UNIVERSIDAD NACIONAL DEL ALTIPLANO PUNO

FACULTAD DE INGENIERIA GEOLOGICA Y METALURGICA

ESCUELA PROFESIONAL DE INGENIERIA GEOLOGICA

CURSO DE GEOESTADISTICA I
TEMA 6: CORRELACIONES Y REGRESIONES

Por: Ing. MSc. Roger Gonzales Aliaga

Puno, Marzo del 2012

ESTRUCTURA GENERAL DEL CURSO DE

GEOESTADISTICA
1.
2.
3.
4.
5.
6.
7.
8.

Nociones basicas.
Diagrama de esparcimiento.
Nomenclatura estadstica.
Variables y distribucin de frecuencias (estadgrafos).
Medidas de tendencia central y no central.
Medidas de dispersin.
Regresiones y correlaciones (anlisis bivariable)
Probabilidades, nivel de confianza, estimaciones, prueba de
hiptesis.
9. Determinacin de la ley media y ponderada en yacimientos.
10. Calculo de reserva a travs de mtodos geoestadsticos (polgonos,
tringulos, bloques y perfiles e inverso del cuadrado de la distancia.

1. NOCIONES BASICAS
Cuando se trabajan con datos univariados que es lo que se hizo hasta el momento, solo
se hace una observacin de cada unidad elemental, pero se presentan casos en los
cuales es necesario trabajar con dos datos (datos bivaribles) es decir se debe trabajar
con dos observaciones hechas a cada unidad elemental, estos datos bivariados se
representan con (X,Y).
Para representar estos datos se utilizan una tabla de doble entrada conocida como
tabla de contingencia, la cual representa filas y columnas y en sus casilleros o celdas se
presentan la informacin.
En los trabajos de investigacin frecuentemente es comn encontrar variables que
estn relacionadas o asociadas entre si de alguna manera, por ejemplo el gasto familiar
dependen del ingreso o en el caso del Au que normalmente se relaciona con el As, o en
el caso de la Ag que normalmente se asocia con Mn en ciertos tipos de yacimientos,
claro esta tratndose de variables cuantitativas.

1. NOCIONES BASICAS
Las variables cuantitativas antes mencionadas que tienen cierta asociacin pueden ser
relacionadas matemticamente en funcin de otra variable. Por ejemplo el peso de las
personas depende generalmente de la estatura, el ahorro familiar depende del ingreso
mensual o, la ocurrencia de Au en vetas de origen hidrotermal ubicado en el batolito de
la costa que generalmente se asocian con valores tambin altos de As y/o Sb.
Los ejemplos anteriores consideran variables cuya relacin o dependencia son
indiscutibles o por lo menos claras; sin embargo, pueden elegirse dos variables cuya
relacin sea dudosa o simplemente absurda, por ejemplo existira una relacin entre la
soltera y el dolor de estomago, la respuesta ser no. Entonces interesa analizar la
relacin entre variables que tengan indicios de dependencia o asociacin.
Aqu trataremos de predecir o explicar el comportamiento o resultado de una variable
(VD) en funcin de otras variables (VI), as como investigar si entre ellas estn asociadas
o correlacionadas entre si.
Entonces mediremos la relacin o afinidad entre dos variables X e Y para n
observaciones. No se pretender definir relaciones de causa o efecto, aun cuando
pueden obtener algunos resultados para su anlisis.

2. DIAGRAMA DE ESPARCIMIENTO
Dadas las n observaciones bidimensionales, cada par de valores (X,Y) en el plano
cartesiano o rectangular esta representado por un punto, y habr tantos puntos como
parejas de observaciones. Esta representacin da origen a una nube de que se llama
diagrama de esparcimiento, este diagrama pude tomar diferentes formas.
La construccin del diagrama de espaciamiento constituye el primer paso par a
investigar la relacin existente entre dos variables, la posicin y la forma de esta nube
proporcionan una idea del tipo de relacin existente entre ambas variables de este
modo se facilita la eleccin de la correspondiente funcin matemtica.
La forma y posicin del diagrama de esparcimiento tambin indica si existe una relacin
positiva o directa, o si la relacin es inversa o negativa. Una relacin positiva es cuando
el incremento en el valor de una variable significa incremento en el valor de la otra; y si
es negativa o inversa cuando el incremento de una variable genera una disminucin de
otra variable.

