Documentos de Académico
Documentos de Profesional
Documentos de Cultura
José R. Berrendero
Departamento de Matemáticas
Universidad Autónoma de Madrid
Vibraciones/seg. Temp.
20.0 88.6
16.0 71.6
19.8 93.3
18.4 84.3
Los grillos son ectotermos, por lo que sus
17.1 80.6
procesos fisiológicos y su metabolismo
15.5 75.2
están influidos por la temperatura. Con
14.7 69.7
el fin de estudiar estas cuestiones se ha
17.1 82.0
medido el número de vibraciones por se-
15.4 69.4
gundo de las alas de un grupo de grillos
16.2 83.3
a varias temperaturas.
15.0 78.6
17.2 82.6
16.0 80.6
17.0 83.5
14.1 76.3
Ejemplo: Temperatura y vibración de las alas
35
●
30
●
● ●
% fracaso escolar
● ●
25
● ●
●
●
20
●
● ●
● ●
●
15
● ●
●
●
10
● Torrelodones
10 12 14 16 18 20 22
(x1 , y1 ), . . . , (xn , yn ).
Propiedades:
covxy = covyx .
covxy depende de las unidades en que se miden x e y .
covxx = vx , es decir, la covarianza de x con x es la varianza de x.
Interpretación de la covarianza
● ● ●
4
● ●
● ● ● ●
4
● ● ●
● ●
● ● ●
● ● ● ● ● ●
● ● ● ● ●
●● ● ● ● ● ●
●●● ● ● ● ● ●
●● ● ● ● ● ● ● ● ● ●
●
● ●● ● ● ● ● ● ●● ● ● ● ●
●
● ● ● ●● ● ● ● ● ● ●
●● ● ●
2
● ● ● ● ● ●● ● ● ● ●● ●
● ●●● ● ●
● ●● ● ● ●
● ● ● ● ● ● ● ●
●●● ●
● ● ●● ● ● ●
2
● ● ●● ● ● ● ● ● ● ● ●
● ● ● ● ● ● ● ● ●
● ● ●●
● ● ●
●
●●
● ● ● ●
●● ● ● ●●● ● ● ● ● ● ● ●●● ●
● ●
● ● ● ●● ●● ● ● ● ●
●● ●
● ●●●
● ● ●
● ●
● ● ●
●● ● ● ● ●● ● ●
● ●
● ● ● ●● ●● ●● ● ● ● ● ●●●● ● ●
●●
● ● ● ● ● ●● ● ● ●
● ● ● ●●● ● ● ● ●●
●● ● ●● ● ● ●●●●● ● ●●●●●● ● ●
● ●●
●●● ● ● ●●● ●● ● ● ● ●
●●● ●● ● ● ●● ● ● ● ● ● ● ● ●
● ●● ● ●●●● ● ● ● ● ●● ● ● ● ● ●● ●● ● ●● ●● ● ● ●●● ● ●
● ●●
●● ● ● ● ● ● ●●●●● ●● ●
● ●● ● ●●● ● ● ● ●●● ● ●
● ● ●
● ●
● ●
● ●
● ● ●
● ●● ● ● ●● ● ● ● ●● ● ●● ● ●●●
● ●● ●
●● ● ●● ● ● ● ●● ●● ●●
● ● ●● ● ● ● ● ●● ● ●●
●
● ●● ●
y
y
● ●● ● ● ● ●●●● ● ●●●● ● ● ●● ●
● ●●● ● ● ● ●● ●●●●● ●● ● ●●
●
●
● ●● ● ●
● ●●● ● ● ● ●● ● ● ●● ●
●
● ● ●● ● ● ● ● ●● ●
0
● ● ●● ●● ●● ● ● ● ● ● ● ● ● ● ●●● ●● ● ● ● ●● ●●
● ● ● ●●
0
●● ● ● ●● ●● ● ● ● ● ●● ● ● ● ● ●● ●● ● ●
● ● ● ● ● ●●●● ● ● ● ● ● ● ●● ●
● ● ●●
● ●
● ●●● ● ● ● ● ●●●
● ●
● ●
● ● ●● ●●● ●●● ●
