Tema 5 - Regresion y Correlacion

Estadística Empresarial I.
Tema 5:Regresión y Correlación

.
Tema 5: Regresión y Correlación
 Dependencia funcional y dependencia estadística

 Regresión mínimo-cuadrática: Rectas de Regresión
 Coeficientes de Regresión
 Coeficientes de Determinación y de Correlación
 Predicción
Dr. José Javier Núñez Velázquez.

Departamento de Economía 10/31/2022
Estadística Empresarial I. Tema 5:Regresión y Correlación
.
DEPENDENCIA FUNCIONAL - DEPENDENCIA ESTADÍSTICA

Dependencia funcional: Relación matemática exacta entre dos variables.
y
y  bx
y5
y4
y3
y2
y1
x1 x2 x3 x4 x5 x
Dr. José Javier Núñez Velázquez. Nº 2

.
Dependencia estadística: Relación aproximada entre los valores de dos variables. A la función que
expresa matemáticamente esa “relación aproximada”se la conoce como línea de regresión.
Para que sea interesante el estudio estadístico debe haber un PLANTEAMIENTO TEÓRICO

.
Motivos para la dependencia

- Al analizar la dependencia entre dos variables, lo que se explora
es como está influida la variable dependiente o endógena por la
que actúa como independiente o exógena.
- Hay varios motivos por los que se puede observar cierta
dependencia entre variables:
- a) Relaciones espúreas o casuales. Aparecen por azar y no
tienen sentido real (accidentes de coche y producción de queso).
- b) Endogeneidad o dependencia de otra variable. La
dependencia viene generada por esa variable (consumo y ahorro).
- c) Relaciones causa-efecto. Estas son en las que estamos
interesados (renta y gasto).
.
Regresión y Correlación
 Cuando se analiza la dependencia estadística entre dos
caracteres (X,Y), entran en juego dos aspectos:
 En primer lugar, la medida de la intensidad de esa
dependencia, a lo que se denomina Correlación.
 En segundo lugar, la Regresión estudia como esta
dependencia se plasma de manera que pueda utilizarse para
predecir un carácter a partir del comportamiento de otro.
 Sólo estudiaremos dependencia entre variables estadísticas
en este curso.
 Así pues, el objetivo es aprovechar la intensidad de la
dependencia entre dos variables, para poder hacer
predicciones de la variable endógena a partir de la exógena.
 Dependiendo de la elección de las mismas, hay dos modelos
distintos de regresión SIEMPRE: Y/X y X/Y.
.
Presentación de los datos en análisis de regresión

- Cuando se analiza la dependencia estadística entre dos
caracteres (X,Y), los datos pueden venir dados de dos maneras:
 SIN TABULAR:
En este caso, cada dato tiene frecuencia unitaria, por cuanto
no se han tabulado. Tiene ventajas a la hora de simplificar las
expresiones puesto que sólo hay un subíndice:
{ (x1, y1), (x2, y2), …, (xN, yN)} = { (xi, yi), i=1,2,…,N}
Y se representan gráficamente mediante nubes de puntos.
 TABULADOS MEDIANTE TABLA DE CORRELACIÓN:
Es la forma general en que se presentaron en el Tema 4. en
este caso, los datos vienen afectados por dos índices y
frecuencias conjuntas:
{ (xi, yj), i=1,2,…,r; j=1,2,…,s}, { nij, i=1,2,…,r; j=1,2,…,s} (o fij)
.
ANÁLISIS DE REGRESIÓN
- Como ya se ha indicado, tratamos de aprovechar la dependencia
entre las variables (X,Y), para hacer predicciones sobre una a
partir de la otra (Y/X o X/Y). Esto puede hacerse de dos maneras:
 REGRESIÓN DE TIPO I o CONDICIONADA:
En este caso, las predicciones se realizan calculando la media
condicionada de la distribución correspondiente:
Y / X : y / X  x1, y / X  x2 ,..., y / X  x r   ( x i , y / X  x i ), i  1,2,..., r 
X / Y : x / Y  y1, x / Y  y 2 ,..., x / Y  y s   ( x / Y  y j , y j ), j  1,2,..., s
 REGRESIÓN DE TIPO II o MÍNIMO-CUADRÁTICA:

