Está en la página 1de 91

Tema

17 REGRESIÓN
Y CORRELACIÓN
SIMPLE
OBJETIVOS
Al finalizar el Tema 17, el participante será capaz de:
1. Utilizar diagramas de dispersión para visualizar la
relación entre dos variables.
2. Identificar relaciones simples entre variables

3. Utilizar la ecuación de regresión para predecir valores


futuros.
4. Aplicar el análisis de correlación para describir el
grado hasta el cuál dos variables están relacionadas
linealmente entre si.
6. Realizar el diagnostico de la regresión
7. Medición de la autocorrelación
8. Realizar la estimación por intervalos
9. Realizar el análisis de varianza de la regresión
simple
CONTENIDO
1. El diagrama de dispersión
2. Las ecuaciones lineales simples
3. La regresión lineal simple
4. El error estándar de la estimación
5. El análisis de correlación
6. El diagnóstico de la regresión: al análisis residual
7. La estadística de Durbin-Watson
8. La estimación por intervalos
9. Análisis de varianza de la regresión simple.
17.1 El diagrama de dispersión

Es un gráfico que permite detectar la


existencia de una relación entre dos
variables.
Visualmente se puede buscar patrones que
indiquen el tipo de relación que se da entre
las variables.
(a) Lineal directa (b) Lineal inversa (c) Curvilínea directa
Y Y Y


Relaciones posibles • • •



• • • •


entre X y Y vistos •

• ••
• •

••
• • •
en diagramas de • • • • •


• •
• • •
dispersión X X X

Y • Y Y
• •• • • • ••

••
• • •
• •• •• • • •




• •• • •


• • •

•• • ••
• • • • • • • ••

••

• ••

• • •• •

••
• ••
X X X
(d) Curvilinea inversa (e) Lineal inversa (d) Ninguna relación
con más dispersión
Aplicación
El gerente de personal de la empresa agroindustrial
«Naranjillo» estudia la relación entre los gastos y los
salarios de su personal obrero. Una muestra aleatoria de
10 obreros reveló los siguientes datos en dólares por
semana:

Presente la información en un diagrama de dispersión


Procedimiento
1er Paso: Reúna pares de datos (X,Y), cuya
relación desea estudiar y organice la información
en una tabla.
2do Paso: Encuentre los valores mínimos y máximos
para X e Y. Elija las escalas que se usarán en los
ejes horizontal y vertical, de manera que ambas
longitudes sean aproximadamente iguales, facilitando
la lectura del diagrama.
3er Paso: Registre los datos en el gráfico. Cuando
se obtengan los mismos valores en diferentes
observaciones, muestre estos puntos haciendo
círculos concéntricos (o), o registre el segundo punto
muy cerca del primero.
4to Paso: Agregue toda la información que
puede ser de utilidad para entender el diagrama,
tal como: título del diagrama, período de tiempo,
número de pares de datos, nombre de la variable
y unidades de cada eje, entre otros.
17.2 Las ecuaciones lineales simples

Si dos variables, como X e Y, están


relacionadas, se puede expresar como una
relación, por ejemplo:
Y = 3 + 1,5X
Al conocer la ecuación se puede:
a) Calcular el valor de Y para cualquier valor
dado de X
b) Conocer el cambio en Y, cuando X varía en 1
Por ejemplo: Y = 3 + 1.5X
El aumento en Y, cuando X varía en una unidad,
está dado por el coeficiente de X.

Ejemplo:

En Y = 10 + 2X
cuando X aumenta en 1, Y aumenta en 2

En Y = 5 - 0,8X
cuando X aumenta en 1, Y disminuye en 0,8
A) Tipos de Variables
En una ecuación como Y = 30 + 3X, el valor de Y
depende del valor que toma X, por eso a Y se le llama
variable dependiente, y a X se le llama variable
independiente.

