UNIVERSIDAD

MODELO DE
NACIONAL MAYOR DE
SAN MARCOS

REGRESION LINEAL FACULTAD DE INGENIERIA

SIMPLE
INDUSTRIAL

ESTADISTICA
INDUSTRIAL

SESION 05

William Jaime
Len Velsquez
Ing. William len Velsquez 2
 Introduccin

El anlisis de regresin es una

tcnica para investigar y
modelar la relacin entre
variables.
Aplicaciones de regresin son
numerosas y ocurren en casi
todos los campos, incluyendo
ingeniera, la fsica, ciencias
econmicas, ciencias biolgicas
y de la salud, como tambin
ciencias sociales.

Ing. William len Velsquez 4

 Utilidad

Utilizados para varios propsitos, incluyendo los

siguientes:

1. Descripcin de datos
Ingenieros y cientficos
frecuentemente utilizan
ecuaciones para resumir un
conjunto de datos. El anlisis
de regresin es til para
describir los datos.

Ing. William len Velsquez 5

 Utilidad

2. Estimacin de parmetros. Uno de los casos

en los cuales se utiliza el anlisis de regresin
para estimar parmetros es el siguiente:
Suponga que un circuito elctrico contiene una
resistencia conocida de ohms. Diferentes
corrientes pasan a travs del circuito y el
correspondiente voltaje es medido.
El diagrama de dispersin podra indicar que
el voltaje y la corriente estn relacionados por
una lnea recta que pasa por el origen con
pendiente (debido a que el voltaje y la corriente
estn relacionados por la ley de Ohm ).
El anlisis de regresin podra ser utilizado para ajustar
este modelo a los datos, produciendo un estimado de la
resistencia desconocida.
Ing. William len Velsquez 6
 Utilidad

3. Para prediccin y estimacin.

Algunos casos de esta utilidad del
anlisis de regresin son:
La respuesta de un cultivo al variar la
cantidad de los fertilizantes; el objetivo
puede ser establecer la forma de la
relacin, o predecir la combinacin
optima de fertilizantes.
La relacin entre varias medidas
meteorolgicas y la produccin del
cultivo; el ms obvio objetivo podra
ser tratar de entender los efectos
meteorolgicos sobre el crecimiento del
cultivo.
Ing. William len Velsquez 7
 Utilidad
En el anlisis de regresin se pueden distinguir dos tipos de
variables: variables predictoras y variables respuestas.
La diferencia entre variable predictora y respuesta es no
siempre completamente clara y depende algunas veces de
nuestros objetivos.
Algunos nombres conocidos para las variables predictoras y
respuestas son:

Ing. William len Velsquez 8

Modelo Lineal

La ms simple relacin entre dos variables es una

lnea recta.
En donde se tiene pares de observaciones de Y y
X donde Y, la variable dependiente, se asume
dependiente sobre X, la variable independiente.
Se considera un modelo lineal cuando los
parmetros ocurren de manera lineal, as por
ejemplo

Ing. William len Velsquez 9

 Modelo Lineal

En el modelo (1) existe una sola variable independiente y los

parmetros tienen exponente uno.
Los modelos (2) y (3) tiene una sola variable independiente pero con
exponentes diferentes de uno, por lo cual se llama modelo de segundo
orden y tercer orden respectivamente con una sola variable
independiente; es de observar, que los parmetros tienen slo
exponente uno y por tanto sigue siendo un modelo lineal.
El modelo (4) es un modelo lineal de primer orden pero con dos
variables independientes. Los tres primeros modelos de se muestran
en la figura
Ing. William siguiente.
len Velsquez 10
Modelo Lineal

Figura . Modelos polinomiales;

Ing. William len Velsquez 11

 Cmo se analiza un modelo de
regresin?

Para analizar un modelo de regresin

se pueden establecer bsicamente dos
pasos.
Paso 1. Estimar los parmetros del
modelo de regresin. Este proceso es
llamado ajuste del modelo a los datos.
Paso 2. El siguiente paso de un anlisis
de regresin es chequear que tan
bueno es el modelo ajustado. El
resultado de este chequeo puede
indicar si el modelo es razonable o si el
ajuste original debe ser modificado.

Ing. William len Velsquez 12

 Cmo se analiza un modelo de
regresin?

Para analizar un modelo de regresin

se pueden establecer bsicamente dos
pasos.
Paso 1. Estimar los parmetros del
modelo de regresin. Este proceso es
llamado ajuste del modelo a los datos.
Paso 2. El siguiente paso de un anlisis
de regresin es chequear que tan
bueno es el modelo ajustado. El
resultado de este chequeo puede
indicar si el modelo es razonable o si el
ajuste original debe ser modificado.

