Análisis de correlación lineal simple Rubén Medinaceli O.

ANÁLISIS DE CORRELACIÓN LINEAL SIMPLE

1. Definición

El análisis de correlación es una técnica estadística que busca expresar el grado o nivel
de dependencia (relación) existente entre una variable, denominada variable
dependiente, y otra(s) variable(s), denominada(s) variable(s) independiente(s), a través
de un único número. El análisis de correlación es lineal cuando se limita solamente a
dependencias (o relaciones) de naturaleza lineal entre la variable dependiente y la(s)
variable(s) independiente(s); y es simple, cuando se tiene una sola variable
independiente.

2. Medidas de correlación lineal

Entre las medidas de correlación lineal se puede mencionar a las siguientes:

• La covarianza
• El coeficiente de correlación lineal

2.1. Definición

Si X y Y son variables aleatorias, la covarianza de X y Y, denotada por COV(X, Y), se

define como:

𝐶𝑂𝑉(𝑋, 𝑌) = 𝐸[(𝑋 − 𝜇𝑋 )(𝑌 − 𝜇𝑌 )]

Donde,

µX = Media, esperanza o valor esperado de la variable aleatoria X

µY = Media, esperanza o valor esperado de la variable aleatoria Y

Siendo la COV(X,Y) una media, esperanza o valor esperado de una función de las
variables aleatorias X y Y, se tiene que:

𝐶𝑂𝑉(𝑋, 𝑌) = ∑ ∑(𝑥𝑖 − 𝜇𝑥 )(𝑦𝑖 − 𝜇𝑦 )𝑓𝑋,𝑌 (𝑥𝑖 , 𝑦𝑖 ) ; 𝑐𝑢𝑎𝑛𝑑𝑜 𝑋 𝑦 𝑌 𝑠𝑜𝑛 𝑑𝑖𝑠𝑐𝑟𝑒𝑡𝑎𝑠

𝑥𝑖 𝑦𝑖

∞ ∞

𝐶𝑂𝑉(𝑋, 𝑌) = ∫ ∫ (𝑥 − 𝜇𝑋 )(𝑦 − 𝜇𝑌 ) 𝑓𝑋,𝑌 (𝑥, 𝑦)𝑑𝑥𝑑𝑦 ; 𝑐𝑢𝑎𝑛𝑑𝑜 𝑋 𝑦 𝑌 𝑠𝑜𝑛 𝑐𝑜𝑛𝑡𝑖𝑛𝑢𝑎𝑠

−∞ −∞

De esta manera la COV(X,Y) tiende a medir el grado o el nivel de dependencia o relación

lineal existente entre X y Y; sin embargo, su magnitud no tiene mucho sentido ya que
depende de la variabilidad de X y de Y. La covarianza puede ser positiva o negativa.

1
Análisis de correlación lineal simple Rubén Medinaceli O.

2.2. Teorema

𝐶𝑂𝑉(𝑋, 𝑌) = 𝐸[𝑋𝑌] − 𝜇𝑋 𝜇𝑌

Es una expresión útil para calcular la COV(X,Y)

2.3. Teorema

Sean X y Y variables aleatorias conjuntamente discretas o conjuntamente continuas pero

independientes; vale decir, variables aleatorias sin ninguna dependencia o relación.

Luego,

𝐶𝑂𝑉(𝑋, 𝑌) = 0

A manera de demostración, se tiene que si X y Y son independientes, 𝑓𝑋,𝑌 (𝑥, 𝑦) =

𝑓𝑋 (𝑥)𝑓𝑌 (𝑦); y, E[XY] = E[X]E[Y]

Por tanto, de acuerdo al teorema anterior,

𝐶𝑂𝑉(𝑋, 𝑌) = 𝐸[𝑋𝑌] − 𝜇𝑋 𝜇𝑌 = 𝐸[𝑋]𝐸[𝑌] − 𝜇𝑋 𝜇𝑌 = 𝜇𝑋 𝜇𝑌 − 𝜇𝑋 𝜇𝑌 = 0

2.4. Teorema

𝐶𝑂𝑉(𝑋, 𝑋) = 𝐸[(𝑋 − 𝜇𝑋 )(𝑋 − 𝜇𝑋 )] = 𝐸[(𝑋 − 𝜇𝑋 )2 ] = 𝑉𝑎𝑟[𝑋] = 𝜎𝑋2

En palabras, la covarianza de una variable aleatoria X consigo misma, es igual a su

varianza.

