Probabilidad y estadística – 2do parcial Medidas de correlació n

Nombre:_______________________________________________________________________________________ Grupo: 6 _____________

Competencia genérica a desarrollar:

4. Escucha, interpreta y emite mensajes pertinentes en distintos contextos mediante la utilizació n de medios,
có digos y herramientas apropiadas.
Atributo: 4.1 Expresa ideas y conceptos mediante representaciones lingü ísticas, matemá ticas o grá ficas.

ESTADÍSTICA DESCRIPTIVA
CONCEPTOS BÁ SICOS
La estadística es la ciencia de los datos. La estadística descriptiva, el cálculo de probabilidades y la inferencia
estadística constituyen las partes fundamentales de la ciencia estadística. Se comenzará con el estudio de la
estadística descriptiva, que comprende el conjunto de técnicas numéricas y grá ficas con las que se pretende
descubrir la estructura de un conjunto de datos.
Los gobiernos acumulan y analizan una cantidad sorprendente de datos estadísticos. La palabra misma
procede del latín statisticus, que significa «del Estado».
El estudio de la estadística se divide en dos á reas principales. La estadística descriptiva tiene que ver con la
recolecció n, organizació n, resumen y presentació n de los datos (informació n). La estadística inferencial tiene
que ver con la obtenció n de inferencias o conclusiones (por medio de conjeturas) acerca de las poblaciones, con
base en la informació n de las muestras.
Resumiendo, si sabemos có mo es una població n, la teoría de probabilidad nos ayuda a predecir lo que
probablemente sucede en una muestra (razonamiento deductivo). Si sabemos có mo es una muestra, entonces la
estadística inferencial nos permite inferir estimaciones acerca de la població n (razonamiento inductivo).

POBLACIÓ N, MUESTRA, INDIVIDUO, VARIABLE ESTADÍSTICA

A continuació n se detallan los conceptos bá sicos de todo estudio estadístico:
Población, colectivo o universo: conjunto de individuos o elementos que tienen la propiedad o característica
que se desea estudiar.
Muestra: subconjunto representativo de la població n.
Individuo: cualquier elemento que posea la propiedad o característica objeto de estudio.
Variable estadística: característica o fenó meno de la realidad que se desea estudiar. Las distintas
observaciones de la variable constituyen los datos de la investigació n.

CLASIFICACIÓ N DE VARIABLES
La informació n que se ha reunido, pero que aú n no está organizada o procesada se conoce como datos en
bruto. A continuació n se realiza una clasificació n de las variables estadísticas atendiendo a tres criterios
diferentes: tipo de datos, tipo de escala y referencia temporal.

CLASIFICACIÓ N SEGÚ N TIPO DE DATOS

Atendiendo a la naturaleza de los datos, las variables se dividen en:
1. Variables cualitativas o atributos: se refieren a datos que no toman valores numéricos. Estas variables
describen cualidades denominadas modalidades o categorías. Por ejemplo, el nivel educativo, el estado
civil o el género.
2. Variables cuantitativas: vienen constituidas por datos que toman valores numéricos. Estas variables
pueden ser discretas si los valores numéricos se corresponden con nú meros enteros, o continuas si los
valores numéricos toman cualquier valor real dentro de un intervalo. Por ejemplo, el salario es una
variable cuantitativa continua, mientras que el nú mero de hijos es una variable cuantitativa discreta.
 Probabilidad y estadística – 2do parcial Medidas de correlació n

CLASIFICACIÓ N SEGÚ N TIPO DE ESCALA

Atendiendo a la escala de las variables podemos realizar la siguiente clasificació n.
Si las variables con cualitativas, distinguimos entre:
1. Variables de escala nominal: son variables en las que las observaciones se clasifican en modalidades,
mutuamente excluyentes, entre las que no es posible establecer ningú n orden ni jerarquía. Por ejemplo,
el color de los ojos.
2. Variables en escala ordinal: son variables en las que las observaciones se clasifican en modalidades,
mutuamente excluyentes, entre las que es posible establecer algú n orden o jerarquía. Por ejemplo, el
nivel de estudios (primarios, medios y superiores).

