Tema 7.

ANÁLISIS DE CORRELACIÓN Y
REGRESIÓN LINEAL SIMPLE
 CORRELACIÓN Y REGRESIÓN LINEAL
• Situaciones donde el análisis involucra considerar la relación de dos o más
variables.

• El análisis de regresión se utiliza para estudiar variables cuantitativas.

• La regresión es utilizada para explicar, predecir, optimizar o controlar "Y“ a

partir de una configuración de X.

• El objetivo es obtener estimaciones razonables de Y para distintos valores

de X a partir de una muestra de n pares de valores (x1, y1), . . . ,(xn, yn).
 REGRESIÓN LINEAL
• Si sabemos que la variable X está muy
relacionada con Y, ello quiere decir que
podemos predecir Y a partir de X.

Y = f (X)
• X = es la variable independiente (EXPLICATIVA)
• Y = es la variable dependiente (RESPUESTA)

• (Evidentemente si, X no está relacionada con Y,

X no sirve como predictor de Y.)
CORRELACIÓN Y REGRESIÓN LINEAL
(ejemplos)
• Se pretende predecir el consumo de gasolina de un vehículo según las
millas que este recorre.

• Un gerente puede estar interesado en examinar la relación entre las

ventas y el gasto en publicidad.

• El asesor de créditos de un banco podría estar interesado en la

relación entre el precio de una casa y su área, ó antigüedad, etc.
OBJETIVOS
• Calcular e interpretar la correlación entre dos variables.
• Determinar si la correlación es significativa.
• Calcular e interpretar la ecuación de regresión lineal simple para un
conjunto de datos.
• Entender los supuestos detrás del análisis de regresión.
• Determinar si el modelo de regresión es significativo.
GRÁFICOS DE DISPERSIÓN
• El gráfico de dispersión (o diagrama de dispersión) sirve para mostrar
la relación entre dos variables cuantitativas.

DIRECTA O POSITIVA INVERSA O NEGATIVA

GRÁFICOS DE DISPERSIÓN

INDEPENDENCIA LINEAL
GRÁFICOS DE DISPERSIÓN
GRÁFICOS DE DISPERSIÓN
CORRELACIÓN
• Mide la Intensidad de la relación lineal

• R (coeficiente de correlación): medida de la intensidad de la relación

lineal entre dos variables, basado en observaciones muestrales

• Correlación espuria (casual) cuando existe una asociación lineal entre

variables aparentemente no relacionadas.
 COEFICIENTE DE CORRELACIÓN (R)
• No tiene unidad de medida.

• Varía entre -1 y 1.

• La cercanía a -1 indica fuerte relación lineal negativa.

• La cercanía a 1 indica fuerte relación lineal positiva.

• La cercanía a 0 indica débil relación lineal.

• +1 ó -1 son correlaciones perfectas (ideales) donde

todos los datos (puntos) caen sobre una línea recta.
COEFICIENTE DE CORRELACIÓN (R)
EJEMPLOS DE CORRELACIÓN PARA (R)
 COEFICIENTE DE CORRELACIÓN (R):
CÁLCULOS

COEFICIENTE DE CORRELACIÓN MUESTRAL

EJEMPLO
Correlación entre la altura de un árbol y el diámetro del tronco
EJEMPLO
PRUEBA DE SIGNIFICANCIA DE LA CORRELACIÓN
• La letra griega ρ (rho) es el coeficiente de correlación poblacional
• La prueba es robusta respecto a normalidad
PRUEBA DE SIGNIFICANCIA DE LA CORRELACIÓN
Es significativa la relación lineal entre las alturas de los árboles y los
diámetros de sus troncos con un nivel de significancia de 5% ?
 PRUEBA DE SIGNIFICANCIA DE LA CORRELACIÓN

CONCLUSIÓN ??
EJEMPLO 2
Vita Plus Inc, recolecta datos sobre los gastos publicitarios y los ingresos de ventas
por 5 meses. Analizar los datos, encontrar la correlación entre variables y realizar
una prueba de significancia.
EJEMPLO 2
 CONSIDERACIONES IMPORTANTES:
1. La correlación entre dos variables no implica ninguna relación de causa-
efecto.
EJEMPLO: El cálculo de una alta correlación positiva entre años de experiencia y
ventas en los vendedores de una empresa no es una prueba estadística que los
años de experiencia tenga como consecuencia mayores ventas, solo significa
que marchan en forma conjunta.

2. Se está ante lo que se denomina correlación espúrea.

EJEMPLO: Para un período determinado se podría calcular una alta correlación
entre el salario promedio de los ingenieros del Ecuador y el precio de las uvas
en Francia, esto de ninguna forma significa que lo uno cause lo otro.
CONSIDERACIONES IMPORTANTES:
3. La correlación también se puede dar por los efectos de un factor
común que incide sobre las dos variables en cuestión.
EJEMPLO: las mayores ventas de los vendedores de mayor experiencia
podría ser debido a que los vendedores de más edad se les asigna los
mejores territorios.

4. Relaciones de causa-efecto requieren de construcción de modelos

vinculados al fenómeno que se analiza.