ESTADISTICA

GENERAL
Unidad IV: Regresin lineal y
Correlacin
Mg. Guillermo Antonio
Mas Azahuanche

Relaciones entre variables y regresin

El trmino regresin fue introducido por Galton en su libro

Natural inheritance (1889) refirindose a la ley de la regresin
universal:

Cada peculiaridad en un hombre es compartida por sus

descendientes, pero en media, en un grado menor.

Regresin a la media

Su trabajo se centraba en la descripcin de los rasgos fsicos de

los descendientes (una variable) a partir de los de sus padres (otra
variable).
Pearson (un amigo suyo) realiz un estudio con ms de 1000
registros de grupos familiares observando una relacin del tipo:

Altura del hijo = 85cm + 0,5 altura del padre (aprox.)

Conclusin: los padres muy altos tienen tendencia a tener hijos que
heredan parte de esta altura, aunque tienen tendencia a acercarse
(regresar) a la media. Lo mismo puede decirse de los padres muy
bajos.

Hoy en da el sentido de regresin es el de prediccin de una

medida basndonos en el conocimiento de otra.

Francis Galton
Primo de Darwin
Estadstico y aventurero
Fundador (con otros) de
la estadstica moderna
para explicar las teoras
de Darwin.

Estudio conjunto de dos variables

A la derecha tenemos una posible manera de recoger los

datos obtenido observando dos variables en varios
individuos de una muestra.

En cada fila tenemos los datos de un individuo

Cada columna representa los valores que toma una variable

sobre los mismos.

Las individuos no se muestran en ningn orden particular.

Dichas observaciones pueden ser representadas en un

diagrama de dispersin (scatterplot). En ellos, cada
individuos es un punto cuyas coordenadas son los valores
de las variables.
Nuestro objetivo ser intentar reconocer a partir del
mismo si hay relacin entre las variables, de qu tipo, y si
es posible predecir el valor de una de ellas en funcin de
la otra.

Altura
en cm.

Peso
en Kg.

162

61

154

60

180

78

158

62

171

66

169

60

166

54

176

84

163

68

...

...

Diagramas de dispersin o nube de puntos

Tenemos las alturas y los pesos de 30 individuos representados en un diagrama de
dispersin.

Pesa 50 kg.
Mide 161 cm.

Mide 187 cm.

Pesa 76 kg.

Ejemplo

Los datos corresponde a la estatura del padre (X) y la estatura

del su hijo mayor (Y) para una muestra de padres e hijos son
los siguientes:

Altura
Padre

Altura
Hijo

1.65

1.73

1.60

1.68

1.70

1.73

1.63

1.65

1.73

1.75

1.57

1.68

1.78

1.73

1.68

1.65

1.73

1.80

1.70

1.70

1.75

1.73

1.80

1.78

Relacin entre variables.

Tenemos las alturas y los pesos de 30 individuos representados en un diagrama de
dispersin.

ue
q
ce
e
r
Pa

s
e
p
el

nta
e
um
a
o

la
n
co

a
r
u
t
al

Prediccin de una variable en funcin de la otra.

Aparentemente el peso aumenta 10Kg por cada 10 cm de altura... o sea,
el peso aumenta en una unidad por cada unidad de altura.

10 kg.

10 cm.

Cmo reconocer relacin directa e inversa.

330

Incorrelacin

280
230
180
130
80
30
140

150

160

170

180

190

Para valores de X por encima de la media

tenemos valores de Y por encima y por debajo
en proporciones similares. Incorrelacin.

200

Para

los valores de X mayores que la

media le corresponden valores de Y
mayores tambin.
Para

los valores de X menores que la

media le corresponden valores de Y
menores tambin.
Esto

se llama relacin directa o

creciente entre X e Y.
Para los valores de X mayores que la media
le corresponden valores de Y menores. Esto
es relacin inversa o decreciente.

Cmo reconocer buena o mala relacin

o
o

o
o

o
Dado un valor de X no podemos decir gran
cosa sobre Y. Mala relacin. Independencia.

Conocido

X sabemos que Y se mueve por

una horquilla estrecha. Buena relacin.
Lo

de horquilla estrecha hay que entenderlo

con respecto a la dispersin que tiene la
variable Y por si sola, cuando no se considera
X.

Covarianza de dos variables X e Y

La covarianza entre dos variables, Sxy, nos indica si

la posible relacin entre dos variables es directa o
inversa.

