correlacin.
B) El coeficiente de correlacin
Es la raz cuadrada del coeficiente de
determinacin.
r = r2
Sus valores oscilan entre -1 y 1
Cuando r es positivo, indica que X e Y
estn directamente relacionados.
Cuando r es negativo, indica que X e Y

estn inversamente relacionados.
El coeficiente r tiene el mismo signo que el
coeficiente b1 en la ecuacin de regresin
Interpretacin del coeficiente de correlacin de

Pearson
Fuerte Moderada
Negativa Negativa
-1 -0,9
Perfecta
Negativa
Dbil
Negativa
-0,5
Dbil
Positiva
0
No existe
correlacin
Moderada
Positiva
0,5
Fuerte
Positiva
0,9 1
Perfecta
Positiva
Ejemplo:
r2= 0,707
r = 0,707
r = 0,84
el signo es positivo ya que X e Y estn
relacionados directamente como lo indica el
signo del coeficiente b1 en la ecuacin de
regresin Y 7,479 1,576X
Interpretacin: El incremento de peso (Y) y el

consumo del complemento nutricional (X) se
encuentran directamente asociados.
17.6 Diagnstico de la regresin: anlisis

residual
El anlisis residual permite evaluar lo adecuado del

modelo de regresin que ha sido ajustado a los
datos. Tambin sirve para detectar si los supuestos
se cumplen.
A. Evaluacin de lo adecuado de modelo ajustado
Los valores del error residual o estimado (i) se
define como la diferencia entre los valores
observados (Yi) y los estimados ( Y i ) de la variable
dependiente para los valores dados de Xi
i = Yi - Y i
Podemos evaluar lo adecuado del modelo de

regresin ajustado mediante el grfico de los
residuos (eje vertical) con respecto a los
correspondientes valores de Xi de la variable
independiente (eje horizontal).
Variable X 1 Grfico de los residuales
3
2
Residuos
Ejemplo:
El grfico muestra un
adecuado ajuste entre
el incremento de peso
y el consumo del complemento nutricional.
No se observa una
tendencia.
1
0
-1
-2
-3
Variable X 1
El anlisis del grfico nos brinda el criterio para adoptar el

modelo lineal o dejarlo de lado. Si fuese as, podramos
probar con modelos no lineales como el cuadrtico,
logaritmo o exponencial.
El anlisis de residuos se complementa con el
clculo de los residuos estandarizados (SRi), que
resultan de la divisin del residuo dividido por su
error estndar.
i
SR i
S YX 1 hi
En donde
1
hi
n
Xi X2
n
2
X
i nX
i1
Los valores estandarizados nos permiten tomar en

cuenta la magnitud de los residuos en unidades que
reflejen la variacin estandarizada alrededor de la lnea
de regresin.
Anlisis de los residuales
Observacin
Pronstico para Y
Residuos
Residuos estndares
9.138461538
-0.138461538
-0.101107641
3.276923077
1.723076923
1.258228423
6.207692308
0.792307692
0.578560391
15
-1
-0.730221853
12.06923077
-2.069230769
-1.510997526
44.30769231
0.692307692
0.505538206
En el grfico siguiente, los residuos estandarizados fueron

graficados en funcin de la variable independiente
(cantidad del complemento nutricional). Se puede
observar de que existe una dispersin amplia en la grfica
de residuos, no existe un patrn evidente o una relacin
entre los residuos estandarizados y Xi . Los residuos
parecen estar equitativamente distribuidos por arriba y
por debajo de 0, para diferentes valores de X. Podemos
concluir que el modelo ajustado parece ser adecuado.
Residuos estndares
1.5
1
0.5
0
-0.5 0
-1
-1.5
-2
10
15
20
B. Evaluacin de las suposiciones

a. Homoscedasticidad
b. Normalidad
c. Independencia: Los datos recolectados

17.7 Medicin de la autocorrelacin: Durbin-Watson

Una de las suposiciones del modelo de regresin
bsico es la independencia de los residuos. Esta
suposicin es violada con frecuencia cuando los
datos son recopilados en periodos secuenciales,
debido a que un residuo en cualquier punto del
tiempo puede tender a ser parecido a los residuos
que se encuentran en puntos de tiempo
adyacentes.
El estadstico D de Durbin-Watson mide la
correlacin de cada residuo y el residuo del periodo
inmediato anterior al periodo de inters.
El estadstico D (Durbin-Watson)
2
i 2
i 1
i
i 1
i
En la que
representa el residuo en el periodo i.
Interpretacin de D:
Cuando residuos sucesivos estn correlacionados