Y = b0 + b1 X

Variable Variable
Dependiente Independiente
B) Tipo de Relaciones
Cuando cambios en X provoca cambios en Y en
igual sentido (aumentos o disminuciones), las
variables están directamente relacionadas. Se
observa el signo +
Ejemplo: Y o
o
Y = 30 + 5X o
o
o o
o
o o

X
Cuando cambios en X, provoca variaciones en Y en
sentido inverso (X aumenta, Y disminuye o
viceversa), las variables están inversamente
relacionadas. Se observa en la ecuación el signo -.
Y
Ejemplo: o
Y = 20 - 3X
o o

o o
o
o

X
C) Grado de la ecuación:
La ecuación es de primer grado si la
variable independiente está elevada al
exponente 1. Su gráfica genera una línea
recta (por lo que también se le llama
ecuación lineal)

Ejemplo: Y = 30 + 4 X
Si la variable independiente está elevada a un
exponente diferente a 1, la ecuación toma el valor
del exponente. Su gráfica no es una línea recta.
Ejemplo:

Y = 10 + 3 X + 4 X2 : ecuación de segundo grado

Y = 3 + 7X + 5 X3 : ecuación de tercer grado


D) Ecuaciones simples y múltiples:
 Simples: Muestra la relación entre dos variables

Y = 30 + 2X
Y = 10 - 3X2

Múltiple: Muestra la relación entre tres o más


variables
Y = 3X + 8 Z
Y = 5 + 2X2 + 4W
D) Gráfica de una ecuación de primer grado:
Ejemplo: Y = 3 + 1,5X

X 1 2 3 4 5
Y 4 ,5 6 ,0 7 ,5 9 ,0 1 0 ,5
Los cinco pares de valores se diagraman de la
forma siguiente.
Y

12
11
10
. .
.
(5,10.5)
9

.
8 (4,9)
7

.
6 (3,7.5)
5
4 (2,6)
3 (1,4.5)
2
1

1 2 3 4 5 X
E) Forma general:
La ecuación simple de primer grado tiene la
siguiente forma general
Y = b0 + b 1 X
Donde:
b1: pendiente, o sea, el cambio en Y cuando X = 1.
b0: el valor autónomo, es decir, Y = b 0 cuando X = 0.
En la gráfica es la intersección con el eje Y
Y
Ejemplo:
Y = 7 + 3.5X .
b0 = 7
X
17.3 Regresión lineal simple
Es una técnica estadística que permite
determinar la mejor ecuación que represente la
relación entre dos variables relacionadas.

Para poder establecer la relación cuantitativa


entre X e Y es necesario disponer de pares de
observaciones. Cada par ha sido registrado a la
misma unidad elemental.
A) Suposiciones de regresión y correlación
a) Normalidad: los valores de Y estarán distribuidos
normalmente a cada valor de X.
b) Homoscedasticidad: la variación alrededor de la
línea de regresión sea constante para todos los
valores de X.
c) Independencia de error: el error (diferencia
residual entre un valor observado y uno
estimado de Y) sea independientemente de cada
valor de X.
d) Linealidad: la relación entre las variables es lineal.
B) El método de Mínimos Cuadrados

Es el procedimiento matemático utilizado para


determinar los valores numéricos de los
coeficientes de regresión: b0 y b1

La ecuación general Y  = b + b X se llama


0 1
ecuación de regresión y permite estimar o
predecir los valores de Y.
El método consiste en determinar una
ecuación que la suma de los errores al
cuadrado sea mínima.
Y

 = error
Yi - Y 10

8
. Línea de
estimación


6

Min  Y - Y 
2 •
4 Error= -6
i

2


. Error= 2

X
2 4 6 8 10 12 14
El método utiliza un sistema de ecuación llamado
ecuaciones normales, que tienen la siguiente
forma:

 Y  nb + b  X
0 1

 XY  b  X  b  X
0 1
2

Para aplicar las fórmulas,


tenemos que confeccionar
un cuadro como el
siguiente:
X Y X  XY
2
Sustituyendo los valores  Y ,384
n = 10,  X  458
2
 XY  19550 y   23784
X ,en las ecuaciones normales,
obtenemos el siguiente sistema de ecuaciones.
384 = 10b0 + 458b1
19550 = 458b0 + 23784b1
Resolviendo el sistema tenemos: b0 = 6.381 b1=
0.699 ,por lo tanto,
|
¿en cuanto se estiman los gastos de un empleado que tiene salario de 65 dólares?
Ŷ  6.381  0.699X
c) Interpretación

b0 = 6.381 : Es probable que un empleado de la


empresa reciba un salario de $6.381.

