Actividad 2

 ¿Qué es el coeficiente de correlación lineal y qué nos ayuda

a medir?
El coeficiente de correlación es la medida específica que cuantifica
la intensidad de la relación lineal entre dos variables en un análisis
de correlación,
El coeficiente de correlación de la muestra puede representarse con
una fórmula:
r=∑[(xi−¯¯¯x) (yi−¯¯¯y)]√ Σ(xi−¯¯¯x)2 ∗ Σ (yi −¯¯¯y)2

 diagrama de dispersión
 el diagrama de dispersión, también conocido como gráfico de
dispersión o gráfico de correlación consiste en la representación
gráfica de dos variables para un conjunto de datos. En otras
palabras, analizamos la relación entre dos variables, conociendo qué
tanto se afectan entre sí o qué tan independientes son una de la otra.

 Regresión lineal simple

El análisis de regresión es una técnica estadística para investigar la
relación funcional entre dos o más variables, ajustando algún
modelo matemático.
La regresión lineal simple utiliza una sola variable de regresión y el
caso más sencillo es el modelo de línea recta.
 Regresión lineal múltiple
La regresión lineal múltiple trata de ajustar modelos lineales o
linealizables entre una variable dependiente y más de una variable
independiente. En este tipo de modelos es importante testar la
heterocedasticidad, la multicolinealidad y la especificación.
 correlación negativa
La correlación negativa, o correlación inversa, es un concepto clave
en la creación de carteras diversificadas que pueden soportar mejor
la volatilidad de la cartera.

 Correlación positiva

Una correlación positiva, es cuando el coeficiente de correlación es

mayor que 0, significa que ambas variables se mueven en la misma
dirección. Cuando ρ es +1, significa que las dos variables que se
comparan tienen una relación positiva perfecta; cuando una variable
se mueve más alta o más baja, la otra variable se mueve en la misma
dirección con la misma magnitud.
 Coeficiente de determinación R2
El coeficiente de determinación, R2, es una importante medida de la
regresión lineal que representa la parte de variación de la variable
dependiente que viene explicada por un conjunto de variables
independientes, por lo tanto, mide la capacidad predictiva del
modelo estimado.

Actividad 3

Un nutricionista realizó un estudio donde desea encontrar un

modelo matemático que permita determinar la relación entre el
Peso en kilogramos y la Edad en años de un grupo de pacientes,
para ello tomó una muestra al azar de 14 individuos, los resultados
del estudio se ilustran en la siguiente tabla.
Edad (X, en años) Peso (Y, en kilogramos
57 60
75 80
70 70
62 60
41 45
44 50
66 55
55 60
72 80
67 72
53 60
57 45
75 80
64 66
Ecuación Lineal
Y= (X) +b
Donde m; = pendiente
b = ordenada origen
entonces el modelo matemático que se asocia al peso es.
Y= 0,98 x + 3,11 Por lo tanto se requiere determinar el peso de
cualquier edad solo reemplazamos en la ecuación la edad
Ejemplo
c) Determine el modelo matemático que permite predecir el efecto de una variable sobre
la otra. ¿Es confiable?

Y = 0,98 x (98) + 3,11 = 99.11

El modelo no es confiable ya que esta sobre 1,
Entonces diríamos que para una persona que pese 98 kilo gramos el
peso es de 99.11 kilogramos.

El coeficiente de determinación = 0,74 x 100 = 74 está indicando la confiabilidad del

modelo matemático.
Se halla la raíz cuadra de 0,74 obtendremos 0,9 el cual es el coeficiente de correlación y
mide el tipo de correlación entre el peso y la edad.
Tabla de Interpretación entre variables
interpretación Valores de r(+) Valores de r(-) Valores de r(-)

correlación Perfecta =1 = -1
correlación Excelente 0.90 < r < 1 -1 < r < -0.90
correlación aceptable 0.80 < r < 0.90 -0.90 < r < -0.80
correlación Regular 0.60 < r < 0.80 0.80 < r < 0.60
correlación 0.30 < r < 0.60 -0.60 < r < 0.30
No hay correlación 0 < r < 0.30 -0.30<r0

De acuerdo con la tabla es este modelo es poco confiable

Y podemos determinar que no hay una correlación regular de acuerdo a la tabla de
interpretación

Peso (Y, en kilogramos

90
80
70
60
50
40
30
20
10
0
35 40 45 50 55 60 65 70 75 80