Correlación: Midiendo asociación lineal

¿Existe relación entre lo que una empresa gasta en publicidad y el importe de sus
ventas?
¿Existe relación entre el número de años de antigüedad en el trabajo y la
productividad ?

I Análisis de correlación: Conjunto de técnicas estadı́sticas empleadas para medir

la intensidad de la relación (correlación) entre dos variables. Una medida de esta
relación es el ”Coeficiente de Correlación”
I Coeficiente de correlación: Describe la ”Intensidad” de la relación entre dos
conjuntos de variables. Una medida de la relación entre dos variables es el
Coeficiente de Correlación

62 / 1
Una medida que describe la intensidad de la relación lineal entre dos variables medidas
en escala intervalar o de razón es el coeficiente de correlación definido por :
Pn
i=1 xi · yi − nx · y
r= q P
( n 2 2
Pn 2 2
i=1 i − nx )( i=1 yi − ny )
x
Notación:
r : Coefiente de correlación que toma valores entre -1 y 1.
I Si r es cercano a 1, hay alta correlación y la variación de ambas variables es en
la misma dirección.
I Si r es próximo a cero, hay poca correlación.
I Si r es cercano a -1, hay alta correlación y la variación de ambas es en sentido
contrario.

63 / 1
Correlación: Midiendo asociación lineal

r = 0.0 r = 0.058 r = −0.033

1.0

1.0
●
●●●●
●●●●●●● ●
● ●
●
4

●●
● ●●
● ●●
● ●●●●
● ●
●
●●●
● ●
●●●●
●
●●●●
●●
●
●●
●
●●
●●●
● ●
●
●●
●
● ●●
● ●●
●
●
●●●● ●
●●
●●●
●●
●● ●
● ●
●
●
● ●
● ●●
●
●
●●
●●●● ●● ●
●
● ●
●
●
●
●
● ●
●
●
●● ●
●● ● ●
● ●
● ●
● ● ●
●
●●●
● ●
●
●
●
● ●●
● ●
●
● ●
●
●
● ●●
●● ● ●
● ●
● ●● ●● ● ●
● ●
● ●
●
●
● ● ● ●●●
● ●●
●
●
●
●
●
●
●
● ●
●● ●
●
● ●● ● ● ●
● ●
● ●
● ● ● ● ● ●
● ●●
●
●
●
● ●
●
●
●
● ●
●
●
●
●
●
● ● ●● ●
●
● ● ● ●
●
● ● ●● ● ●
●
●
●
● ●● ● ●
● ●
● ●
● ● ●● ● ● ●● ● ●
●●
● ●
● ●
●
● ●
● ● ● ● ● ● ●

0.5

0.5
● ●● ● ●● ● ● ●
● ● ●
● ● ●
2

● ● ●● ● ● ● ● ● ● ●
● ●
●
● ● ●●●● ● ● ● ● ● ●
● ● ●
● ●●● ● ●
●
● ● ● ●● ● ● ● ●● ● ● ●
●
● ●
●
●
● ●
●
●
●
●
●
● ●
●
●● ● ● ● ●● ●
●
● ●●● ● ● ● ● ●
● ●● ● ● ●● ●
●●●● ● ● ●● ● ● ● ● ●
● ● ●●
●
● ● ●●● ● ●●●
●●● ●● ● ● ●●● ●● ● ●
●
● ● ●● ●
●
●
●●● ● ● ●●● ● ●●● ●● ●● ●
● ●
●
●
●● ● ● ● ● ●● ● ●● ● ●● ●● ●● ● ● ● ●
● ●● ●
● ● ●●●●●● ●● ●●●
●
●● ●● ●● ●● ● ● ●
● ●● ●
●
● ●●
● ● ●
●
●● ●● ●●
● ● ● ●
● ● ●● ● ●● ●●● ●●●●●●●●●●
●●● ●● ●
●●●●
●● ● ●● ● ● ● ●
●
●● ●
● ●● ●● ● ● ●
●●● ●● ●●●
● ●●
● ●●●●
●
●● ● ●●● ●
● ●● ●
● ●● ●
●● ●
●
● ●
●
●●
●
●
● ●
●
● ●● ●●●● ● ●● ●
●● ●●●●● ●● ● ● ●● ● ● ● ●
● ●
●
●
● ●● ●●● ● ● ●●● ● ● ● ●
● ● ●
● ● ●
● ● ● ● ● ●●●●●●● ●
● ●
●
●
●●●●●●
●●
● ●
●●
● ●
●● ●●●
●●
●●●●●
● ●●●
● ●●●● ●● ●
● ●
● ● ●
●
●●
● ●
●
●
● ●
● ● ●
● ●●● ● ● ● ●
●
● ●●●●
●
●● ● ●● ●●●●
● ● ● ● ● ●●
● ●● ●
● ●● ●●●●●● ●● ● ● ● ● ● ● ●
● ●
●● ● ● ●●●
● ● ● ●●● ●●● ●●●●● ●
●●● ● ●● ● ● ●
●● ●●
●
●