Ing. William len Velsquez 13

Estimacin de
parmetros
por mnimos
cuadrados
Introduccin

En esta seccin se tratar la

estimacin de parmetros para el
modelo de regresin lineal simple; esto
es , un modelo con un solo regresor X
que tiene una relacin con una
respuesta Y y que es una lnea recta.
El modelo lineal es dado por
Donde:

Ing. William len Velsquez 15

Introduccin

Donde
Yi es la i esima observacin de la variable aleatoria
dependiente Y.
Xi es la i esima observacin de la variable fija dependiente X
o es el intercepto y es una constante (parmetro)
1 es llamado la pendiente y es una constante (parmetro)
es la componente aleatoria error
Para se hacen los siguientes supuestos:
Los errores tienen media cero
Los errores tienen varianza igual pero desconocida .
Los errores no son correlacionados. 16
Ing. William len Velsquez
 Introduccin

La no correlacin de los errores significa que el valor de un

error no depende del valor de cualquier otro error.
Es de tener en cuenta que:
1. La variable regresora X es la controlada por el investigador y
medida con un error despreciable.
2. La variable respuesta Y es aleatoria. Esto es, existe una
distribucin de probabilidad para Y en cada posible valor de
X La media de la distribucin es
E(Y/X) = o + 1 X
y la varianza es
V(Y/X)= V( o + 1 X + ) = 2

Ing. William len Velsquez 17

 Obtencin de los datos

Lo primero que se debe hacer antes de

colectar los datos es identificar la
variable dependiente y la variable
independiente. seguido esto se
registran los pares de datos ya sea por
medio de:
Experimentos controlados diseado
especficamente para obtener los
datos o
Registros histricos existentes.

Ing. William len Velsquez 18

 Ejemplo de experimentos controlados y NO
controlados

Ejemplo 1
Se realiz un experimento el efecto de
incremento de la temperatura en la
efectividad de un antibitico. Se
almacenaron tres porciones de una onza
del antibitico durante el mismo lapso a
cada una de las siguientes temperaturas:
30 50 70 90, y

Las lecturas de la efectividad observadas a la temperatura del periodo

experimental fueron:
Lecturas de la efectividad, 38, 43, 29 32, 26, 33 19, 27, 23 14, 19, 21
Temperatura, 30 50 70 90

Ing. William len Velsquez 19

 Ejemplo de experimentos controlados y NO
controlados

Ejemplo 2
Los experimentos diseados para medir
valores LC50 en la investigacin de los
efectos de cierto producto txico en peces
se efectan con dos mtodos diferentes:
Mtodo 1: el agua fluye continuamente a
travs de los tanques de laboratorio
dinmico.
Mtodo 2: condiciones de agua en reposo.
A fin de establecer los criterios para sustancias txicas, la Agencia para la
proteccin ambiental (APA) pretende ajustar todos los resultados a la
condicin dinmica. Por lo que se requiere de un modelo para relacionar los
dos tipos de observaciones. Las observaciones acerca de ciertos productos
txicos en ambas condiciones, estticas y dinmica, dieron los siguientes
resultados (las mediciones estan en partes por milln, ppm).
Ing. William len Velsquez 20
 Obtencin de la ecuacin de regresin o
modelo ajustado

El mtodo de mnimos cuadrados, encuentra

los estimadores de los parmetros y tal que la
suma de cuadrados de los residuales
(diferencias entre el valor observado de y el
valor estimado ) sea mnima.

Para la aplicacin del mtodo de mnimos

cuadrados se debe:
1. Escribir la suma de cuadrados del error

Ing. William len Velsquez 21

 Obtencin de la ecuacin de regresin o
modelo ajustado

2. Obtener la derivada de la suma de cuadrados del error con respecto a

cada parmetro del modelo; es decir

Ing. William len Velsquez 22

 Obtencin de la ecuacin de regresin o
modelo ajustado

3. Igualar las derivadas a cero y simplificar (se debe sustituir o y 1 y por

sus respectivos estimadores bo y b1).

simplificando

La anteriores ecuaciones son llamadas Ecuaciones normales.