Ahora se postulan formas funcionales para expresar la
dependencia, dando lugar al ajuste de las mismas:
Y/X : Y=f(X)+e ; X/Y: X=g(Y)+e’

.
REGRESIÓN DE TIPO I o CONDICIONADA

Para cada valor de la variable exógena, se predice la media de la
distribución condicionada de la variable endógena a ese valor. Es decir:
- Modelo Y/X: El valor que se predice para Y cuando X=xi, es la media de
la variable condicionada Y/ X=xi .
- Modelo X/Y: El valor que se predice para X cuando Y=yj, es la media de
la variable condicionada X/ Y=yj. Es decir:
Y / X : y / X  x1, y / X  x2,..., y / X  xr   ( xi , y / X  xi ), i  1,2,..., r 
X / Y : x / Y  y1, x / Y  y 2 ,..., x / Y  y s   ( x / Y  y j , y j ), j  1,2,...,s
Es el modo más genuino e intuitivo de hacer regresión, pero:
 La fiabilidad de cada predicción vendrá determinada por la
representatividad de la media y, por tanto, por la desviación típica
condicional.
 Sólo pueden hacerse predicciones para los valores que se han
observado de la variable y se necesitarían cuantos más, mejor.
 No proporciona una forma funcional que permita hacer interpolaciones
ni extrapolaciones.
.
REGRESIÓN MÍNIMO-CUADRÁTICA
Se representa la nube de puntos dada por los valores observados y se elige una forma funcional compatible con
la forma de dicha nube
Y
yi
ei
yi*
xi X
Para cada observación (xi, yi ) se define un error. Como medida global del error calculamos la suma de sus
cuadrados.
residuo  ei  yi  yi *
S   ei2    yi  yi* 
2
i i
Se obtiene la combinación de valores de los parámetros de la función elegida que hace mínima esta suma de
errores.

.
REGRESIÓN LINEAL MÍNIMO CUADRÁTICA

Características:
a) Una sola variable explicativa.
b) La función a estimar es lineal
RECTA DE REGRESIÓN de Y SOBRE X Y X :
y*  a  bx
Pasos:
Se representa la nube de puntos dada por las observaciones.
Se ajusta la recta de regresión de forma que se minimicen los errores al cuadrado:
S   e    yi  y     y  a  bx 
N N N
2 * 2 2
i i i i
i 1 i 1 i 1
Desarrollando, se obtiene el sistema de ecuaciones normales mínimo cuadráticas:

N N
y
i 1
i  Na  b xi
i 1
N N N
x y
i 1
i i  a  xi  b xi2
i 1 i 1

.
REGRESIÓN LINEAL MÍNIMO-CUADRÁTICA

Se trata de ajustar una recta como modelo dependencia entre X e Y.
Así para el caso de Y/X:
- Y*=a+bX => yi*= a+b.xi.
- El ajuste consiste en encontrar la mejor recta posible que explique Y a
partir de X. Esta será la que cometa menor suma de errores al cuadrado,
para evitar que se compensen los signos al sumar.
- Por tanto, es un problema de optimización matemática.
N
Min S (a, b )  Min  ( y i  a  bx i )2 
a, b a, b
i 1
 S N N

 a
 2 
i 1
( y i  a  bx i ).( 1)  ( 2) 
i 1
( y i  a  bx i )  0
  
 S N N
 2 ( y i  a  bx i ).(  x i )  ( 2) ( x i y i  ax i  bx i )  02

 b i 1 i 1
 N N N N N



i 1
y i   a   bx i  0   y i  Na  b  x i
i 1 i 1 i 1 i 1
  N N N N N N

 
 i 1
x i y i  i 1
ax i  
i 1
bx 2
i  0  
i 1
x i y i  a 
i 1
x i  b 
i 1
x i2
 N

 2N 2 x i 
 S
2
 S
2 N
 S
2 N
 S
2 N
 2N;  2 x i ;
2
 2 x i ;  2 x i  H   N i 1 
a 2 b 2 a b b a  N 
 2 x i 2 x i2 
i 1 i 1 i 1
 i 1 i 1 
.
REGRESIÓN LINEAL MÍNIMO CUADRÁTICA (CONTINUACIÓN)
Desarrollando las ecuaciones normales se llega a los coeficientes de regresión
 Sx y
 b  bY X  2

 Coeficiente de regresión
 S x

a  Y  b  X  Y  S x y X  Ordenada en el origen
 Y X
S x2
Sustituyendo a y b en la recta de regresión:
x  X 
Sx y
y Y 
S x2
Se deduce que la recta de regresión pasa por el punto X ,Y 

bY/X : Coeficiente de regresión de Y X
Determina en cuánto varía la variable dependiente cuando la independiente varía en una unidad.