0.0

0.0
● ● ● ●●● ●● ● ● ●
● ●
● ●
● ● ●●● ●● ●● ●● ●
●
●●●●●
● ●● ● ●● ●●● ● ● ● ● ●●●
●
●
● ●
●●
●
● ●
●
● ●
0

●● ●
y

y
● ●●●● ●
● ●●● ● ● ●●●●● ● ●●● ●
●●
●●● ●
●●● ●
●●●
● ●●
● ●●●
●● ●
● ● ●● ● ● ● ● ● ●
● ●●● ● ●●
● ●●● ●●
● ●●
●●
●●
●●
●● ●●
● ●●●●● ●●● ● ● ●
●
● ●
● ●
● ●●●●● ● ● ● ● ●●● ●●●● ●● ●
●●●
●●●●●●
● ●●●
●
●●
●● ● ● ● ● ● ●
●
●
● ●
●
●● ● ● ● ● ●● ●
● ●● ● ●●●● ● ●● ● ●● ●● ● ● ● ●● ● ● ● ● ●
● ● ●● ●●●●●●●● ●●
● ● ●
●●●●● ● ●● ●
●●●●●
●●●● ●●●
● ● ● ●
● ●
● ● ● ●●● ●● ●●● ●●
●
●●●● ●●● ●
● ● ● ● ●
● ●
● ●
●
●●●
●● ●●● ● ●●●● ●●
●●●●●
● ●●●
●●●● ●●● ●●● ●● ● ● ●
●
●●●● ● ●●● ●● ● ●●
●●●●●●
● ●
● ●●● ●● ●●●● ●●●●●●
●● ●●
● ●● ● ● ● ●
● ●
● ●
● ●●● ●●
●
●● ●● ●● ●● ●●● ●
●
●
●
● ●
● ● ●●● ●● ● ●●
●●●● ●●● ● ●● ● ● ● ●
● ● ●
● ●
● ●●
●●● ●● ● ● ● ● ● ● ●
●
● ● ● ● ●
●● ● ● ●●
●● ● ● ●● ● ●● ●
● ● ● ●
● ● ●● ● ●●● ● ●●●● ● ● ● ● ● ●● ●● ● ●
● ●
● ●
●
●
● ●
● ● ● ● ● ●●● ●● ● ●● ●
●
●
●
●
● ● ●
● ● ● ● ● ●
● ● ●
● ● ●● ● ● ● ● ● ●
●●●● ●●
−0.5

−0.5
●● ● ●
● ● ●
● ●
−2

● ●● ● ● ●
● ●● ●● ●● ● ● ● ● ●
● ●
●
● ● ●● ● ●
● ● ●
●●● ●● ● ●
● ●
● ● ●
● ●
●● ●
● ● ● ●
●
● ●● ●●
● ●
● ●
● ●● ● ● ● ●
●
● ●
●● ● ● ●
● ●
●● ●● ● ●
● ●
●●● ●
● ● ● ● ●
●● ●
● ● ●
●●
●
● ●● ● ● ● ●
●
●●● ●●●● ● ●
●
●
●
●
●
●
●●
●●
●
●● ●
●
●●●● ● ●
● ●
●
● ●
●
● ●● ● ● ● ● ●
●● ● ●●
●●
●● ●●
●
● ● ●
●
●●
●●
●● ●●● ●
●
●● ● ●
●● ●
●
●
−1.0