Ing. William len Velsquez 23
 Obtencin de la ecuacin de regresin o
modelo ajustado

4. Solucionar el sistema de ecuaciones o ecuaciones normales.

Despejando el valor de en la ecuacin normal y reemplazando en la se
obtiene la solucin de las ecuaciones normales para , llamado la
pendiente de la recta ajustada.

de las ecuaciones anteriores se tiene

Ing. William len Velsquez 24

 Obtencin de la ecuacin de regresin o
modelo ajustado

las cuales son llamadas ecuaciones normales. la solucin de las

ecuaciones normales para , la pendiente de la recta ajustada, es

Reemplazando el valor de en la ecuacin normal se obtiene la solucin

para

Luego la ecuacin de regresin o modelo ajustado es

Ing. William len Velsquez 25
 Obtencin de la ecuacin de regresin o
modelo ajustado

Ejemplo
En una curva de calibracin, la densidad ptica vara dependiendo de la
concentracin de biomasa, como se muestra en la tabla.

Tabla . Anlisis de regresin lineal para la densidad ptica como una funcin de la
concentracin de biomasa

Ing. William len Velsquez 26

 Obtencin de la ecuacin de regresin o
modelo ajustado

Para el anlisis de una situacin de relacin entre dos variables se debe:

1. Identificar la variable independendiente y la variable dependiente:
En este caso la variable dependiente es la densidad ptica (y) y la
variable independiente es concentracin (x ).

2. Determinar si existe una relacin de dependencia razonable. En la

situacin presentada puede observarse que en la realidad estas dos
caractersticas (concentracin de biomasa y densidad ptica) presentan
una relacin lgica. Se ha encontrado que la densidad ptica depende
de la concentracin de biomasa.

Ing. William len Velsquez 27

 Obtencin de la ecuacin de regresin o
modelo ajustado

Para determinar de manera inicial la relacin lineal entre las

dos variables se debe elaborar un diagrama de dispersin,
como el que aparece en la figura

de acuerdo al grfico
de dispersin se
puede asumir que
existe una relacin
lineal y se requiere la
lnea recta que mejor
se ajuste a los datos
experimentales

Ing. William len Velsquez 28

 Obtencin de la ecuacin de regresin o
modelo ajustado

3. Determinar el modelo estadstico: Como la densidad ptica parece

aumentar a medida que aumenta la concentracin entonces se debe
sugerir un modelo lineal dado por:

Donde
yi es el valor observado en este caso la densidad ptica para un valor
de concentracin xi,
o corresponde al intercepto de con la lnea de regresin y
1 representa el valor medio de densidad ptica para un valor
determinado de concentracin llamada pendiente de la lnea de
regresin o coeficiente de regresin,
xi es el valor de la concentracin, que se asume, es medida sin error. Y
es la variable aleatoria error.
Ing. William len Velsquez 29
 Obtencin de la ecuacin de regresin o
modelo ajustado

Para poder utilizar este modelo , se asume

que las variables error ij cumplen los
siguientes supuestos:
i. Son normales con media cero
ii. Son independientes
iii. Tienen igual varianza .

Estos supuesto deben cumplirse para que el

anlisis de los datos sea vlido.

Ing. William len Velsquez 30

 Obtencin de la ecuacin de regresin o
modelo ajustado

4. Determinar la ecuacin de regresin o modelo

ajustado: El modelo predicho o ecuacin de
regresin ajustada es una expresin como la
siguiente

Para obtenerla usted debe encontrar los valores

estimados de los parmetros: y . stos se obtienen
aplicando el mtodo de mnimos cuadrados.

Ing. William len Velsquez 31

 Obtencin de la ecuacin de regresin o
modelo ajustado

El mtodo de mnimos cuadrado trata de buscar cual es la recta que ms

se acerca a los puntos; es decir busca la recta que haga que la distancia
entre el valor real y el valor obtenido por la recta ajustada sea la ms
pequea y as, la suma de todas estas distancias simbolizadas como:

sea la ms pequea. Como la mejor recta est determinada por o y 1

entonces matemticamente, se desea escoger los valores para o y 1 que
minimicen la suma de cuadrados del error

Ing. William len Velsquez 32

 Obtencin de la ecuacin de regresin o
modelo ajustado

Para el ejemplo los valores estimados son:

bo= 1.1931 , corresponde al punto de interseccin en el eje y o punto en el
que la recta corta al eje y se interpreta como la respuesta mnima que se
espera tener para la variable y , es decir el mnimo valor de densidad
ptica.
b1= 3.9378 , corresponde a la pendiente de la recta o coeficiente de
regresin.
Como puede observarse en la grfica la recta
tuvo una inclinacin ascendente de izquierda a
derecha, lo que es consistente con el valor
obtenido de 1 que fu positivo, por esto se
concluye que tiene pendiente POSITIVA y
puede decirse que existe una relacin lineal
positiva entre la densidad ptica y la
concentracin (lo
Ing. William len cual se haba detectado
Velsquez 33
grficamente).
 Obtencin de la ecuacin de regresin o
modelo ajustado

El valor de la pendiente significa que a medida que aumente en una unidad

la concentracin de biomasa, la densidad ptica promedio incrementar en
3.9378 unidades.