● ●● ● ● ● ● ● ●●● ● ● ● ● ● ● ● ●● ●● ●● ● ● ●
● ●
●●● ● ● ● ●● ●● ●
●●● ● ●●
●
● ●
● ● ●●● ● ● ● ● ●● ●● ●●●● ●● ●
● ● ●● ● ● ● ● ● ●
●● ● ● ●● ● ●● ● ●● ●●
● ●●
●●● ●
●● ●●● ● ●● ●
● ●● ● ●● ● ● ●● ● ●●
● ● ●●● ● ● ●●● ●● ● ●●● ●
●
●
●
●
● ● ● ●● ● ● ● ●●●●● ● ● ●
●
● ●
●●● ● ● ● ●● ●●● ● ● ●●
● ●● ● ● ● ●●
● ●● ● ● ●
● ● ●● ● ● ● ●●●● ●● ● ●
●
● ● ● ● ●● ●● ● ●
●● ● ● ●●● ●
● ●●● ● ●
● ●● ● ●● ●● ● ● ● ● ● ●
●● ●● ● ● ● ● ●●
● ● ● ●● ● ● ● ●
●
●
● ● ● ● ● ● ● ● ●
● ●
● ●●●
● ●● ● ● ● ●
−2
● ● ● ● ●
−2
●● ● ● ● ●
● ● ●●
●
● ● ● ● ● ● ● ●
● ● ● ●●
● ● ● ●● ● ● ●● ● ● ● ●
●
●●● ●
● ● ● ●
● ● ● ● ● ●
● ● ●
● ●
●
−4
●
● ●
−4
−2 −1 0 1 2 −2 −1 0 1 2
● ● ●
●
● ● ●
● ● ●
● ● ● ●
2
● ● ● ●
●● ●
● ●
6
● ● ●
● ● ● ● ● ● ● ●
● ● ●● ● ●
● ● ● ● ●
● ● ● ● ●● ●
● ● ●●● ●●●● ● ●
●● ● ● ● ●
●● ●
●● ● ● ● ● ● ●● ●
●
●
● ● ● ● ●●●
● ● ● ●
1
●
● ●● ●
● ● ● ● ● ● ●
●●● ● ● ● ●●
● ●● ● ●
●
●● ● ● ●● ● ● ● ●
●
●● ● ● ● ● ● ● ●
● ● ● ● ●● ● ● ●
4
● ● ● ● ●● ● ● ● ● ● ●● ● ● ● ● ●
● ●
●
● ●
● ● ● ●
●● ● ●●
●●● ● ● ● ●● ●
● ● ● ● ●
●● ● ●
● ● ● ● ● ● ● ● ● ● ● ●●●●●● ●
● ●●● ● ● ● ● ● ● ● ●● ●● ● ● ●
● ● ● ● ● ●● ● ● ● ● ● ● ● ● ● ● ● ●
● ●● ●● ● ● ● ● ●●
● ●● ●● ● ● ●
● ● ●● ●
●
● ● ●● ●● ● ● ● ● ●● ● ● ● ● ● ●● ●● ●
● ● ● ● ●● ● ●●
● ● ●●● ● ● ● ● ● ● ●
● ●
● ● ● ●● ●
0
●
● ● ● ● ●● ●● ● ● ● ● ● ● ● ●● ●
y
● ● ● ● ●
● ●● ● ● ●
● ● ● ● ● ● ● ● ●
● ●● ● ● ●● ●
● ●
● ● ● ● ● ● ●● ● ● ●
● ● ●● ●● ● ● ●● ●●● ● ●●● ● ●
● ● ●● ● ● ● ●●●●
●
● ●● ● ●
● ●●● ●● ●● ●● ●● ● ● ●● ● ●
2
● ● ● ● ● ● ●
● ● ● ● ● ● ● ●● ● ●● ● ● ●
● ●
● ● ● ● ● ●●● ●●● ● ●● ● ● ● ● ● ●● ●● ● ● ● ● ● ●
● ● ●● ● ● ● ● ●
●
● ● ●
●●● ● ● ● ● ● ● ● ● ● ● ● ●●● ● ●●●●
● ●
● ● ● ● ● ●● ● ● ● ●● ●● ● ● ●●●● ● ● ● ● ● ● ● ●● ● ●
●● ●● ● ● ●●●● ●
● ● ●
●●
● ●
●●
● ●
● ●● ●
● ●
●
●● ●●
● ● ●
●● ● ●●
● ●
●●●●● ● ● ● ● ●● ● ●● ●
●●●●
●
● ● ●
●
● ● ●●●● ● ●●
● ●
●
−1
● ● ●● ● ●
● ● ● ● ● ● ● ● ●● ●
● ●
●● ●●●● ● ● ● ● ● ●
● ● ●
● ●● ● ● ●●● ●
● ●● ●● ●
● ● ● ● ● ● ● ●●●●
●
●●
● ● ●● ●● ●
● ● ● ●● ●● ●
●
● ● ● ● ●● ●●● ● ● ●●● ●
● ● ● ●●
●
● ● ●● ●●
● ● ● ●● ● ●●●●●●
●● ●
● ●● ●
●●
● ●
● ●● ●● ● ●● ● ● ● ● ●● ● ●
● ● ● ● ● ●●● ● ●
● ● ●● ● ●
0