2.5. Definición

Si X y Y son variables aleatorias, el coeficiente de correlación lineal simple de Y y X,

denotado por ρY,X, se define como:

𝐶𝑂𝑉(𝑋, 𝑌)
𝜌𝑋,𝑌 =
𝜎𝑋 𝜎𝑌

Donde,

σX = Desviación estándar de la variable aleatoria X

σY = Desviación estándar de la variable aleatoria Y

El coeficiente de correlación lineal simple de Y y X (ρX,Y) remueve, en algún sentido, la

variabilidad individual de cada una de las variables aleatorias X y Y al dividir la COV(X,Y)
por el producto de sus desviaciones estándar σ X y σY respectivamente. Así, resulta que el
coeficiente de correlación lineal simple es una mejor medida del nivel o grado de
dependencia (o relación) lineal de X y Y, que su covarianza.

2
Análisis de correlación lineal simple Rubén Medinaceli O.

2.6. Teorema

Sean X y Y variables aleatorias conjuntamente discretas o conjuntamente continuas pero

independientes; vale decir, variables aleatorias sin ninguna dependencia o relación.

Luego,

𝜌𝑋,𝑌 = 0

A manera de demostración se tiene que,

𝐶𝑂𝑉(𝑋, 𝑌) 0
𝜌𝑋,𝑌 = = =0
𝜎𝑋 𝜎𝑌 𝜎𝑋 𝜎𝑌

2.7. Teorema

El coeficiente de correlación lineal simple de Y y X (ρ X,Y) es adimensional y satisface la

siguiente expresión:

−1 ≤ 𝜌𝑋,𝑌 ≤ 1

En palabras, el coeficiente de correlación lineal toma valores solamente en el intervalo

(-1, 1). El coeficiente de correlación lineal simple de Y y X es igual a |1| para la una
correlación lineal perfecta, e igual a cero (0) cuando no existe correlación lineal.

La variable aleatoria mejor correlacionada linealmente (correlación lineal perfecta) con X

es la misma variable aleatoria X; esto es,

X ●

● Correlación lineal perfecta

●
●
X

Efectivamente, el coeficiente de correlación lineal simple para una correlación lineal

perfecta es igual a:

𝐶𝑂𝑉(𝑋, 𝑋) 𝜎𝑋2
𝜌𝑋,𝑋 = = 2=1
𝜎𝑋 𝜎𝑋 𝜎𝑋

3
Análisis de correlación lineal simple Rubén Medinaceli O.

A partir de esta constatación, es posible estimar visualmente el coeficiente de correlación

lineal simple,

Y Y
● ●
● ●
● ●
● ●
● ●
● ●
● ●
● ●
● ●

X X
𝜌𝑌,𝑋 ≅ 0,8 𝜌𝑌,𝑋 ≅ −0,90
(Alta correlación lineal directa) (Altísima correlación lineal aunque inversa)

Y Y

●
● ● ●
● ● ● ● ● ●
● ● ● ● ●
● ● ●
● ● ●
● ●

X X
𝜌𝑌,𝑋 ≅ 0 𝜌𝑌,𝑋 ≅ 0
(No existe correlación lineal) (existe correlación aunque no lineal)

3. Supuestos

En el marco de la inferencia estadística, el análisis de correlación lineal simple asume

que,

• La variable dependiente Y es una variable aleatoria

• La variable independiente X es una variable aleatoria
• La variable aleatoria bi-dimensional (X,Y) sigue una distribución normal bi-variada.

La función de densidad de probabilidad conjunta de una variable aleatoria bi-dimensional

que sigue una distribución normal bi-variada es:

4
Análisis de correlación lineal simple Rubén Medinaceli O.

1 𝑥−𝜇𝑋 2 𝑥−𝜇𝑋 𝑦−𝜇𝑌 𝑌−𝜇𝑌 2

1 {−
2(1−𝜌 2 )
[(
𝜎𝑋
) −2𝜌(
𝜎𝑋
)(
𝜎𝑌
)+(
𝜎𝑌
) ]}
𝑓𝑋,𝑌 (𝑥, 𝑦) = 𝑒 ; −∞ ≤ 𝑥 ≤ ∞; −∞ ≤ 𝑦 ≤ ∞
2𝜋𝜎𝑋 𝜎𝑌 √1 − 𝜌2

fX,Y(x,y)