Al reemplazar en la ecuacin de regresin los valores de los parmetros

estimados se tiene:

Ing. William len Velsquez 34

 EJERCICIO
EJERCICIOS RESUELTOS REGRESION

El trabajo Efecto de la temperatura en el pH de la leche

descremada, donde se estudia x= la temperatura en
grado Celcius bajo diferentes condiciones
experimentales e y= el pH de la leche. Los datos usados
en la investigacin son:
Temperatura 4 4 24 24 25 38 38 40
(x)
pH (y) 6,9 6,8 6,6 6,7 6,7 6,6 6,6 6,5

Temperatura 45 50 55 56 60 67 70 78
(x)
pH (y) 6,5 6,5 6,4 6,4 6,4 6,3 6,3 6,3

xi 678 yi 104,5 x i yi 4369,5 xi2 36056 yi2 683,01

EJERCICIO

a) Encuentre la recta de regresin de mnimos cuadrados

7.0
.
6.9

6.8

6.7

6.6

6.5

6.4

6.3
PH

6.2
0 20 40 60 80

Temperatura
 EJERCICIO
Sol: Para encontrar la recta de regresin tenemos que calcular los coeficientes:

16 4369 ,5 678 104 ,5 939

b 2
0,008
16 36056 678 117212

104,5 678
a ( 0,0080111251) 6,53125 0,3394714278
16 16

a 6,8707

Por lo tanto la recta de regresin es:

pH leche 6,871 0,008xTemperatura

Puede comparar con salida de SPSS:

Coeficiente de
determinacin.
Coeficiente de
correlacin
 La covarianza

La covarianza de una variable bidimensional es la media

aritmtica de los productos de las desviaciones de cada una de
las variables respecto a sus medias respectivas.
N
Xi X Yi Y
i 1 SPC
S xy
N 1 N 1

Ing. William len Velsquez 39

 La covarianza

N
Xi X Yi Y
i 1 SPC
S xy
N 1 N 1

La covarianza puede tomar valores entre (-,+) de manera que si:

Sxy= 0 independencia lineal
Sxy> 0 relacin lineal directa o positiva
Sxy< 0 relacin lineal inversa o negativa
Observe los grficos de dispersin de la siguiente diapositiva, las
relaciones de orden anteriores estn relacionadas con el tipo de
relacin lineal.

Ing. William len Velsquez 40

 LA COVARIANZA
La covarianza
Sxy> 0 relacin lineal directa o Sxy< 0 relacin lineal inversa o negat
positiva

Y -Y

Y -Y
Y

X X-X
Sxy= 0 independencia lineal

Y
X X-X

Y -Y

Ing. William len Velsquez 41

Y

X X-X
 El coeficiente de correlacin de
Pearson N
Xi X Yi Y
S xy i 1
rxy
Sx Sy N
2
N
2
Xi X Yi Y
i 1 i 1

1 rxy 1
rxy = 0
9 12
25
8 rxy = 0.88 10
20 7
6 8
15 5 6
4
10
rxy = 1
4
3
5 2 2
1
0 0
0 0 2 4 6 8 10 12
0 2 4 6 8 10 12 0 2 4 6 8 10

0
0 2 4 6 8 10 12
-5

-10 rxy = -1
rxy = -0.88
rxy = 0
-15

-20
Ing. William len Velsquez 42
 El coeficiente de correlacin de
Pearson
El siguiente dibujo resume la fuerza y direccin del
coeficiente de correlacin.

Ing. William len Velsquez 43

Ejemplo
El director de recursos humanos de
Ventas S.A. est entrevistando y
seleccionando nuevos vendedores.
El ha diseado una prueba que le
ayudar a realizar la mejor seleccin
posible para la fuerza de ventas.
Con el fin de probar la validez de la
prueba para predecir las ventas
semanales, l eligi vendedores
experimentados y aplic la prueba a
cada uno. La calificacin de cada
vendedor fue entonces pareada con
sus ventas semanales.
Ing. William len Velsquez 44
Ejemplo

Calificaciones y ventas semanales de 5

vendedores de Ventas S.A.
Vendedor Calificacin Ventas
semanales
Jos Luis 4 5,000
Rufino 7 12,000
Frida 3 4,000
Diego 6 8,000
Maria 10 11,000

Ing. William len Velsquez 45

Ejemplo
Calificaciones y ventas semanales de 5 vendedores de
Ventas S.A.

