UNIVERSIDAD NACIONAL DE INGENIERÍA

Facultad de Ingeniería Química y Textil

2 0 2 0- 1
ANÁLISIS DE REGRESIÓN
Y CORRELACIÓN
 ANÁLISIS DE REGRESIÓN Y
CORELACIÓN SIMPLE

En trabajos científicos es necesario, a

menudo, determinar el efecto que
una variable ejerce sobre otra.
Un experimento de laboratorio es una
medida del efecto de una variable
sobre la otra; medimos una cantidad
de muestra, realizamos la reacción y
medimos la respuesta.
 ANÁLISIS DE REGRESIÓN Y
CORELACIÓN SIMPLE

Gran parte de los trabajos de investigación

actual abarcan el nivel correlacional, el cual
implica la descripción de la relación entre dos o
más variables en estudio, una de las cuales es
el de interés que es explicada por una o más
variables independientes, las cuales pueden ser
cualitativas y/o cuantitativas.

Este procedimiento es denominado como las

técnicas de correlación y de regresión lineal.
 ANÁLISIS DE REGRESIÓN Y
CORELACIÓN SIMPLE

El origen de este procedimiento se

remonta a los tiempos de Francis
Galton en 1889 y Karl Pearson en
1895 fueron quienes denominaron
como técnicas de Correlación y de
Regresión Lineal Simple.
 Usos del análisis de regresión:

Predicción, Descripción, Control y

Selección de variables

Modelo de regresión

Ecuación que representa la relación entre

las variables. Puede ser una relación
lineal o puede ser no lineal (exponencial,
logarítmica, cuadrática, etc.)
Modelo de regresión
 Línea de regresión estimada

El estimador de α es a y el estimador de β es b,
son hallados usando el método de mínimos
cuadrados, que se basa en minimizar la suma de
cuadrados de los errores.
El modelo de regresión lineal es estimado por la ecuación

෡ es el valor estimado de Y
𝒀
 Línea de regresión estimada

෡ es el valor estimado de Y
𝒀

a: coeficiente de intersección o el valor de Y cuando x = 0

b: Coeficiente de Regresión e indica la pendiente de la
línea, o el cambio promedio de Y para cada cambio en
una unidad de x.

෡ e 𝒀 de
Este modelo con el menor error posible entre 𝒀
forma que 𝒀 ෡ − 𝒀 sea una variable que toma valores
próximos a cero.
 Objetivo del Análisis de Regresión

Determinar la ecuación de regresión para predecir los

valores de la variable dependiente (Y) en base a la o
las variables independientes (X).
 Procedimiento:

Seleccionar una muestra a partir de la

población y listar pares de datos para
cada observación.
Dibujar un diagrama de puntos para
dar una imagen visual de la relación.
Determinar la ecuación de regresión,
calcular el coeficiente de interseción y
el coeficiente de correlación (calcular
las cantidades 𝒂 𝑦 𝒃).
 EL COEFICIENTE DE
CORRELACIÓN

Llamado también coeficiente de

correlación de Pearson.
Se representa por r y es una
medida que representa el:
Grado de Asociación Lineal entre
dos variables cuantitativas X e Y.
 EL COEFICIENTE DE CORRELACIÓN

Características de r :
 Varía entre -1 y 1.
 Valores de -1 o 1 indican relación lineal
perfecta.
 Valores cercanos a 1 y a -1, la asociación lineal
es alta.
 Valor igual a 0 indica ausencia de correlación.
 Valores cercanos a 0, baja asociación lineal
 Valores negativos indican una relación lineal
inversa y valores positivos indican una relación
lineal directa.
EL COEFICIENTE DE CORRELACIÓN
 EL COEFICIENTE DE CORRELACIÓN

Bondad de ajuste

 Una vez estimada la ecuación de regresión, es

conveniente determinar el aporte de la variable
independiente al modelo ajustado.
 Hay que tomar la decisión de eliminarla e incluir
otras que podrían aportar más información sobre
la variabilidad de Y.
 El coeficiente para la bondad de ajuste es el
Coeficiente de Determinación.
 EL COEFICIENTE DE CORRELACIÓN

Coeficiente de determinación 𝑹𝟐
 Es simplemente el cuadrado del coeficiente de
correlación.
 El coeficiente de Determinación varía entre 0 y 1,
es bastante común expresarlo en porcentaje.
 Un 𝑹𝟐 mayor del 70 % indica una buena
asociación lineal entre las variables, luego la
variable X puede usarse para predecir Y.
𝑹𝟐 : indica qué porcentaje de la variabilidad de la variable respuesta Y es
explicada por su relación lineal con X.