Si las variables con cuantitativas, diferenciamos entre:

1. Variables de escala de intervalos: se trata de variables en las que es posible cuantificar numéricamente
la distancia entre dos observaciones cualesquiera. Por ejemplo, datos referentes a ingresos o gastos.
2. Variables en escala de proporció n: se trata de variables en las que ademá s de cuantificar
numéricamente la distancia entre dos observaciones cualesquiera, es posible fijar un punto de origen
que marque un cero absoluto. Por ejemplo, la edad de los individuos.

Dos variables, X e Y, son estadísticamente independientes cuando la variació n de una de ellas no influye sobre la
variació n de la otra. La condició n de independencia estadística entre X e Y se define como:
ni  n j donde:
nij  i, j nij  frecuencia absoluta conjunta de la pareja  xi , yi 
N
ni  frecuencia marginal del valor xi
n j  frecuencia marginal del valor y j

DIAGRAMA DE DISPERSIÓ N O NUBE DE PUNTOS

La representació n grá fica má s utilizada en el caso bidimensional es
el diagrama de dispersió n o nube de puntos, que permite detectar la
existencia de relaciones funcionales entre las variables X e Y.
Mediante el diagrama de dispersió n, cada par de observaciones
x,y 
i j
se encuentra representado por un punto en el espacio
bidimensional. Si la pareja de valores aparece repetida, junto a la
representació n del punto correspondiente se indica el valor de su
nij
frecuencia .

A continuació n se presentan dos medidas que proporcionan informació n sobre la relació n lineal entre las
variables X e Y: la covarianza y el coeficiente de correlació n lineal.

COVARIANZA
La covarianza proporciona una medida sobre el grado de relació n lineal existente entre las variables X e Y.
 Probabilidad y estadística – 2do parcial Medidas de correlació n

k h
Se puede expresar como: 1
S XY 
N
 xi  y j nij  x  y
i 1 j 1

S
La magnitud de XY (si es grande o pequeñ a) no proporciona informació n, pero su signo nos permite realizar la
siguiente interpretació n:

 Si
S XY  0 , no existe relació n lineal entre las variables


S  0 , existe relació n lineal positiva entre las variables, esto es, las variables se mueven en el
Si XY
mismo sentido
 Si XY
S 0
, existe relació n lineal negativa entre las variables, esto es, las variables se mueven en el
mismo sentido
A tener en cuenta…
Si a partir de las variables X e Y se definen las variables X  e Y  del siguiente modo:
X   a1  b1 X donde:
a1 , a2 , b1 , b2  representan los cambios de origen y de escala, respectivamente
Y   a2  b2Y
Entonces S XY  b1  b2  S XY

Si X e Y son estadísticamente independientes, el valor de la covarianza es cero.

COEFICIENTE DE CORRELACIÓ N LINEAL

El coeficiente de correlació n lineal proporciona una medida del grado de relació n lineal existente entre las
variables X e Y. El coeficiente de correlació n lineal de Pearson, o simplemente coeficiente de correlació n lineal,
se define como:
S XY S XY  la covarianza
rXY 
S X  SY S X  la desviación típica de X

donde:
SY  la desviación típica de Y
El coeficiente de correlació n lineal entre las variables X e Y está acotado entre -1 y 1, y su interpretació n es la
siguiente:

 Si
rXY  0 , no existe relació n lineal entre las variables


r  1 , existe relació n lineal perfecta positiva entre las variables
Si XY

r  1 , existe relació n lineal perfecta negativa entre las variables
Si XY
 Si
0  rXY  1 , existe relació n lineal positiva entre las variables

 Si
1  rXY  0 , existe relació n lineal negativa entre las variables

A tener en cuenta…
Es importante considerar los siguientes aspectos relativos al coeficiente de correlació n lineal:
1. Es una medida adimensional (no tiene unidades de medida)
2. Si a partir de las variables X e Y se definen las variables X  e Y  del modo:
X   a1  b1 X donde:
 Probabilidad y estadística – 2do parcial Medidas de correlació n

Y   a2  b2Y a1 , a2 , b1  0, b2  0  representan los cambios de origen y de escala, respectivamente

Entonces rX Y   rXY

3. La forma de la nube de puntos permite detectar la existencia de la relació n lineal entre las variables X
e Y , al mismo tiempo de conocer el signo de la covarianza y el del coeficiente de correlació n lineal:

Los grá ficos a) y b) ponen de manifiesto la existencia de una relació n lineal positiva y negativa entre las
variables X e Y , respectivamente. El signo de la covarianza y el del coeficiente de correlació n lineal
será positivo en el primer caso y negativo en el segundo. Por el contrario, en la nube de puntos de los
grá ficos c) y d) no se observa ningú n tipo de relació n lineal.
4. Si dos variables son independientes, el coeficiente de correlació n lineal es siempre cero.

