Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Son métodos estadísticos que estudian la relación ( forma e intensidad o grado) entre 2 variables
estadísticas cuantitativas que se estudian simultáneamente, con el objeto de hacer pronósticos.
Observación : El término correlación es usado, en general, para referirse a la relación de dependencia
entre variables estadísticas.
1. CONCEPTOS GENERALES
1.1. NOTACIÓN
A1 x1 y1
A2 x2 y2
⋮ ⋮ ⋮
. . .
An xn yn
2. N es el tamaño de la población.
Y Y Y
◦ ◦ ◦ ◦
◦
◦ ◦ ◦ ◦
◦ ◦
◦ ◦ ◦ ◦
X X X
(a) (b) (c)
Y 𝑌̂ = 𝑓(𝑥)
° ◦
𝑦̂ - - - - - - - - ∘ - - - - - - - - - - ◦ (𝑥, 𝑦̂)
⋮ °
° ⋮
𝑥 X
𝑐𝑜𝑛𝑜𝑐𝑖𝑑𝑜
2. LA VARIABLE DEPENDIENTE ES X
Y 𝑋̂ = 𝑓(𝑦)
𝑐𝑜𝑛𝑜𝑐𝑖𝑑𝑜 ° °
𝑦 - - - - - - - - - - - - - - - - - ◦ (𝑥̂, 𝑦) °
° ⋮
𝑥̂ X
Método que consiste en determinar la función matemática que mejor se “ajuste” a los datos,
haciendo mínima la suma de los cuadrados de los desvíos de los valores observados respecto a
los valores ajustados ( considerando Y como variable dependiente ). Esto es:
∑𝑛𝑖=1( 𝑦𝑖 − 𝑦̂)
𝑖
2
= 𝑚í𝑛𝑖𝑚𝑜
donde 𝑦𝑖 es el i-ésimo valor observado
𝑦̂𝑖 es el i-ésimo valor ajustado.
Observaciones:
1. Los 𝑦𝑖 son los segundos componentes de los pares ( 𝑥𝑖 , 𝑦𝑖 ) y los 𝑦̂𝑖 son los valores
obtenidos al reemplazar 𝑥𝑖 ( el primer componente del par ) en la función matemática
ajustada.
2. El mínimo se hallará usando el criterio de la derivada.
𝑦𝑖 ◦ ( 𝑥𝑖 , 𝑦𝑖 )
( 𝑦𝑖 − 𝑦̂𝑖 ) {
( 𝑦̂𝑖 − 𝑌 ) {
̅
{
𝒀
𝑥𝑖 X
= 𝐸𝑅𝑅𝑂𝑅 𝑇𝑂𝑇𝐴𝐿
= 𝐸𝑅𝑅𝑂𝑅 𝐸𝑋𝑃𝐿𝐼𝐶𝐴𝐷𝑂
SUMA DE CUADRADOS DEL ERROR : Representa aquella parte de la SCT que no ha sido
explicada por la variable independiente X
∑𝑛 ̂𝑖 )2
𝑖=1( 𝑦𝑖 − 𝑦
𝑆𝐶𝐸 = 𝑛
= 𝐸𝑅𝑅𝑂𝑅 𝑁𝑂 𝐸𝑋𝑃𝐿𝐼𝐶𝐴𝐷𝑂
X X
Entonces los datos pueden ser representados por una línea recta y sabemos que el tipo
de función a “ ajustar “ será el polinomio de primer grado :
𝑌̂ = 𝑎 + 𝑏𝑥
∑𝑛𝑖=1( 𝑦𝑖 − 𝑦̂)
𝑖
2
= ∑𝑛𝑖=1( 𝑦𝑖 − 𝑎 − 𝑏𝑥𝑖 )2 = 𝑓( 𝑎 , 𝑏 ) = 𝑚𝑖𝑛𝑖𝑚𝑜
𝝏 𝒇(𝒂,𝒃)
=𝟎
𝝏𝒂
{
𝝏 𝒇(𝒂,𝒃)
=𝟎
𝝏𝒃
∑𝒏𝒊=𝟏 𝒚𝒊 = 𝒏𝒂 + 𝒃 ∑𝒏𝒊=𝟏 𝒙𝒊
{
∑𝒏𝒊=𝟏 𝒙𝒊 𝒚𝒊 = 𝒂 ∑𝒏𝒊=𝟏 𝒙𝒊 + 𝒃 ∑𝒏𝒊=𝟏 𝒙𝟐𝒊
Resolviendo, se tiene :
𝑎 = 𝑌 − 𝑏𝑋
𝑛 ∑𝑛 𝑛 𝑛
𝑖=1 𝑥𝑖 𝑦𝑖 − ∑𝑖=1 𝑥𝑖 ∑𝑖=1 𝑦𝑖
𝑏= 2
𝑛 ∑𝑛 2 𝑛
𝑖=1 𝑥𝑖 −( ∑𝑖=1 𝑥𝑖 )
Ejemplo 1.- Para el siguiente conjunto de datos bidimensionales ( X, Y ) ; (1,1), (2,2), (3,2) y
(4,3).
