Vous êtes sur la page 1sur 7

REGRESIÓN Y CORRELACIÓN

En muchos casos se requiere conocer más que el comportamiento de una sola
variable, se requiere conocer la relación entre dos o más variables como la
relación entre producción y consumo; salarios y horas de trabajo; oferta y
demanda; salarios y productividad; la altura de un árbol y el diámetro de su
tronco.

Muchos de estos comportamientos tienen una tendencia lineal, aunque hay
muchos otros que lo hacen de forma curva. Para determinar el grado de
correlación entre las variables, no basta con calcular la varianza explicada,
pues existe el coeficiente de determinación coeficiente de correlación; sin
embargo, frecuentemente se utiliza un coeficiente de correlación rectilíneo,
siendo este un valor entre -1y1.

Para estas confrontaciones se utiliza el diagrama de dispersión que es
plano cartesiano en el que se marcan los puntos correspondientes a los
pares (x,y) de los valores de las variables.

El análisis de Regresión tiene los siguientes usos: el primero es obtener los
estimadores de los parámetros, estimar la varianza del error, obtener los
errores estándares de los parámetros estimados, probar la hipótesis sobre los
parámetros, cálculo de valores estimados basados en la ecuación estimada,
estimar el ajuste o la falta de ajuste del modelo.
El modelo a utilizar es Y= a+ bx, a es el intercepto, b es la pendiente de
la función, la que nos indica el cambio marginal de Y respecto a X.

EJERCICIOS:

1. Se quiere estudiar la asociación entre consumo de sal y tensión arterial. A una
serie de voluntarios se les administra distintas dosis de sal en su dieta y se mide
su tensión arterial un tiempo después.

X (sal) Y (Tensión)
1,6 98
2,3 102
3,3 109

0 120 a. 4. Realice el diagrama de dispersión y determine el tipo de asociación entre las variables Tendencia lineal entre las variables a. ¿Es confiable? .2 113 4.6 115 5. Encuentre el modelo matemático que permite predecir el efecto de una variable sobre la otra.

¿Cuál es la tensión arterial esperada? Aplicando la fórmula de regresión lineal: Y= (6.99 muy cerca de +1.1062) (5. realice el diagrama de dispersión y determine el tipo de asociación entre las variables . Identifique la variable dependiente (y) y la variable independiente (x). Tanto la gráfica como la ecuación representan un modelo de regresión lineal con base a la formula y = a + bx. d. dando como resultado que el 98.32 2. Los siguientes datos representan dicha situación: X 12 23 35 42 53 65 70 Y 45 30 27 25 23 21 20 a. En un nuevo proceso artesanal de fabricación de cierto artículo que está implantado. Si a un paciente se le administra una dosis de sal de 5. b.6. Con ello.128 Y= (6.6) +88. Existe un grado de correlación muy estrecha entre las dos variables con un valor de (r = √R2) 0. se pretende analizar como los operarios van adaptándose al nuevo proceso mejorando paulatinamente su proceso de producción. Determine el grado de relación de las dos variables.7 % de los datos están representados satisfactoriamente.1062) (x)+88. se ha considerado que era importante ir anotando periódicamente el tiempo medio (medido en minutos) que se utiliza para realizar una pieza y el número de días desde que empezó dicho proceso de fabricación.128 Y=122.32272 R:/ el paciente tendrá una tensión de 122.

c. Encuentre el modelo matemático que permite predecir el efecto de una variable sobre la otra. ¿Es confiable? La grafica se puede representar con la típica ecuación de regresión lineal simple con base a la formula y = a + bx. Determine el grado de correlación de las dos variables. Las variables muestran una relación lineal b. .

13 minutos en hacer una pieza de artesanía. Con la gráfica y la formula aplicada se denota una relación entre las variables. Para ello selecciona 10 niños y realiza las mediciones respectivas.36) x entonces y=42. realice el diagrama de dispersión y determine el tipo de asociación entre las variables. d. Identifique la variable dependiente (y) y la variable independiente (x). 38 Es decir que al cabo de 90 días el empleado se estima que tardaría 10.57 + (−0.36 ) ( 90 )=10 . donde un 79% de ellas explican la información con una correlación de un 89% entre el tiempo dedicado para hacer una pieza de artesanía y los días gastados para terminarla. Una Nutricionista de un hogar infantil desea encontrar un modelo matemático que permita determinar la relación entre el peso y la estatura de sus estudiantes. A continuación se presentan los resultados: Estatura 120 124 107 118 112 110 115 104 110 116 (cm) Peso 24 23 19 24 21 19 22 16 20 23 ( kg) a. Que tiempo deberá tardarse un empleado cuando lleven 90 días? La ecuación de la recta ajustada está dada así y=42. .56+(−0. 3.

b. a mayor estatura (x) se esperaría que aumente el peso (y) La grafica muestra una relación lineal en los valores obtenidos de las variables. ¿Es confiable? . La variable peso depende de la variable estatura. Encuentre el modelo matemático que permite predecir el efecto de una variable sobre la otra.

751+(0. Cuál es el peso que debería tener un estudiante que mida 128 cm? Dada la ecuación de la recta y=22. d.16 Kg REFERENCIA Escobar. arrojando una confiabilidad donde el 83% de los datos representan bien la información. M.: Universidad Nacional Abierta Y A Distancia – UNAD -PDF.386)(128)=72. (2005).16 Entonces. Existe un grado de correlación muy estrecha entre las dos variables con un valor de (r = √R2) 0. A.C. c. Determine el grado de correlación de las dos variables. el nutricionista habría de esperar que el estudiante tenga un peso promedio de 72.El modelo matemático que se acomoda a las variables es ecuación de regresión lineal simple. MÓDULO ESTADÍSTICA DESCRIPTIVA . Bogotá D. .91 es decir que el 91% de los datos tienen una estrecha relación.