Asociación Entre Variables

VARIABLE
X

VARIABLE
Y

Mara Elena Marcoleri
Mg. en Estadstica Aplicada
Estimacin por asociacin
Predecir valores de una variable como
funcin de otra u otras variables
Y = f (X)
Asociacin entre variables cuantitativas
Variable X
independiente?
Variable Y
dependiente?
SE ASOCIAN
Tienen
relacin?
Qu clase de
relacin tienen?
Diagrama de
dispersin
Qu grado de
relacin tienen?
ANALISIS DE CORRELACIN
ANLISIS DE
REGRESIN
Prediccin: cunto
vale Y si X vale....?
DOS ASPECTOS:
ANLISIS DE CORRELACIN
Grado de relacin
ANLISIS DE REGRESIN
Naturaleza de la relacin
CLASES DE ASOCIACIN
Simple
(2 variables)
Mltiple
(Ms de 2 variables)
SEGN CANTIDAD
DE VARIABLES
LINEAL NO LINEAL
SEGN NATURALEZA
DE LA RELACIN
ASOCIACIN
ANLISIS DE CORRELACIN
BIVARIABLE LINEAL
MUESTRA DE n INDIVIDUOS
Individuo x
i
y
i
Pares ordenados
1 x
1
y
1
(x
1
, y
1
)

2 x
2
y
2
(x
2
, y
2
)

3 x
3
y
3
(x
3
, y
3
)

... ... ... ......
n x
n
y
n
(x
n
, y
n
)

1
er.
Paso: ver si existe correlacin
lineal entre X e Y
DIAGRAMA DE DISPERSIN
( Nube de puntos )
Ejemplo de aplicacin
Datos

Alumno: 1 2 3 4 5 6 7 8 9 10
Matemt. 8 4 7 8 10 3 9 2 6 5
Fsica 7 2 6 6 9 2 7 1 5 4
Variables: X Calificaciones en Matemtica
Y Calificaciones en Fsica
Diagrama de Dispersin
0 2 4 6 8 10 M
F
10
8
6
4
2

Supuestos bsicos del anlisis de correlacin
bivariable lineal
X e Y son variables aleatorias
La poblacin bivariable es normal
X ~ normal con E(X) =
x
y V(X) =
o
2
x
Y ~ normal con E(Y) =
y
y V(Y) =
o
2
y
La relacin entre X e Y es lineal
2do. Paso: Clculo del
Coeficiente de correlacin lineal
El coeficiente de correlacin lineal mide el grado de
intensidad de la posible relacin entre las variables.
X Y
X Y Cov
o o
) , (
=
| |
2 2
) ( . ) (
) ).( (
X Y
X Y
X E Y E
X Y E

=
Frmula de trabajo del
Coeficiente de correlacin lineal
(
=

= = =
= = =
n
i
i i
n
i
n
i
i i
n
i
n
i
i i
n
i
i i
n x x n y y
n x y x y
r
1
2 2
1 1
2 2
1 1 1
/ ) ( . / ) (
/ ) ).( ( .
- no mide la magnitud de la pendiente
("fuerza de la asociacin")
- tampoco mide lo apropiado del modelo lineal
3
er.
Paso: Interpretacin de r
r 1 Correlacin lineal positiva alta
r 0 No existe correlacin lineal
r 0,5 Correlacin lineal positiva
moderada
r -1 Correlacin lineal negativa
alta
r -0,5 Correlacin lineal negativa
moderada

Datos

Alumno: 1 2 3 4 5 6 7 8 9 10
Matemt. 8 4 7 8 10 3 9 2 6 5
Fsica 7 2 6 6 9 2 7 1 5 4
Variables: X Calificaciones en Matemtica
Y Calificaciones en Fsica
0 2 4 6 8 10 M
F
10
8
6
4
2

Tabla de resultados
Variable X
E
i
y
i
x
i
= 365
E
i
x
i
= 62
E
i
x
i
2
=448
Media = 6,2
o = 2,658
Variable Y
E
i
y
i
= 49
E
i
y
i
2
= 301
Media = 4,9
o = 2,601
n = 10

