Estadística aplicada

Correlación y
Regresión lineal
simple

Dra. Blanca Flor Robles Pastor.

Máster en Estadística Aplicada
Universidad de Alcalá-Madrid.

1
Relación de variables

Costo de proyecto

Superficie m2

2
 Estadística aplicada

- Dependiente Datos
Variables de Relación - Independiente Cuantitativos

Dependiente (Y) Es aquella variable que recibe influencia de otra variable.

Independiente (X): es aquella variable que determina el comportamiento de la

variable dependiente.
x y
Ejemplo:
x(1) y( 1 )
x( 2 ) y( 2 ) Superficie (X)
  y
x(n ) y( n )
Costo del proyecto (Y)

Y = f (X )
3
 Estadística aplicada

- Covarianza Datos
MEDIDAS DE ASOCIACIÓN LINEAL
- Correlación Cuantitativos

x
x1 Recordemos que: Hasta ahora hemos estudiado las medidas tendencia
central (Media, Mediana, Moda) y dispersión
x2 (Varianza y Desviación Estándar) para una Variable
 Cuantitativa (x).
xn

Covarianza: Es una medida de Variabilidad Conjunta entre dos variables (x1 , x2) o bien (x , y)
1 n
x y cov( x , y )   ( xi  x )( yi  y )
n  1 i 1
x(1) y( 1 )
Si Cov(x,y) es positiva: la asociación entre x e y es directamente proporcional,
x( 2 ) y( 2 )
es decir que cuando x aumenta y también aumenta; y viceversa.
 
Si Cov(x,y) es negativa: la asociación entre x e y es inversamente proporcional,
x(n ) y( n ) es decir que cuando x aumenta y disminuye; y viceversa.
Si Cov(x,y) es cero: no existe asociación entre x e y.
4
 Estadística aplicada

- Covarianza Datos
MEDIDAS DE ASOCIACIÓN LINEAL
- Correlación Cuantitativos

Correlación: Se refiere al grado de asociación entre dos variables (x1 , x2) o bien (x , y)
Coeficiente de Correlación de Pearson (r): Mide el grado de Asociación Lineal
entre dos variables Cuantitativas
n
 xi yi  nxy
x y
cov( x , y )
x(1) y( 1 ) r 1  r  1
sx s y r  i 1
x( 2 ) y( 2 ) ( n  1 )s x s y
  Si r es positivo: la asociación entre x e y es directamente proporcional, es decir que
x(n ) y( n ) cuando x aumenta y también aumenta; y viceversa. Si r=1: la asociación lineal es
perfecta.
Si r es negativo: la asociación entre x e y es inversamente proporcional, es decir
que cuando x aumenta y disminuye; y viceversa. Si r=-1: la asociación lineal es
perfecta.
Si r es cero: no existe asociación entre x e y.

5
 Estadística aplicada

EJEMPLO : Representación gráfica de las variables x e y

r=1 r=-1

6
 Estadística aplicada

Datos Cuantitativos

REGRESION LINEAL SIMPLE

Objetivo 1 Objetivo 2
Determinar si dos variables están x y Estudiar si los valores de una
asociadas y en qué sentido se da x(1) y( 1 ) variable pueden ser utilizados para
la asociación. predecir el valor de la otra
x( 2 ) y( 2 )
 
Determinar si existe relación x(n ) y( n )
Estudiar la dependencia de una
entre las variables x e y: variable respecto de la otra:
Coeficiente de Correlación Modelo de Regresión
Términos
Variable Respuesta (=variable dependiente)
Variable Explicativa (=variable Independiente)
Relación Lineal (modelo lineal)
Parámetros (intercepto y pendiente)
Intercepto (respuesta media)
Pendiente (efecto de la variable explicativa sobre la respuesta)
Error (residuo)
7
 Estadística aplicada

Datos Cuantitativos
REGRESION LINEAL SIMPLE
x y
x(1) y( 1 ) Notación
x( 2 ) y( 2 ) Variable Respuesta: y
Variable Explicativa: x
 
y( n ) Modelo de Regresión Lineal Simple: yi=+xi+ei
x(n )
Intercepto: 
Pendiente: 
Error: e
Modelo Estimado
(recta de regresión) Método de Estimación: Mínimos Cuadrados
a  y  bx
n n n
yˆ  a  bx
Residuos o Errores
n xy   xi  y i ei  yi  yˆ i
b i 1 i 1 i 1
2
n
 n 
n  x    xi 
2

i 1  i 1 
8
 Estadística aplicada

REGRESION LINEAL SIMPLE

MODELO DE REGRESIÓN LINEAL SIMPLE

yi=+xi+ei

DATOS MODELO ESTIMADO

x y
y( 1 )
yˆ  a  bx
x(1)
x( 2 ) y( 2 )
  ESTIMADORES ERRORES
x(n ) y( n ) a  y  bx ei  yi  yˆ i
n n n
n xy   xi  y i
b i 1 i 1 i 1
n
  n 2
b= cov(x;y)/var(x)
n  x    xi 
2

i 1  i 1 
9
 Estadística aplicada

REGRESION LINEAL SIMPLE

EJEMPLO: Aplicación del Modelo de Regresión Lineal Simple

Problema 1: Se cuenta con las mediciones sobre el estudio de proyectos de edificios
habitacionales en altura; para lo cual, se ha evaluado el tamaño (Sup. m2) y costo de los
edificios recabados. Fuente: Proyectos habitacionales G&INMB.
Costo del
Superficie m2 proyecto md a) Calcular e interpretar la covarianza
(Xi) (Yi)
10500 123000 b) Calcular e interpretar el coeficiente
8950
5200
80700
58565
de correlación de Pearson
19764 224306
c) Calcular e interpretar el coeficiente
8901 94891
20470 186809 de determinación lineal.
6050 63706
d) Construir el diagrama de dispersión.
e) Estimar el modelo de regresión lineal
simple
f) Realizar pronósticos. 10