positivamente, el valor de D se aproximar a cero.
Si los resultados no estn correlacionados, el valor D
estar cercano a 2.
Si se presentase una autocorrelacin negativa, lo cual rara
vez sucede, de valor D tomar un valor mayor a 2 e,
incluso podra aproximarse a su valor mximo que es 4.
Los resultados de SPSS nos proporciona el valor de

D de Durbin-Watson
Model Summ aryb
Change Statistics
Model
1
R Square
Change
F Change
.707 a
19.336
df1
df2
1
Sig. F Change
.002
Durbin-Watson
1.517
a. Predictors: (Constant), Complemento

b. Dependent Variable: AUMENTO
Segn este resultado permite afirmar que los

residuos no estn correlacionados.
17.8 Estimacin por intervalos

A.Intervalo de confianza para 1
b1 N
b1 1
Sb1
2
1,
SC x
b1 1
S yx
SC x
2
SC x
desconocido
conocido
Lo2que se va hacer es estimar
2
n
b 2SC
Y
se estima mediante
la siguiente
formula:
1
x
n
i 1
2
S yx
n2
-t0
t0
Pr( t 0 t t 0 )
b1 1
Pr t 0
t0 1
S yx
SC x
S yx
S yx
Pr b1 t 0
1 b1 t 0
1
SC x
SC x
B. Intervalo de confianza para 0

2
1
x
b0 0 , 2
n SC
b0 0
Sb 0
b0 0
2
S yx
donde:
S 2yx
1
x
n SC x
t n2
n2
b 2 SC
x
0
-t0
t0
Pr(t 0 t t 0 )
0
0
Pr t 0
t0 1
S
b
0
Pr b 0 t 0Sb0 0 b 0 t 0Sb0 1
t0 con (n-2) grados de libertad y
C. Intervalo de confianza para /
Y X0
X0 X
2 1
Y N y / X 0 ,
SC x
Para un nivel dado de confianza, una variacin

aumentada alrededor de la lnea de regresin,
medida a travs del error estndar de la
estimacin, tiene como resultado un intervalo
ms amplio.
Sin embargo, como se esperara, un tamao de

muestra aumentado reduce el ancho del
intervalo.
Pr y
t 0S y y / X0 y
t 0S y 1
donde:
X0 x
2 1
S y S yx
n
SCx
D. Intervalo de confianza para un valor

individual
Adems de obtener una estimacin de intervalo
de confianza para el valor promedio, a menudo
es importante tener la capacidad de predecir la
respuesta que se obtendra para un valor
individual.
1 X X
Y N
, 1
2
y / X0
SC x
El intervalo de prediccin est estimando

un valor individual, no un parmetro.
Pr y
t 0S y Y / X0 y
t 0S y 1
donde:
x
1
S y S2yx 1 0
n
SC x
17.9 Anlisis de varianza de la regresin

simple
El anlisis de varianza es una tcnica que permite
localizar las fuentes de variabilidad que ayuden a explicar
el comportamiento de la variable dependiente.
SCtotal =
SCerror + SCregresin
(SCresidual)
El cuadro de Anlisis de Varianza
Fuentes de
variabilidad
Debido a la
Regresin
Suma de
Cuadrados
2
b SC X
Y
Y
GL
Cuadrado
Medio
2
1
b SC x
Error
Experimental
Total
b12SCx n 2
SCtotal
n 1
S2yx
F
calculado
b12SC x
S2yx
E(CMe)
2 12SC x
Asumiendo que existe una regresin lineal,

determine:
A.La ecuacin de regresin e interprete los coeficientes
regresin.
B.El intervalo de confianza para 1y para un valor
si X=3,8.
de
individual
C.El cuadro de ANOVA para la regresin lineal

D.El valor de
y
cuando
X = 5,1
E.La prueba de hiptesis respectiva a partir del

interprete el resultado.
ANOVA
F.Estime el aumento de peso que puede darse se consumen 6