b1= 0.699 : Este valor indica que para un aumento de un


dólar en los salarios semanales
corresponde un gasto promedio de $ 0.699
dólares
D) Valor observado y valor estimado de Y
El valor observado (Yi) se refiere al nivel efectivo u
observado de la variable Y (gastos), mientras que el
valor estimado ( Ŷi ), es el nivel estimado de la
variable (sueldo), obtenido utilizando la ecuación de
regresión.
Y
.
Yi

.
Y

Valor
observado Valor
estimado

xo X
17.4 Error estándar de estimación (Syx)

Mide la disparidad ¨promedio¨ entre los valores


observados y estimados de la variable Y. Se
calcula por la siguiente relación

2
 (Y - Ŷ)
Syx =
n2

14
Reemplazando en la formula

50,202 50,202
S yx =   2,505
10  2 8
S yx = 2,505

El Syx es un indicador del grado de precisión con que


la ecuación de regresión describe la relación entre
las dos variables: cuanto más pequeño, los valores
observado y estimado de Y son razonablemente
cercanos y, la ecuación de regresión es una buena
descripción de esa relación.
17.5 El análisis de correlación
El análisis de correlación es la técnica estadística
que permite describir el grado hasta el cual una
variable está linealmente relacionada con otra.

Hay dos medidas que se usan para describir la


correlación
 El coeficiente de determinación

 El coeficiente de correlación
A) El coeficiente de determinación
Al construir un modelo de regresión, se define
que “el valor Y depende de X”.
Y = f (X)
Si la relación es lineal: Y = b0 + b1X
Pero en la práctica Y depende también de
“otros factores” diferentes a X:
Y = b0 + b1X + 
Parte de los cambios en Y pueden explicarse
por X, a otro se llama variación explicada.
Pero hay cambios en Y que no pueden
explicarse por X, a lo que se llama variación
no explicada.
Yi
Y Variación
Variación no explicada
Total
Yi - Y 
Yi - Y
Variación
Explicada
Y - Y y

VARIACION VARIACION VARIACION


TOTAL = EXPLICADA + NO EXPLICADA
El coeficiente de determinación se puede
calcular del modo siguiente:

variacion explicada
r 
2
variacion total

r2 =

 Ŷ - Y 2

 Y - Y 
2
i

Se elevan al cuadrado, para evitar que  Y - Y   0


obteniéndose un número positivo.
1er Paso: Cálculo de la venta media por vendedor son ( )
Y
n
Y
Y= i1 i

n
Y1  Y2  Y3  Y4  Y5
Y=
5

9  5  7  14  10 45
Y= 
5 5
Y = 9 unidades
2do Paso: Se calcula la variación total, es decir, la
sumatoria de las desviaciones de las ventas
observadas (Yi) con respecto a la media:  Yi - Y 
2

Y Y  Y  Y   Y  Y  2
3er Paso: Se calcula la variación explicada, es
decir, la sumatoria de las desviaciones cuadráticas
entre las ventas esperadas y la venta media de la
muestra:  Y - Y 
2

 Ŷ Y  Ŷ  Y   Ŷ  Y 2
4to Paso: Se compara la variación explicada y
la variación total.

variacion explicada  Ŷ - Y 


2
r 
Yi - Y 
2
r 2 = 2
variacion total 

r2= 1371,796  0,9647


1422,4

5to Paso: Interpretación: 96,47% de las


variaciones en el incremento de salarios, pueden
explicarse por los gastos de los empleados.
Valores posibles de r2