.

Y/X
 N N
  y i  Na  b  xi  y  a  bx  a  y  bx
 i 1 i 1
N     
N
 x y  a x  b x2
N
 11
a  a. x  b.a  11
a  ( y  bx ) x  b.a

 i 1 i i 
i 1
i i 1
i
20 20
s
 a11  xy  bx 2  b.a20  a11  xy  b.(a20  x 2 )  s xy  b.s x2  b  xy2 
sx
sxy
 Y / X : Y  a  bX  ( y  bx )  bX  y  b( X  x )  (Y  y )  (X  x)
sx2
Puede observarse que:
- El signo de la pendiente coincide con el de la covarianza, puesto que la
varianza es no negativa. Por tanto, ambas rectas son crecientes o ambas
son decrecientes dependiendo del sentido de su dependencia.
- Ambas rectas se cortan en el punto ( x , y )
- Los coeficientes de regresión respectivos son las pendientes de las
rectas de regresión: b y x
 , b 
x y
Y/X X /Y
.
RECTA DE REGRESIÓN DE X SOBRE Y X Y:

x*  a´b´ y
Los errores al cuadrado a minimizar son:
S   e    xi  x     x  a´b´ y 
N N N
2 * 2 2
i i i i
i 1 i 1 i 1
Las ecuaciones normales son:
N N
 xi  Na´ b´  yi
i 1 i 1
N N N
x y
i 1
i i  a´  yi  b´  yi2
i 1 i 1
La recta de regresión y los coeficientes serán:
 Sx y
b´ bX Y  S 2
 y Y  
Sx y
x X  
y
S y2
a´ X  S x y Y
 S 2
 y

.

Para el caso de X/Y:
- X*=a+bY => xi*= a+b.yi.
- El ajuste ahora consiste en encontrar la mejor recta posible que
explique X a partir de Y..
- Cambiando los papeles de X e Y, se obtienen las ecuaciones normales
para la recta X/Y y, de nuevo, se alcanza un mínimo al ser la matriz
hessiana H’, semi-definida positiva.
N
Min S (a ', b ')  Min  ( x i  a ' b ' y i )2 
a ', b ' a ', b '
i 1
 S N N

 a '
 2 
i 1
( x i  a '  b ' y i ).( 1)  ( 2) 
i 1
( x i  a ' b ' y i )  0
  
 S N N
 2 ( x i  a ' b ' y i ).(  y i )  ( 2) ( x i y i  a ' y i  b ' y i )  0 2

 b ' i 1 i 1
 N N N N N



i 1
x i   a '   b ' y i  0   x i  Na ' b '  y i
i 1 i 1 i 1 i 1
  N N N N N N

 
 i 1
x i y i  
i 1
a ' y i  
i 1
b ' y 2
i  0  
i 1
x i y i  a ' 
i 1
y i  b ' 
i 1
y i2
 N

 2N 2 y i 
 S
2
 S
2 N
 S
2 N
 S
2 N
 2N;  2 y i ;
2
 2 y i ;  2 y i  H '   N i 1 
a '2 b '2 a ' b ' b ' a '  N 
 2 y i 2 y i2 
i 1 i 1 i 1
 i 1 i 1 
.
EJEMPLO 2: En 10 familias se han observado sus ingresos (x) y sus gastos (y) semanales expresados en
cientos de euros dando lugar a las siguientes cantidades (x; 2,3,4,5,6,7,8,8,9,10) e (y; 2,3,3,4,4,5,6,5,7,9).
Obtener la recta de regresión del gasto en función de los ingresos e interpretar los valores estimados del
coeficiente de regresión y de la ordenada en el origen.
xi yi xiyi xi2 y i2
2 2 4 4 4
3 3 9 9 9
4 3 12 16 9
5 4 20 25 16
6 4 24 36 16
7 5 35 49 25
8 6 48 64 36
8 5 40 64 25
9 7 63 81 49
10 9 90 100 81
62 48 345 448 270