Donde,

µX = Media de X
µY = Media de Y
σX2 = Varianza de X
σY2 = Varianza de Y
ρ = Coeficiente de correlación lineal de X y Y (ρX,Y) (Parámetro)

4. Estimación de ρX,Y

Recuerde que,

Si X1, X2, X3, … , Xn es una muestra aleatoria de una población que sigue una distribución
normal con media µX y varianza σX2,

Un buen estimador de 𝜇𝑋 es,

𝑛
1
𝑋̅ = ∑ 𝑋𝑖
𝑛
𝑖=1

Y, un buen estimador de 𝜎𝑋2 es,

𝑛
1
𝑆𝑋2 = ∑(𝑋𝑖 − 𝑋̅)2
𝑛−1
𝑖=1

De igual manera si,

Si Y1, Y2, Y3, … , Yn es una muestra aleatoria de una población que sigue una distribución
normal con media µY y varianza σY2,

5
Análisis de correlación lineal simple Rubén Medinaceli O.

Un buen estimador de 𝜇𝑌 es,

𝑛
1
𝑌̅ = ∑ 𝑌𝑖
𝑛
𝑖=1

Y, un buen estimador de 𝜎𝑌2 es,

𝑛
1
𝑆𝑌2 = ∑(𝑌𝑖 − 𝑌̅)2
𝑛−1
𝑖=1

En la misma línea, un buen estimador de la COV(X, Y) es,

𝑛
1
𝐶𝑋,𝑌 = ∑(𝑋𝑖 − 𝑋̅)(𝑌𝑖 − 𝑌̅ )
𝑛−1
𝑖=1

𝐶𝑂𝑉(𝑋,𝑌)
Consecuentemente, un buen estimador de 𝜌𝑋,𝑌 = es,
𝜎𝑋 𝜎𝑌

1
𝐶𝑋,𝑌 ∑𝑛 (𝑋 − 𝑋̅ )(𝑌𝑖 − 𝑌̅) ∑𝑛𝑖=1(𝑋𝑖 − 𝑋̅)(𝑌𝑖 − 𝑌̅ )
𝑅𝑋,𝑌 = = 𝑛 − 1 𝑖=1 𝑖 =
𝑆𝑋 𝑆𝑌
√ 1 ∑𝑛𝑖=1(𝑋𝑖 − 𝑋̅)2 √ 1 ∑𝑛𝑖=1(𝑌𝑖 − 𝑌̅)2 √∑𝑛𝑖=1(𝑋𝑖 − 𝑋̅ )2 ∑𝑛𝑖=1(𝑌𝑖 − 𝑌̅ )2
𝑛−1 𝑛−1

Utilizando la notación acordada en el tema anterior se tiene que,

𝑆𝑥𝑦
𝑅𝑋,𝑌 =
√𝑆𝑥𝑥 𝑆𝑦𝑦

4.1. Teorema

Sea RX,Y un estimador del coeficiente de correlación lineal simple ρX,Y

Sea B1 el estimador del parámetro β1 del modelo de regresión lineal simple µY/X=β0+β1X
Luego,

𝑆𝑥𝑥
𝑅𝑋,𝑌 = 𝐵1 √
𝑆𝑦𝑦
A manera de demostración, recuerde que:
𝑆𝑥𝑦
𝐵1 = ; de donde, 𝑆𝑥𝑦 = 𝐵1 𝑆𝑥𝑥
𝑆𝑥𝑥