Kg. del complemento nutricional mediante un intervalo e
interprete el resultado.
Primero se realizan los Solucin

clculos necesarios:
n 10
Xi 32,5
Yi 126
Xi2 126,25
Yi2 1660
Xi Yi 442
A. Clculo de los coeficientes de regresin:

b0 b1X
Y
b0 Y b1 X
X Y
XY
i
b1
n
2
i
2
X
i
n
442
32,5126
32,5
10
1,57
32,5
20
,
62
126,25
10
b0 12,6 (1,57)(3,25) 7,49
La ecuacin de regresin ser:

7,49 1,57 X
Y
Interpretacin:
b0= Se espera que el peso que un nio que no

consume este complemento nutricional sea 7,49
Kg.
b1= Por cada Kg. de complemento nutricional, el peso
del nio se incrementar en 1,57 Kg.
B.
S yx
S yx
Pr 1,57 t 0,10 8
1 1,57 t 0,10 8
SC x
SC x
Intervalo de confianza para 1
1 0,10
S yx
S yx
Pr 1,57 1,86
1 1,57 1,86
0,90
4,54
4,54
2
yx
126
2
1660
1,57 20,62
10
S yx 1,642DR. LUIS J. CASTILLO VSQUEZ
72,7 50,82
2,69
8

1,642
1,642
Pr 1,57 1,86
1 1,57 1,86
0,90
4,54
4,54
Pr 0,8973 1 2,2427 0,90
Interpretacin: Hay 0,90 de confianza que el

intervalo que se ha construido, pertenezca al
grupo de intervalos que contienen al verdadero
parmetro 1.
Intervalo de confianza para un valor individual

Si X = 3,8 entonces Y 13,45
t 0S Y Yind Y
t 0S Y 1
Pr Y
Pr13,45 (1,86 )S Y Yind 13,45 (1,86 )S Y 1

1 3,80 3,25
S Y 1,642 1
10
20,62
2
Interpretacin
C. Anlisis de Varianza
Fuentes de
variabilidad
Suma de
Cuadrados
Debido a la
Regresin
Error
Experimental
Total
GL
Cuadrado
Medio
F
calculado
50,82
50,82
18,84
21,58
2,697
72,40
E(CMe)
Interpretacin: Se rechaza la hiptesis planteada. El

complemento nutricional si explica significativamente
los cambios en el peso de los nios.
Y 7,49 1,57(5,51)
Y 16,14
E. D.
Prueba
Si X =de
5,1Hiptesis acerca de
1. Hp: 1= 0
Ha: 1 0
CMeregresin
2.
=
0,10
Fc
CMeerror
3.
Supuestos
- La muestra seleccionada al azar
- La poblacin se distribuye al azar
- Los valores de X fijas y de Y variables (o aleatorias)

- Asunciones de la regresin lineal simple
4. Criterios de decisin
F1-/2
0,0041
F/2
5,32
Si 5,32 Fc 0,0041se rechaza la hiptesis planteada

5. Clculos
50,82
Fc
18,84
2,697
6. Conclusiones
La variable complemento nutricional es
apropiada para explicar el comportamiento del
aumento de peso en nios desnutridos.
Adems, la ecuacin de regresin puede ser
usada con fines de prediccin hasta cierto lmite.
Pr 16,91 1,86 S Y Y X0 16,91 1,86 S Y 1
F. Para X = 6, que promedio de Y vamos a obtener?
17.10 Resultados con Excel

