15.

Regresin lineal
Este tema, prcticamente ntegro, est calacado de los excelentes
apuntes y transparencias de Bioestadstica del profesor F.J. Barn Lpez
de la Universidad de Mlaga.
Te recomiendo visitar su pgina de apuntes y vdeos:
http://www.bioestadistica.uma.es/baron/apuntes/

Relaciones entre variables aleatorias y

regresin lineal

El trmino regresin fue introducido por Galton en su libro

Natural inheritance (1889) refirindose a la ley de la
regresin universal:
Cada peculiaridad en un hombre es compartida por sus
descendientes, pero en media, en un grado menor.
Regresin a la media

Su trabajo se centraba en la descripcin de los rasgos fsicos de

los descendientes (una variable) a partir de los de sus padres
(otra variable).
Pearson (un amigo suyo) realiz un estudio con ms de 1000
registros de grupos familiares observando una relacin del tipo:
Altura del hijo = 85cm + 0,5 altura del padre (aprox.)

Conclusin: los padres muy altos tienen tendencia a tener hijos que
heredan parte de esta altura, aunque tienen tendencia a acercarse
(regresar) a la media. Lo mismo puede decirse de los padres muy
bajos.

Hoy en da el sentido de regresin es el de prediccin de una

medida basndonos en el conocimiento de otra.

Francis Galton

Estudio conjunto de dos variables

aleatorias

A la derecha tenemos una posible manera de recoger

los datos obtenido observando dos variables aleatorias
en varios individuos de una muestra.
En cada fila tenemos los datos de un individuo
Cada columna representa los valores que toma una
variable aleatoria sobre los mismos.
Las individuos no se muestran en ningn orden particular.

Dichas observaciones pueden ser representadas en un

diagrama de dispersin (scatterplot). En ellos, cada
individuos es un punto cuyas coordenadas son los
valores de las variables.
Nuestro objetivo ser intentar reconocer a partir del
mismo si hay relacin entre las variables, de qu tipo, y
si es posible predecir el valor de una de ellas en funcin
de la otra.

Altura
en cm.

Peso
en Kg.

162

61

154

60

180

78

158

62

171

66

169

60

166

54

176

84

163

68

...

...

Diagramas de dispersin o nube de puntos

Tenemos las alturas y los pesos de 30 individuos representados en un
diagrama de dispersin. Cada punto es un valor particular de la variable
aleatoria bidimensional (X, Y).

100
90
Pesa 76 kg.

80

Mide 187 cm.

70
60
Pesa 50 kg.

50
Mide 161 cm.

40
30
140

150

160

170

180

190

200

Relacin entre variables

Tenemos las alturas y los pesos de 30 individuos representados en un
diagrama de dispersin.

100
90
80
70
60
50
40
30
140

150

160

170

180

190

200

Prediccin de una variable en funcin de otra

Aparentemente el peso aumenta 10 Kg por cada 10 cm de altura... O sea,
el peso aumenta en una unidad por cada unidad de altura.

100
90
80
70
10 kg.

60
50
10 cm.

40
30
140

150

160

170

180

190

200

Cmo reconocer relacin directa e inversa

330
280

100

Descorrelacin

90
80

230

Fuerte relacin
directa.

70

180

60

130

50

80

40

30
140

30

150

160

170

180

190

200

Para valores de X por encima de la media

tenemos valores de Y por encima y por debajo
en proporciones similares: Descorrelacin.

140

150

160

170

180

190

200

Para los valores de X mayores

que la media le corresponden
valores de Y mayores tambin.
Para los valores de X menores
que la media le corresponden
valores de Y menores tambin.

80

Cierta relacin
inversa

70
60
50

Esto se llama relacin directa o

creciente entre X e Y.

40
30
20
10
0
140

150

160

170

180

190

200

Para los valores de X mayores que la

media le corresponden valores de Y
menores. Esto es relacin inversa o
decreciente.

Cmo reconocer buena o mala relacin

100

330

Poca relacin

280

90
80

230

Fuerte relacin
directa.

70
180

60

130

50

80

40
30

30
140

150

160

170

180

190

200

Dado un valor de X no podemos decir

gran cosa sobre Y. Mala relacin.
Independencia.

