Unidad 3 – Regresión y determinación

Paso 4 – Descripción de la determinación

PRESENTADO POR:

Grisly Vanessa Ortíz Burbano

GRUPO COLABORATIVO

290

PRESENTADO A:

Adrián Reinaldo Valencia

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA – UNAD

ESCUELA DE CIENCIAS SOCIALES, ARTES Y HUMANIDADES – ECSAH

PROGRAMA DE PSICOLOGÍA

Mayo, 2020
 INTRODUCCIÓN

Se presentará un análisis de la información obtenida “Indicadores de accidentalidad de 220

municipios de Colombia” mediante estadísticos utilizando las medidas de regresión y correlación

lineal simple y múltiple. Con esta información se pretende interpretar los resultados y asociarlos

con la problemática: “¿Cuáles son los factores que influyen en la accidentalidad de vehículos y

en el grado de muertes asociadas a los accidentes de tránsito en Colombia?”

 OBJETIVOS

OBJETIVO GENERAL

 Identificar los actores viales que se ven involucrados en accidentes automovilísticos en

las vías del territorio nacional.

OBJETIVOS ESPECÍFICOS

 Analizar la información mediante las medidas de regresión y correlación lineal.

 Relacionar la información obtenida con la pregunta problema.

 Buscar posibles soluciones a las causas de los accidentes viales.

ACTIVIDAD 1: MAPA MENTAL
 ACTIVIDAD 2: DEFINICIÓN DE CONCEPTOS

Descripción de la actividad:

Definir brevemente los conceptos básicos asociados a Regresión y Correlación como:

El diagrama de dispersión permite estudiar las relaciones entre dos conjuntos asociados de datos que
aparecen en pares (por ejemplo, (x, y), uno de cada conjunto). El diagrama muestra estos pares como una
nube de puntos.
Las relaciones entre los conjuntos asociados de datos se infieren a partir de la forma de las nubes. 
1. Una relación positiva entre “x” y “y” significa que los valores crecientes de x están asociados con
los valores crecientes de “y”.
DIAGRAMA DE 2. Una relación negativa significa que los valores crecientes de “x” están asociados con los valores
DISPERSIÓN decrecientes de “y”. 
Entre sus usos está descubrir y mostrar las relaciones entre dos conjuntos asociados de datos y confirmar
relaciones anticipadas entre dos conjuntos asociados de datos.
El diagrama de dispersión puede estudiar la relación entre:
 Dos factores o causas relacionadas con la calidad.
 Dos problemas de calidad.
 Un problema de calidad y su posible causa.
CORRELACIÓN La correlación, también conocida como coeficiente de correlación lineal (de Pearson), es una medida de
LINEAL SIMPLE regresión que pretende cuantificar el grado de variación conjunta entre dos variables.
Por tanto, es una medida estadística que cuantifica la dependencia lineal entre dos variables, es decir, si se
representan en un diagrama de dispersión los valores que toman dos variables, el coeficiente de
correlación lineal señalará lo bien o lo mal que el conjunto de puntos representados se aproxima a una
recta.
La podemos definir como el número que mide el grado de intensidad y el sentido de la relación entre dos
variables.
 El coeficiente de determinación, se define como la proporción de la varianza total de la variable explicada
por la regresión. El coeficiente de determinación, también llamado R cuadrado, refleja la bondad del
ajuste de un modelo a la variable que pretender explicar. Es importante saber que el resultado del
coeficiente de determinación oscila entre 0 y 1. Cuanto más cerca de 1 se sitúe su valor, mayor será el
COEFICIENTE DE ajuste del modelo a la variable que estamos intentando explicar. De forma inversa, cuanto más cerca de
DETERMINACIÓN cero, menos ajustado estará el modelo y, por tanto, menos fiable será.
R2