Si r2 = 1 : Correlación perfecta, es decir, toda


variación de Y puede explicarse por X

Si r2 = 0 : no existe correlación entre X e Y. La


variación explicada es 0. La variable X
no explica nada de los cambios en Y
Resumen
0 r 2
1
Cuanto más cerca a uno, las variables tendrán
mayor correlación.
B) El coeficiente de correlación
Es la raíz cuadrada del coeficiente de
determinación.

r = r2
Sus valores oscilan entre -1 y 1
Cuando r es positivo, indica que X e Y
están directamente relacionados.
r de Pearson
Cuando r es negativo, indica que X e Y
están inversamente relacionados.
El coeficiente r tiene el mismo signo que el
coeficiente b1 en la ecuación de regresión
Interpretación del coeficiente de correlación de Pearson

Fuerte Moderada Débil Débil Moderada Fuerte


Negativa Negativa Negativa Positiva Positiva Positiva

-1 -0,9 -0,5 0 0,5 0,9 1


Perfecta Perfecta
No existe
Negativa correlación Positiva

Conclusion antiguo: Conclusion moderno


GRAFICO Si p valor es menor o igual al nivel de
significancia alfa, se rechaza el Hsub0
Sig: P valor Si p valor es mayor al nivel de significancia
Si el valor de P es 0,0 alfa, entonces se acepta el Hsub0
Ejemplo: r2= 0,9647

r=7
r = 0,982

el signo es positivo ya que X e Y están


relacionados directamente como lo indica el
signo del coeficiente b1 en la ecuación de
regresión Ŷ  6,381  0,699X
Interpretación: El incremento de gastos(Y) y los
salarios (X) por empleados se encuentran
directamente asociados.
17.6 Diagnóstico de la regresión: análisis
residual
El análisis residual permite evaluar lo adecuado
del modelo de regresión que ha sido ajustado a
los datos. También sirve para detectar si los
supuestos se cumplen.
A. Evaluación de lo adecuado de modelo ajustado
Los valores del error residual o estimado (i) se
define como la diferencia entre los valores observados
(Yi) y los estimados ( ) de la variableŶi dependiente para
los valores dados de Xi

 = Yi - Ŷi
i
Podemos evaluar lo adecuado del modelo de
regresión ajustado mediante el gráfico de los
residuos (eje vertical) con respecto a los
correspondientes valores de Xi de la variable
independiente (eje horizontal).
Ejemplo:
El gráfico muestra un
adecuado ajuste entre
el incremento de
gastos y los salarios.
No se observa una
tendencia.
El análisis del gráfico nos brinda el criterio para
adoptar el modelo lineal o dejarlo de lado. Si fuese
así, podríamos probar con modelos no lineales como
el cuadrático, logaritmo o exponencial.
El análisis de residuos se complementa con el
cálculo de los residuos estandarizados (SR i), que
resultan de la división del residuo dividido por su
error estándar. i
SRi 
S YX 1  hi
En donde 1 Xi  X2
hi   n
n
 Xi2  nX
2

i 1
Los valores estandarizados nos permiten tomar en
cuenta la magnitud de los residuos en unidades
que reflejen la variación estandarizada alrededor
de la línea de regresión.
En el gráfico siguiente, los residuos estandarizados
fueron graficados en función de la variable
independiente (salarios). Se puede observar de que
existe una dispersión amplia en la gráfica de
residuos, no existe un patrón evidente o una
relación entre los residuos estandarizados y X i . Los
residuos parecen estar equitativamente distribuidos
por arriba y por debajo de 0, para diferentes valores
de X. Podemos concluir que el modelo ajustado
parece ser adecuado.
B. Evaluación de las suposiciones
a. Homoscedasticidad

b. Normalidad

c. Independencia: Los datos recolectados


17.7 Medición de la autocorrelación: Durbin-Watson
Una de las suposiciones del modelo de regresión
básico es la independencia de los residuos.
Esta suposición es violada con frecuencia cuando
los datos son recopilados en periodos
secuenciales, debido a que un residuo en
cualquier punto del tiempo puede tender a ser
parecido a los residuos que se encuentran en
puntos de tiempo adyacentes.
El estadístico D de Durbin-Watson mide la
correlación de cada residuo y el residuo del
periodo inmediato anterior al periodo de interés.
El estadístico D (Durbin-Watson)
n