.
cientos de euros, dando lugar a las siguientes cantidades (x; 2,3,4,5,6,7,8,8,9,10) e (y; 2,3,3,4,4,5,6,5,7,9).
coeficiente de regresión y de la ordenada en el origen.
10
8
gastos 6
4
2
0
0 5 10 15
ingresos
10 10 10 10 10
 48  10a  62b
x
i 1
i  62,  y i  48,  x  448,  y  270,  xi y i  345
i 1 i 1
2
i
i 1
2
i
i 1
=> 345  62a  448b
b= 0.745, a= 0.179, Y/X y=0.179+0.745x
 62  10a ' 48b '

 b'= 1.197, a’= 0.454, X/Y x=0.454+1.197y
345  48a ' 270b ' =>
x  6.2; y  4.8; a11  34.5; a20  44.8; a02  27  s xy  34.5  (6.2)(4.8)  4.74
sx2  a20  x 2  44.8  (6.2)2  6.36; sy2  a02  y 2  27  (4.8)2  3.96 Nº 17
.
cientos de euros, dando lugar a las siguientes cantidades (x; 2,3,4,5,6,7,8,8,9,10) e (y; 2,3,3,4,4,5,6,5,7,9).
coeficiente de regresión y de la ordenada en el origen. (TABLA DE CORRELACIÓN)
xi\yj 2 3 4 5 6 7 9 ni. xini. xi2ni.

2 1 - - - - - - 1 2 4
3 - 1 - - - - - 1 3 9
4 - 1 - - - - - 1 4 16
5 - - 1 - - - - 1 5 25
6 - - 1 - - - - 1 6 36
7 - - - 1 - - - 1 7 49
8 - - - 1 1 - - 2 16 128
9 - - - - - 1 - 1 9 81
10 - - - - - - 1 1 10 100
n.j 1 2 2 2 1 1 1 10 62 448
yjn.j 2 6 8 10 6 7 9 48
yj2n.j 4 18 32 50 36 49 81 270
.
Correlación: estudia el GRADO DE DEPENDENCIA entre las variables
Hablaremos de correlación lineal cuando se estudia el grado de dependencia de tipo lineal, y simple
cuando sólo hay una variable exógena.
Descomposición de la Varianza
Se parte de la expresión:
yi  yi*  ei
Haciendo las correspondientes operaciones se llega a la descomposición de la varianza:
S y2  S *2y  S e2
La variable endógena tiene una dispersión parte de la cual se explica por la forma del propio modelo
(varianza explicada por la regresión).
La varianza de la distribución de residuos se conoce como varianza residual.
Dos expresiones de gran utilidad son las siguientes:

S xy2
S S 
2
e
2
y
S x2
S xy2
S *2y  S y2  Se2 
S x2
.
Varianza Explicada por la Regresión

S xy2
S *2
y  S S 
2
y
2
e
S x2
Dos casos extremos:
a) La variación total de la variable dependiente es explicada totalmente por la variable independiente.
Se2  0 S y2  S y2t
b) La varianza total de la variable dependiente no puede ser explicada en ningún grado por el modelo,
(incorrelación)
En cualquier otro caso, la variación total de la variable dependiente es explicada sólo en parte por la
variación de la variable independiente. Por ello, dos conceptos importantes:
- COEFICIENTE DE DETERMINACIÓN
- COEFICIENTE DE CORRELACIÓN LINEAL

.
Coeficiente de determinación:
Parte de la varianza de la variable dependiente explicada por la regresión:
S *2y S y2  Se2 Se2

R 
2
2
  1 2
S y S y2 Sy
Propiedades:
- 0  R2  1
- Si R2  1 la dependencia entre las variables es exactamente funcional.
- Si R
2
 0 la línea teórica obtenida no representa en absoluto la posible dependencia entre las
variables.
- R 2  b  b´
- En la práctica, generalmente, consideramos el ajuste bueno si:
R 2  0.75

