ESTADÍSTICA I

CLASE #12
 TEMA 6. ANÁLISIS DE REGRESIÓN
Y CORRELACIÓN.

 Datos bivariados. Descripción de la relación entre dos variables. Variables dependientes e

independientes.
 Diagramas de dispersión
 Análisis de regresión lineal entre dos variables. Interpretación de la recta de regresión.
 Análisis de correlación. Interpretación del coeficiente de correlación y determinación.
Relación entre 2 variables Cuantitativas

Se trata de estudiar si existe relación entre dos variables cuantitativas y conocer

su dirección e intensidad, con el fin de hacer predicciones sobre los valores de
una variable dependiente conociendo los valores de otra variable independiente.

Determinar la dirección de la relación: ¿es directa o inversa?.

Determinar la intensidad de la relación: ¿es fuerte o débil?

Se desarrolla una ecuación para expresar la relación entre variables, lo que

permite, estimar una variable con base en otra.
EJEMPLO
S ¿En qué medida, un aumento de los gastos
en publicidad hace aumentar las ventas de
un determinado producto?

Una reducción en el precio de un producto,

¿qué consecuencia tiene en las ventas?

¿El número de metros cuadrados en una

casa está relacionado con el costo de
electricidad de esa casa?

En un estudio de eficiencia de
combustible, ¿existe una relación entre los
kilómetros por galón y el peso del auto?

¿Hay alguna relación entre el número de

horas que estudiaron los alumnos para un
examen y la calificación que obtuvieron?
Análisis de
Correlació
n
 Pasos para un análisis de correlación

Calcular el coeficiente de Interpretar el coeficiente de

Diseñar el diagrama de
correlación. Brinda una correlación y obtener una
dispersión. Proporciona una
medida cuantitativa de la conclusión acerca de la
representación visual de la
fuerza de la relación entre dos relación entre las dos
relación entre las variables.
variables. variables.
Diagrama de dispersión:
Es una herramienta gráfica que proporciona una representación visual de la relación
entre las variables.

• LA VARIABLE DEPENDIENTE Y SE
REPRESENTA A ESCALA EN EL EJE Y ES
LA VARIABLE QUE SE DEBE ESTIMAR O
PREDECIR.

• LA VARIABLE INDEPENDIENTE X SE
REPRESENTA A ESCALA EN EL EJE X Y
ES LA VARIABLE CONOCIDA, QUE SE
EMPLEA COMO ESTIMADOR (VARIABLE
PREDICTORA).
 Variable dependiente y Variable
independiente

Al relacionar las horas de estudio con la nota obtenida:

• Cual es la variable dependiente?
• Cual es la variable independiente?

Al relacionar el gasto de publicidad con las ventas:

• Cual es la variable dependiente?
• Cual es la variable independiente?
• La relación entre dos variables métricas puede ser representada mediante la línea de mejor ajuste a los
datos. Esta recta se le denomina recta de regresión, que puede ser negativa o positiva, la primera con
tendencia decreciente y la segunda creciente.
• Si es decreciente indica que la relación es inversa es decir: cuando X aumente, Y disminuye.
• Si es Creciente: indica que la relación es directa es decir: cuando X aumenbta, Y disminuye.
 El director de admisiones de una universidad requiere determinar qué tipo de
relación existe entre las «calificaciones de un estudiante en el examen de
admisión» y su «promedio general al graduarse».
Se trata de utilizar las calificaciones de los exámenes de admisión para pronosticar el
éxito en la universidad.
 La variable independiente X es «CALIFICACIÓN DEL EXAMEN DE
ADMISIÓN» y se representa a escala en el eje x , es la variable conocida.

Ejempl  La variable dependiente y es «promedio de calificaciones acumulado» y se

representa a escala en el eje y , es la variable que se debe estimar o predecir.

o LOS DATOS DE UNA MUESTRA DE 8 ESTUDIANTES SON LOS

SIGUIENTES:

Estudiante A B C D E F G H
Calificación examen de 74 69 85 63 82 60 79 91
admisión (x)
Promedio general 2,6 2,2 3,4 2,3 3,1 2,1 3,2 3,8
acumulado (y)
DIAGRAMA DE DISPERSIÓN

Variable Independiente
INTERPRETACIÓN DEL DIAGRAMA DE
DISPERSIÓN
El patrón de puntos resulta
al registrar cada par
ordenado de datos de la
tabla, como un punto.
Como los puntos están cerca de esta
Con estos puntos podemos
línea, podemos decir que: existe un
«visualizar» la relación alto grado de asociación entre las
existente entre las dos calificaciones de exámenes y el
variables.
promedio acumulado y es una
Podemos trazar o «ajustar» relación lineal.
una línea recta . la línea
trazada representa una
relación directa porque y se
incrementa al aumentar x ,
 Coeficiente de correlación

• Describe la fuerza de la relación entre dos conjuntos • Fórmula:

de variables en escala de intervalo o de razón.

• Se designa con la letra r .

• El parámetro que nos permite cuantificar la

intensidad de la relación lineal entre dos variables es
elcoeficiente de correlación lineal de
pearson r, cuyo valor oscila entre –1 y +1 .
 Interpretación del Coeficiente de Correlación lineal

El valor del índice de correlación varía en el intervalo [-1,1]:

Si r = 1, existe una correlación positiva perfecta. El índice indica una dependencia total entre las dos variables
denominada relación directa: cuando una de ellas aumenta, la otra también lo hace en proporción constante.
Si 0 < r < 1, existe una correlación positiva.
Si r = 0, no existe relación lineal. Pero esto no necesariamente implica que las variables son independientes:
pueden existir todavía relaciones no lineales entre las dos variables.
Si -1 < r < 0, existe una correlación negativa.
Si r = -1, existe una correlación negativa perfecta. El índice indica una dependencia total entre las dos variables
llamada relación inversa: cuando una de ellas aumenta, la otra disminuye en proporción constante.
 Valor Significado
-1 Correlación negativa grande y perfecta
-0,9 a -0,99 Correlación negativa muy alta
-0,7 a -0,89 Correlación negativa alta
-0,4 a -0,69 Correlación negativa moderada
-0,2 a -0,39 Correlación negativa baja
Interpretación del -0,01 a -0,19 Correlación negativa muy baja
Coeficiente de 0 Correlación nula
Correlación lineal 0,01 a 0,19 Correlación positiva muy baja
0,2 a 0,39 Correlación positiva baja
0,4 a 0,69 Correlación positiva moderada
0,7 a 0,89 Correlación positiva alta
0,9 a 0,99 Correlación positiva muy alta
1 Correlación positiva grande y perfecta
Práctica