● ●● ● ● ● ● ●● ● ●● ● ●● ● ● ● ●
●
● ● ● ●● ● ● ●●●● ●● ●●●●●●●● ●
● ● ●
● ● ● ● ● ● ● ●●● ● ● ●● ●● ●
● ●
● ● ●● ● ● ● ● ● ● ●● ● ●● ● ●●●● ●● ● ● ● ● ● ● ● ● ●
● ● ● ● ●● ●
●
● ●●● ● ●
● ● ● ●
● ● ● ●
●● ● ● ● ● ●
● ●
● ● ● ●●●
−2
● ● ● ● ●
● ● ● ●●
●● ● ● ● ● ●
● ● ●● ●
● ●● ● ● ●
●
−2
● ● ●
● ● ● ● ● ●
● ●
● ●
● ●
−2 −1 0 1 2 −2 −1 0 1 2
Propiedades:
No depende de las unidades
Siempre toma valores entre -1 y 1.
Su signo se interpreta igual que el de la covarianza
Sólo vale 1 ó -1 cuando los puntos están perfectamente alineados.
Aunque rxy ≈ 0, las variables x e y no son necesariamente
independientes.
Desviación
Media típica N
Vibraciones 16,633 1,7319 15
Correlaciones
Estadísticos descriptivos
Temperatura 79,973 6,7170 15
Vibraciones Temperatura
Correlaciones Vibraciones Correlación de Pearson 1 ,836
Desviación Vibraciones Temperatura Sig. (bilateral) ,000
Media típicaCorrelación de PearsonN
Vibraciones 1 ,836
N 15 15
Sig. (bilateral) ,000
Vibraciones 16,633 1,7319
N 15 15 Temperatura
15 Correlación de Pearson ,836 1
Temperatura Correlación de Pearson ,836 1 Sig. (bilateral) ,000
Temperatura 79,973 6,7170
Sig. (bilateral) 15 ,000
N 15 15
N 15 15
Correlaciones 20,0
20,0
N 17,0
15 18,0 15
Temperatura Correlación de Pearson ,836 1
Vibraciones
16,0
Sig. (bilateral) ,000 17,0
N 15,0 15 15
16,0
14,0
20,0 Temperatura
15,0
Problema de regresión
11
● ●
12
10
●
9
10
●
●
8
y1
y3
●
● ●
●
7
8
●
●
6
● ●
●
●
5
● ●
6
●
● ●
4
4 6 8 10 12 14 4 6 8 10 12 14
x1 x3
● ● ● ●
9
12
● ●
● ●
8
10
7
y2
y4
● ●
6
●
8
●
●
5
● ●
●
●
4
●
●
● ●
3
4 6 8 10 12 14 8 10 12 14 16 18
x2 x4
El modelo de regresión lineal simple
Yi = β0 + β1 xi + ui ,
donde:
El valor medio de los errores ui es cero.
Todos los errores ui tienen la misma varianza σ 2 (homocedasticidad).
Las variables ui tienen distribución normal.
Las variables ui son independientes.
58 STATISTICAL INFERENCE
Figure 3.4 Joint density functions (shown symbolically) of the bivariate normal distributions of the form
(3.9) with varying m.
where f ðx; mÞ is the normal density function of N ðm; 1Þ. Figure 3.4 shows symboli-
¿En qué situaciones se verifica el modelo?
