U N I V E R S I D A D

DE SAN MARTN DE PORRES

FACULTAD DE CIENCIAS DE LA COMUNICACIN,
TURISMO Y DE PSICOLOGA

Psicologa

Resumen que como parte del curso de estadstica inferencial presenta el alumno:

Garca Manrique, Gianfranco

2012211739

Lima Per
2013 - II

Captulo 6: Correlacin

Relaciones:
La correlacin es la que se encarga de establecer la magnitud y la direccin de las
relaciones en un grfico.

Relaciones lineales: Es la que se da con dos variables, puede representarse con

mayor exactitud por medio de una lnea recta.

Relaciones positivas y negativas: La relacin positiva indica que existe una

relacin directa entre las variables, en cambio una relacin negativa es cuando
hay una relacin inversa entre X y Y.

Relaciones perfectas o imperfectas: Una relacin perfecta es aquella en la cual

existe relacin ya sea positiva o negativa, para lo cual todos los puntos se
localizan en la recta. Una relacin imperfecta es aquella en la cual existe una
relacin pero no todos los puntos se localizan sobre la recta.

Correlacin:
Un coeficiente de correlacin expresa de manera cuantitativa la magnitud y
direccin de una relacin. Un coeficiente de correlacin puede variar de +1 a -1. El
signo del coeficiente nos indica si es negativo o positivo. Mientras mayor sea el
nmero, mayor ser la correlacin.

El coeficiente de correlacin lineal r de Pearson: Es una medida del grado en el

cual las parejas de datos ocupan posiciones iguales u opuestas dentro de sus
propias
distribuciones.

Relacin de r2 y la variabilidad explicada: Se conoce como el coeficiente de

determinacin. r2 es
igual a
la proporcin de la
variabilidad total de
Y de la
que es explicada por
X.

Otros coeficientes de correlacin: Elegimos a la r de Pearson por ser el

coeficiente de correlacin que aparece con ms frecuencia , sim embargo
debemos observar que existen otros muchos coeficientes de relacin como:
-

Forma de relacin: En esta depende de si la relacin es lineal o curvilnea.

Si los datos son curvilneos la r de Pearson se puede subestimar en cuanto a
la relacin que existe entre X y Y.
Escala de medicin: Aqu depende de la escala de medicin en que han sido
expresados los datos. Rho (Rs) tal como lo hemos mencionado, el
coeficiente de correlacin de rangos ordenados de Spearman, rho, se utiliza
cuando una o ambas variables corresponden solo a una escala ordinal.

Efecto del rango sobre la correlacin: Si existe correlacin entre X y Y, la

restriccin del rango de cualquiera de las variables tendr el efecto de reducir
dicha correlacin.
Efecto de los datos extremos: un dato extremo puede alterar drsticamente la
magnitud del coeficiente de correlacin, por lo tanto, modifica la interpretacin
de los datos.
a) Muestra un conjunto de datos en el que todos estos se agrupan con un grado
razonable de proximidad.
b) Muestra el mismo conjunto de datos, pero se le ha agregado un dato
extremo.
La relacin no implica causalidad: Cuando existe una correlacin entre dos
variables es casi lgico decir que una causa a la otra. Sin embargo por ser dos
variables hay 4 posibles explicaciones de esa correlacin.
a) La correlacin entre X y Y degenero en su origen, es espuria.
b) X es la causa de Y.
c) Y es la causa de X.
d) Una tercera variable es la causa de la correlacin entre X y Y.

Captulo 7: Regresin lineal

La regresin es un tema en el que se aplica la relacin entre dos o ms variables con

propsitos de prediccin.

Prediccin y relaciones imperfectas:

La relacin es imperfecta, positiva y lineal. El problema de prediccin que nos
ocupa consiste en hallar una sola lnea recta que describa esos datos mejor que
cualquier
otra.

Construccin de la recta de regresin por mnimos cuadrados: Regresin de Y

sobre X: La lnea de regresin por mnimos cuadrados es la lnea de prediccin que
minimiza E (Y Y1)2.
Y= by X + ay Ecuacin de regresin lineal para predecir Y conociendo X
Dnde:
Y= el valor predicho o estimado de Y
by = la pendiente de la recta que minimiza los errores en la prediccin de Y
ay = la ordenada al origen de la recta que minimiza los errores en la prediccin de Y

Regresin de X sobre Y:
Tambin es posible predecir X conociendo Y. Sin embargo, para predecir X
conociendo Y, debemos obtener una nueva recta de regresin. No podemos utilizar
la ecuacin de regresin para la prediccin de Y cuando se conoce X.
En trminos generales, el proceso de minimizar los errores Y1 y el de minimizar los
errores en X1 no conducen a las mismas lneas de regresin. La excepcin se
presenta cuando la relacin es perfecta. En este caso cuando las dos lneas coinciden
y forman solo una lnea.

Medicin de errores de prediccin: El error estndar de la estimacin:

Requiere el clculo del error estndar de la estimacin. Este error es similar a la

desviacin estndar. La desviacin estndar nos proporciona una medida de la
desviacin de la recta de regresin se puede considerar como una estimacin de la
media de los valores de Y para cada uno de los valores de X.

Consideraciones al utilizar la regresin lineal para la prediccin:

1. La primera suposicin que debemos tomar en cuenta para el uso exitoso de esta
tcnica es que la relacin entre X y Y sea lineal.
2. En segundo lugar, no estamos interesados, por lo general, en utilizar la recta de
regresin para predecir las calificaciones de los individuos que estaban en el
grupo empleado para calcular dicha lnea de regresin.

Relacin entre las constantes de regresin y la r de Pearson:

La r de Pearson es la pendiente de la recta de regresin por mnimos cuadrados al
graficar los datos como puntajes Z.

Regresin mltiple y correlacin mltiple:

La regresin mltiple es una extensin de la regresin simple para incluir las
situaciones en que hay dos o ms variables de prediccin. La forma general de la
ecuacin de regresin mltiple para las dos variables de prediccin es:

Y = b1 X1 + b2 X2 + a