Cierta relacin
inversa

60
50
40
30
20
10
0
140

150

160

170

180

190

150

160

170

180

190

200

Conocido X sabemos que Y se mueve

por una horquilla estrecha. Buena
relacin.

80
70

140

200

Lo de horquilla estrecha hay que

entenderlo con respecto a la dispersin
que tiene la variable Y por si sola, cuando
no se considera X.

Covarianza de dos variables aleatorias X e Y

La covarianza entre dos variables, Sxy, nos
indica si la posible relacin entre dos variables
es directa o inversa:
Directa: Sxy > 0
Inversa: Sxy < 0
Descorreladas: Sxy = 0

1
S xy = ( xi x )( yi y )
n i

El signo de la covarianza nos dice si el

aspecto de la nube de puntos es creciente o
no, pero no nos dice nada sobre el grado de
relacin entre las variables.

Coeficiente de correlacin lineal de Pearson

El coeficiente de correlacin lineal de Pearson de
dos variables, r, nos indica si los puntos tienen
una tendencia a disponerse alineadamente
(excluyendo rectas horizontales y verticales).

Tiene el mismo signo que Sxy . Por tanto de su

signo obtenemos el que la posible relacin sea
directa o inversa.
r es til para determinar si hay relacin lineal
entre dos variables, pero no servir para otro tipo
de relaciones (cuadrtica, logartmica,...)

r=

S xy
SxS y

Propiedades de r

Es adimensional.
Slo toma valores en [-1,1].
Las variables son descorreladas r = 0.
Relacin lineal perfecta entre dos variables r = +1 o r = -1.
Excluimos los casos de puntos alineados horiz. o verticalmente.

Cuanto ms cerca est r de +1 o -1 mejor ser el grado de

relacin lineal.
Relacin
inversa
perfecta

-1

Variables
incorreladas

Relacin
directa
casi
perfecta

+1

Entrenando el ojo: correlaciones positivas.

330
280
230
180
130
80
30
140

r=0,1
150

160

170

180

190

200

130
120
110
100
90
80
70
60
50
40
30
140

110

100

100

90

90

80

80

150

160

170

180

190

200

70

70

60

60

50

50

r=0,6

40
30
140

r=0,4

150

160

170

180

190

r=0,8

40
200

30
140

150

160

170

180

190

200

Entrenando el ojo: casi perfectas y

positivas
100

100

90

90

80

80

70

70

60

60

50

50

r=0,9

40
30
140

150

160

170

180

190

200

100
90
80
70
60
50

r=1

40
30
140

150

160

170

180

190

r=0,99

40

200

30
140

150

160

170

180

190

200

Entrenando el ojo: correlaciones

negativas
90
80
70
60
50
40
30

80

20
10
0

20

70
60
50
40
30

r=-0,5
140

150

160

170

180

190

200

0
140

80

80

70

70

60

60

50

50

40

40

30

30

20

20

10
0
140

r=-0,95
150

r=-0,7

10

10
160

170

180

190

200

150

160

170

180

190

200

160

170

180

190

200

r=-0,999

0
140

150

 Si r = 0 eso quiere decir que

las variables son independientes?
En la prctica, casi siempre
s, pero no tiene por qu ser
cierto en todos los casos.
Lo contrario si es cierto:
Independencia implica
no correlacin.

Me ha salido r = 1,2 La relacin es superlineal [sic]?

Superqu? Eso es un error de clculo. Siempre debe tomar un
valor entre -1 y +1.

A partir de qu valores se considera que hay buena relacin

lineal?
Es difcil dar un valor concreto (mirad los grficos anteriores).
Para este curso digamos que si |r| > 0,7 hay buena relacin lineal
y que si |r| > 0,4 hay cierta relacin (por decir algo... la cosa es un
poco ms complicada: observaciones anmalas,...)

Regresin lineal simple

El anlisis de regresin sirve para predecir una
medida en funcin de otra medida (o varias:
regresin mltiple).
Y = Variable dependiente
predicha, medida, es una variable aleatoria
explicada

X = Variable independiente
predictora, controlada, no es una variable aleatoria.
explicativa

Es posible descubrir una relacin?