30
● ●
7
20
● ●
6
● ●
● ● ●
● ●
●
● ● ●
5
● ● ●
● ●
● ●●
● ●● ●
10
● ● ● ●
y1
y3
● ●● ●
●●
4
●
●● ● ● ●● ● ● ●
● ● ●●
●● ● ● ●● ●● ● ● ● ●● ●
●
●● ●
● ● ● ● ●
● ● ● ●●
3
● ● ●
●
●
● ● ●
● ●
0
●
●
● ●
2
●
●
●
●
−10
1
● ● ●
1 2 3 4 5 6 1 2 3 4 5 6
x x
7
● ●
25
6
●
20
●●
●
●
●●●
● ● ●●
5
15
● ●
●●● ●
●
● ●
y2
y4
● ●
●
4
●
● ● ● ●●
●
10
●
●● ●
● ● ●
● ●
●● ●
●●●
3
● ● ●● ●●
● ●
5
●
● ●
● ●
●● ● ●●●
● ●
●
●●● ● ●● ●
● ●●● ●
2
● ●● ●●
● ●
● ●
● ●
● ● ●
0
−4 −2 0 2 4 1 2 3 4 5 6
x2 x
La recta de mı́nimos cuadrados
Si estimamos β0 y β1 mediante β̂0 y β̂1 , la predicción de la variable
respuesta Yi en función de la regresora xi es:
Unos buenos estimadores deben ser tales que los errores de predicción
sean pequeños.
3
● ●
2
2
● ●
● ●
● ●
1
1
y
y
● ●●● ● ●●●
0
0
● ●
● ● ● ●
● ●
−1
−1
● ●
● ●
−2 −1 0 1 2 −2 −1 0 1 2
x x
Estimadores de mı́nimos cuadrados
Pendiente: √
covxy vy Sy
β̂1 = =r√ =r .
vx vx Sx
Término independiente:
β̂0 = Ȳ − β̂1 x̄
Recta de regresión:
y = −0.615 + 0.2155x
20,0
19,0
18,0
Vibraciones
17,0
16,0
15,0
R2 Lineal = 0,7
14,0
Temperatura
Observaciones
Se pierden dos grados de libertad puesto que los residuos verifican dos
restricciones:
La media de los residuos es igual a cero.
La covarianza entre los residuos y la variable regresora es también
igual a cero.
Una simulación
Supongamos que σ = 1, β0 = 0 y β1 = 1.
Entonces el modelo es
Yi = xi + ui ,
donde los errores ui tienen distribución normal estándar y son
independientes.
● ● ●
10
8
●
●
●
8
8
●
● ●
● ●
●
6
●
●
6
6
● ●
4
●
●
4
● ●
4
2
●
2
● ●
2
0
0
● ● ●
0 2 4 6 8 10 0 2 4 6 8 10 0 2 4 6 8 10
x x x
10
● ● ●
10
10
● ● ●
●
8
8
8
● ●
●
●
6
●
●
6
● ●
6
●
● ●
4
●
4
4
2
● ●
●
●
● ●
0
2
2
● ● ●
−2
0 2 4 6 8 10 0 2 4 6 8 10 0 2 4 6 8 10
x x x
Repetimos 6 veces el experimento
10
● ● ●
10
8
●
●
●
8
8
●
● ●
● ●
●
6
●
●
6
6
● ●
4
●
●
4
● ●
4
2
●
2
● ●
2
0
0
● ● ●
0 2 4 6 8 10 0 2 4 6 8 10 0 2 4 6 8 10
● ● ●
10
10
● ● ●
●
8
8
8
● ●
●
●
6
●
●
6
● ●
6
●
● ●
4
●
4
4
2
● ●
●
●
● ●
0
2
2
● ● ●
−2
0 2 4 6 8 10 0 2 4 6 8 10 0 2 4 6 8 10
centrados y tienen
distribución normal.
100
−2 −1 0 1 2
error tı́pico de β̂0 y
β0 β̂1 que miden su
variabilidad.
Estas fórmulas son
las que se utilizan
150
para calcular IC y
llevar a cabo
50
contrastes en lo que
0
r
SR 1
error tı́pico de β̂1 = pPn = SR
i=1 (xi − x̄)
2 nvx
s
1 x̄ 2
error tı́pico de β̂0 = SR +
n nvx
Contraste bilateral:
Hipótesis: H0 : βi = 0 frente a H1 : βi 6= 0
Región crı́tica: ( )
|β̂i |
R= > tn−2,α/2 .
error tı́pico de β̂i
Contrastes unilaterales:
Hipótesis: H0 : βi ≤ 0 frente a H1 : βi > 0
Región crı́tica: ( )
β̂i
R= > tn−2,α .
error tı́pico de β̂i
ANOVAb
Suma de Media
Modelo cuadrados gl cuadrática F Sig.