Calificacin Ventas
Vendedor x2 xy y2
(x) (y)

Jos Luis 4 5 16 20 25
Rufino 7 12 49 84 144
Frida 3 4 9 12 16
Diego 6 8 36 48 64
Mara 10 11 100 110 121
total 30 40 210 274 370
Ing. William len Velsquez 46
Ejemplo

Calcular el coeficiente de correlacin para el

ejemplo que involucre las ventas semanales y las
calificaciones de los vendedores.

Ing. William len Velsquez 47

Ejemplo

La prctica usual es redondear r a la centsima ms

prxima, en este problema esto es 0.88, indicando una
muy fuerte relacin entre las calificaciones y las ventas
semanales de los vendedores.
Esto hace parecer que la prueba del director de recursos
humanos tiene potencial para predecir las ventas
semanales.

Ing. William len Velsquez 48

EL COEFICIENTE DE DETERMINACIN

En el ejemplo anterior sobre la relacin entre las

calificaciones y las ventas semanales de los
vendedores el coeficiente de correlacin de 0.88 fue
interpretado como muy fuerte.
Los trminos fuerte, moderado y dbil, no tienen un
significado muy preciso.

Ing. William len Velsquez 49

EL COEFICIENTE DE DETERMINACIN

Una medida que da un significado ms exacto es el

coeficiente de determinacin.

Este es calculado elevando al cuadrado el

coeficiente de correlacin.

En el ejemplo,
el coeficiente de determinacin (r2) es de 0.77,
encontrado por (0.88)2.

Ing. William len Velsquez 50

EL COEFICIENTE DE DETERMINACIN

Este es una proporcin o porcentaje, podemos decir que

el 77% de la variacin en las ventas semanales es
explicado por la variacin en las calificaciones de la
prueba.
Coeficiente de determinacin es la proporcin de la
variacin total en la variable dependiente Y que es
explicada por la variacin en la variable independiente X.

Ing. William len Velsquez 51

EL COEFICIENTE DE NO DETERMINACIN

El coeficiente de no determinacin es la proporcin de la

variacin total en Y que no esta explicada por la variacin en
X. Este coeficiente se calcula con 1 r2.
En el problema del ejemplo es 1 ( .88 )2 = .23. Esto significa
que el 23% de la variacin total en las ventas semanales
explicado por la variacin en las calificaciones de las
pruebas.
Los coeficientes de determinacin y de no determinacin
pueden solamente ser positivos y pueden asumir valores
entre 0 y 1.00 inclusive.

Ing. William len Velsquez 52

Prueba de
significancia.
 Validacin del modelo

Esquema del Contraste de Hiptesis

Contrastar una Hiptesis
Estadsticamente es juzgar si
cierta propiedad supuesta
para una poblacin es
compatible con lo observado
en una muestra de ella.

Ing. William len Velsquez 54

 Validacin del modelo

Elementos de una Prueba de Hiptesis

1.- Hiptesis Nula (H0), Hiptesis Alternativa.
2.- Estadstico de Contraste (Discrepancia).
3.- Regin de Rechazo (Regin Crtica): nivel de
significacin.
4.- Regla de Decisin.

Ing. William len Velsquez 55

Validacin del modelo

1.- Hiptesis Nula (H0), Hiptesis Alternativa.

H0 : E Y / X 0 Yi i

H1 : E Y / X 0 1 Xi Yi 0 1 Xi i

2.- Estadstico de Contraste (Discrepancia).

2
SCexp rxy
2
S exp k K
F 2 2
S res
SCres 1 rxy
N K 1 N K 1
Ing. William len Velsquez 56
 Validacin del modelo

3.- Regin de Rechazo (Regin Crtica):

nivel de significacin.
Regin de aceptacin de H0

1-

Regin de rechazo de
H0
Fc

Ing. William len Velsquez 57

 Validacin del modelo

4.- Regla de Decisin.

Se rechaza la H0 si: F >Fc
o de manera equivalente si: p <

Por el contrario, no se rechaza la H0 si:

F Fc
o de manera equivalente si:
p

Ing. William len Velsquez 58

 Tabla F

Ing. William len Velsquez 59

 Significacin de parmetros

1.- Hiptesis Nula (H0), Hiptesis Alternativa .