−1.0
●●● ● ● ●
●
●●●
●● ● ●● ● ●
● ●
● ●
−4

● ●●●●●●●●●●●●● ●
● ●
●●●● ●
●
●
●●
● ●
●
●●
●

−4 −2 0 2 4 −1.0 −0.5 0.0 0.5 1.0 0.0 0.5 1.0 1.5 2.0

x x x

64 / 1
Correlación: Midiendo asociación lineal

r = 0.3 r = 0.5 r = 0.7

4

4
●

●
● ●
●
● ●
● ● ●
● ● ●
● ●●
●●
●
● ● ●
● ● ● ●● ●
●● ● ● ● ● ● ●
● ● ● ●● ● ●
● ● ● ●● ● ● ●● ●● ● ●● ●●●● ● ●
● ●●●
2

2
● ● ●
●
● ● ●● ● ● ●● ● ●
●
●
● ● ● ●● ● ●● ●● ●●●
● ●●● ●● ● ● ● ● ●●● ● ● ● ●
● ● ● ● ● ● ●● ●
●● ● ●●●
● ● ● ● ● ●● ●●● ●● ●
● ●● ●●
● ●●●●●●● ● ● ● ●● ●
● ●● ●
●● ● ● ● ● ●● ●●
●● ●
● ●●●
● ●● ● ●● ●●● ● ● ● ●● ●●●● ● ● ●● ●● ●●● ●● ●●● ● ●
● ●● ●●● ●
●
● ●●
● ●●● ●● ● ● ●● ● ● ●● ●●● ●●●● ● ● ●● ● ●●● ● ● ● ● ● ● ●●
●
●●●● ● ●
● ● ● ●
●● ●
● ●● ● ●●● ●● ● ●
● ●● ●● ●● ●●
● ● ● ●
●●●● ● ●●
● ●● ●●
● ●●
●●
●●● ●●●●● ● ●●
● ●● ●
● ●
●● ●●●●
● ●● ● ● ● ● ● ●●●●●● ● ● ●●
● ●
● ●● ●
● ● ● ●● ● ●●● ● ●●●● ●● ● ● ● ●●●●
●●● ●●● ● ●●● ● ●● ●● ● ●● ●● ● ● ● ●● ● ●●
●●
●●●
●●●
●● ●
● ● ● ●●
● ●● ●●● ● ● ●●
● ● ●● ●●
●●●● ● ● ●●● ●● ● ● ● ● ● ● ● ● ●● ●●
●●●●● ●● ●● ● ●● ●●● ●
● ● ●● ●●●●● ●● ●● ●●● ● ●●●
●
● ● ●●● ● ● ●●● ●● ●
●
●
●●
●
●●●● ●● ●●
● ● ●● ●●● ●
●
●
●● ●●● ● ●●●
●● ● ●●●●●●●● ●
●●● ●
● ●●●●●
● ● ● ●●●●● ●●
●
●●●
● ●●●●●● ●●
●●●●●●●● ●●●●
●
● ● ●
●● ● ● ● ●● ●
● ●
● ● ●● ● ●
●●● ●●●● ● ●●●● ● ●●● ●● ●● ●
●●● ●●●
● ●●●●● ●● ●● ●● ●● ● ●●
● ● ●
● ● ●● ● ● ●●●●● ● ● ●
●●●●
●● ● ●● ●●●● ●
●●● ● ●● ● ●● ●●●●
● ● ●● ● ● ● ●● ● ●● ● ● ●● ● ●● ● ●●●●● ● ●● ●●●● ●●●● ● ● ●
●● ● ●
●●●
● ● ●● ●
●●●
● ●●
●● ● ●● ●●●● ● ● ●● ● ● ●● ● ●● ● ●●●
●●
●●●●●● ●●●● ● ●●●●● ●● ● ● ● ●●● ● ●●● ●
●●●●
●●
●
●●●
● ●●
●●●●●●●●●● ● ●● ●
● ● ●● ●
●
●●●
●●●●●●● ●●● ●
● ●●
●● ●
● ●
● ●●●● ●●
●●●
●
●●●● ● ●● ● ● ●● ●
●● ●●
●
●●●●●●
●●●●● ●●●●●●●●
● ●●● ●●
●●●● ●● ●
●●●● ● ●
● ●●●
●●● ●●● ●● ●
●
●●●●
●
● ●●● ●
●
● ●●●●●●●●
● ●
● ●● ●●●● ● ●●●●● ● ●●● ●● ●●●●● ●● ● ● ● ●●
●
● ● ●●● ● ●
● ● ● ●
●●●●
●● ●● ●●●●● ●●●
●●
● ● ● ●
●● ●●●● ● ●
●● ● ● ●
● ●●● ●●●● ●●● ●●● ●
●●●●● ●●●
●●●●
● ● ●● ● ●● ● ●
●●● ● ●●
● ●●
●
●
●●●●●●● ●●
●● ●●● ●● ● ●● ●●●●
●●● ●●●
●●●
●●
●● ●● ●●●●
●●
●
● ● ●●
●
●
● ● ● ●●● ● ●● ●● ●●●●
●● ●●● ●
●●●
●
●●● ●● ● ●●
●● ●● ●●●●●●
●● ●● ●●●● ●●● ●●
●● ●
●●●● ●● ●●● ● ●● ● ● ● ● ●●
● ●
●● ●●●
●●
●●●●● ●●●●●●●● ●● ● ● ●●● ●● ●●●● ●● ●●
●● ● ●●●●● ●● ●●●●●●
● ● ● ●
●● ●
● ● ● ●●●●●● ● ●●●
●● ● ●
● ● ● ● ●●
● ● ●● ●● ●●●● ● ● ● ●● ●●●● ● ●● ●●●●
0

