Scribd Logo
Cargar

¡Te damos la bienvenida a Scribd!

  • 60 vistas

    Correlación

    Cargado por

    ERIKA TATIANA PATINO JIMENEZ
    El documento describe los análisis de correlación y regresión lineal. Explica que la correlación mide la intensidad de la relación entre dos variables usando el coeficiente de correlación r, el cual puede variar de -1 a 1. La regresión lineal predice una variable en base a otra, usando una línea recta cuya ecuación es y=a+bx. El criterio de mínimos cuadrados calcula los valores de a y b para minimizar la distancia entre los puntos y la línea.

    Copyright:

    © All Rights Reserved
    Descargue como PDF, TXT o lea en línea desde Scribd

    Correlación

    Cargado por

    ERIKA TATIANA PATINO JIMENEZ
    60 vistas22 páginas
    El documento describe los análisis de correlación y regresión lineal. Explica que la correlación mide la intensidad de la relación entre dos variables usando el coeficiente de correlación r, el cual puede variar de -1 a 1. La regresión lineal predice una variable en base a otra, usando una línea recta cuya ecuación es y=a+bx. El criterio de mínimos cuadrados calcula los valores de a y b para minimizar la distancia entre los puntos y la línea.

    Derechos de autor

    © © All Rights Reserved

    Formatos disponibles

    PDF, TXT o lea en línea desde Scribd

    ¿Le pareció útil este documento?

    ¿Este contenido es inapropiado?

    El documento describe los análisis de correlación y regresión lineal. Explica que la correlación mide la intensidad de la relación entre dos variables usando el coeficiente de correlación r, el cual puede variar de -1 a 1. La regresión lineal predice una variable en base a otra, usando una línea recta cuya ecuación es y=a+bx. El criterio de mínimos cuadrados calcula los valores de a y b para minimizar la distancia entre los puntos y la línea.

    Copyright:

    © All Rights Reserved
    Descargue como PDF, TXT o lea en línea desde Scribd
    Descargar como pdf o txt
    60 vistas22 páginas

    Correlación

    Cargado por

    ERIKA TATIANA PATINO JIMENEZ
    El documento describe los análisis de correlación y regresión lineal. Explica que la correlación mide la intensidad de la relación entre dos variables usando el coeficiente de correlación r, el cual puede variar de -1 a 1. La regresión lineal predice una variable en base a otra, usando una línea recta cuya ecuación es y=a+bx. El criterio de mínimos cuadrados calcula los valores de a y b para minimizar la distancia entre los puntos y la línea.

    Copyright:

    © All Rights Reserved
    Descargue como PDF, TXT o lea en línea desde Scribd
    Descargar como pdf o txt
    Está en la página 1de 22

    ANÁLISIS REGRESIÓN LINEAL Y

    CORRELACIÓN
    Diseño y análisis de experimentos
    Análisis de correlación
    • Es el grupo de técnicas estadísticas empleado para medir la
    intensidad de la relación (correlación) entre dos variables.
    • El principal objetivo del análisis de correlación es determinar que tan
    intensa es la relación entre dos variables. Una medida de esta
    relación es el coeficiente de correlación ( r ) el cual puede tomar
    valores en una escala desde –1 hasta +1 inclusive como se indica
    enseguida.
    Análisis de correlación
    Coeficiente de Correlación de Pearson (r): Mide el grado de Asociación
    Lineal entre dos variables Cuantitativas
    n

    r=
    cov( x , y ) å xi yi - nxy -1 £ r £ 1
    sx s y r= i =1
    ( n - 1 )s x s y

    Si r es positivo: la asociación entre x e y es directamente proporcional, es decir que


    cuando x aumenta y también aumenta; y viceversa. Si r=1: la asociación lineal es
    perfecta.
    Si r es negativo: la asociación entre x e y es inversamente proporcional, es decir que
    cuando x aumenta y disminuye; y viceversa. Si r=-1: la asociación lineal es perfecta.
    Si r es cero: no existe asociación entre x e y.
    Análisis de correlación

    Si r = 0 indica que no existe ninguna correlación entre las dos variables.


    Análisis de correlación
    El coeficiente de correlación se calcula mediante la siguiente fórmula:

    Donde:
    n = es el número de pares de observaciones (x, y)
    x = valores de la variable independiente x.
    y = valores de la variable dependiente y.
    Ejercicio
    El director de personal de una empresa debe entrevistar y seleccionar
    nuevo personal para el área de ventas. Ha diseñado una prueba que
    ayude a seleccionar los mejores aspirantes. Con la finalidad de verificar
    la validez de su prueba, como instrumento de predicción de las ventas
    semanales, eligió al azar cinco vendedores experimentados y aplicó la
    prueba a cada uno (esta muestra es pequeña para fines didácticos, en
    la práctica debe tomarse una muestra mucho mayor).
    Ejercicio
    Los resultados obtenidos se muestran en la tabla siguiente:

    Se piensan entonces que las ventas semanales dependen de la


    puntuación de prueba por lo cual se toman las ventas como variable
    dependiente (y) y la puntuación de prueba como variable
    independiente (x).
    Ejercicio