H0 : 1 0 H1 : 1 0

H0 : 0 H1: 0
2.- Estadstico de Contraste (Discrepancia).
b 1 b b rxy
t
Sb 2
S res 2
S res 1 2
rxy
N N 2
2 N 2
Xi X Xi
N
i 1 i 1
X i2
i 1 N

Nota: en regresin simple t2 = F

Ing. William len Velsquez 60
Significacin de parmetros

3.-Regin de Rechazo (Regin Crtica):

nivel de significacin.

Regin de no rechazo de H0

2 2

Regiones de rechazo de
H0
Fc
Ing. William len Velsquez 61
 Significacin de parmetros

4.- Regla de Decision.

Se rechaza la H0 si:
t >+tc
o de manera equivalente si:
p<

Por el contrario, no se rechaza la H0 si:

t +tc
o de manera equivalente si:
p

Ing. William len Velsquez 62

 Tabla t

Ing. William len Velsquez 63

 PRUEBA DE SIGNIFICANCIA DE EL
COEFICIENTE DE CORRELACIN

Recordar que el director de recursos

humanos en Ventas S.A. dise una
prueba para predecir las ventas
semanales.
El coeficiente de correlacin entre las
calificaciones de las pruebas y las
ventas fue calculado en 0.88, esto
indica una fuerte correlacin entre las
dos variables.

Ing. William len Velsquez 64

PRUEBA DE SIGNIFICANCIA DE EL COEFICIENTE
DE CORRELACIN

Sin embargo, solo fueron incluidos cinco

vendedores en el experimento. Por lo tanto, uno
podra preguntarse si la correlacin de la
poblacin (todos los vendedores de la
compaa) puede ser de cero (sin correlacin).

Ing. William len Velsquez 65

PRUEBA DE SIGNIFICANCIA DE EL COEFICIENTE
DE CORRELACIN

Entonces debemos probar la hiptesis de

que la poblacin de donde provienen las
observaciones tiene correlacin cero
(simbolizada con la letra griega que se
pronuncia rho ).

Ing. William len Velsquez 66

PRUEBA DE SIGNIFICANCIA DE EL
COEFICIENTE DE CORRELACIN

En el ejemplo las hiptesis sern:

Ho: = 0 ( La correlacin en la poblacin es
cero )
Ha: <> 0 ( La correlacin en la poblacin es
diferente de cero)

Para la forma de la hiptesis alterna sabemos

que la prueba es de dos colas.
Usando un nivel de significancia de = 0.10.

Ing. William len Velsquez 67

PRUEBA DE SIGNIFICANCIA DE EL COEFICIENTE
DE CORRELACIN

Los grados de libertad se calculan = n 2 , en este

ejemplo = 5 2 = 3.

Se localiza el valor crtico en la tabla t de student:

.

tabla "t" /2 = .05

= n - 2 = 3 t = 2.35336

Ing. William len Velsquez 68

PRUEBA DE SIGNIFICANCIA DE EL COEFICIENTE
DE CORRELACIN

Entonces t = 2.35336
La frmula para calcular t* (el estadstico de
prueba) es:
.

Ing. William len Velsquez 69

PRUEBA DE SIGNIFICANCIA DE EL COEFICIENTE
DE CORRELACIN

Entonces:

Ing. William len Velsquez 70

PRUEBA DE SIGNIFICANCIA DE EL COEFICIENTE
DE CORRELACIN

Se localizan en la grfica los valores crticos y el

valor del estadstico de prueba.

Ing. William len Velsquez 71

PRUEBA DE SIGNIFICANCIA DE EL COEFICIENTE
DE CORRELACIN

El valor del estadstico de prueba ( t* = 3.21 ) cae

dentro de la zona crtica, por lo tanto se acepta la
hiptesis alterna con un nivel de significancia de a =
0.10.
Esto significa que la correlacin no es cero.
Para un punto de vista prctico, esto indica al
director de recursos humanos que si hay correlacin
entre las calificaciones de las pruebas y las ventas
semanales de la poblacin de vendedores.

Ing. William len Velsquez 72

PRUEBA DE SIGNIFICANCIA DE EL COEFICIENTE
DE CORRELACIN

Para visualizar la forma de la regresin se dibuja

un diagrama de dispersin.

Ing. William len Velsquez 73

FIN
wjleonv@yahoo.com