● ● ●

0
●

0
● ●● ●
y

y
● ● ●
●●● ● ●● ● ●●● ●●● ●●● ●
●●
● ●●●●●
●●●●●●● ●●
●
●●●
●
●
●
●
● ●●●
●
●●●
●● ●●
●
●
●
●● ●●
●
●●●●
●
●
●●● ● ●
●●
●● ●●
● ●
●●●●
●
● ● ● ●●●● ●●●●● ●●●
●
●
●
●●● ●
●
●
●
●
●●● ●●
●●
●
● ●●●●●●
●●● ●●
● ●●●
● ● ● ●●● ●●●
●
● ●●●●●
●
●
●
●
●
●
●
●
●●
● ●●
●
●
●
●
●
● ●
●●●●●
●●●●●
●●●
● ●●●●
●
● ●
● ●
● ● ●● ●●● ● ● ● ●● ● ● ● ●●●● ● ● ● ●●● ●●●● ● ● ●●●●
● ● ● ● ● ● ● ●
●● ●●●●●●● ● ● ● ●● ● ●
●● ● ●●●
●● ●●●
● ●● ●●
●●●
● ●●
●
● ●●● ●
●●● ●● ● ● ●● ●
● ● ●
● ● ●
● ●● ●
●● ●●●
● ●●● ●●●●●● ●●●● ●● ●● ●●● ● ●●●● ● ●●● ●
●●● ●
● ●●●● ● ●●●
●● ● ●●●●●●● ●●● ● ●● ●●●●●●
●● ●
● ● ● ●● ● ●●●● ●●● ●●
●●
● ●●
●●●
●●
●●
●● ●●●●●● ●● ● ●●● ●●●● ●●
● ●●● ●●●●● ●●
● ●●● ●●●
●● ●● ●●● ●●● ●
●
● ●●●●●●●● ● ● ● ● ●● ●●● ●
● ●● ● ●●●●●●
●● ●●●● ● ●● ● ●●
● ●● ●● ●● ● ●● ● ●● ● ●●● ●●● ●●
●●
●
●● ●
● ● ●● ●●●●● ● ●● ●●
●●●● ●●● ●●●
●● ●● ● ●
● ● ●● ●● ●● ●● ●● ●●●●
● ●●●●
●● ●●●●● ●
●●●●● ●●
● ●●● ● ●● ● ●●●●● ●●● ●
●●●●● ●●●
●●●●●●● ● ●●
●● ●
● ●
● ●
●●●
●● ●●●●●●●
●●
● ●● ● ● ● ●● ●● ●
●●●●●● ●● ●●● ●● ● ●●● ●
● ● ●● ●●●●● ●● ●●●
● ●●● ●● ●●●● ●
●●
●●●●● ●● ●●●●
●● ●●
●● ● ●●●●●●●●●
● ●
● ●●● ● ●●●● ● ● ●●●●
●
● ●●●●● ●●●
● ●●● ●●●●●● ● ●●● ●● ● ● ● ●
● ●●
●●
● ●●●●
●●
●
●
●●●●
● ● ●●
● ●● ● ●●● ● ●●●● ●● ●● ● ● ● ●●●● ●
● ●
● ● ●
● ●● ● ●●● ●● ●
●●● ● ●●
● ●● ● ●●● ●●●●●
● ● ●
● ● ●●● ● ● ● ●●
● ●●
●●●●● ●● ●●● ●● ●●●● ●● ●● ●●●
● ●●●● ●●● ●●●●● ● ● ● ● ● ● ●● ● ●●●
● ●● ●●●
●●●●
● ●
●●●● ●● ● ●
● ●
●●●●●●● ●● ●● ● ● ●●● ● ●● ● ●● ● ●●● ●● ● ● ●
● ●●● ●
●●●
● ●●●● ●● ●●● ● ● ●● ● ●●
● ● ●●● ● ●
● ●● ● ●● ● ●●● ●●● ●●●●● ●●●●●
●●●
●●
●
●●● ● ● ●
● ●●
●
●● ●● ● ●●●● ●●●● ● ●● ●● ● ● ● ●● ● ●● ●● ●
● ●● ●● ● ● ● ● ●● ● ● ●● ●
●●
●
●
●
● ● ● ● ●●●●●●● ●● ● ● ●
●●●● ●● ● ●●●●●●
●● ● ●● ● ● ●●●
● ●●●●● ●
●●
●●
●● ●● ●●● ●● ● ●
●● ● ● ● ●●● ● ●
● ● ●● ●
●●● ●● ● ●
● ●● ● ●● ●●● ●●● ●●● ● ●● ● ●
● ●
● ● ● ●
●● ●●
● ● ●●●
● ●
● ● ●●● ● ● ●● ● ●●● ● ● ● ●●● ●
● ●● ● ● ● ● ●
−2