Estadsticas de la regresin
0.99582747
Coeficiente de correlacin mltiple

Coeficiente de determinacin R^2
0.99167236
R^2 ajustado
0.98959045
Error tpico
1.5310881
Observaciones
6
ANLISIS DE VARIANZA
GL
SC
CMe
Regresin
1116.62308
1116.62308
Residuos
9.37692308
2.34423077
Total
1126
Coefic
ientes
Error
tpico
Estadst
ico t
Intercepcin
0.346154
0.9173433
Variable X 1
2.930769
0.13428531
F cal
P-valor
476.328138
2.60786E-05
P-valor
Inferior
95%
Superior
95%
Inferior
95.0%
Superior
95.0%
0.37734384
0.72508508
-2.200804756
2.893112448
-2.200804756
2.893112448
21.824943
2.6079E-05
2.557932668
3.303605794
2.557932668
3.303605794
Ejemplo:
En la Farmacia Santa Rita, se desea determinar
la relacin lineal simple entre la experiencia del
vendedor y las ventas durante un mes. Se
seleccionan 5 vendedores, los datos registrados
se presentan a continuacin:
VENDEDOR
CARLOS PEDRO JOSE JUAN MANUEL
EXPERIENCIA
(aos):X
3
1
2
5
4
VENTAS
(unidades) : Y
9
5
7
14
10
Caso 1
Un equipo de profesionales en salud mental de un
hospital psiquitrico donde el tiempo de
permanencia es largo, quiere medir el nivel de
respuesta de pacientes retrados mediante un
programa de terapia de remotivacin. Para este
propsito
se
contaba
con
una
prueba
estandarizada, que era costosa y su aplicacin
tomaba mucho tiempo. Para salvar este obstculo,
el equipo cre una prueba ms fcil de aplicar.
Para probar la utilidad de este nuevo instrumento

para medir el nivel de respuesta del paciente, el
equipo decidi examinar la relacin entre las
calificaciones obtenidas con la nueva prueba y las
calificaciones
obtenidas
con
la
prueba
estandarizada.
Paciente
10
11
Prueba nueva
50
55
60
65
70
75
80
85
90
95
100
Prueba estandar 61
61
59
71
80
76
90
106
98
100
114
Caso 2
Se llevo a cabo un experimento para estudiar el
efecto de cierto medicamento para disminuir la
frecuencia cardiaca en adultos. Se reunieron los
siguientes datos: dosis en miligramos del
medicamento y la diferencia entre la frecuencia
cardiaca mas baja despus de la administracin
del medicamento y un control antes de
administrarlo.
Dosis (mg)
1 1 1 1 2 2 2 2 3 3 3 3
Reduccion ritmo cardiaco 10 8 12 12 14 12 16 18 17 20 18 20
Determine la ecuacin de regresin lineal y
explique el valor de los coeficientes de regresin.
Calcule e interprete el coeficiente de correlacin y
el coeficiente de determinacin.
Hoja de Comprobacin
1. El anlisis de regresin se usa para describir que tan bien
una ecuacin de estimacin describe la relacin que est

estudiando
2. Dado que la ecuacin para una lnea es Y = 26 - 24X,
podemos decir que la relacin Y con X es directa y lineal
3. Un valor r2 cercano a cero indica una fuerte correlacin
entre X y Y
4. Los anlisis de regresin y correlacin se usan para

determinar relaciones de causa y efecto
5. El coeficiente de correlacin de muestra, r, no es nada ms que r
y no podemos interpretar su significado directamente como un
porcentaje del mismo tipo
6. El error estndar de la estimacin mide la variabilidad de los

valores observados alrededor de la ecuacin de regresin.
7. La lnea de regresin se deriva de una muestra y no de toda la
poblacin
8. Podemos interpretar el coeficiente de determinacin de muestra

como la cantidad de la variacin en Y que es explicada por la lnea
de regresin
9. Las lneas trazadas a cada lado de la lnea de regresin a 1, 2 y 3
veces el valor del error estndar de la estimacin se denominan lneas
de confianza
10.La ecuacin de estimacin es vlida slo sobre el mismo intervalo
que el dado por los datos originales de muestra sobre los cuales se
desarroll
11.En al ecuacin Y = a + bX para la variable dependiente Y y la

variable independiente X, la interseccin Y es b.
12.Si una lnea se ajusta a un conjunto de puntos mediante el mtodo

de mnimos cuadrados, los errores individuales positivos y
negativos desde la lnea suman cero.
13. Si Se = 0 para una ecuacin de estimacin, debe estimar

perfectamente la variable dependiente en los puntos observados
14.Supongamos que la pendiente de una ecuacin de estimacin es

positiva. Entonces el valor de r debe ser la raiz cuadrada positiva
de r2
15.Si r = 0.8, entonces la ecuacin de regresin explica 80% de la

variacin total en la variable dependiente
16.El coeficiente de correlacin es el porcentaje de la variacin total
de la variable dependiente que es explicada por la regresin
17.El error estndar de la estimacin es medido perpendicularmente
desde la lnea de regresin ms que sobre el eje X
18.Al cuadrar los errores individuales, el mtodo de mnimos
cuadrados magnidica todas las desviaciones desde la lnea de
regresin estimada
19. Una ecuacin de regresin no puede ser vlida al ampliarse fuera del
intervalo de muestra de la variable independiente
20. Un valor r2 implica que no existe una relacin de causa-efecto
significativa entre X y Y
21. Una valor pequeo de r2 implica que no existe una relacin de causaefecto significativa entre X y Y