 i i1
   2

D i 2
n

 i
 2

i 1

En la que  i representa el residuo en el


periodo i.
Interpretación de D:
Cuando residuos sucesivos están correlacionados
positivamente, el valor de D se aproximará a cero.
Si los resultados no están correlacionados, el valor D
estará cercano a 2.
Si se presentase una autocorrelación negativa, lo
cual rara vez sucede, de valor D tomará un valor
mayor a 2 e, incluso podría aproximarse a su valor
máximo que es 4.
Los resultados de SPSS nos proporciona el
valor de D de Durbin-Watson

Según este resultado permite afirmar que los


residuos no están correlacionados.
17.8 Estimación por intervalos
A.Intervalo de confianza para 1

  2 
 1, 
b1 N  SC x 
b1  1 b1  1
 t
Sb1 S yx
SC x
 2 desconocido
SC x conocido
Lo2 que se va hacer es estimar

n 
se estima mediante
 la
Y 
siguiente
2


formula:

2
Y  2
 b1 SC x
n 
S 2
  i 1

yx
n2
-t0 t0

Pr( t 0  t  t 0 )

 
 
 b1  1 
Pr  t 0   t0   1 
 S yx 
 SC x 

 S yx S yx 
Pr b1  t 0  1  b1  t 0   1 
 SC x SC x 
B. Intervalo de confianza para 0
  1 x
2

b0    0 , 2   
  n SC 
  x 

b0   0 b0   0
  t n2
Sb0 1 x
2

S yx 
n SC x

donde: 
 Y  Y
2

  b 2 SC

2

n  0 x

S 2yx  
n2
-t0 t0

Pr(  t 0  t  t 0 )

 b   
Pr   t 0  0 0
 t0   1 
 S 
 b 0 

 
Pr b 0  t 0Sb0   0  b 0  t 0Sb0  1  

t0 con (n-2) grados de libertad y 


C. Intervalo de confianza para
 Y /X
0

 1 X
Ŷ  N  y / X0 , 2   0
 X
2
 
 n SC x 
  

Para un nivel dado de confianza, una variación


aumentada alrededor de la línea de regresión,
medida a través del error estándar de la
estimación, tiene como resultado un intervalo
más amplio.
Sin embargo, como se esperaría, un tamaño de
muestra aumentado reduce el ancho del
intervalo.

 
Pr ŷ  t 0S ŷ   y / X0  ŷ  t 0S ŷ  1  

donde:
 1 
X
S ŷ  S 2yx   0
 x
2

n SC x 
 
D. Intervalo de confianza para un valor
individual
Además de obtener una estimación de intervalo
de confianza para el valor promedio, a menudo
es importante tener la capacidad de predecir la
respuesta que se obtendría para un valor
individual.

  
1 X
Ŷ  N  y / X0 , 2 1   0
 X
2
 
  n SC x 
  
El intervalo de predicción está estimando
un valor individual, no un parámetro.

 
Pr ŷ  t 0S ŷ   Y / X0  ŷ  t 0S ŷ  1  

donde:

 1 X
S ŷ  S 2yx 1   0

 x
2

 n SC x 
 
17.9 Análisis de varianza de la
regresión simple
El análisis de varianza es una técnica que permite
localizar las fuentes de variabilidad que ayuden a
explicar el comportamiento de la variable dependiente.