1 Regresión 29,383 1 29,383 30,290 ,000 a
Residual 12,611 13 ,970
Total 41,993 14
a. Variables predictoras: (Constante), Temperatura
b. Variable dependiente: Vibraciones
Coeficientesa
Coeficientes
Coeficientes no estandarizados tipificados
Modelo B Error típ. Beta t Sig.
1 (Constante) -,615 3,144 -,196 ,848
Temperatura ,216 ,039 ,836 5,504 ,000
a. Variable dependiente: Vibraciones
Con SPSS: renta y fracaso escolar
&[PageTitle]
ANOVAb
Suma de Media
Modelo cuadrados gl cuadrática F Sig.
1 Regresión 580,516 1 580,516 25,658 ,000a
Residual 475,133 21 22,625
Total 1055,649 22
a. Variables predictoras: (Constante), Renta
b. Variable dependiente: Fracaso
Coeficientesa
Coeficientes
Coeficientes no estandarizad
estandarizados os
Modelo B Error típ. Beta t Sig.
1 (Constante) 38,494 3,645 10,562 ,000
Renta -1,347 ,266 -,742 -5,065 ,000
a. Variable dependiente: Fracaso
Cuestiones
Escribe la ecuación de la recta de mı́nimos cuadrados que describe el
nivel de fracaso escolar como función de la renta.
Yi = Ŷi + ei
Yi − Ȳ = (Ŷi − Ȳ ) + ei
n
X n
X n
X
(Yi − Ȳ )2 = (Ŷi − Ȳ )2 + ei2
i=1 i=1 i=1
SCT = SCE + SCR
R = {F > F1,n−2;α }
Tabla ANOVA y contraste F
El coeficiente de determinación:
Variabilidad explicada SCE
R2 = =
Variabilidad total SCT
En el modelo de regresión simple R 2 = r 2 , el coeficiente de
determinación coincide con el coeficiente de correlación al cuadrado.
µ0 = β0 + β1 x0 .
Bandas de
predicción
Bandas de
confianza
media
&[PageTitle]
Intervalos de confianza para la media
Intervalos de confianza
40,0
30,0
Fracaso
20,0
10,0
Sq r lineal = 0,55
Renta
Renta
Intervalos de predicción para valores individuales
Intervalos de predicción
40,0
30,0
Fracaso
20,0
10,0
Sq r lineal = 0,55
Renta
Estimación de algunas relaciones no lineales
Modelos:
Modelo de regresión exponencial
Modelo de regresión logarı́tmica
Modelo de regresión potencial
Modelo de regresión exponencial
log Y ≈ log a + bx
Y ≈ β0 + β1 log x
(log x1 , Y1 ), . . . , (log xn , Yn )
● ●
35
3.5
●
● ●
● ● ●
30
●
●
● ● ●
● ● ●
●
log−Fracaso
● ●
3.0
25
● ●
Fracaso
● ●
● ● ● ●
● ● ●
20
●
● ●
● ● ● ●
2.5
● ●
15
●
● ●
● ●
10
● ●
10 12 14 16 18 20 22 10 12 14 16 18 20 22
Renta Renta
● ●
35
3.5
●
● ● ●
●
30
● ●
●
● ● ●
● ● ●
●
log−Fracaso
● ●
3.0
25
● ●
Fracaso
● ●
● ● ● ●