    Existe alto grado de correlación


    Ejercicio En SPSS se llama R cuadrado
    Análisis de regresión lineal simple
    • Se define a la regresión lineal como una relación fundamental entre
    dos o más variables correlacionadas y se usa para pronosticar una
    variable con base en la otra. Por lo general la relación se obtiene de
    dos datos observados. En la regresión lineal la relación entre variables
    forma una línea directa.
    • La línea de regresión lineal es de la forma y’ = a + bx, donde y’ es la
    variable dependiente que queremos resolver; a es la intersección de
    y’; b es la dependiente y x es la variable independiente (en el análisis
    de series de tiempo, x representa unidades de tiempo).
    Concepto (2)
    El tema básico en regresión (con 2 variables) es
    ajustar los puntos del diagrama de dispersión de
    las variables X e Y. Para simplificar, el análisis se
    centra (por simplicidad) en el caso de que la
    relación entre X e Y sea lineal.
    Rendimiento

    En este caso el análisis se centra en ¿cuál es la


    “mejor” línea que parece unir los puntos?. Para
    esto, se necesita un criterio. Si bien hay otros
    criterios, el más empleado comúnmente, y el que
    Inteligencia veremos aquí, es el criterio de mínimos cuadrados.

    Criterio de mínimos cuadrados: Es aquel que minimiza las distancias


    cuadráticas de los puntos con la línea.
    Repaso de la ecuación de una recta
    Y=a+ b x
    a es la ordenada en el origen (es
    donde la recta corta el eje Y)
    b es la pendiente (observada que en
    Rendimiento

    el caso de las relaciones positivas, B


    será positivo; en el caso de las
    relación negativas, B será negativo; si
    no hay relación, B será
    Inteligencia aproximadamente 0)

    Si queremos predecir Y a partir de X, necesitamos calcular (en el


    caso de relación lineal) la recta de regresión de Y sobre (a partir de)
    X. IMPORTANTE: B=b y A=a
    Cálculo de la ecuación de regresión lineal (de Y sobre X)

    El criterio de mínimos cuadrados


    Y’ nos proporciona un valor de a y
    Rendimiento (Y)

    uno
    n de b, tal que,
    2

    å (Y - Y )
    i =1
    i i
    '
    sea mínimo

    Inteligencia (X)
    Cálculo de la ecuación de regresión lineal (de Y sobre X)

    Las fórmulas.... En puntuaciones directas

    Ordenada
    origen
    A = Y - BX

    B=
    å XY - nXY
    Pendiente
    å X - nX 2 2
    Cálculo de la ecuación de regresión lineal (de Y sobre X)

    X Y XY X2
    suj1 120 10 1200 14400
    suj2 100 9 900 10000
    suj3 90 4 360 8100
    suj4 110 6 660 12100

    4 SUMA SUMA
    3120 44600
    PROMEDIO PROMEDIO
    105 7.25

    N
    4

    3120 - 4 ×105 × 7 '25


    B= = 0'15
    44600 - 4 ×105 2
    Luego
    Y’=-8’5+0’15X
    A = 7 ' 25 - 0 '15 ×105 = -8'5
    Seleccionar 2 x 4
    F2
    Ctl + Mayúscula + Enter

    Ordenada en el
    Pendiente y error origen y error

    R – entre más cerca de uno mejor ajuste


    En SPSS
    • Gráfico de dispersión: Gráficos / Cuadros de diálogo antiguos /
    Dispersión Puntos / Dispersión simple à Dependiente Y,
    Independiente X
    • Analizar / Estadísticos Descriptivos / Gráficos / Prueba de normalidad
    • Analizar / Regresión / Lineal à Independiente X, Dependiente Y /
    Estadísticos (Seleccionar: Ajustes del modelo, Cambio en R cuadraro,
    Estimaciones) Continuar / Aceptar
    • Los valores de interés con R (correlación de Pearson) R cuadrado (coeficiente
    de determinación)
    • Error típico de la estimación: representa una medida de la parte de
    variabilidad de la variable dependiente que no es explicada por la recta de
    regresión. Cuánto mejor es el ajuste más pequeño es el error típico.
    Análisis
    En estos ejercicios la hipótesis se establece de la siguiente manera:
    • Ho: Las variables no están linealmente relacionadas à r=0
    • H1: Las variables están linealmente relacionadas à r > 0

    Si el nivel de p<0,05 se rechaza la hipótesis nula y se acepta la hipótesis


    alternativa por lo que se concluye que las variables están linealmente
    relacionadas.
    Análisis
    • Coeficientes:
    • Constante es el origen de la recta de regresión = a
    • El valor en X correcponde a la pendiente de la recta de regresión = b (positivo
    relación directa, negativo relación inversa)
    Ejercicio

    También podría gustarte

    pFad - Phonifier reborn

    Pfad - The Proxy pFad of © 2024 Garber Painting. All rights reserved.

    Note: This service is not intended for secure transactions such as banking, social media, email, or purchasing. Use at your own risk. We assume no liability whatsoever for broken pages.


    Alternative Proxies:

    Alternative Proxy

    pFad Proxy

    pFad v3 Proxy

    pFad v4 Proxy