Académique Documents
Professionnel Documents
Culture Documents
Guillermo Bianchi
Héctor Quintero
Coeficientes de correlación.
Método Paramétrico:
Paramétrico Coeficiente de
correlación producto momento de
Pearson (ρ).
Método No Paramétrico,
Paramétrico Coeficiente de
correlación de Spearman (ρs).
Coeficiente de correlación
producto momento de
Pearson
∑ ( x )∑ ( y )
∑ (x y ) −
i i
i i
r= n
( ∑ ( xi ) ) 2
∑x 2
i −
n
Coeficiente de correlación
ρ ∈ [-1, 1]
6
r = -0.99
4
2
1
r = 0.02
0,75
0
0 0,2 0,4 0,6 0,8 1 0,5
0,25
6
0
r = 0.99
0 0,25 0,5 0,75 1 4
0
0 0,2 0,4 0,6 0,8 1
Prueba de hipótesis sobre ρ
Regla de decisión:
Si p_valor < α se rechaza H0.
Si p_valor ≥ α no se rechaza H0.
Coeficiente de correlación No
paramétrico de Spearman ρs
El coeficiente de correlación No
Paramétrico de Spearman, ρs , mide
el grado de asociación lineal que existe
entre un par de variables X, Y
cuantitativas, independientemente del
tipo de distribución conjunta que
presenten.
Coeficiente de correlación No
paramétrico de Spearman ρs
6 ∑d i
2
ρs = 1− i
n(n − 1)
Coeficiente de correlación No
paramétrico de Spearman ρs
Y = β 0 + β1 x + e, e ~ N (0, σ )
2
β0 es el la ordenada en el origen
β1 es la pendiente
Regresión lineal simple
6
β1
2
β0
0
0 2 4 6 8
Relación entre variables
E ( Y | x ) = µ Y | x = β 0 + β1 x
donde:
β0 es el la ordenada en el origen
β1 es la pendiente
Modelo de regresión lineal simple
Estimación de los coeficiente de
regresión. Método mínimos cuadrados
ordinarios
Suponga que se desea estimar el
modelo para una muestra de n
observaciones. El modelo de regresión
puede expresarse como:
Yi = β 0 + β1 xi + ei , n = 1, 2, ... , n
Estimación de los coeficiente de regresión
Método mínimos cuadrados ordinarios
El método busca los coeficientes que
minimizan la suma de los cuadrados de
las desviaciones de las observaciones
con respecto a la recta de regresión.
Y − ( β 0 + β 1 x i ) = ei
2
( )
n n
L = ∑ ei2 = ∑ ( yi − β 0 − β1 xi )
i =1 i =1
Método de mínimos cuadrados
Los estimadores de los coeficientes de
regresión deben satisfacer:
∂L
(
)
n
β 0 β1
= −2∑ yi − β 0 − β1 xi = 0
∂β 0 i =1
∂L
(
)
n
β 0 β1
= −2 ∑ yi − β 0 − β1 xi xi = 0
∂β1 i =1
Estimadores de mínimos
cuadrados
Gráficos de residuos.
Curva de distribución normal para los
residuos.
Residuos estandarizados, Studentizados
y distancia de Cook.
Análisis de residuos
Coeficiente de determinación R2
Permite conocer el porcentaje de
varianza de la variable dependiente, Y,
que se puede explicar a partir de la
varianza de la variable independiente, X.
SSE
R =1−
2
S yy
Abusos comunes de la regresión
lineal simple
Abusos comunes.
Extrapolación.
Abusos comunes.
Generalización.
Curva de calibración
Curva de calibración
0,4
0,3
Señal
0,2
y = 0,0151x + 0,0195
2
0,1 R = 0,9817
0
0 5 10 15 20 25
Concentración