República bolivariana de Venezuela

Ministerio del poder popular para la educación

Unefm “Francisco de Miranda”

Coro Edo Falcón

Estimación, Regresión y correlación

Prof: Alumno:

Yelitza Castillo Ricardo Barrera

La estimación es la determinación de un elemento o factor. Esto, usualmente tomando
como referencia una base o conjunto de datos.

En otras palabras, la estimación es un cálculo que se realiza a partir de la

evaluación estadística. Dicho estudio suele efectuarse sobre una muestra y no
sobre toda la población objetivo.

Para llevar a cabo una estimación, entonces, es necesario primero contar con una
serie de datos. Además, es común que los investigadores se sustenten en un marco
teórico.

Por ejemplo, podemos estimar la inflación definiéndola como la diferencia entre los
precios (de la economía) del periodo A y los precios del periodo B. Entonces, se
calcula una variación porcentual entre los datos registrados en ambos puntos del
tiempo

Vale aclarar también que la estimación puede efectuarse sin rigurosidad

matemática. Esto suele suceder, por ejemplo, cuando se consulta a algunos
expertos sobre cuánto va a crecer la economía en el presente año. Entonces, sin
haber trabajado un cálculo econométrico, el analista lanza una cifra (o un rango),
posiblemente con base en los indicadores que se vienen observando, como el
consumo de cemento.

Usos de la estimación

La estimación puede ser utilizada para diversos fines como los siguientes:

Calcular indicadores estadísticos como la media, la mediana y la moda. Esto,

respecto a cualquier variable económica.

Calcular el valor de una variable determinada con base en otras. Por ejemplo,
estimar la balanza comercial si contamos con los datos de las exportaciones e
importaciones de un país.

Realizar proyecciones de una variable. Esto puede ser posible a partir de datos
históricos. Por ejemplo, tomando el modelo de las expectativas adaptativas puede
estimarse la inflación esperada por los consumidores en función a los incrementos
de precios en el pasado.
Calcular el valor contable o valorar un activo, tomando en cuenta que tiene un
periodo de vida útil. Por ejemplo, imaginemos que una maquinaria costó 5.000
euros y se estima que durará cinco años. Entonces, transcurridos cuatro años solo
valdrá una quinta parte, 1.000 euros, debido al desgaste. Todo, suponiendo que su
valor residual sea de 0 euros.

La estimación, en España, también está muy relacionada al cálculo del Impuesto

sobre la renta de las personas físicas (IRPF).

Regresión

El análisis de regresión es una herramienta de frecuente uso en estadística. La cual

permite investigar las relaciones entre diferentes variables cuantitativas. Esto,
mediante la formulación de ecuaciones matemáticas.

Visto de otro modo, dicho análisis es un proceso o modelo que analiza el vínculo
entre una variable dependiente y una o varias variables independientes. Así, a partir
de dicho estudio, se halla una relación matemática.

Gracias a los procesos de regresión, es posible entender el modo en que la variable

dependiente es afectada por cambios en los demás factores.

Aplicaciones del análisis de regresión

Una de las principales aplicaciones del análisis de regresión es la proyección con

diferentes escenarios. Esto, teniendo en cuenta el grado de influencia (en
estadística se conoce a esto como correlación) sobre la variable dependiente.

Es decir, el objetivo del análisis es construir una función que permita estimar el
valor futuro de la variable de estudio.

Desde otro punto de vista, la regresión permite calcular una esperanza (promedio)
condicional. Para ese fin, se toman como dados los valores de las variables
independientes.
Cabe precisar que cuando se tiene en cuenta solo una variable independiente
hablamos de regresión lineal simple. En cambio, si se incluyen más factores, se
trataría de una regresión lineal múltiple.

El análisis de regresión tiene aplicaciones para la vida cotidiana. Esto, desde el

estudio de accidentes de tráfico en una determinada zona geográfica hasta
comprobar si un plan de estudios es recomendable según la tasa de abandono
escolar, por ejemplo.