a). Estime el valor de 𝑦5 𝑠𝑖 𝑥 = 3,5
b). Estime el valor de 𝑥5 𝑠𝑖 𝑦 = 4
Solución a) :
3 ◦
2 ◦ ◦
1 ◦
1 2 3 4 X
∑𝒏𝒊=𝟏 𝒚𝒊 = 𝒏𝒂 + 𝒃 ∑𝒏𝒊=𝟏 𝒙𝒊
{
∑𝒏𝒊=𝟏 𝒙𝒊 𝒚𝒊 = 𝒂 ∑𝒏𝒊=𝟏 𝒙𝒊 + 𝒃 ∑𝒏𝒊=𝟏 𝒙𝟐𝒊
donde :
𝑎 = 𝑌 − 𝑏𝑋
𝑛 ∑𝑛 𝑛 𝑛
𝑖=1 𝑥𝑖 𝑦𝑖 − ∑𝑖=1 𝑥𝑖 ∑𝑖=1 𝑦𝑖
𝑏= 2
𝑛 ∑𝑛 2 𝑛
𝑖=1 𝑥𝑖 − ( ∑𝑖=1 𝑥𝑖 )
i U.E 𝑥𝑖 𝑦𝑖 𝑥𝑖2 𝑥𝑖 𝑦𝑗
1 𝐴1 1 1 1 1
2 𝐴2 2 2 4 4
3 𝐴3 3 2 9 6
4 𝐴4 4 3 16 12
∑ =10 8 30 23
4(23)−10(8) 92−80 12 3
𝑏 = 4 (30)−(10)2 = 120−100
= 20 = 5
3 5 1
𝑎 = 2 − (5) 2 = 2
1 3
⟹ 𝑌̂ = 2 + 5 𝑥
1 3 1 3 7 13
∴ 𝑦
̂5 =
2
+5 𝑥5 ⟹ 𝑦̂5 = 2
+ 5 (2) ⟹ 𝑦̂5 = 5
= 2,6
◦ ◦ ◦
◦ ◦ ◦
Entonces los datos pueden ser representados por una curva y sabemos que el
tipo de función a “ ajustar “ será el polinomio de segundo grado :
𝑌̂ = 𝑎 + 𝑏𝑥 + 𝑐𝑥 2
𝑛 ∑ 𝑥𝑖 ∑ 𝑥𝑖2
M = [ ∑ 𝑥𝑖 ∑ 𝑥𝑖2 ∑ 𝑥𝑖3 ]
∑ 𝑥𝑖2 ∑ 𝑥𝑖3 ∑ 𝑥𝑖4
Se tiene que
∑ 𝑦𝑖 ∑ 𝑥𝑖 ∑ 𝑥𝑖2
| ∑ 𝑥𝑖 𝑦𝑖 ∑ 𝑥𝑖2 ∑ 𝑥𝑖3 |
∑ 𝑥𝑖2 𝑦𝑖 ∑ 𝑥𝑖3 ∑ 𝑥𝑖4
𝑎= |𝑀|
𝑛 ∑ 𝑦𝑖 ∑ 𝑥𝑖2
| ∑ 𝑥𝑖 ∑ 𝑥𝑖 𝑦𝑖 ∑ 𝑥𝑖3 |
∑ 𝑥𝑖2 ∑ 𝑥𝑖2 𝑦𝑖 ∑ 𝑥𝑖4
𝑏= |𝑀|
𝑛 ∑ 𝑥𝑖 ∑ 𝑦𝑖
2
| ∑ 𝑥𝑖 ∑ 𝑥𝑖 ∑ 𝑥𝑖 𝑦𝑖 |
∑ 𝑥𝑖 ∑ 𝑥𝑖3
2 ∑ 𝑥𝑖2 𝑦𝑖
𝑐= |𝑀|
Las siguientes funciones de regresión simple no línea podrán ser reducidas a formas
lineales:
2.- REGRESIÓN EXPONENCIAL
Para datos que puedan ser representados por una curva y cuya función a “ajustar”
está dada por :
𝑌̂ = 𝑎𝑏 𝑥
Aplicando logaritmo a ambos miembros se tendrá la siguiente expresión lineal :
log 𝑌̂ = log 𝑎 + 𝑥 log 𝑏
Por el método de Mínimos cuadrados se debe cumplir :
∑𝑛𝑖=1( 𝑙𝑜𝑔 𝑦𝑖 − log 𝑦̂𝑖 )2 = ∑𝑛𝑖=1(log 𝑦𝑖 − log 𝑎 − 𝑥𝑖 log 𝑏)2 = 𝑓( log 𝑎 , log 𝑏 ) = 𝑚𝑖𝑛𝑖𝑚𝑜
𝝏 𝑓( log 𝑎,log 𝑏 )
{ =𝟎
𝝏 log 𝑏
𝝏 𝑓( log 𝑎,𝑏 )
{ =𝟎
𝝏𝑏
donde −1 ≤ 𝑟 ≤ +1
donde 0 ≤ 𝑟2 ≤ 1
2 2
𝑆𝐶𝑅 ∑𝑛 ̂𝑖 − 𝑌)
𝑖=1(𝑦 ∑𝑛
𝑖=1(𝑦𝑖
̂ − 𝑌)
𝑟 = √𝑆𝐶𝑇 =√ 2 ⇒ 𝑟 = 2
2
∑𝑛
𝑖=1(𝑦𝑖 − 𝑌) ∑𝑛 (𝑦𝑖 − 𝑌)
𝑖=1
2 2
𝑆𝐶𝑅 ∑𝑛 ̂𝑖 − 𝑌)
𝑖=1(𝑦 ∑𝑛
𝑖=1(𝑦𝑖
̂ − 𝑌)
𝑟 = √𝑆𝐶𝑇 = =√ 2 ⇒ 𝑟2 = 2
∑𝑛
𝑖=1(𝑦𝑖 − 𝑌) ∑𝑛
𝑖=1(𝑦𝑖 − 𝑌)