.
Coeficiente de correlación lineal

(aplicable sólo al caso de relación lineal entre variables):
Se2 S
r   1  2  xy   b  b´
S y Sx  S y
Este coeficiente mide el grado de dependencia lineal de la variable endógena ante los valores de la variable
exógena.
Propiedades:
- Se verifica que: r 2  R2
- 1  r  1
- Si r  1  Se  0, Sxy  0  entre las variables hay una dependencia lineal exacta y directa.
2
- Si r  1  Se2  0, Sxy  0  entre las variables hay una dependencia lineal exacta e inversa.
- Si r=0 no hay relación lineal aunque sí puede haberla de otro tipo.
- Si las variables son independientes, entonces Se=0 y por o tanto, r=0.

.
Podemos ver rectas de regresión para distintos valores de r:
1
b b
1
b´ b´
En este gráfico se observa qué recta está por encima en cada cuadrante.

.
DESCOMPOSICIÓN DE LA VARIANZA
y i*  a  bxi  y *  a  bx  y 
2
1 N * 1 N 1 N 2 sxy
s 2
y*   (y i  y *)   (a  bxi  a  bx )   b ( x i  x )  b s x  2
2 2 2 2 2
N i 1 N i 1 N i 1 sx
ei  y i  y i*  e  y  y *  0
ei  y i  a  bxi  y i  ( y  bx )  bx i  ( y i  y )  b( x i  x ) 
1 N 1 N 1 N 2b N b2 N
 s   (ei  e )   ( y i  y )  b( xi  x )   ( y i  y )   
2
2
e
2 2
( y i  y )( xi  x )  ( xi  x )2 
N i 1 N i 1 N i 1 N i 1 N i 1
2 2 2
sxy sxy sxy
 s  2bsxy  b s  s  2
2
y
2 2
x
2
y  s s 
2
x
2
y
sx2 (sx2 )2 sx2
 sy2  sy2 *  se2
COEFICIENTE DE DETERMINACIÓN
2 2
sxy sxy
sy2 * sx2
2
sxy sy2 sx2*
R 2
Y/X      2  R X2 / Y  R 2
sy2 sy2 sx2sy2 sx2 sx
2
sxy sxy sxy
bY / X  2
; bX / Y  2
 bY / X bX / Y  2 2
 R2
Dr. José Javier Núñez Velázquez. s s ss
x y x y
.
EJEMPLO 2: En 10 familias se han observado sus ingresos (x) y sus gastos (y) semanales
expresados en cientos de euros, dando lugar a las siguientes cantidades (x; 2,3,4,5,6,7,8,8,9,10) e
(y; 2,3,3,4,4,5,6,5,7,9). Obtener la recta de regresión del gasto en función de los ingresos e
interpretar los valores estimados del coeficiente de regresión y de la ordenada en el origen.
x  6.2; y  4.8; a11  34.5; a20  44.8; a02  26.6  s xy  34.5  (6.2)(4.8)  4.74
sx2  a20  x 2  44.8  (6.2)2  6.36; sy2  a02  y 2  26.6  (4.8)2  3.56
Descomposición de la Varianza de Y:
2
(4.74)2 sxy
Explicada por la regresión: s  2   3.5327
2
y*
sx 6.36
2
sxy (4.74)2 sy2 * 3.5327
Residual: se  sy  2  3.56 
2 2
 0.4273 R2
Y/X  2
  0.9923
sx 6.36 s y 3.56
Varianza Total: sy2  3.56
2
sxy
Descomposición de la Varianza de X: R2
Y/X R 2
X /Y R 2
 bY / X bX / Y  0.9923
sx2sy2
2
(4.74)2
sxy
Explicada por la regresión: s  s 2  3.56  6.3111
2
x*
2 y sx2* 6.3111
s (4.74)2 R 2
 2   0.9923
Residual: se  sx  s 2  6.36  3.56  0.0489
2 2 xy
X /Y
sx 6.36
y
Varianza Total: sx2  6.36

.
PREDICCIÓN
Se realizan las predicciones utilizando la recta de regresión estimada:
yi*  a  bxi
Propiedades:
- Cuanto mayor sea la varianza explicada por la regresión (mayor coeficiente de determinación) mejor
es la predicción.
- Cuanto más cerca está el valor de predicción de x de X mejor es la predicción.
- La predicción es análoga para el caso de la regresión de X/Y.