Por otro lado, siendo,

6
Análisis de correlación lineal simple Rubén Medinaceli O.

𝑆𝑥𝑦
𝑅𝑋,𝑌 =
√𝑆𝑥𝑥 𝑆𝑦𝑦

Se tiene que,

𝐵1 𝑆𝑥𝑥
𝑅𝑋,𝑌 =
√𝑆𝑥𝑥 𝑆𝑦𝑦

2
𝐵12 𝑆𝑥𝑥
2 𝐵12 𝑆𝑥𝑥
𝑅𝑋,𝑌 = =
𝑆𝑥𝑥 𝑆𝑦𝑦 𝑆𝑦𝑦

Finalmente,

𝑆𝑥𝑥
𝑅𝑋,𝑌 = 𝐵1 √
𝑆𝑦𝑦

Resumiendo los resultados obtenidos se tiene que,

Parámetro: 𝜌𝑋,𝑌

𝑆𝑥𝑦 𝑆𝑥𝑥
Estimador: 𝑅𝑋,𝑌 = = 𝐵1 √
√𝑆𝑥𝑥 𝑆𝑦𝑦 𝑆𝑦𝑦

𝑆𝑥𝑥 𝑆𝑥𝑥
Valor estimado: 𝑟𝑋,𝑌 = = 𝑏1 √
√𝑆𝑥𝑥 𝑆𝑌𝑌 𝑆𝑦𝑦

5. Definición

El cuadrado del coeficiente de correlación lineal simple, ρ2X,Y , recibe el nombre de

coeficiente de determinación lineal de X y Y.

5.1. Teorema

Sea ρ2X,Y el coeficiente de determinación lineal de X y Y.

Sea R2X,Y su estimador.

Luego,

2
𝑆𝑆𝑅
𝑅𝑋,𝑌 =
𝑆𝑆𝑇

Tal como se vió en el tema anterior,

SSR = Suma de cuadrados explicada por la ecuación de regresión

SST = Suma de cuadrados total

7
Análisis de correlación lineal simple Rubén Medinaceli O.

La demostración es muy directa. Recuerde que,

𝑆𝑥𝑦
𝑅𝑋,𝑌 =
√𝑆𝑥𝑥 𝑆𝑦𝑦

Por tanto,

2
𝑆𝑥𝑦 𝑆𝑥𝑦 𝐵1 𝑆𝑥𝑦 𝑆𝑆𝑅
𝑅𝑋,𝑌 = = =
𝑆𝑥𝑥 𝑆𝑦𝑦 𝑆𝑦𝑦 𝑆𝑆𝑇

Nótese que el coeficiente de determinación lineal de X y Y expresa cuanto de la variación

total de la variable dependiente Y (SST) es explicada por la relación lineal existente entre
Y y X (SSR).

Así, si rX,Y = 0,6, significa que el grado o nivel de dependencia o de relación lineal
existente entre Y y X es igual a 0,6; y, r2X,Y = 0,36 significa que el 36% de la variación total
de los valores de Y está explicada por su relación lineal con X.

En suma,

2
Parámetro: 𝜌𝑋,𝑌
2
𝑆𝑥𝑦
2 𝑆𝑥𝑥 𝑆𝑆𝑅
Estimador: 𝑅𝑋,𝑌 = = 𝐵12 =
𝑆𝑥𝑥 𝑆𝑦𝑦 𝑆𝑦𝑦 𝑆𝑆𝑇

2
Valor estimado: 𝑟𝑋,𝑌

6. Inferencia estadística relacionada con ρX,Y

6.1. Prueba de hipótesis

1. H0: No existe correlación lineal entre Y y X

H1: Existe correlación lineal entre Y y X

H0: ρX,Y = 0
H1: ρX,Y ≠ 0

2. Definir un valor para α (probabilidad de cometer el error tipo I

3.
Estadístico de prueba

𝐵1 𝑅𝑋,𝑌 √𝑛 − 2
𝑇= = ~𝑡𝑛−2
𝑆 2
√1 − 𝑅𝑋,𝑌
√𝑆𝑥𝑥

8
Análisis de correlación lineal simple Rubén Medinaceli O.

Criterio de rechazo de H0

α/2 α/2 Rechazar H0 si, |Tcalculado| > t0

-t0 0 t0 𝑻~ 𝒕𝒏−𝟐

4.
𝑏1 𝑟𝑋,𝑌 √𝑛 − 2
𝑇𝑐𝑎𝑙𝑐𝑢𝑙𝑎𝑑𝑜 = =
𝑆 2
√1 − 𝑟𝑋,𝑌
√𝑆𝑥𝑥

5. Tomar la decisión que corresponda

6.2. Prueba de hipótesis

1. H0: No existe correlación lineal entre Y y X

H1: Existe correlación lineal entre Y y X

H0: ρX,Y = ρ0
H1: ρX,Y ≠ ρ0

(ρ0 es un valor específico para ρX,Y; por ejemplo, ρX,Y = 0,5)

2. Definir un valor para α (probabilidad de cometer el error tipo I)

3.
Estadístico de prueba

6.2.1. Teorema

Sea (X,Y) una variable aleatoria bi-dimensional continua que sigue una distribución
normal bivariada.