Es muy comú n inferir de una relació n de correlació n, una relació n de causalidad. Veamos, a través de ejemplos,
lo que significa un coeficiente de correlació n lineal, que no necesariamente implica que una variable es “causa”
de la otra.
 Hay una correlació n lineal alta positiva entre el nú meros de horas de sueñ o y el tiempo que vive una
persona, por lo tanto, las personas que duermen solamente 5 o 6 horas por noche, viven má s tiempo
que las personas que duermen má s. ¿Esto significa que tiene que dormir menos para vivir má s?, ¿no
será que un tercer elemento, el modo de vida de la persona, explica esta correlació n? En efecto, las
personas activas duermen menos y viven má s tiempo. Podría ser que el modo de vida de la persona es
causa del tiempo de sueñ o y del tiempo de vida.
 ¿Han aumentado los ingresos de los habitantes de Zedlandia en las ú ltimas décadas o han disminuido?
La media de ingresos monetarios por hogar ha descendido: en 1970 ascendía a 34,200 zeds, en 1980 era
de 30,500 zeds y en 1990 de 31,200 zeds. No obstante, los ingresos por persona aumentaron: en 1970
ascendieron a 13,500 zeds, en 1980 fueron de 13,850 zeds y en 1990 de 15.777 zeds. Un hogar está
formado por todas las personas que viven juntas en una misma vivienda. Explica có mo es posible que en
Zedlandia desciendan los ingresos por hogar a la vez que aumentan los ingresos por persona.
 El polígrafo es conocido como detector de mentiras. Tiene una correlació n del orden del 88% en la
detecció n de mentiras. En realidad, lo que detecta el polígrafo son alteraciones fisioló gicas generadas
por la activació n emocional del individuo cuando hay una divergencia entre lo que dice y lo que siente.
Hay una gran correlació n entre detectar mentiras y la casualidad de detectar alteraciones en el cuerpo
humano; pero, aunque el porcentaje de aciertos es muy elevado, carece de rigor científico.
 Se encontró una correlació n positiva entre el consumo de helado y los ahogos en el mar. No será que en
verano uno se bañ a en el mar y se consume má s helados que en invierno.
 La mayoría de los accidentes automovilísticos ocurre con vehículos en velocidad moderada y hay muy
pocos accidentes con vehículos que transitan a alta velocidad, ¿esto indicaría un coeficiente de
correlació n lineal entre la velocidad del vehículo y el nú mero de accidentes negativo?, ¿esto significa
que es má s seguro andar a alta velocidad? Aquí se debe considerar la tasa de accidente para cada nivel
de velocidad. Se encontraría lo que uno espera: a mayor velocidad, mayor probabilidad de tener un
accidente. En este caso es bastante razonable hablar de causalidad: la alta velocidad es posiblemente
una causa de accidente. Pero, seguramente hay otras causas.

En resumen, dos fenó menos correlacionados, no implica que uno es la causa del otro. Las causas requieren má s
informació n que un coeficiente de correlació n; se busca con un trabajo científico má s profundo.
 Probabilidad y estadística – 2do parcial Medidas de correlació n

TEORÍA DE REGRESIÓ N
Conceptos bá sicos de regresió n
En algunos casos, dos variables está n relacionadas de una forma determinista, es decir, dado un valor de una
variable, el valor de la otra variable se determina automá ticamente sin error. Por ejemplo, el costo total y de un
artículo con un precio de lista x y un impuesto de venta del 5% se calcula utilizando la ecuació n determinista
Y  1.05 X . Si un artículo tiene un precio de $50, su costo total será de $52.50. Este tipo de funciones se
estudian ampliamente en los cursos de á lgebra. En este texto estamos má s interesados en los modelos
probabilísticos, en los que una variable no está determinada por completo por la otra variable. Por ejemplo, la
estatura de un niñ o no está completamente determinada por la estatura del padre (o de la madre). Sir Francis
Galton (1822-1911) estudió el fenó meno de la herencia y demostró que cuando parejas altas o bajas tienen
hijos, las estaturas de éstos tienden a regresar o a revertirse a la estatura media má s comú n de las personas del
mismo género. Continuaremos utilizando la terminología de «regresió n» de Galton, aun cuando nuestros datos
no incluyen el mismo fenó meno de estatura estudiado por Galton.