SCtotal = SCerror + SCregresión


(SCresidual)
El cuadro de Análisis de Varianza

Fuentes de Suma de Cuadrado F


variabilidad Cuadrados GL Medio calculado E(CMe)
Debido a la
Regresión
2
b SC X 1
2
b SC x
1
b12SC x
 2  12SC x
S 2yx
 Y  2

 2
Error
Experimental
 Y2

n
 b12SC x n  2 S 2yx

Total SC total n 1
Asumiendo que existe una regresión lineal,
determine:
A.La ecuación de regresión e interprete los
coeficientes de regresión.
B.El intervalo de confianza para 1y para un valor
individual si X=3,8.
C.El cuadro de ANOVA para la regresión lineal

D.El valor de
ŷ cuando X = 5,1
E.La prueba de hipótesis respectiva a partir del
ANOVA e interprete el resultado.
F.Estime el aumento de peso que puede darse se
consumen 6 Kg. del complemento nutricional
mediante un intervalo e interprete el resultado.
Solución
Primero se realizan los cálculos necesarios:
n  10
 X  458i

 Y  384
i

 X  23784
i
2

 Y  16168
i
2

 X Y  19550
i i

A. Cálculo de los coeficientes de regresión:


Yˆ  b0  b1 X

b0  Y  b1 X

 X iYi   X Y
i i
19550 
458384
b1  n  10  0.699
  458
 X i2   n i
2 2
X
23784 
10

b0  38.4  (0.699)( 45.8)  6.381


La ecuación de regresión será:
Yˆ  6,381  0,699 X

Interpretación:
b0: Es probable que un empleado de la empresa
reciba un salario de $6.381.

b1: Este valor indica que para un aumento de un $


en los salarios semanales corresponde un gasto
promedio de $0.699 en los gastos.
B. Intervalo de confianza para 1


 S yx S yx 

Pr 0,699  t0,10 8   1  0.699  t0,10 8    1  0,10

 SC x SC x 

 S yx S yx 
Pr 0.699  1,86  1  1,57  1,86   0,90
 52,987 52,987 

16168 
384
2
 0,699 52.987 
2

10 1422.4  25.890
2
S yx    174.56
8 8

S yx  13,212
  13,212   13,212 
Pr 0,699  1,86   1  0,699  1,86   0,90
  52.987   52.987 

Pr0,2352  1  0.9483  0,90


Interpretación: Hay 0,90 de confianza que el
intervalo que se ha construido, pertenezca al
grupo de intervalos que contienen al verdadero
parámetro 1.
Intervalo de confianza para un valor individual
Si X = 3,8 entonces Yˆ  9.037
Pr Ŷ  t 0S Ŷ  Yind  Ŷ  t 0S Ŷ   1  
Pr9,037  (1,86) SYˆ  Yind  19,037  (1,86) SYˆ   1  

1 3,80  45.8
2
SYˆ  2,505 1    14.690
10 52,987

Pr9.037  1,8614,690  Yind  9.037  1,8614,690  0,90

Pr 18,286  Yind  36,360  0,90

Interpretación Si se tiene muchos salarios iguales a


$3.8 , existe un 95% de confianza de que el
verdadero valor de los gastos se encuentre entre
estos intervalos.
C. Análisis de Varianza

Interpretación: Se rechaza la hipótesis nula


planteada debido a que los salarios de los
empleados si explican significativamente los cambios
en los gastos de la empresa.
D. Si X = 5,51
Yˆ  6,381  0,699(5,51)
Yˆ  10,232
E. Prueba de Hipótesis acerca de 1
1. Hp: 1= 0
Ha: 1 0
2.  = 0,10
3.
CMeregresión
Fc 
CMeerror
Supuestos
- La muestra seleccionada al azar

- La población se distribuye al azar

- Los valores de X fijas y de Y variables (o


aleatorias)
- Asunciones de la regresión lineal simple

4. Criterios de decisión

F1-/2 F/2
0,0041 5,32

Si 5,32  Fc  0,0041se rechaza la hipótesis planteada


5. Cálculos
1372,198
Fc   218,669
6,275

6. Conclusiones
La variable salario es apropiada para explicar
el comportamiento del “aumento de gastos»
en la empresa agroindustrial «Naranjillo».
Además, la ecuación de regresión puede ser
usada con fines de predicción hasta cierto
límite.
F. ¿ Para X = 6, que promedio de Y vamos a
obtener?