.
EJEMPLO : Utilizando los datos del ejemplo 2, predecir el gasto para una familia con unos ingresos de 7
millones anuales y comentar la fiabilidad de dicha predicción.
SOLUCIÓN:
Del ejemplo 2 sabemos que:
y=0,179+0,745x
Por lo que sustituyendo en la recta de regresión estimada tenemos que:
y=0,179+0,745*7=5,394
Para una familia con esos ingresos el consumo esperado es de 5,394 millones anuales.
Para ver la fiabilidad de la regresión hemos de calcular el coeficiente de determinación:
S *2y 3,5327
R2    0,89
S y2 3,96
Al ser el coeficiente de determinación mayor que 0,75 y estar el valor de predicción cerca de la media
consideramos que la predicción es fiable.

.
PREDICCIONES Y FIABILIDAD
Para efectuar y valorar en fiabilidad una predicción obtenida por
un modelo de regresión, han de tenerse en cuenta los siguientes
aspectos :
- Ha de elegirse el modelo adecuado, de acuerdo con el objetivo de
predicción. Es decir, ha de decidirse si utilizar Y/X o X/Y, puesto
que NO SON IGUALES.
- Si el modelo muestra poca fiabilidad porque la intensidad de la
dependencia es escasa, entonces las predicciones tampoco serán
fiables. Para valorar este aspecto, se debe utilizar el
COEFICIENTE DE CORRELACIÓN LINEAL (r) o,
preferentemente por su significado más concreto el
COEFICIENTE DE DETERMINACIÓN (R2).
- La cercanía a la media del valor para el que se desea predecir,
puesto que las rectas de regresión se comportan mejor cuanto más
cerca se esté de ( x, y )
.
REGRESIÓN NO LINEAL
Cuando la fiabilidad de un modelo lineal de regresión sobre (X,Y) no sea lo
suficientemente buena, puede intentarse la utilización de:
- MODELOS NO LINEALES.
En este caso, se trata de ajustar funciones no lineales para expresar la
dependencia entre las variables. Entre ellos, pueden destacarse los
siguientes:
1. MODELOS LINEALIZABLES
Se convierten en lineales mediante un cambio de variable adecuado. Los
modelos más utilizados son el HIPERBÓLICO, el LOGARÍTMICO, el
POTENCIAL y el EXPONENCIAL.
2. MODELOS POLINÓMICOS
Consisten en utilizar un polinomio de orden superior a 1. Entre ellos, el
modelo más utilizado es el PARABÓLICO: Y=a+bX+cX2
3. OTROS MODELOS MÁS COMPLEJOS (Logístico, etc.)
- MODELOS DE REGRESIÓN MÚLTIPLE
Aparecen aumentando el número de variables exógenas en el modelo y son
del tipo: Y=a+b1X1+b2X2+…+bnXn

.
REGRESIÓN LINEALIZABLE
1. MODELO HIPERBÓLICO 2. MODELO LOGARÍTMICO

b
Y a Y  a  b.LnX
X
1 Z  LnX  Y  a  bZ
Z  Y  a  bZ
X
3. MODELO EXPONENCIAL 4. MODELO POTENCIAL

Y  a. X b
Y  a.b X
LnY  Lna  b.LnX  A  b.LnX
LnY  Lna  X .Lnb  A  BX
U  LnY 
  U  A  b.Z, a  e
A
U  LnY  U  A  B. X , a  e A , b  e B
Z  LnX 

.
REGRESIÓN PARABÓLICA MÍNIMO-CUADRÁTICA

Se trata de ajustar una parábola como modelo dependencia entre X e
Y.Así para el caso de Y/X:
- Y*=a+bX+cX2 => yi*= a+b.xi+cxi2
- De nuevo, el ajuste consiste en encontrar la mejor parábola posible que
explique Y a partir de X. Esta será la que cometa menor suma de errores al
cuadrado, para evitar que se compensen los signos al sumar.
- Por tanto, es también un problema de optimización matemática, que da
lugar a un sistema de tres ecuaciones lineales o ecuaciones normales.
N
Min S(a, b, c )  Min  ( y i  a  bx i  cx i2 )2 
a, b, c a, b,c
i 1
S 
N N N

