Modelo de Correlacion y Regresion Lineal
Modelo de Correlacion y Regresion Lineal
Modelo de Correlacion y Regresion Lineal
MODELO DE CORRELACIÓN
ÍNDICE
Introducción 1
Antecedentes 2
Desarrollo 3
Modelo de Correlación 6
9
Conclusión
Anexos 10
15
Bibliografía
INTRODUCCIÓN
Los modelos de regresión se usan para estimar "la mejor" relación funcional entre
una variable dependiente y una o varias variables independientes, mientras que los
métodos de correlación se utilizan para medir el grado de asociación de las distintas
variables. A partir de la presente investigación, se pretende mostrar el tema de la
regresión y correlación lineal. Ya que la aplicación de las técnicas estadísticas
contribuye a la optimización de los procesos dentro de diferentes contextos de la
vida cotidiana.
1
ANTECEDENTES
En ese trabajo clásico, Galton centró su descripción en los rasgos físicos de los
descendientes (variable dependiente) a partir de los rasgos de sus padres (variable
independiente).. Galton estudió la altura de los hijos en relación con la altura de sus
padres, y probó que la altura de los hijos, de padres altos, "regresaba" hacia la
media de la altura de la población a lo largo de sucesivas generaciones. Esto es,
hijos de padres demasiado altos tendían a ser en promedio más bajos que sus
padres, e hijos de padres muy bajos tendían a ser en promedio más altos que sus
padres. Así mismo, se realizó un estudio con más de mil registros de grupos
familiares y se encontró la relación que se presenta, que permite estimar la altura
media del hijo a partir de la altura del padre.
2
DESARROLLO
E (Y/X) = a + bx
Donde:
yt = B0 + B1 X1 + ɛ
Donde:
B1 = parámetro que mide la influencia que tienen las variables explicativas sobre la
variable explicada o dependiente.
3
En concreto, según el modelo de regresión lineal simple, las puntuaciones de los
sujetos en 2 variables -una de ellas considerada como variable predictora (X) y la
otra como variable de respuesta (Y)- vienen representadas (modeladas) por la
ecuación de una línea recta:
Cuando hay más de una variable explicativa (modelo de regresión lineal múltiple),
se utiliza un subíndice para cada una de ellas, por ejemplo, para el caso de dos
variables explicativas:
Los dos parámetros de la ecuación de regresión lineal simple, β0 y β1, son conocidos
como el origen (también, constante) y la pendiente del modelo, respectivamente. En
conjunto reciben el nombre de coeficientes de la ecuación de regresión. Si la
4
ecuación de la recta de regresión es obtenida a partir de una muestra, y no de una
población (esto es, los coeficientes de la ecuación de regresión son estadísticos, y
no parámetros), la ecuación se expresa como:
Una vez que sean conocidos los valores de β0 y β1 del modelo de regresión lineal
simple, éste puede ser utilizado como modelo predictivo, esto es, para realizar
predicciones de los valores que tomará la variable de respuesta para determinados
valores de la variable explicativa. Basta para ello con sustituir en la ecuación de
regresión el valor concreto de X que se quiera (Xi). Al hacerlo, se obtendrá el valor
predicho para Y según la ecuación de regresión para aquellos casos que en la
variable X tomen el valor Xi. Este valor es conocido de forma genérica como
puntuación predicha, siendo representado simbólicamente como ' Y i o ˆYi .
Con tal fin existen una serie de procedimientos de diagnóstico que nos informaran
sobre la estabilidad e idoneidad del modelo de regresión. Los supuestos que
tendremos que comprobar son
• En los residuos:
o normalidad
o varianza constante
o valores atípicos
5
Por otro lado, para cada conjunto de datos existen varias rectas con las que
podríamos resumir la tendencia general de los mismos. Necesitamos encontrar la
recta del mejor ajuste, aquella que da lugar a la menor diferencia entre los datos
originales y los estimados por la recta.
MODELO DE CORRELACIÓN
6
Con la nube de puntos podemos apreciar si existe o no una tendencia entre las dos
variables, pero si queremos cuantificar esta asociación debemos calcular un
coeficiente de correlación.
7
Condiciones de aplicación de la correlación:
8
CONLUSIÓN
9
ANEXOS
BIBLIOGRAFIA
ESTADISTICA DESCRIPTIVA PARA INGENIERfA AMBIENTAL CON SPSS 123 VIVIANA VARGAS FRANCO
Walpole, R. E. y Myers, R. H. (2007). Probabilidad y estadística para ingenieros (8a ed.). México:
Prentice Hall.
https://www.medigraphic.com/pdfs/imss/im-2013/im136l.pdf
http://ocw.uv.es/ciencias-de-la-salud/pruebas-1/1-3/t_09nuevo.pdf
http://www.ics-aragon.com/cursos/salud-publica/2014/pdf/M2T04.pdf
https://rpubs.com/Joaquin_AR/223351
https://www.incibe-cert.es/blog/correlacion-herramientas-analisis-datos
https://tarwi.lamolina.edu.pe/~fmendiburu/index-filer/academic/metodos1/Regresion.pdf