Calculo de r y r
2

r =
365 [(62) . (49)] / 10
\ [468 (62)
2
/10].[301 (49)
2
/10 ]
r = 0.98 Correlacin lineal positiva alta
r
2
= 0.96 Alto grado de linealidad en
los puntos del diagrama
Prueba de la existencia de correlacin lineal
bivariable estadsticamente significativa
Hiptesis: H
0
: = 0 (No existe correlacin lineal
estadsticamente significativa entre las
variables)
H
1
: 0 (Existe correlacin lineal
estadsticamente significativa entre las
variables)
Nivel de significacin: P(e
I
) = o
Estadstica de prueba:
t
c
= r (n-2) / 1 - r
2
~ t de Student con o=n-2
bajo el supuesto de que H
0
es verdadera.
Criterio de decisin: rechazar H
0
si, solo si,
t
c
< -t
o,o

t
c
> t
o,o
(prueba bilateral)
Clculos: se realizan todos los clculos
necesarios para determinar

t
c

Decisin: si

t
c
a la regin crtica, se
rechaza la hiptesis nula.

si

t
c
no a la regin crtica, se dice que no
existen evidencias suficientes para
rechazar la hiptesis nula.
Conclusin: se interpreta la decisin.

ANLISIS DE REGRESIN
BIVARIABLE LINEAL
FUNCIN MATEMTICA

PREDICCIN
0 2 4 6 8 10 M
F
10
8
6
4
2

Modelo de regresin bivariable lineal
= o + |x
i
+ c
i

Y : variable dependiente o explicada
X : variable independiente o explicativa
Parmetros de regresin
llamados coeficientes de
regresin de poblacin
Residual
i
y
i
y

La relacin de dependencia lineal
consta de dos partes
Parte sistemtica:
o + |x
i
Parte estocstica:
c
i
Modelo probabilista
Supuestos bsicos del A.R.B.L.
La variable independiente X toma valores
fijados o predeterminados por el investigador,
y existe una subpoblacin de Y para cada X.
El residuo, c
i
, asociado con cada x
i
, es una
variable aleatoria con distribucin normal,
con E(c
i
) = 0 y E(y / x ) = o + | x
i
se llama
ecuacin de regresin de poblacin.
La variancia de la regresin es constante.
V(y
i
) = = o
2
.
. c
i
es estadsticamente independiente de x
i
.
o
c
2
Estimacin de los parmetros de regresin
Ecuacin de regresin lineal de Y sobre X
Poblacional
Muestral
y
i
= o + |x
i

= a + b x
i
a: estimador puntual de o
b: estimador puntual de |
i
y

Estimacin de los parmetros
Mtodo de Mnimos Cuadrados
ES UN MNIMO

= =
=
n
i
i i
n
i
i i
bx a y y y
1
2
1
2
) ( )
(
Para demostrar que la expresin anterior
es un mnimo, se debe aplicar derivacin
parcial con respecto a a y a b; y mediante
el criterio de la derivada segunda
(derivada primera igual a cero y derivada
segunda positiva), se obtiene un sistema
de ecuaciones normales.

= =
=
n
i
i i
n
i
i i
bx a y y y
1
2
1
2
) ( )
(

= =
= =
n
i
i i
n
i
i i
bx a y y y
1
2
1
2
) ( )
(
0
'
=
a o
o
0
' '
)
a o
o
0
'
=
b o
o
0
' '
)
b o
o
Sistema de
ecuaciones
normales

= =
+ =
n
i
i
n
i
i
x b na y
1 1

= = =
+ =
n
i
i
n
i
i
n
i
i i
x b x a y x
1
2
1 1
ECUACIN DE LA RECTA DE
REGRESIN DE Y SOBRE X
i i
bx a y + =
x b y a =