Luego,

1 1 + 𝑅𝑋,𝑌 1 1 + 𝜌𝑋,𝑌 1
𝑃 = 𝐿𝑛 ( ) ~𝑁 [ 𝐿𝑛 ( ); ]
2 1 − 𝑅𝑋,𝑌 2 1 − 𝜌𝑋,𝑌 𝑛 − 3

9
Análisis de correlación lineal simple Rubén Medinaceli O.

1 1+𝑅𝑋,𝑌
En palabras, la variable aleatoria 𝑃 = 𝐿𝑛 ( ) sigue una distribución normal con
2 1−𝑅𝑋,𝑌
1 1+𝜌𝑋,𝑌 1
media 𝐿𝑛 ( ) y varianza .
2 1−𝜌𝑋,𝑌 𝑛−3

Estandarizando la variable aleatoria P, se tiene,

1 1 + 𝑅𝑋,𝑌 1 1 + 𝜌𝑋,𝑌
𝐿𝑛 ( ) − 𝐿𝑛 ( )
2 1 − 𝑅𝑋,𝑌 2 1 − 𝜌𝑋,𝑌
𝑍= ~ 𝑁(0,1)
1
√𝑛 − 3

Con unas operaciones simples, se llega a la siguiente forma del estadístico de prueba,

√𝑛 − 3 (1 + 𝑅𝑋,𝑌 )(1 − 𝜌𝑋,𝑌 )

𝑍= 𝐿𝑛 [ ] ~ 𝑁(0,1)
2 (1 − 𝑅𝑋,𝑌 )(1 − 𝜌𝑋,𝑌 )

Criterio de rechazo de H0

fZ(z)

α/2 α/2 Rechazar H0, si |Zcalculado| > z0

-z0 0 z0 𝒁~𝑵(𝟎, 𝟏)

4.

√𝑛 − 3 (1 + 𝑟𝑋,𝑌 )(1 − 𝜌0 )
𝑍𝑐𝑎𝑙𝑐𝑢𝑙𝑎𝑑𝑜 = 𝐿𝑛 [ ]
2 (1 − 𝑟𝑋,𝑌 )(1 + 𝜌0 )

5. Tomar la decisión que corresponda

6.3. Intervalo de confiabilidad para ρX,Y

El estadístico a utilizarse para este propósito es el obtenido en el anterior punto.

fZ(z)

10
Análisis de correlación lineal simple Rubén Medinaceli O.

1-α
α/2 Nivel de α/2
Confiabilidad

-z0 0 z0 𝒁~𝑵(𝟎, 𝟏)

En el gráfico se puede ver que,

𝑃(−𝑧0 ≤ 𝑍 ≤ 𝑧0 ) = 1 − 𝛼

Reemplazando el estadístico, se tiene,

√𝑛 − 3 1 + 𝑅𝑋,𝑌 1 + 𝜌𝑋,𝑌
𝑃 [−𝑧0 ≤ {𝐿𝑛 ( ) − 𝐿𝑛 ( )} ≤ 𝑧0 ] = 1 − 𝛼
2 1 − 𝑅𝑋,𝑌 1 − 𝜌𝑋,𝑌

Siguiendo algunos pasos sencillos, se llega a,

Con algunos pasos sencillos, se llega a,

1 1 + 𝑟𝑋,𝑌 𝑧0 1 1 + 𝜌𝑋,𝑌 1 1 + 𝑟𝑋,𝑌 𝑧0

𝑃 [ 𝐿𝑛 ( )− ≤ 𝐿𝑛 ( ) ≤ 𝐿𝑛 ( )+ ]= 1−𝛼
2 1 − 𝑟𝑋,𝑌 √𝑛 − 3 2 1 − 𝜌𝑋,𝑌 2 1 − 𝑟𝑋,𝑌 √𝑛 − 3

A B

Por otro lado si,

1 1 + 𝐿𝐼 1 1 + 𝜌𝑋,𝑌 1 1 + 𝐿𝑆
𝑃 [ 𝐿𝑛 ( ) ≤ 𝐿𝑛 ( ) ≤ 𝐿𝑛 ( )] = 1 − 𝛼
2 1 − 𝐿𝐼 2 1 − 𝜌𝑋,𝑌 2 1 − 𝐿𝑆

(Donde, LI y LS son los límites inferior y superior del intervalo de confiabilidad para ρY,X)