Directa: Sxy >0

Inversa: Sxy <0

Incorreladas: Sxy =0

1
S xy ( xi x )( yi y )
n i

El signo de la covarianza nos dice si el aspecto de la

nube de puntos es creciente o no, pero no nos dice
nada sobre el grado de relacin entre las variables.

Mtodo de Mnimos Cuadrados

Clculo de los coeficientes de regresin lineal:

B1

SC xy

B0 y B1 x

SC x

SC x x
2

( x )
n

SC xy xy

( x )( y )
n

Ejemplo

Los datos corresponde a la estatura del padre (X) y la estatura del su hijo mayor (Y) para
una muestra de padres e hijos son los siguientes:

Estud.

Calificacin en
matemtica Pre
Univ. (X)

Calificacin en matemtica
Universidad (Y)

53

76

35

57

76

99

29

74

48

90

58

93

65

83

22

53

44

79

10

40

66

Coef. de correlacin lineal de Pearson

La coeficiente de correlacin lineal de Pearson de

dos variables, r, nos indica si los puntos tienen una
tendencia a disponerse alineadamente
(excluyendo rectas horizontales y verticales).

tiene el mismo signo que Sxy por tanto de su signo

obtenemos el que la posible relacin sea directa o
inversa.

r es til para determinar si hay relacin lineal entre

dos variables, pero no servir para otro tipo de
relaciones (cuadrtica, logartmica,...)

S xy
SxS y

Propiedades de r

Es adimensional
Slo toma valores en [-1,1]
Las variables son incorreladas r=0
Relacin lineal perfecta entre dos variables r=+1 o r=-1

Excluimos los casos de puntos alineados horiz. o verticalmente.

Cuanto ms cerca est r de +1 o -1 mejor ser el grado de

relacin lineal.

Siempre que no existan observaciones anmalas.

Relacin
inversa
perfecta

-1

Variables
incorreladas

Relacin
directa
casi
perfecta

+1

Entrenando el ojo: correlaciones positivas

Entrenando el ojo: casi perfectas y positivas

Entrenando el ojo: correlaciones negativas

Preguntas frecuentes

Si r=0 eso quiere decir que no las variables son

independientes?
En la prctica, casi siempre s, pero no tiene
por qu ser cierto en todos los casos.
Lo contrario si es cierto: Independencia
implica incorrelacin.

Me ha salido r=12 la relacin es superlineal[sic]?

Superqu? Eso es un error de clculo. Siempre debe tomar un
valor entre -1 y +1.

A partir de qu valores se considera que hay buena relacin

lineal?
Es difcil dar un valor concreto (mirad los grficos anteriores).
Para este curso digamos que si |r|>0,7 hay buena relacin lineal
y que si |r|>0,4 hay cierta relacin (por decir algo... la cosa es
un poco ms complicada: observaciones anmalas,...)

Otros coeficientes de correlacin

Cuando las variables en vez de ser numricas son

ordinales, es posible preguntarse sobre si hay algn
tipo de correlacin entre ellas.

Disponemos para estos casos de dos estadsticos,

aunque no los usaremos en clase:
(ro) de Spearman
(tau) de Kendall

Maurice George Kendall

No tenis que estudiar nada sobre ellos en este

curso. Recordad slo que son estadsticos anlogos
a r y que los encontrareis en publicaciones donde las
variables no puedan considerarse numricas.
Charles Edward Spearman

Regresin

El anlisis de regresin sirve para predecir una

medida en funcin de otra medida (o varias).
Y

= Variable dependiente

predicha
explicada

= Variable independiente

predictora
explicativa

Es

posible descubrir una relacin?

Y = f(X) + error

f es una funcin de un tipo determinado

el error es aleatorio, pequeo, y no depende de X

Regresin

El ejemplo del estudio de la altura en grupos familiares de

Pearson es del tipo que desarrollaremos en el resto del
tema.

Altura del hijo = 85cm + 0,5 altura del padre (Y = 85 + 0,5 X)

Si el padre mide 200cm cunto mide el hijo?

Si el padre mide 120cm cunto mide el hijo?

Se espera (predice) 85 + 0,5x200=185 cm.

Alto, pero no tanto como el padre. Regresa a la media.

Se espera (predice) 85 + 0,5x120=145 cm.

Bajo, pero no tanto como el padre. Regresa a la media.

Es decir, nos interesaremos por modelos de regresin

lineal simple.