Pr 10,575  1,86SYˆ  Y X0 
 10,575  1,86SYˆ  1  

1 6  45.8
2
SYˆ  2,505   13,719
10 52,987

Pr 10,575  1,8613,719  Y X0 
 10,575  1,8613,719  0,90


Pr  14,942  Y X0 
 36,092  0,90

Interpretación Este intervalo de confianza nos indica


que si los salarios fueron de $6, existe un 95% de
confianza que los valores encontrados del intervalo
encierre al verdadero precio promedio.
17.10 Resultados con Excel
Ejemplo:
El gerente de ventas de una cadena de tiendas,
desea determinar la relación lineal simple entre
la el numero de pedidos y el número de ventas
durante un mes. Se obtuvo la siguiente
información:
Caso 1

El analista de la empresa «Coca-Cola», tiene el


trabajo de utilizar los datos proporcionados en la
tabla para saber si los cambios en los precios son
efectivos para promover las ventas. Estos datos se
tomaron en los mercados de prueba seleccionados
en toda la región para el precio de cada botella y
las respectivas ventas realizadas. Las ventas están
dadas en miles de soles.
Caso 2
Los contadores con frecuencia estiman los
gastos generales basándose en el nivel de
producción. En la tabla que sigue se da la
información recabada sobre gastos generales y
las unidades producidas en 10 plantas y se
desea estimar una ecuación de regresión para
estimar gastos generales futuros.
Determine la ecuación de regresión lineal y
explique el valor de los coeficientes de regresión.
Calcule e interprete el coeficiente de correlación y
el coeficiente de determinación.
Hoja de Comprobación

1. El análisis de regresión se usa para describir que tan bien


una ecuación de estimación describe la relación que está
estudiando

2. Dado que la ecuación para una línea es Y = 26 - 24X,


podemos decir que la relación Y con X es directa y lineal

3. Un valor r2 cercano a cero indica una fuerte correlación


entre X y Y
4. Los análisis de regresión y correlación se usan para
determinar relaciones de causa y efecto

2
5. El coeficiente de correlación de muestra, r, no es nada más que r
y no podemos interpretar su significado directamente como un
porcentaje del mismo tipo

6. El error estándar de la estimación mide la variabilidad de los


valores observados alrededor de la ecuación de regresión.

7. La línea de regresión se deriva de una muestra y no de toda la


población
8. Podemos interpretar el coeficiente de determinación de muestra
como la cantidad de la variación en Y que es explicada por la línea
de regresión

9. Las líneas trazadas a cada lado de la línea de regresión a 1, 2 y 3


veces el valor del error estándar de la estimación se denominan líneas
de confianza

10.La ecuación de estimación es válida sólo sobre el mismo intervalo


que el dado por los datos originales de muestra sobre los cuales se
desarrolló

11.En al ecuación Y = a + bX para la variable dependiente Y y la


variable independiente X, la intersección Y es b.
12.Si una línea se ajusta a un conjunto de puntos mediante el método
de mínimos cuadrados, los errores individuales positivos y
negativos desde la línea suman cero.

13. Si Se = 0 para una ecuación de estimación, debe estimar


perfectamente la variable dependiente en los puntos observados

14.Supongamos que la pendiente de una ecuación de estimación es


positiva. Entonces el valor de r debe ser la raiz cuadrada positiva
de r2
15.Si r = 0.8, entonces la ecuación de regresión explica 80% de la
variación total en la variable dependiente

16.El coeficiente de correlación es el porcentaje de la variación total


de la variable dependiente que es explicada por la regresión

17.El error estándar de la estimación es medido perpendicularmente


desde la línea de regresión más que sobre el eje X

18.Al cuadrar los errores individuales, el método de mínimos


cuadrados magnidica todas las desviaciones desde la línea de
regresión estimada
19. Una ecuación de regresión no puede ser válida al ampliarse fuera del
intervalo de muestra de la variable independiente

20. Un valor r2 implica que no existe una relación de causa-efecto


significativa entre X y Y

21. Una valor pequeño de r2 implica que no existe una relación de causa-
efecto significativa entre X y Y

También podría gustarte