GRUPO 34

16/03/2015

TEMA 8. ASOCIACION ENTRE VARIABLES CUANTITATIVAS NUMERICAS

La asociacin entre variables en fundamental en medicina. Para estudiarla utilizaremos los
modelos de regresin. Para entender lo que son usaremos un ejemplo:
El permetro torcico es una variable que en medicina se utiliza en clnica para evaluar la
posibilidad de realizar trasplantes de rganos, son variables del donante y el receptor. Ambos
permetros torcicos deben estar dentro de unos mrgenes apropiados para realizar el
trasplante, si es muy grande la diferencia no se podra hacer. Desviaciones de ms de un 20 %
entre ambos suelen desaconsejar el trasplante por lo que es aconsejable hacer un estudio de su
permetro torcico.
Sin embargo, a veces las personas llegan en mal estado a los servicios de urgencia, y es
complicado averiguar el permetro torcico por eso hay que saber si el permetro torcico se
relaciona con otras variables que sean ms fciles de observar en situaciones extremas. Una de
ellas es por ejemplo el peso. Por ello se ha estudiado la relacin entre el peso y el permetro
torcico. Para que si no se puede medir el permetro torcico por lo menos se obtenga una
aproximacin con su peso.
Estudiamos 2 variables:

Para llevar a cabo la asociacin tenemos 2 mtodos:

1.- ESTUDIO GRAFICO
Esto lo haremos mediante diagramas de dispersin. Se representan en ambos ejes las
variables, en la Y el permetro torcico y en la X el peso. Cada individuo se representa con un
punto en la interseccin de cada uno de
los valores de las variables. A todos los
puntos se les llama nube de puntos.
Si la nube posee una forma de cero o
circular implicara que la asociacin es
nula.
Si en cambio la nube es alargada habr
una asociacin dependiente de su
orientacin. Si la pendiente es positiva la
asociacin ser positiva y viceversa.

2.-ESTUDIO ANALITICO
Empezaremos calculando la media y desviacin estndar:

A continuacin lo representamos en nuestra grafica, donde la media del permetro ser la lnea
horizontal y la del peso la vertical. Las dos se cruzarn en el centro de gravedad.
Covarianza
La covarianza (SX,Y) es
una
medida
de
asociacin
entre
variables. Es una medida
de dispersin respecto al
centro de gravedad.
Para saber su valor
calcularemos la distancia
de x1 a su media y lo
mismo para y1. Luego
calcularemos el rea que
forma el rectngulo que
forman. Finalmente sumaremos todos los rectngulos y lo dividiremos entre el nmero de
puntos.

Puede tomar valores entre - y

Si = sera la varianza.
Un cambio de escala afectar a la covarianza, ya que es una medida de dispersin.
Si la covarianza es positiva la asociacin ser positiva y viceversa. Si es 0 no va a haber
asociacin.

Para interpretar mejor la covarianza usaremos el coeficiente de correlacin

.
Cuanto ms se acerquen al cero
menos asociacin habr. Hablaremos
de una asociacin significativa a partir
de +/-0,8.

MODELOS DE REGRESION LINEAL

Buscaremos los modelos ms sencillos, es decir:
y = a + bx
Esta recta tiene que cumplir la condicin de pasar por el centro de gravedad de la nube de
puntos. Al haber infinitas rectas que cumplen esta condicin, nos quedamos con aquella que
hace mnimos los errores elevados al cuadrado (el error ser la diferencia entre lo predicho y la
realidad
Para calcular la pendiente o el
coeficiente de regresin de esta recta
usaremos esta frmula.
El peso es la variable
independiente y el permetro torcico
la dependiente.
a y b van a ser coeficientes de
regresin. a va a ser el trmino
independiente, es la ordenada en el
origen, es decir el valor de Y cuando X
es 0.
Por ltimo tenemos el coeficiente de determinacin, es el porcentaje de la variabilidad total de
la variable a predecir (permetro torcico) que es explicada por el modelo de regresin lineal
que tome como variable explicativa X. Es el porcentaje de variabilidad de la variable. Cuanto
ms se aproxime a 100 mejor es el modelo. Se calcula as:

STATA
1. Para hacer el anlisis mediante stata haremos un diagrama de dispersin: Grficos Twoway graph Scatter.
2. Calcularemos las medias y editaremos el grafico para aadir las lneas de referencia,
as tendremos el punto de gravedad
3. Haremos el anlisis de regresin Statistics - Lineal models - Lineal regressions.
Obtendremos la pendiente b y la constante a.