Introducció n a los modelos

Generalmente, un estudio estadístico involucra má s de una variable. Por ejemplo, una encuesta de opinió n
sobre la percepció n de un producto contiene varias preguntas, cuyas respuestas se relacionan con la opinió n
que tiene el encuestado sobre el producto, respuestas que será n muy ú tiles para la elaboració n de una campañ a
publicitaria. En una encuesta política, se interrogan los votantes, no solamente sobre su candidato preferido,
sino también sobre su edad, género, profesió n, etc. El aná lisis de tal encuesta permitirá eventualmente
determinar el perfil del electorado del candidato, y, por tanto, orientar su campana electoral. En un estudio
escolar, un psicó logo quiere comparar las aptitudes mentales (CI) y el rendimiento escolar de un grupo de
estudiantes. Para implementar el proceso de recuperació n de cobre en una mina, el químico toma en cuenta el
valor de diferentes variables de las cuales depende, tales como el tiempo de flotació n, la granulometría, el PH y
la velocidad angular del rotor. Todos estos estudios llevan a medir, describir y modelar las relaciones existentes
entre ellas, para sacar conclusiones ú tiles con el objeto de proponer nuevas campañ as publicitarias o políticas,
implementar procesos, etc.
¿Quién no ha deseado alguna vez poder predecir el futuro? Algunas personas tienen tantas ansias de saber
qué pasará mañ ana, qué estudian los mapas astrales, las cartas de tarot o una bola de cristal. Por otro lado, en
los medios de comunicació n nos bombardean de predicciones de resultados electorales, econó micos, del
tiempo, etc. Todos estos estudios serios, orientados a explicar fenó menos o hacer predicciones, no usan una
bola de cristal, sino se basan en general en modelos matemá ticos obtenidos sobre la base de informaciones
pasadas. Estos modelos, salvo cuando se basan en leyes de la física o de la mecá nica, no son exactos, pues en
general, no pueden tomar en cuenta todos los aspectos del problema y simplifican la realidad.

Planteamiento de la regresió n lineal simple

Anteriormente vimos có mo medir el grado de relació n de tipo lineal entre dos variables a partir del
coeficiente de correlació n lineal y que éste es un índice simétrico. Sin embargo, rara vez los roles de las
variables son simétricos. El ph puede influir sobre la recuperació n del mineral, pero la recuperació n del mineral
no influye sobre el ph. Una variable X puede influir sobre la variable Y, pero la recíproca no es necesariamente
cierta. Vimos incluso que má s de una variable puede influir al mismo tiempo sobre la variable Y . Quisiéramos,
entonces, no solamente evaluar la intensidad de la asociació n, sino encontrar también la ecuació n del modelo.
Algunas relaciones son conocidas y deterministas como ciertas leyes de la física o de la mecá nica, pero
dependen de constantes desconocidas que hay que determinar. Estas constantes pueden obtenerse a partir de
experimentos que se utilizará n en el modelo ya planteado. El problema que surge, entonces, en la
 Probabilidad y estadística – 2do parcial Medidas de correlació n