Modelo de regresin lineal simple

En el modelo de regresin lineal simple, dado dos

variables
Y (dependiente)
X (independiente, explicativa)

buscamos encontrar una funcin de X muy simple (lineal)

que nos permita aproximar Y mediante

= b0 + b1X
b0 (ordenada en el origen, constante)
b1 (pendiente de la recta)

Y e rara vez coincidirn por muy bueno que sea el

modelo de regresin. A la cantidad

e=Y- se le denomina residuo o error residual.

En el ejemplo de Pearson y las alturas, l encontr:

= b0 + b 1 X

b0=85 cm (No interpretar como altura de un hijo cuyo padre mide

0 cm Extrapolacin salvaje!
b1=0,5 (En media el hijo gana 0,5 cm por cada cm del padre.)

b1=0,5

b0=85 cm

La relacin entre las variables no es exacta. Es natural

preguntarse entonces:

Cul es la mejor recta que sirve para predecir los valores de Y

en funcin de los de X
Qu error cometemos con dicha aproximacin (residual).

b1=0,5

b0=85 cm

El modelo lineal de regresin se construye utilizando la tcnica de

estimacin mnimo cuadrtica:
Buscar b0, b1 de tal manera que se minimice la cantidad

i ei2

Se comprueba que para lograr dicho resultado basta con elegir:

SY
b1 r
SX

b0 y b1 x

Se obtiene adems unas ventajas de regalo

El error residual medio es nulo
La varianza del error residual es mnima para dicha estimacin.

Traducido: En trmino medio no nos equivocamos. Cualquier otra

estimacin que no cometa error en trmino medio, si es de tipo lineal,
ser peor por presentar mayor variabilidad con respecto al error medio
(que es cero).

Que el error medio de las

predicciones sea nulo no quiere
decir que las predicciones sean
buenas.

Hay que encontrar un medio de

expresar la bondad del ajuste
(bondad de la prediccin)
No importa. Con los dos
ltimos clientes me
equivoqu en +10 y +20.
En trmino medio el error
es cero.

Cometi un error
de -30 en su
ltima prediccin

Cmo medir la bondad de una regresin?

Imaginemos un diagrama de dispersin, y vamos
a tratar de comprender en primer lugar qu es
el error residual, su relacin con la varianza de Y,
y de ah, cmo medir la bondad de un ajuste.

Interpretacin de la variabilidad en Y
En primer lugar olvidemos que existe la
variable X. Veamos cul es la variabilidad
en el eje Y.

La franja sombreada indica la zona donde

varan los valores de Y.
Proyeccin sobre el eje Y = olvidar X

Interpretacin del residuo

Fijmonos ahora en los errores de prediccin

(lneas verticales). Los proyectamos sobre el eje Y.
Se observa que los errores de prediccin,
residuos, estn menos dispersos que la
variable Y original.
Cuanto menos dispersos sean los residuos,
mejor ser la bondad del ajuste.

Bondad de un ajuste
Resumiendo:

La dispersin del error residual ser una fraccin

de la dispersin original de Y

Cuanto

menor sea la dispersin del error residual

mejor ser el ajuste de regresin.
Eso hace que definamos como medida de
bondad de un ajuste de regresin,
o coeficiente de determinacin a:

S
R 1
S
2

2
e
2
Y

2
e

2
Y

Resumen sobre bondad de un ajuste

La bondad de un ajuste de un modelo de regresin se mide usando el

coeficiente de determinacin R2

R2 es una cantidad adimensional que slo puede tomar valores en [0, 1]

Cuando un ajuste es bueno, R2 ser cercano a uno.

por qu?

A R2 tambin se le denomina porcentaje de variabilidad explicado por el

modelo de regresin.

por qu?

Cuando un ajuste es malo R2 ser cercano a cero.

Para el alumno astuto: por qu?

por qu? Difcil.

R2 puede ser pesado de calcular en modelos de regresin general, pero

en el modelo lineal simple, la expresin es de lo ms sencilla: R2=r2

Es coherente lo dicho entonces sobre los valores de R 2?

Otros modelos de regresin

Se pueden considerar otros

tipos de modelos, en funcin
del aspecto que presente el
diagrama de dispersin
(regresin no lineal)

Incluso se puede considerar el

que una variable dependa de
varias (regresin mltiple).

Modelos de anlisis de regresin

1 variable explicativa

Modelos de regresin

Simple
Lineal

2+ variables explicativas
Mltiple

No lineal

Lineal

No lineal

En clase slo tratamos el modelo de regresin lineal simple.

En todos los dems la bondad del ajuste se mide usando R2
No ajustaremos modelos a mano. Usaremos para ello SPSS.