Ejemplo: Con los datos de los pesos y estatura s de los primeros 15 estudiantes

encuestados
X= P3. ¿Cuál es Y= P4. ¿Cuál
tu estatura? En es tu peso? En
Nº cm. Kg.
1 169 68
2 175 76
3 163 71
4 182 75
5 172 79
6 174 78
7 174 65
8 164 56
9 159 58
10 177 77
11 173 60
12 175 58
13 154 56
14 160 67
15 162 54
Suma = 2523 Suma = 998

a) Dibujar el diagrama de dispersión de los datos

b) Calcular el coeficiente de correlación de la muestra
c) Probar la hipótesis bilateral para determinar si las variables poblacionales Peso Vs.
Estatura están correlacionadas, con 𝛼 = 0.05
Solución
𝑥 = 𝑒𝑠𝑡𝑎𝑡𝑢𝑟𝑎 𝑑𝑒𝑙 𝑒𝑠𝑡𝑢𝑑𝑖𝑎𝑛𝑡𝑒 𝑒𝑛 𝑐𝑚.
𝑦 = 𝑝𝑒𝑠𝑜 𝑑𝑒𝑙 𝑒𝑠𝑡𝑢𝑑𝑖𝑎𝑛𝑡𝑒 𝑒𝑛 𝑘𝑔.
a) Diagrama de dispersión

Diagrama de dispersión
80

El gráfico no muestra una relación lineal fuerte,

75

indica una correlación regular positiva

70
Peso

65
60
55

155 160 165 170 175 180

Estatura
 b) coeficiente de correlación muestral

𝑐𝑜𝑣(𝑥, 𝑦)
r=
sx sy

1º calcular las medias de cada muestra

∑ 𝑥 2523
𝑥̅ = = = 168.20 𝑐𝑚.
𝑛 15
∑ 𝑦 998
𝑦̅ = = = 66.53 𝑘𝑔.
𝑛 15
2º calcular las varianzas de cada muestra
∑(𝑥 − 𝑥̅ )2
𝑆𝑥2 = = 63.31 𝑐𝑚2
𝑛−1
2
∑(𝑦 − 𝑦̅)2
𝑆𝑦 = = 82.12 𝑘𝑔2
𝑛−1
3º calcular las desviaciones estándar de cada muestra

𝑆𝑥 = √63.31 = 7.9568 𝑐𝑚.

𝑆𝑦 = √82.12 = 9.0620 𝑘𝑔.
4º calcular la covarianza de la muestra
∑(𝑥 − 𝑥̅ )(𝑦 − 𝑦̅)
𝑐𝑜𝑣(𝑥, 𝑦) = = 44.8857 → 𝑖𝑛𝑑𝑖𝑐𝑎 𝑟𝑒𝑙𝑎𝑐𝑖ó𝑛 𝑑𝑖𝑟𝑒𝑐𝑡𝑎
𝑛−1
5º calcular la correlación de la muestra

𝑐𝑜𝑣(𝑥, 𝑦) 44.8857
r= = = 0.6225 (62.25%)
sx sy 7.9568 ∗ 9.0620
Existe una correlación positiva del 62.25%, indica una relación regular entre el peso y la
estatura de los estudiantes de la muestra.
c) Hipótesis de la correlación
𝐻0 : 𝜌 = 0 → 𝑛𝑜 𝑒𝑥𝑖𝑠𝑡𝑒 𝑐𝑜𝑟𝑟𝑒𝑙𝑎𝑐𝑖ó𝑛 𝑠𝑖𝑔𝑛𝑖𝑓𝑖𝑐𝑎𝑡𝑖𝑣𝑎 𝑒𝑛𝑡𝑟𝑒 𝑒𝑙 𝑝𝑒𝑠𝑜 𝑦 𝑙𝑎 𝑒𝑠𝑡𝑎𝑡𝑢𝑟𝑎
𝐻1 : 𝜌 ≠ 0 → 𝑙𝑎𝑠 𝑣𝑎𝑟𝑖𝑎𝑏𝑙𝑒𝑠 𝑝𝑒𝑠𝑜 𝑦 𝑒𝑠𝑡𝑎𝑡𝑢𝑟𝑎 𝑒𝑠𝑡á𝑛 𝑐𝑜𝑟𝑟𝑒𝑙𝑎𝑐𝑖𝑜𝑛𝑎𝑑𝑎𝑠 𝑙𝑖𝑛𝑒𝑎𝑙𝑚𝑒𝑛𝑡𝑒

𝛼
𝛼 = 0.05 → = 0.025 → 𝑡𝑛−2,𝛼 = 𝑡13,0.025 = 2.16
2 2

En R: qt(0.025,13)=2.16
-2.16 2.16
2.8679
Estadístico de la prueba

r√(n − 2) 0.6225 ∗ √13

t0 = = = 2.8679
√(1 − r 2 ) √(1 − 0.62252 )
Decisión: se rechaza Ho
Conclusión: existe una correlación lineal significativa entre el peso y la estatura.

Test de correlación en R
cor.test(x,y)
Pearson's product-moment correlation

data: x and y
t = 2.8677, df = 13, p-value = 0.0132
alternative hypothesis: true correlation is not equal to 0
95 percent confidence interval:
0.1618099 0.8603864
sample estimates:
cor
0.6224762

Decisión: como P − valor = 0.0132 < α = 0.05 → se rechaza Ho

Ejemplo: con los datos del ejemplo anterior

a) Calcular la ecuación de regresión lineal estimada para pronosticar el peso de un
estudiante en función de su estatura.
b) Estimar el peso de un estudiante que mide 167 cm.
Solución:

a) Ecuación de regresión lineal estimada

𝑦̂ = 𝑏0 + 𝑏1 𝑥
Pendiente estimada
𝑐𝑜𝑣(𝑥, 𝑦) 44.8857
𝑏1 = = = 0.7090
𝑆𝑥2 63.31

Intercepto de la recta de regresión estimado

𝑏0 = 𝑦̅ − 𝑏1 ∗ 𝑥̅ = 66.53 − (0.7090 ∗ 168.20) = −52.7238

Reemplazando se tiene la ecuación de regresión lineal estimada

𝑦̂ = −52.7238 + 0.7090 𝑥
𝑝𝑒𝑠𝑜
̂ = −52.7238 + 0.7090 ∗ 𝑒𝑠𝑡𝑎𝑡𝑢𝑟𝑎
En R el comando es → lm(y~x)
Coefficients:
(Intercept) x
-52.7095 0.7089

b) Estimar el peso de un estudiante que mide 167

𝑝𝑒𝑠𝑜
̂ = −52.7238 + 0.7090 ∗ 167
𝑝𝑒𝑠𝑜
̂ = 65.6792 𝑘𝑔.
El peso pronosticado para un estudiante que mide 167cm. Es
aprox. 65.68 kg.