determinació n de las constantes, está en los errores de mediciones. Lo que lleva a tomar muchas má s
mediciones que el nú mero de constantes a estimar.
En otros problemas las relaciones no son conocidas y hay que determinar completamente el modelo. En
ciencias sociales o en economía, por ejemplo, los modelos no son deterministas y contienen una componente
aleatoria, lo que dificulta la bú squeda de las relaciones. En este caso se quiere descubrir como un conjunto de
variables influye sobre otra variable. Segú n el contexto, las variables se llaman de diferentes maneras.
Consideramos solamente el modelo con dos variables, con el cual se quiere determinar los valores de la variable
Y , a partir de los valores de la variable X:
Y  aX  b
Este modelo se llama «modelo de regresió n simple». La idea central de este modelo es que la respuesta
media de la variable Y cambia con los valores de X y esto de manera proporcional al valor de X.
Segú n el contexto de los datos, se designa las variables de diferentes maneras. La variable Y se llama variable
a explicar, variable respuesta, variable endó gena o variable dependiente y X se llama variable explicativa,
variable exó gena o variable independiente. Se dice que el modelo es de regresió n “simple” cuando tiene una
sola variable explicativa.
Los coeficientes a y b del modelo son desconocidos y se obtienen (estiman) a partir de los datos empíricos.
Por una razó n histó rica, este modelo se llama regresión lineal. Los mayores descubrimientos de Sir Francis
Galton fueron sus formulaciones sobre la regresió n. En particular, realizó un estudio que mostró que la estatura
de los hijos nacidos de padres altos tiende a retroceder o ”regresar” hacia la estatura promedio de la població n,
a pesar de mostrar una tendencia lineal para las alturas medianas. Por lo que utilizó , entonces, la palabra
«regresió n lineal» para referirse a un modelo del tipo Y = aX + b, donde Y es una variable a explicar y X una
variable explicativa. La ecuació n de regresió n expresa una relació n entre x (llamada variable explicativa,
variable de predicción o variable independiente) y ŷ (llamada variable de respuesta o variable
dependiente).

Dependencia funcional y dependencia estadística

La variable Y presenta dependencia funcional con la variable X cuando es posible encontrar una funció n
matemá tica que exprese exactamente los valores de Y en funció n de los valores de X , esto es, y  f ( x) .
Sin embargo, en ciencias sociales la mayoría de las relaciones no son exactas, sino aproximadas. En este
sentido, se dice que la variable Y presenta dependencia estadística con la variable X cuando la relació n entre
ambas variables es aproximada de modo de forma que incluye una componente aleatoria que no se puede
predecir. Por ejemplo, el consumo de una familia
Ci depende principalmente de su nivel de renta R por medio

de la ecuació n
Ci  a  b  Ri  error.

Regresió n lineal
La regresió n lineal tiene por objeto determinar la estructura de dependencia lineal que mejor recoja la
relació n entre las variables X e Y. En particular podemos estudiar:
 Recta de regresió n de Y sobre X: Funció n que explica la variable Y a partir de la variable X. y  a  bx

 
Recta de regresió n de X sobre Y: Funció n que explica la variable X a partir de la variable Y. x  a  b y

Recta de regresió n de Y sobre X

Comenzaremos ilustrando grá ficamente el concepto de recta de regresió n de Y sobre X para, a continuació n,
obtener analíticamente su expresió n matemá tica. En este caso, Y desempeñ a el papel de variable dependiente y
X el de variable independiente o explicativa.

Ilustració n grá fica

 Probabilidad y estadística – 2do parcial Medidas de correlació n

Partimos de una nube de puntos formada por los pares de

x,y 
observaciones i i . En este caso, sobre el eje de abscisas
representamos los valores de X y sobre el eje de ordenadas
los valores de Y. A continuació n, ajustamos la línea recta que
mejor se adapte a dichos puntos, que, en este caso, viene
dada por el siguiente modelo:
Yˆ  a  bX
donde Y representa la variable ajustada y los pará metros a
y b son, respectivamente, la ordenada en el origen y la
pendiente de la recta. La pendiente se interpreta como el
cambio que se produce en la variable Y ante un cambio
unitario en la variable X .
Podemos observar a que cada valor
xi de la variable X le

corresponde un valor observado

yi y un valor ajustado por

el modelo
yˆi de la variable Y . La diferencia entre ambos es
e
el error cometido al realizar el ajuste i , también llamado
residuo.
S XY
b
Tenemos las expresiones de a y de b: a  y  bx
S x2
De la sustitució n de estos valores en la recta, y  ax  b , obtenemos la recta de regresió n de Y sobre X:
S XY
y y  (x  x )
S x2
S XY
b
donde el término
S x2 se denomina coeficiente de regresió n de la recta de Y sobre X.
La diferencia entre la variable explicada y la variable ajustada por el modelo es el error o residuo:
e  Y  Yˆ  Y  a  bX
e  yi  yˆi  yi  a  bxi  i  1, 2,..., N  .
cuyos valores son
La varianza del error e se denomina varianza residual, la cual se expresa como:
N N

 ei2   y  yˆ 
2
i i
Se2  i 1
 i 1

N N
Propiedades del ajuste
1. La media de los residuos es cero: e  0
2. La media de los valores ajustados coincide con la media de los valores observados: ŷ  y
3. La covarianza entre la variable dependiente y el error es cero:
SYe  0
S 0
4. La covarianza entre la variable ajustada y el error es cero: Yeˆ
5. La varianza de la variable dependiente se puede descomponer en la suma de la varianza del error má s la
SY2  Se2  SY2ˆ
varianza de la variable ajustada, de manera que