La correlación estadística es medida por lo que se denomina coeficiente de correlación (r). Su valor
numérico varía de 1,0 a -1,0. Nos indica la fuerza de la relación. En general, r> 0 indica una relación
positiva y r <0 indica una relación negativa, mientras que r = 0 indica que no hay relación (o que las
variables son independientes y no están relacionadas). Aquí, r = 1,0 describe una correlación positiva
perfecta y r = -1,0 describe una correlación negativa perfecta.
Cuanto más cerca estén los coeficientes de +1,0 y -1,0, mayor será la fuerza de la relación entre las
CORRELACIÓN variables. Como norma general, las siguientes directrices sobre la fuerza de la relación son útiles (aunque
POSITIVA Y muchos expertos podrían disentir con la elección de los límites).
CORRELACIÓN Valor de r Fuerza de relación
NEGATIVA -1,0 A -0,5 o 1,0 a Fuerte
0,5
-0,5 A -0,3 o 0,3 a Moderada
0,5
-0,3 A -0,1 o 0,1 a Débil
0,3
-0,1 A 0,1 Ninguna o muy débil
 La correlación es solamente apropiada para examinar la relación entre datos cuantificables significativos
(por ejemplo, la presión atmosférica o la temperatura) en vez de datos categóricos, tales como el sexo, el
color favorito, etc.
Representación gráfica de la correlación negativa y positiva

¿QUÉ ES EL El Coeficiente de correlación es una medida que permite conocer el grado de asociación lineal entre dos
COEFICIENTE DE variables cuantitativas (X, Y). Sean X y Y dos variables aleatorias, el Coeficiente de Correlación se define
CORRELACIÓN como una medida estandarizada de la asociación lineal que existe entre las variables X y Y en relación con
LINEAL Y QUÉ sus dispersiones.  
NOS AYUDA A
MEDIR?
 ACTIVIDAD 3: LABORATORIO DE REGRESIÓN Y CORRELACIÓN LINEAL

a. Identificar dos variables cuantitativas de la situación estudiada que puedan estar

relacionadas.

RTA:

Y= Lesionados ene-feb 2019

X= Usuario de moto

b. Realizar el diagrama de dispersión de dichas variables y determinar el tipo de relación

entre las variables.

RTA:

En el anterior diagrama se puede apreciar que, los usuarios de motos fueron los principales

lesionados entre enero y febrero del año 2019.

c. Encuentre el modelo matemático que permite predecir el efecto de una variable sobre la

otra. ¿Es confiable?

El modelo matemático es: y=mx+b; si lo reemplazamos, sería:

y=mx+b

y=0,95 x +(−2,00)

Entonces, si queremos averiguar los peatones lesionados en el año 2019, solamente

reemplazamos la “x”; ejemplo:

y=0,95 x +(−2,00)

y=0,95 ( 21 ) +(−2,00)

y=19,95+(−2,00)

y=17,9 5

Esto se interpretaría así: De 21 peatones, el 17,95 resultó lesionado entre enero y febrero de

2019.

Para determinar la confiabilidad de este modelo matemático, debemos tener en cuenta:

R 2=0,58∗100 %=58 %;
d. Determine el grado de correlación de las dos variables.

La correlación para la primera variable es de 1,00, se dice que es excelente, explica el 100% de
confiabilidad y la correlación de la variable “Usuario de moto” es el 0,76, la cual explica el 76%
de confiabilidad; esto comprueba estadísticamente que la relación entre las variables es
excelente.

e. Relacionar la información obtenida con el problema.

Los resultados anteriores indican que las variables tienen una relación excelente, esto se puede
interpretar que la mayoría de los lesionados entre enero y febrero de 2019 fueron motociclistas.

f. Establezca al menos 3 nuevos valores independientes para ser hallados a través del

modelo matemático calculado.

1. Usuario de moto

2. Usuario de bicicleta

3. Usuario T. carga
 ACTIVIDAD 4: REGRESIÓN Y CORRELACIÓN MÚLTIPLE

a. Identificar una variable cuantitativa dependiente y varias variables cuantitativas

independientes del estudio de investigación.