−2

−2
●● ● ● ●● ● ●
●
●● ●●● ● ● ● ● ● ●●● ●● ● ● ●● ●
●● ● ●
●
●● ● ● ● ●●
● ● ●● ● ● ● ●
●● ● ● ● ● ● ● ●●● ● ● ●
● ● ● ● ●
● ●
● ● ● ●
●
●
●
●
● ● ●
● ● ●
● ●
●
● ●

●
−4

−4

−4
−4 −2 0 2 4 −4 −2 0 2 4 −4 −2 0 2 4

x x x

65 / 1
Correlación: Midiendo asociación lineal

r = 0.9 r = −0.85 r = −1.00

4

4
●●
●
●
●●
●●
●
●●
● ●
●●
●
●●
●● ●●
● ●● ● ● ●
●●● ● ●
● ●
●● ●●●●● ●
● ● ● ●● ● ● ● ●
● ● ● ●
●●●●● ●● ●●●●
●●●●
●●● ● ●● ● ● ●●
2

2
●● ● ● ●● ● ● ●●●●●● ●●● ●
●●●●● ● ●● ●●●● ● ● ●
●● ●●●● ●●● ●● ●● ● ● ●● ● ●● ●● ●
●●
● ● ●● ●●●●●●
● ●
●●● ● ● ● ●● ● ●●●● ●● ●
●●
●
●●●● ● ●
●● ● ● ● ● ● ●● ●●●● ● ●●
● ●● ●●
●●●●
●● ●● ●●●
●●
●
● ● ●●
● ●●●● ●●●
●●●● ●
●
● ●
● ●●●
● ●●
● ●● ●
●● ● ●●
●● ●●●●●● ● ●
●● ●
● ●
●●● ●
●●●● ●●
● ●● ●●●● ●●
●●●
● ●● ●● ● ●● ●●●●● ●●●●
●●
●●●●●●●● ●
●● ●●
●●● ●●● ●
● ●
●●
●
●●●●●●●● ● ● ● ● ●● ● ● ●●●
●
●● ● ●
●●
●●●●● ●●
●
●●●●
●
●
●●●
●●
●●●●●
● ● ●
●●● ● ●●
●
●
●●●●
●
●
●
●
●
●
● ●
●
●●●●
●●●●●●
●
●● ●●
●●●● ● ●
●
●●●
● ●● ●●
●● ●● ●● ● ● ●●● ●
● ● ●●●●● ●
●●
●
●● ●
●●● ●●
● ●
●●● ●●●
●● ●● ●●●●
●●●
●●●●●●●
● ●
● ●●●●● ●
●●●●●● ●● ●●● ● ●●●●●● ● ● ● ● ●●
● ●● ●
●●
●●● ●● ● ●
●●● ●
●●
●●
●
●
●●
●
●
●●●●●
●
●
●●
● ●
●●●
●
●
●
●●
●
●
●
●●●
●●●●●● ● ● ●● ●
●● ●
●
●●●●
● ●
●
●●
●
●
●●
●
●●●●
● ●
●
●●●●
●● ●
●●●
●
●● ●
●●●●
● ● ●
●
●●
●
●● ●● ● ● ●●● ●●●● ●
● ●●●●●●● ●
● ●
●●●●
●●
●
● ●
●
●●●●●
●●●●
●●
●
●●
●
●●
●●●●●●●
●● ●●● ●●● ●
● ●● ● ●●
●● ●
● ●●●●●●
● ●●●●● ●●●
●●●● ●● ●
●● ●●●●●●
● ●
●
●
●
●● ●●● ●
●●●● ● ●