Recta de regresió n de X sobre Y

 Probabilidad y estadística – 2do parcial Medidas de correlació n

La recta de regresió n de X sobre Y es aquella en la que X desempeñ a el papel de variable dependiente o a

explicar e Y el de variable independiente o explicativa.
El ajuste realizado por el método de los mínimos cuadrados ordinarios proporciona los valores de a y b:
S XY
b 
a  x  by SY2
S XY S
xx  (y  y) b  XY2
 
Sustituyendo estos valores en la recta x  a  b y se obtiene:
SY 2
donde
SY es el
coeficiente de la recta X sobre Y.

Relaciones entre las dos rectas de regresió n

 
Para las rectas y  a  bx y x  a  b y se verifican las siguientes propiedades:

1. Las dos rectas se cortan en el punto

 x, y 
2. Las pendientes de las dos rectas b y b tienen el mismo signo, el cual coincide ademá s con el signo del
coeficiente de correlació n lineal XY
r
3. Los coeficientes de regresió n pueden expresarse en términos del coeficiente de correlació n lineal:
SY SX
b  rXY y b  rXY
SX SY
4. El producto de las pendientes de las dos rectas de regresió n es igual al coeficiente de correlació n lineal
2
S XY S XY S XY
b  b  2  2  2 2  rXY
2

al cuadrado:
SY S X S X  SY

5. En los casos en que tenemos correlació n perfecta, es decir,

rXY  1 , o bien rXY  1 , las dos rectas de
regresió n coinciden.
6. Si
rXY  0 , las dos rectas son perpendiculares entre sí, y paralelas a los ejes de coordenadas, esto es,
y y y xx.

Coeficiente de determinació n lineal

Las medidas de bondad del ajuste permiten evaluar la calidad del ajuste de la recta de regresió n a la nube de
puntos. Para medir el grado de bondad de ajuste se emplea el coeficiente de determinació n lineal, el cual indica
la proporció n de la variabilidad de Y (variable dependiente) que explica el modelo de regresió n.
El coeficiente de determinació n lineal entre las variable X e Y se define como:
2
S XY
2
rXY 
S X2  SY2
2
donde
S XY S2 S2
es la covarianza entre las variables X e Y al cuadrado y X y Y son las varianzas de las variables X e
R2
Y, respectivamente. Dicho coeficiente es igual al coeficiente de correlació n lineal al cuadrado XY , por lo que
está acotado entre 0 y 1.
Por otro lado, puede expresarse en términos de la varianza residual:
2
S XY Se2
R 2
XY  2 2  1 2
S X  SY SY
La interpretació n del coeficiente de determinació n lineal es la siguiente:
 Si
2
RXY  1 , la recta de regresió n lineal se ajusta exactamente a la nube de puntos.
 Probabilidad y estadística – 2do parcial Medidas de correlació n


R2
Si XY está cercano a uno, la recta de regresió n lineal se ajusta de manera satisfactoria a la nube de
puntos, de forma que cuanto mayor es el coeficiente, mejor es el ajuste.
2
 Si
RXY está cercano a cero, la recta de regresió n no se ajusta de manera adecuada a la nube de puntos.

Ajustes no lineales
En ocasiones, el modelo de regresió n lineal no es vá lido para describir el comportamiento de la nube de
puntos y tendremos que recurrir a modelos no lineales. Para ajustar estos modelos es necesario aplicar una
transformació n que los convierta en lineales en los pará metros. A continuació n se muestran algunos ejemplos
de estos modelos no lineales con las correspondientes transformaciones que los convierten en lineales:
Modelo no lineal Transformación
Modelo lineal
y  b0  bi x
y  aebx y  log y; x  x b0  log a; b1  b
y  ax b
y  log y; x  log x b0  log a; b1  b
1 1
y y ; x  x b0  a; b1  b
a  bx y