Regresion y Correlacion

Încărcat de

Informații document

Drepturi de autor

Formate disponibile

Partajați acest document

Partajați sau inserați document

Opțiuni de partajare

Vi se pare util acest document?

Este necorespunzător acest conținut?

Drepturi de autor:

Formate disponibile

Regresion y Correlacion

Încărcat de

Drepturi de autor:

Formate disponibile

Tema

DR. LUIS J. CASTILLO VSQUEZ

4. Aplicar el anlisis de correlacin para describir el grado

6. Realizar el diagnostico de la regresin

DR. LUIS J. CASTILLO VSQUEZ

3. La regresin lineal simple

6. El diagnstico de la regresin: al anlisis residual

17.1 El diagrama de dispersin

DR. LUIS J. CASTILLO VSQUEZ

(b) Lineal inversa

(a) Lineal directa

DR. LUIS J. CASTILLO VSQUEZ

(c) Curvilnea directa

Presente la informacin en un diagrama de dispersin

2do Paso: Encuentre los valores mnimos y mximos

DR. LUIS J. CASTILLO VSQUEZ

3er Paso: Registre los datos en el grfico. Cuando

DR. LUIS J. CASTILLO VSQUEZ

4to Paso: Agregue toda la informacin que

DR. LUIS J. CASTILLO VSQUEZ

17.2 Las ecuaciones lineales simples

Por ejemplo: Y = 3 + 1,5X

El aumento en Y, cuando X vara en una unidad, est

Cuando cambios en X provoca cambios en Y en igual

DR. LUIS J. CASTILLO VSQUEZ

Cuando cambios en X, provoca variaciones en Y en

DR. LUIS J. CASTILLO VSQUEZ

DR. LUIS J. CASTILLO VSQUEZ

Si la variable independiente est elevada a un

D) Ecuaciones simples y mltiples:

D) Grfica de una ecuacin de primer grado:

Los cinco pares de valores se diagraman de la

DR. LUIS J. CASTILLO VSQUEZ

17.3 Regresin lineal simple

Para poder establecer la relacin cuantitativa entre X

A) Suposiciones de regresin y correlacin

d) Linealidad: la relacin entre las variables es lineal.

B) El mtodo de Mnimos Cuadrados

DR. LUIS J. CASTILLO VSQUEZ

El mtodo consiste en determinar una

El mtodo utiliza un sistema de ecuacin llamado

Sustituyendo los valores Y 126,0 , n = 5, X 32,5

y 126 ,3 ,en las ecuaciones normales,

D) Valor observado y valor estimado de Y

DR. LUIS J. CASTILLO VSQUEZ

17.4 Error estndar de estimacin (Syx)

DR. LUIS J. CASTILLO VSQUEZ

DR. LUIS J. CASTILLO VSQUEZ

El Syx es un indicador del grado de precisin con que

17.5 El anlisis de correlacin

Pero en la prctica Y depende tambin de otros

DR. LUIS J. CASTILLO VSQUEZ

El coeficiente de determinacin se puede calcular

Se elevan al cuadrado, para evitar que Y - Y 0

1er Paso: Clculo de la venta media por vendedor

2do Paso: Se calcula la variacin total, es decir, la

3er Paso: Se calcula la variacin explicada, es

DR. LUIS J. CASTILLO VSQUEZ

4to Paso: Se compara la variacin explicada y

5to Paso: Interpretacin: 70,7% de las

DR. LUIS J. CASTILLO VSQUEZ

Cuando r es negativo, indica que X e Y

DR. LUIS J. CASTILLO VSQUEZ

Interpretacin del coeficiente de correlacin de