Ejemplo de análisis de regresión

Veamos un ejemplo muy simple del análisis de regresión. Supongamos que una
empresa quiere calcular la demanda por una determinada mercancía.

Como variable independiente, tomaremos el precio del producto. Entonces, la

compañía, en base a sus datos históricos, construye una ecuación como la
siguiente:

D=ap+b
Donde d es la cantidad de demanda y p es el precio del producto

Correlación

Indica mediante la letra r. La significancia estadística se indica mediante

un valor p. Por tanto, usualmente las correlaciones se escriben con dos
números clave: r = y p = .

Cuanto más se aproxima r a cero, más débil es la relación lineal.

Los valores de r positivos indican una correlación positiva, en la que los

valores de ambas variables tienden a incrementarse juntos.
Los valores de r negativos indican una correlación negativa, en la que
los valores de una variable tienden a incrementarse mientras que los
valores de la otra variable descienden.

El valor p aporta evidencia de que podemos concluir de manera

significativa que es probable que el coeficiente de correlación de la
población sea diferente a cero, basándonos en lo que hemos
observado en la muestra.

“Medida sin unidades” significa que la correlación tiene su propia

escala: en nuestro ejemplo, el número de r no está en la misma escala
que la altura ni que la temperatura. Esto es diferente a otros
estadísticos de resumen. Por ejemplo, la media de las medidas de
altura está en la misma escala que su variable.

Cómo visualizar la correlación con gráficos de dispersión

Volviendo al ejemplo anterior: a medida que la altura del camping

aumenta, la temperatura baja. Podemos observar esto directamente
con un gráfico de dispersión. Imagine que hemos representado los
datos de nuestros campings:

Cada punto del gráfico representa a un camping, que podemos ubicar

en un eje x e y, con la temperatura máxima en verano en función de la
altura.

El coeficiente de correlación ® también ilustra nuestro gráfico de

dispersión. Nos dice, en términos numéricos, que tan próximos están
los puntos representados en el gráfico de dispersión a una relación
lineal. Las relaciones más estrechas o los valores de r más grandes son
relaciones en las que los puntos están muy cerca de la línea que hemos
ajustado a los datos.
Qué ocurre con las relaciones más complejas?

Los gráficos de dispersión también son útiles para determinar si hay

algo en nuestros datos que pueda afectar a una correlación precisa,
como patrones poco habituales (por ejemplo, una relación curvilínea o
un valor extremadamente atípico).

Las correlaciones no pueden capturar con precisión las relaciones

curvilíneas. En una relación curvilínea, las variables están
correlacionadas en una dirección determinada hasta cierto punto, en el
cual la relación cambia.

Por ejemplo, imagine que estamos observando la altura de los

campings y la puntuación media que les dan los acampantes. Quizás la
altura y la puntuación estén correlacionadas de manera positiva al
principio, porque los campings que están más altos tienen mejores
vistas del parque. Pero a partir de cierto punto, las alturas más elevadas
se correlacionan negativamente con las puntuaciones, porque los
acampantes pasan frío por las noches.

Podemos obtener aún más información añadiendo elipses de densidad

sombreadas a nuestro gráfico de dispersión. Una elipse de densidad
ilustra la región con mayor densidad de puntos de un gráfico de
dispersión, lo que a su vez nos ayuda a ver la intensidad y la dirección
de la correlación.

Las elipses de densidad pueden tener diferentes tamaños. Una elección

común para examinar la correlación son las elipses de densidad del 95
%, que muestran aproximadamente el 95 % más denso de las
observaciones. Si las dos variables varían conjuntamente, como la
altura y la temperatura en nuestros campings, esperaríamos que la
elipse de densidad refleje la forma de la línea. Y podemos ver que en
una relación curvilínea, la elipse de densidad es circular: la correlación
no nos aportará una descripción significativa de esta relación.