 0  y i  Na  b xi  c  xi2 
a i 1 i 1 i 1


S  N N N N

 0   ...   xi y i  a xi  b xi2  c  xi3 
b  i 1 i 1 i 1 i 1 
S  N N N N 
c
 0
 
i 1
x 2
i y i  a 
i 1
x 2
i  b i 1
x 3
i  c i 1
x i 
4


Tema 5 - Regresion y Correlacion

Cargado por

Información del documento

Descripción original:

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Tema 5 - Regresion y Correlacion

Cargado por

Copyright:

Formatos disponibles

Estadística Empresarial I.

Tema 5:Regresión y Correlación

Tema 5: Regresión y Correlación

 Dependencia funcional y dependencia estadística

Dr. José Javier Núñez Velázquez.

DEPENDENCIA FUNCIONAL - DEPENDENCIA ESTADÍSTICA

Dr. José Javier Núñez Velázquez. Nº 2

Dr. José Javier Núñez Velázquez. Nº 3

Motivos para la dependencia

Presentación de los datos en análisis de regresión

 REGRESIÓN DE TIPO II o MÍNIMO-CUADRÁTICA:

Dr. José Javier Núñez Velázquez.

REGRESIÓN DE TIPO I o CONDICIONADA

Dr. José Javier Núñez Velázquez. Nº 9

REGRESIÓN LINEAL MÍNIMO CUADRÁTICA

RECTA DE REGRESIÓN de Y SOBRE X Y X :

Desarrollando, se obtiene el sistema de ecuaciones normales mínimo cuadráticas:

Dr. José Javier Núñez Velázquez. Nº 10

REGRESIÓN LINEAL MÍNIMO-CUADRÁTICA

REGRESIÓN LINEAL MÍNIMO CUADRÁTICA (CONTINUACIÓN)

Desarrollando las ecuaciones normales se llega a los coeficientes de regresión

Sustituyendo a y b en la recta de regresión:

Se deduce que la recta de regresión pasa por el punto X ,Y 

Dr. José Javier Núñez Velázquez. Nº 12

REGRESIÓN LINEAL MÍNIMO-CUADRÁTICA

RECTA DE REGRESIÓN DE X SOBRE Y X Y:

La recta de regresión y los coeficientes serán:

Dr. José Javier Núñez Velázquez. Nº 14

REGRESIÓN LINEAL MÍNIMO-CUADRÁTICA

Dr. José Javier Núñez Velázquez. Nº 16

 62  10a ' 48b '

xi\yj 2 3 4 5 6 7 9 ni. xini. xi2ni.

Correlación: estudia el GRADO DE DEPENDENCIA entre las variables

Dos expresiones de gran utilidad son las siguientes:

Varianza Explicada por la Regresión

a) La variación total de la variable dependiente es explicada totalmente por la variable independiente.

Dr. José Javier Núñez Velázquez. Nº 20

S *2y S y2  Se2 Se2

- En la práctica, generalmente, consideramos el ajuste bueno si:

Dr. José Javier Núñez Velázquez. Nº 21

Coeficiente de correlación lineal

Dr. José Javier Núñez Velázquez. Nº 22

Podemos ver rectas de regresión para distintos valores de r:

Dr. José Javier Núñez Velázquez. Nº 23

 sy2  sy2 *  se2

Varianza Total: sx2  6.36

- Cuanto más cerca está el valor de predicción de x de X mejor es la predicción.

- La predicción es análoga para el caso de la regresión de X/Y.

Dr. José Javier Núñez Velázquez. Nº 26

Dr. José Javier Núñez Velázquez. Nº 27

Dr. José Javier Núñez Velázquez.

1. MODELO HIPERBÓLICO 2. MODELO LOGARÍTMICO

3. MODELO EXPONENCIAL 4. MODELO POTENCIAL

Dr. José Javier Núñez Velázquez.

REGRESIÓN PARABÓLICA MÍNIMO-CUADRÁTICA

Dr. José Javier Núñez Velázquez.

También podría gustarte