2. DIAGRAMA DE ESPARCIMIENTO

4. REGRESION Y CORRELACION
Una vez visualizada la forma del diagrama de esparcimiento interesa analizar y
expresara matemticamente la relacin entre las variables. Pa expresar la relacin entre
dos o mas variables se elige una funcin matemtica que mejor represente o ajuste al
diagrama de esparcimiento.
El mtodo estadstico que investiga y define la relacin funcional entre dos o mas
variables se llama regresin y la ecuacin de la funcin matemtica constituye la
funcin de regresin o modelo de regresin.
El anlisis del grado de asociacin o modelo de regresin, constituye la correlacin; es
importante destacar que para que exista correlacin son necesarias dos variables, dos
medidas que vayan cambiando sus valores.

5. VARIABLE DEPENDIENTE E INDEPENDIENTE

Determinada la funcin de regresin es posible estimar el comportamiento de la
variable objeto de estudio que se denominara variable dependiente o predictando, en
funcin a las variaciones de otra que llamaremos variable independiente o predictor.
Cuando se relacionan dos variables, hablaremos de regresin simple y correlacin
simple, en tanto cuando se consideran la relacin entre mas variables se hablara de
regresin y correlacin mltiple.
Hay que recordar que si la funcin de regresin corresponde a una lnea recta se trata
de regresin lineal, y si es una curva (parbola, exponencial) se denomina regresin no
lineal.
Es importante destacar que el anlisis de regresin es estimar la relacin que existe
entre do o mas variables, de acuerdo a la nomenclatura matemtica, la relacin
funcional seria:
Y=f(X) para dos variables
W=g(X,Y,Z) para cuatro variables

6. CORRRELACION
La correlacin expresa el grado de asociacin de o afinidad entre las variables
consideradas, la correlacin tambin explica el grado de bondad del ajuste de las lneas
de regresin. En su acepcin mas general la correlacin denota la interdependencia
entre dos datos cuantitativos o cualitativos, esto de acuerdo a mltiples caractersticas.
Cuando se determina que las variables estn ntimamente asociadas, la ecuacin de la
funcin de regresin se utiliza para estimar o explicar el comportamiento de la variable
dependiente (explicada) en trminos de las variaciones que experimentan las variables
independientes (explicativas).
Llamaremos correlacin simple cuando se trata de analizar la relacin entre dos
variables. Hablaremos de correlacin rectilnea o lineal si la funcin matemtica es una
recta, y de correlacin no lineal cuando la funcin es una curva o de funcin superior.

7. COEFICIENTE DE CORRRELACION
El coeficiente de correlacin es aquel estadgrafo que expresa o mide el grado de asociacin
o afinidad entre dos o mas variables relacionadas, se denota por r, esto cuando estn
relacionadas mediante una lnea Y* = a + bX.
Como r siempre ser positivo, resulta que la propiedad fundamental del coeficiente de
correlacin es:

-1 r +1

De donde se deduce que:

r > 0, entonces existe correlacin positiva
r < 0, entonces existe correlacin negativa
r = 1, los datos forman una lnea recta, en el caso de correlacin rectilnea
r = +1, hay correlacin perfecta positiva
r = -1, hay correlacin perfecta negativa
r = 0, los datos con incorrelacionables
El signo de r es el mismo que el signo de b (coeficiente angular) de la ecuacin de regresin
Y* = a + bX

7. COEFICIENTE DE CORRRELACION
-1
Correlacin
perfecta negativa

0
No hay correlacin

+1
Correlacin
perfecta positiva

En la interpretacin clsica del coeficiente de correlacin, se sostiene que si:

0,00 r < 0,20 existe correlacin no significativa
0,20 r < 0,40 existe una correlacin baja
0,40 r < 0,70 existe una significativa correlacin
0,70 r < 1,00 existe correlacin de alto grado
Sin embargo, estos valores resultan arbitratorios, puesto que depender de la
naturaleza del problema que se investiga as como del tamao de la muestra.

7. FORMULAS PARA CALCULAR EL COEFICIENTE

DE CORRRELACION
i ) Coeficiente de correlacin rectilnea

ii )Formula propuesta por Pearson:

iii ) Formula propuesta por Thurstone:

8. COEFICIENTE DE DETERMINACION
El coeficiente de determinacin no es mas que el coeficiente de correlacin elevado al
cuadrado, y se expresa en porcentaje (%).
Este coeficiente (r) se interpreta como una medida del grado de ajuste de la lnea de
represin a os puntos del diagrama de dispersin, el coeficiente de determinacin toma
sus valores en el siguiente intervalo:
0 r 1
Si por ejemplo obtuviramos el siguiente coeficiente de correlacin r = 0,951203, el
coeficiente de determinacin seria:
r = 0,94787 0,91
Lo que nos indica que el 91% de las variaciones de la variable (Y) son explicadas o
debidas a la variacin de la variable (X), el resto 9% es atribuido a otras causas.