Algebraicamente, se puede afirmar que,

𝑃[𝐿𝐼 ≤ 𝜌𝑋,𝑌 ≤ 𝐿𝑆] = 1 − 𝛼

Consecuentemente, es posible establecer las siguientes igualdades,

1 1 + 𝐿𝐼
𝐴 = 𝐿𝑛 ( )
2 1 − 𝐿𝐼
1 1 + 𝐿𝑆
𝐵 = 𝐿𝑛 ( )
2 1 − 𝐿𝑆

11
Análisis de correlación lineal simple Rubén Medinaceli O.

Resolviendo estas ecuaciones para LI y LS, finalmente se logra el siguiente intervalo de

confiabilidad para ρX,Y.

𝑃[𝐿𝐼 ≤ 𝜌𝑋,𝑌 ≤ 𝐿𝑆] = 1 − 𝛼

7. Ejercicio

Problema:

Dada la siguiente muestra:

i X Y
1 1,0 8,1
2 1,1 7,8
3 1,2 8,5
4 1,3 9,8
5 1,4 9,5
6 1,5 8,9
7 1,6 8,6
8 1,7 10,2
9 1,8 9,3
10 1,9 9,2
11 2,0 10,5

i. Estimar ρX,Y
ii. Estimar e interpretar ρ2X,Y
iii. Con α = 0,05 averiguar si ρX,Y = 0
iv. Con α = 0,05 averiguar si ρX,Y < 0,8
v. Obtener un intervalo de confiabilidad del 90% para ρX,Y

Solución:

Esta muestra ya fue utilizada en el tema anterior y recuerde que,

𝑛 𝑛 𝑛 𝑛 𝑛

∑ 𝑋𝑖 = 16,5; ∑ 𝑌𝑖 = 100,4; ∑ 𝑋𝑖2 = 25,85; ∑ 𝑌𝑖2 = 923,58; ∑ 𝑋𝑖 𝑌𝑖 = 152,59

𝑖=1 𝑖=1 𝑖=1 𝑖=1 𝑖=1

𝑆𝑥𝑥 = 1,10; 𝑆𝑦𝑦 = 7,202; 𝑆𝑥𝑦 = 1,99

𝑋̅ = 1,50; 𝑌̅ = 9,127; 𝑏0 = 6,414; 𝑏1 = 1,809 𝑛 = 11

𝑆 = 0,632

i)

Un estimador de ρX,Y es,

𝑆𝑥𝑦
𝑅𝑋,𝑌 =
√𝑆𝑥𝑥 𝑆𝑦𝑦

12
Análisis de correlación lineal simple Rubén Medinaceli O.

El valor estimado de ρX,Y es,

1,99
𝑟𝑋,𝑌 = = 0,707
√1,1 (7,202)

ii)

Uno de los estimadores de ρ2X,Y es,

2
𝑆𝑆𝑅
𝑅𝑋,𝑌 =
𝑆𝑆𝑇

Donde,

𝑆𝑆𝑅 = 𝑏1 𝑆𝑥𝑦 = 1,809(1,99) = 3,6

𝑆𝑆𝑇 = 𝑆𝑦𝑦 = 7,202

Por tanto, el valor estimado de ρ2X,Y es igual a,

2
3,6
𝑟𝑋,𝑌 = = 0,5
7,202

Significa que el 50% de la variación total de la variable dependiente Y se debe a la

linealidad de Y y X.

iii)

1. H0: ρX,Y = 0
H1: ρX,Y ≠ 0

2. α = 0,05

3.

Estadístico de prueba

𝐵1 √𝑆𝑥𝑥 𝑅𝑋,𝑌 √𝑛 − 2
𝑇= = ~𝑡𝑛−2
𝑆 2
√1 − 𝑅𝑋,𝑌

Criterio de rechazo de H0

13
Análisis de correlación lineal simple Rubén Medinaceli O.

α/2 α / 2 = 0,025 Rechazar H0 si, |Tcalculado| > 2,262

-t0 0 t0 = 2,262 𝑻~ 𝒕𝒏−𝟐 ~𝒕𝟗

4.

1,809√1,1 0,707√9
𝑇𝑐𝑎𝑙𝑐𝑢𝑙𝑎𝑑𝑜 = = = 3,0
0,632 √1 − 0,7072

5.