● ●●● ●●
●
●●●●
●
●●●
●●
●●● ●●
●
●
●
●●●●
●
●●●
●
● ●
● ●
● ●
●● ●
●
●●●●● ●●●●
●●●●
● ●
●●
●●
●
● ● ●
●●
●●
●● ● ●●● ● ● ●●
●●●●●
● ●
●●
●
●●●
●● ●●● ●
● ●
● ●
●● ●●
●●●●
●●●
● ●● ●●●● ●●
● ● ●●● ●
● ●●
●
●● ●●● ●
●● ● ● ●● ●● ● ●
●
●
0

0
●● ● ●● ● ● ● ●
y

y
●● ● ● ● ●●
●● ●●●● ●●
● ●●●
●●●● ● ●●
●●●●● ●
●●● ● ●
●● ●●● ●
●●●●●
●
●●
●
●
●
●●● ●
●
●●●●● ● ● ● ●●
● ●
● ●● ● ● ●
●●
●●● ●
● ●
●
●
●●
● ●
●
●●●●●
●
●●● ●●
●
●●● ● ●● ●●●●
● ● ●● ●●
●●
●
●
●
●● ●●●●●●●●
● ●●●●● ● ●●
●● ● ●
●●
●● ●
● ●●
● ●●
●●●
●●
●
●●
● ●
● ●●
●
●●● ● ● ●●
●● ● ●
●
●●● ●
●●●
●●●
●
● ●●●●●●●●● ●● ●●
● ●
●
● ● ●●● ● ● ●●● ● ●
●●●
● ●●
●●●●
●●●● ●
●●
● ●● ● ●●●●●●
●●● ● ●●
●● ●
●●●● ●●
●●●●●●● ●●
● ●●
●● ●
●●●
●●●
● ●●
●●
●●
●
●●
●
●●
●
●●●●
●●●
● ●
● ●●
●
●●●●●●
● ●●
●● ●●●
●● ●●●
●●●● ●
●● ● ● ●●
● ●
●● ●●
● ●●●
●
●
●
● ●●●
●
●
●●
●
●
●●
●●●● ●●●●
● ● ● ●● ●● ● ● ●
●
●
●●
● ●
●●
●●
●●
●
●●
●●
● ●●●●
● ●
●●●● ● ● ●●
● ●● ●●●●●
●●● ● ●●●
● ●
●● ● ● ● ●● ●● ● ●●●●● ●
● ●● ●●●
●
●
●
●● ●● ●●
●
●●
●
●●●●●
●
●●●●●●
●
●●
●
●● ●
●●●●● ● ●●
● ●● ●●●● ●●
●●●
●●
●
●●●●
● ●●● ●
●●
●●●
● ●● ●
●
● ●● ● ●●
●●
●●●● ●●●● ● ● ●● ●
●●● ●●● ●●●●●
● ●
●● ●●● ●
● ●●● ●
●●
●●
●●●●●●
●●
● ●● ●●
● ●●● ●● ●
●●
●●●●●
●●
● ●●●●●●
●● ●
●●
●
●
● ●●
●● ● ● ●●●● ●●
●● ● ● ● ●
● ●
●●
●●●● ●
● ●
●●
● ●● ●●●●
●
●● ●●● ● ●●
● ●● ●
●●●
●●● ●●●●● ●● ●● ●
●● ●●
● ●●●●●
● ● ● ●● ● ● ●● ● ●
●
● ●● ●● ●
●●●●●●●● ● ● ● ● ●●●● ● ●●●●●●●●
●
●●
● ● ●● ● ● ● ●● ●●
● ● ●●●●
● ●●● ● ● ● ● ●●● ● ●
● ●● ●
−2