Y = f(X) + error
f es una funcin de un tipo determinado
el error es aleatorio, pequeo, y no depende de X

Regresin lineal simple

Recordemos el ejemplo del estudio de la altura en grupos
familiares de Pearson:
Altura del hijo = 85cm + 0,5 altura del padre (Y = 85 + 0,5 X)
Si el padre mide 200 cm, cunto mide el hijo?
Se espera (predice) 85 + 0,5 x 200 = 185 cm.
Alto, pero no tanto como el padre. Regresa a la media.

Si el padre mide 120 cm, cunto mide el hijo?

Se espera (predice) 85 + 0,5 x 120 = 145 cm.
Bajo, pero no tanto como el padre. Regresa a la media.

Esto es un modelo de regresin lineal simple.

Modelo de regresin lineal simple

En el modelo de regresin lineal simple, dado dos
variables
Y (dependiente)
X (independiente, explicativa)

buscamos encontrar una funcin de X muy simple

(lineal) que nos permita aproximar Y mediante
= b0 + b1X
b0 (ordenada en el origen, constante)
b1 (pendiente de la recta)

Y e rara vez coincidirn por muy bueno que sea el

modelo de regresin. A la cantidad
e = Y- se le denomina residuo o error residual.

 En el ejemplo de Pearson y las alturas, l encontr:

= b 0 + b1X
b0 = 85 cm (No interpretar como altura de un hijo cuyo padre mide
0 cm Extrapolacin salvaje!)
b1= 0,5 (En media el hijo gana 0,5 cm por cada cm del padre.)

180

b1=0,5

150
120
90
60

b0=85 cm

30
0

220

210

200

190

180

170

160

150

140

130

120

110

100

90

80

70

60

50

40

30

20

10

 La relacin entre las variables no es exacta. Es natural

preguntarse entonces:
Cul es la mejor recta que sirve para predecir los valores de Y
en funcin de los de X
Qu error cometemos con dicha aproximacin (residual).

180

b1=0,5

150
120
90
60

b0=85 cm

30
0

220

210

200

190

180

170

160

150

140

130

120

110

100

90

80

70

60

50

40

30

20

10

El modelo lineal de regresin se construye utilizando la tcnica

de estimacin mnimo cuadrtica:
Buscar b0, b1 de tal manera que se minimice la cantidad

i ei2 = i (Yi - )2

Se comprueba que para lograr dicho resultado basta con elegir:

b1 = r

Sy
Sx

r=

b0 = y b1 x

S xy
SxS y

y = y + b1 ( x x )

La recta de regresin estimada ser:

Se obtiene adems unas ventajas de regalo:

El error residual medio es nulo.
La varianza del error residual es mnima para dicha
estimacin.

 Que el error medio de las

predicciones sea nulo no
quiere decir que las
predicciones sean buenas.
Hay que encontrar un
medio de expresar la
bondad del ajuste (bondad
de la prediccin).
No importa. Con los dos
ltimos clientes me
equivoqu en +10 y
+20. En trmino medio
el error es cero.

Cometi un
error de - 30 en
su ltima
prediccin

Cmo medir la bondad de una regresin?

Imaginemos un diagrama de
dispersin, y vamos a tratar de
comprender en primer lugar qu
es el error residual, su relacin
con la varianza de Y, y de ah,
cmo medir la bondad de un
ajuste.

Interpretacin de la variabilidad en Y
En primer lugar olvidemos que
existe la variable X. Veamos cul
es la variabilidad en el eje Y.
La franja sombreada indica la zona
donde varan los valores de Y.
Proyeccin sobre el
eje Y = olvidar X.

Interpretacin del residuo

Fijmonos ahora en los errores de prediccin
(lneas verticales). Los proyectamos sobre el
eje Y.
Se observa que los errores de prediccin,
residuos, estn menos dispersos que la
variable Y original.
Cuanto menos dispersos sean los
residuos,
mejor ser la bondad del ajuste.

Bondad de un ajuste
Resumiendo:
La dispersin del error residual ser una
fraccin de la dispersin original de Y.

Cuanto menor sea la dispersin del error

residual mejor ser el ajuste de regresin.
Eso hace que definamos como medida
de bondad de un ajuste de regresin,
o coeficiente de determinacin a:

S
R = 1
S
2

2
e
2
y

S < S
2
e

2
Y