● ● ●
20
●
● ●
● ● ● ●
2.5
● ●
15
●
● ●
● ●
10
● ●
2.2 2.4 2.6 2.8 3.0 2.2 2.4 2.6 2.8 3.0
log−Renta log−Renta
Ejemplo: renta y fracaso escolar
Resumen del modelo y estimaciones de los parámetros
● ● ● ●●
● ●
6
6
●
●
25
● ●● ●
6
●●
●
● ● ●●
● ● ● ●
●● ●● ● ●
●●
5
●
● ●
5
20
● ● ●
● ●
5
● ● ● ●●
●●
● ● ●● ● ● ●●●
●
● ● ●
●● ●●
● ●● ●●●● ●
●● ●● ●●●
●●
4
●
y1
y2
y3
y4
15
●●
4
●●
● ● ●● ●●
●●●
● ●
4
●● ● ●● ●●●
● ●●
● ●●●
● ●● ●
● ● ● ●●
●● ●●
●● ●
● ● ● ●
● ● ●●
● ● ●●
10
● ● ●
3
●
●●
3
● ● ●●●
● ●●● ●
●
● ● ●
3
● ● ●●
●● ●●
● ●● ●
● ● ●
● ● ●
●●● ●
●
5
● ● ●
●
2
2
● ● ●
2
●● ●
● ● ●
1 2 3 4 5 1 2 3 4 5 1 2 3 4 5 1 2 3 4 5
x x x x
3
● ● ● ●
2
●
3
● ●
●
● ●●
2
2
●
● ● ● ●
● ● ●
●
1
● ● ● ● ●
●●
2
● ●
● ● ● 1 ●● ● ● ●
1
● ● ●● ●
● ● ● ●● ●
● ● ●
● ●
●● ● ●●
Residuos
Residuos
Residuos
Residuos
● ●● ● ● ● ● ● ●●● ● ●● ●● ● ●
0
● ●● ●
● ●
0
● ● ● ● ● ●● ● ● ●
●
1
● ● ●●● ●
● ● ●● ● ● ● ●
0
● ● ● ●
● ●●
● ● ● ●
● ● ● ●
●
−1
● ● ● ● ●● ●
● ● ● ● ● ● ● ● ●●
● ●
●
−1
● ● ● ● ● ●
−1
● ● ●
● ● ● ●
●
−2
● ● ●
● ● ● ● ● ● ●
● ●
● ● ●●
●● ● ● ●
● ● ●● ● ●
●●● ●●●
● ●
−3
−2
● ●
−2
−1
●
● ● ● ● ●
2 3 4 5 6 0 5 10 15 20 25 2 3 4 5 6 2 3 4 5 6
●
●
●
●
4
3
●
●
2
●
●●●
●●
●
●
●● ●
● ● ● ●
●
●●●●
1
● ●●●
● ● ●
● ● ●●●
● ●● ● ●
●
●
● ●●
●
●●
●
●
●
0
−1 0 1 2 3 4
Datos atı́picos
●
●
●
●
4
3
●
●
2
●
●●●
●●
●
●
●● ●
● ● ● ●
●
●●●●
1
● ●●●
● ● ●
● ● ●●●
● ●● ● ●
●
●
● ●●
●
●●
●
●
●
0
−1 0 1 2 3 4
Datos atı́picos
●
●
●
●
4
3
●
●
2
●
●●●
●●
●
●
●● ●
● ● ● ●
●
●●●●
1
● ●●●
● ● ●
● ● ●●●
● ●● ● ●
●
●
● ●●
●
●●
●
●
●
0
−1 0 1 2 3 4
Datos atı́picos
●
●
●
●
4
3
●
●
2
●
●●●
●●
●
●
●● ●
● ● ● ●
●
●●●●
1
● ●●●
● ● ●
● ● ●●●
● ●● ● ●
●
●
● ●●
●
●●
●
●
●
0
−1 0 1 2 3 4
Ejemplo: Temperatura e intensidad de luz en estrellas
●
6.0
● ●
●
● ●
●
5.5
● ●
●
log(Intensidad)
● ●
●
● ●
● ●
● ● ●
●
5.0
●
●
●
●
●
● ● ●
●
●
4.5
●
● ●
● ●
●
●
●
● ●
●
4.0
log(Temperatura)
Ejemplo: Temperatura e intensidad de luz en estrellas
6.0 ●
● ●
●
● ●
●
5.5
● ●
●
log(Intensidad)
● ●
●
● ●
● ●
● ● ●
●
5.0
●
●
●
●
●
● ● ●
●
●
4.5
●
● ●
● ●
●
●
●
● ●
●
4.0
log(Temperatura)
Extrapolación
Verdadera
relación
Ybuena
Ypredicción Recta de
regresión
estimada
xpredicción
Mezcla de poblaciones
Regresión con
todos los datos
Ejemplo: número de pie y estatura
Datos temporales (correlación espúrea