= =
= = =
=
n
i
n
i
i i
n
i
n
i
n
i
i i i i
n x x
n x y x y
b
1 1
2 2
1 1 1
/ ) (
/ ) ).( ( .
i = 1, 2, 3, , n
Si X se transforma tal que
0
1
=
=
n
i
i
x
y a =
=
=
=
n
i
i
n
i
i i
x
x y
b
1
2
1
Tres interpretaciones de a y b
Para a:
Interpretacin geomtrica a es la ordenada al origen
Interpretacin general a es el valor de la variable
dependiente cuando la variable independiente vale cero.
Interpretacin especfica del problema particular que se
resuelve.
Para b:
Interpretacin geomtrica b es la pendiente de la lnea
Interpretacin general b es el cambio en la variable
dependiente por unidad de cambio de la variable
independiente.
Interpretacin especfica del problema particular que se
resuelve.
Datos

Das 1 2 3 4 5 6 7 8 9 10
Anuncios 4 2 5 6 3 1 7 8 9 10
Ventas 15 8 21 24 17 4 25 23 30 32
Variables: X N de anuncios publicitarios
Y Ventas
Anuncios
12 10 8 6 4 2 0
V
e
n
t
a
s
40
30
20
10
0
r = 0.956 Correlacin lineal positiva alta
r
2
= 0.914 Alto grado de linealidad
Anlisis de regresin bivariable lineal
Tabla de resultados
Variable X
E
i
y
i
x
i
= 1329
E
i
x
i
= 55
E
i
x
i
2
= 385
Media = 5,5
o = 3,027
Variable Y
E
i
y
i
= 199
E
i
y
i
2
= 4689
Media = 19,9
o = 8,999
n = 10

= a + b x
i
, i = 1, 2, 3, . . . n

Ecuacin de la recta de regresin de Y sobre X
b = 1329 - (55).(199) / 10 = 2,842
385 (55)
2
/10
a = 19,9 2,842 (5,5) = 4,267
Los das que no se hagan anuncios se haran,
en promedio, entre cuatro y cinco ventas.
Por cada anuncio que se aumenta, las ventas
aumentan en 2,842.
i
y

Variancia de la regresin en la muestra
La ecuacin de regresin es tanto mejor
como ecuacin predictiva cuanto menor sea
la variancia de la regresin en la muestra
Frmula de clculo:
) 2 /( ) ( ) 2 /( )
(
1
2
1
2 2
= =

= =
n bx a y n y y S
n
i
i i
n
i
i i
2
1 1 1
2
2

=

= = =
n
x y b y a y
S
n
i
n
i
n
i
i i i i
Prueba de la existencia de regresin lineal de Y
sobre X estadsticamente significativa
Hiptesis: H
0
: | = 0 (No existe regresin lineal,
estadsticamente significativa, de Y sobre X)
H
1
: | 0 (Existe regresin lineal,
estadsticamente significativa, de Y sobre X)
Nivel de significacin: P(e
I
) = o
Estadstica de prueba:
t
c
= b / S
b
~ t de Student con o=n-2 bajo el
supuesto de que H
0
es verdadera.
Siendo S
b
= S / \ E
i
(x
i
x )
2

Criterio de decisin: rechazar H
0
si, solo si,
t
c
< -t
o,o

t
c
> t
o,o
(prueba bilateral)
Clculos: se realizan todos los clculos
necesarios para determinar

t
c

Decisin: si

t
c
a la regin crtica, se rechaza la
hiptesis nula. La regresin de Y sobre X es
estadsticamente significativa, por lo tanto la ecuacin
de regresin es confiable como ecuacin predictiva.

si

t
c
no a la regin crtica, se dice que no existen
evidencias suficientes para rechazar la hiptesis nula.
Conclusin: se interpreta la decisin.

Para realizar predicciones
En = a + b x
i
, i = 1, 2, 3, . . . n
Se reemplaza x
i
por un valor de X para el
cual se desea estimar

Se realizan los clculos.
Por ejemplo: cuando se hagan 3 anuncios

= 4,267 + 2,842 (3) = 12,793

Se realizarn, en promedio, entre 12 y 13
ventas.

i
y
i
y
i
y


Asociación Entre Variables

Cargado por

Información del documento

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

Asociación Entre Variables

Cargado por

Copyright:

Formatos disponibles

VARIABLE

Mara Elena Marcoleri

Mara Elena Marcoleri

Mara Elena Marcoleri

Mara Elena Marcoleri

También podría gustarte