−2

−2
● ●● ●●●● ● ●
●●● ● ● ●● ● ●●●
●● ●●
● ● ●
●
● ●●● ● ● ● ● ●
● ● ●● ● ●
●
●● ● ●
● ●
●
●
● ● ●
● ● ●
●
●●
●
● ●
● ●
●●
●●
● ●
●
●
−4

−4

−4
−4 −2 0 2 4 −4 −2 0 2 4 −4 −2 0 2 4

x x x

66 / 1
Objetivo del análisis de regresión

Estudiar una variable de respuesta, y [asuminda continua] como función de una

variable explicativa o regresor, x [puede ser discreta y/o continua].

Entrada → Proceso → Salida

En ocasiones la relación funcional es conocida salvo algunos coeficientes (parámetros).

Si la relación es gobernada por un proceso fı́sico o por leyes bien aceptadas, es decir,
y ≈ f (x; θ),
y el interés recae en estimar el vector de parámetros θ = (α, β)> .

72 / 1
Cuarteto de regresiones “idénticas” de Anscombe (1973)

Anscombe's 4 Regression data sets

12

12
●

10

10
●
● ● ●
● ● ●
● ●
y1

y2
8 ● ●

8
●
● ●
●
●
6

6
●
● ●
●
4

4
●

5 10 15 5 10 15

x1 x2

●
●
12

12
10

10
● ●
●
●
y3

y4
8

8
● ●
●
●
● ●
●
● ●
●
●
6

● ●
●
● ●
4

5 10 15 5 10 15

x3 x4

77 / 1
Modelo de Regresión Lineal Simple

Suponemos el modelo lineal simple:

yi = α + βxi + i i = 1, 2, . . . , n
donde:
I yi : valor de la variable respuesta en el i-ésimo ensayo.
I xi : valor de la variable controlada en el i-ésimo ensayo.
I (α, β): parámetros desconocidos.
I i : error aleatorio.
1 , 2 , . . . , n componentes de error desconocidas, las cuales son varibles aleatorias no
correlacionadas con media cero y varianza σ 2 .

78 / 1
Estimación de función de regresión

Suponemos que tenemos una muestra de n observaciones:

(x1 , y1 ), (x2 , y2 ), . . . , (xn , yn )
Para estimar los parámetros se usa el Método de los Mı́nimos Cuadrados, el cual
consiste en elegir los valores α y β de modo que:
n
X
S(α, β) = 2i
i=1
n
X
= (yi − α − βxi )2
i=1

sea mı́nimo.
Los valores de α y β1 que minimizan a S(α, β1 ) se obtiene resolviendo el siguiente
sistema:
∂S(α, β1 )
=0
∂α
∂S(α, β1 )
=0
∂β1

79 / 1
Estimación de función de regresión

en efecto
n
∂S(α, β) X
= −2 (yi − α − βxi )
∂α i=1
n
∂S(α, β) X
= −2 (yi − α − βxi )xi
∂β i=1

igualando a cero y denotando la solución por α

b, βb denominados Estimadores Mı́nimos
Cuadráticos, se tiene que:
b = y − βx
α b
Pn Pn
i=1 (xi − x)(yi − y) i=1 xi yi − nx y
βb = Pn 2
= P n 2 2
i=1 (x i − x) i=1 xi − nx

80 / 1
Estimación de función de regresión

Luego la función de regresión estimada ó Linea de regresión ajustada será:

ybi = α
b + βx
b i i= 1, 2, . . . , n
Finalmente como estimador de la varianza σ2
se usa a:
Pn 2
(yi − y i )
S2 = i=1 b
n−2
Pn 2 b2 Pn (xi − xi )2
i=1 (yi − y i ) − β i=1
=
n−2
Esta cantidad puede ser considerada como un indicador del grado de precisión con que
la lı́nea de regresión describe la relación entre las dos variables.

81 / 1