Para α = 0,05
Rechazar H0 → Aceptar H1
→ ρX,Y ≠ 0

iv)

1. H0: ρX,Y = 0,8

H1: ρX,Y < 0,8

2. α = 0,05

3.

Estadístico de prueba

√𝑛 − 3 (1 + 𝑅𝑋,𝑌 )(1 − 𝜌𝑋,𝑌 )

𝑍= 𝐿𝑛 [ ] ~ 𝑁(0,1)
2 (1 − 𝑅𝑋,𝑌 )(1 − 𝜌𝑋,𝑌 )

Criterio de rechazo de H0

fZ(z)

14
Análisis de correlación lineal simple Rubén Medinaceli O.

α = 0,05 Rechazar H0, si Zcalculado < -1,645

-z0=-1,645 𝒁~𝑵(𝟎, 𝟏)

4.

√𝑛 − 3 (1 + 𝑟𝑋,𝑌 )(1 − 𝜌0 ) √8 (1 + 0,707) (1 − 0,8)

𝑍𝑐𝑎𝑙𝑐𝑢𝑙𝑎𝑑𝑜 = 𝐿𝑛 [ ]= 𝐿𝑛 [ ] = −0,615
2 (1 − 𝑟𝑋,𝑌 )(1 + 𝜌0 ) 2 (1 − 0,707) (1 + 0,8)

5. Para α=0,05
Aceptar H0 → ρX,Y = 0,8

v)

1 1 + 𝑟𝑋,𝑌 𝑧0 1 1 + 𝜌𝑋,𝑌 1 1 + 𝑟𝑋,𝑌 𝑧0

𝑃 [ 𝐿𝑛 ( )− ≤ 𝐿𝑛 ( ) ≤ 𝐿𝑛 ( )+ ]= 1−𝛼
2 1 − 𝑟𝑋,𝑌 √𝑛 − 3 2 1 − 𝜌𝑋,𝑌 2 1 − 𝑟𝑋,𝑌 √𝑛 − 3

A B

fZ(z)

1-α
α/2 Nivel de α / 2 = 0,05
Confiabilidad
0,90

-z0 0 z0=1,645 𝒁~𝑵(𝟎, 𝟏)

1 1 + 0,707 1,645
𝐴 = 𝐿𝑛 ( )− = 0,3
2 1 − 0,707 √8

1 1 + 0,707 1,645
𝐵 = 𝐿𝑛 ( )+ = 1,462
2 1 − 0,707 √8

Luego,

1 1 + 𝐿𝐼
𝐿𝑛 ( ) = 𝐴 = 0,3
2 1 − 𝐿𝐼

Resolviendo esta ecuación, se tiene que,

15
Análisis de correlación lineal simple Rubén Medinaceli O.

𝐿𝐼 = 0,29

1 1 + 𝐿𝑆
𝐿𝑛 ( ) = 𝐵 = 1,462
2 1 − 𝐿𝑆

De donde,

𝐿𝑆 = 0,89

Por tanto,

𝑃[0,29 ≤ 𝜌𝑋,𝑌 ≤ 0,89] = 0,90

En palabras, el valor del coeficiente de correlación lineal simple (ρX,Y) es algún valor entre
0,29 y 0,89; y la probabilidad que esto ocurra es igual a 0,90.

Práctica
Dada la siguiente muestra:

I X Y i X Y i X Y
1 700 160 11 1000 250 21 1400 560
2 700 200 12 1100 180 22 1400 600
3 800 140 13 1100 220 23 1500 940
4 800 160 14 1200 325 24 1500 820
5 800 200 15 1200 360 25 1500 850
6 900 155 16 1300 310 26 1600 1200
7 900 220 17 1300 350 27 1600 1040
8 1000 160 18 1400 470 28 1600 1150
9 1000 180 19 1400 400 29 1600 1060
10 1000 220 20 1400 540 30 1600 1100

Donde:

X = Ingreso mensual en Oruro ($us)

Y = Ahorro mensual en Oruro ($us)

a. Graficar la muestra y estimar visualmente ρX,Y

b. Estimar analíticamente ρX,Y
c. Estimar e interpretar ρ2X,Y
d. Con α = 0,10 averiguar si ρX,Y = 0
e. Con α = 0,05 averiguar si ρX,Y > 0,5
f. Obtener un intervalo de confiabilidad del 95% para ρX,Y

16