Variable cuantitativa dependiente:

- Fallecidos ene-feb 2019 (y).
Variables cuantitativas independientes:
- Otras motos (X1).
- Usuario de bicicleta (X2)

b. Realizar el diagrama de dispersión de dichas variables

 c. Calcular la recta de regresión y el coeficiente de correlación para probar
estadísticamente su relación

RTA:

RECTA DE REGRESIÓN
Modelo matemático: Se obtiene aplicando el método de los mínimos cuadrados; se expresa de
la forma y=a+b1 x 1+ b2+ x2
Se trata de identificar los parámetros b1, b2 y a; para ello se procede de la siguiente manera:

  Coeficientes
Intercepción 8,30807146
Variable X 1 -0,89533133
Variable X 2 6,883956501

y=a+b1 x 1+ b2+ x2
y=8,3080+ (−0,8953 ) x1 +6,8839 x 2

COEFICIENTE DE CORRELACIÓN

Estadísticas de la regresión
Coeficiente de correlación múltiple 0,692113401
Coeficiente de determinación R^2 0,479020959
R^2 ajustado 0,473731832
Error típico 21,70314766
Observaciones 200

R 2=0,4790∗100 %=47,9 %; el modelo matemático obtenido explica el 47,9% de confiabilidad.

La correlación entre las variables es buena, dado que su valor de coeficiente es de 0,6922; lo que
equivale a 69,21%. Lo anterior comprueba estadísticamente la relación de las 3 variables
estudiadas.
d. Relacionar la información obtenida con el problema
Los resultados anteriores indican que las variables: Usuario de bicicleta, otras motos y fallecidos
ene-feb; se encuentran relacionadas a través de un modelo matemático de regresión múltiple:
y=a+b1 x 1+ b2+ x2 , que, explica el 47,9% de confiabilidad esto debido a que dichas variables se
encuentran bajo una correlación buena del 0,6921, lo cual equivale al 69,21%.
CONCLUSIONES
En Colombia, las principales causas que originan los accidentes viales son el exceso de

velocidad, según el Fondo de Prevención vial, el 40% de los accidentes que ocurren en Colombia

se presentan por violar los límites de velocidad; y, los principales actores viales que resultan

afectados son los motociclistas.

Como confirmamos en los anteriores ejercicios, los motociclistas y usuarios de bicicletas son los

actores viales que más se ven involucrados en accidentes, por lo cual, los accidentes viales se han

convertido en la segunda causa de muerte violenta en el país. Una posible solución muy básica es

tener prudencia y respetar las normas de tránsito.

REFERENCIAS BIBLIOGRÁFICAS
 Montero, J.M. (2007). Regresión y Correlación Simple. Madrid: Paraninfo. (pp 151 – 158).

Recuperado de http://go.galegroup.com/ps/i.do?id=GALE

%7CCX4052100011&v=2.1&u=unad&it=r&p=GVRL&sw=w&asid=b82c81e98fcc1361e192

9abe203c8219 

 Churchill, G.A. (2009). Análisis de Correlación y de Regresión Simple. México City:

Cengage Learning. (pp 675 – 686). Recuperado de http://go.galegroup.com/ps/i.do?id=GALE

%7CCX4058900232&v=2.1&u=unad&it=r&p=GVRL&sw=w&asid=e558184ed89e57d11ed

e116134cfce41

 Churchill, G.A. (2009). "Análisis de Regresión Múltiple." Investigación de mercados. México

City: Cengage Learning.(pp 686 – 695).Recuperado de http://go.galegroup.com/ps/i.do?

id=GALE

%7CCX4058900234&v=2.1&u=unad&it=r&p=GVRL&sw=w&asid=49575112db86a0eb46d

ae86bbaf74cb9   

 Ortegon Pava, M. (03,10,2018). Regresión y Correlación lineal. [Archivo de video].

Recuperado de http://hdl.handle.net/10596/20621