Asignatura de Bioestadística Seminario

IV Ciclo de Estudios Semestre Académico 2021-I

TEMA
"ANÁLISIS DE CORRELACIÓN Y REGRESIÓN LINEAL SIMPLE"
AUTORES

 AYALA TELLO YAJHAIRA CHRISTEL (72281501)

 CAMPOS MONTEZA WALTER ANDRÉ (71056917)
 CAPILLO VALLEJOS ANALIDIA DEL CARMEN (71645529)
 DAMACEN AQUINO ARACELY DANIEL (71396425)
 DÍAZ HUANCA LESLY VANESSA (71391889)
 HERNÁNDEZ IGNACIO SANDRA LISSETH (72159864)
 MAMANI SALAZAR JESSY MARICIELO (76925278)
 MECHAN GRADOS LUIS MARCO (71223642)

DOCENTE
DRA. WILBER OMERO RODRIGUEZ LOPEZ

GRUPO
15

Chiclayo – Perú
2021
 INTRODUCCIÓN
La regresión y la correlación son dos técnicas estrechamente relacionadas y
comprenden una forma de estimación, el análisis de correlación y regresión comprende
el análisis de los datos muestrales para saber qué es y cómo se relacionan entre si dos
o más variables en una población. El análisis de correlación produce un número que
resume el grado de la correlación entre dos variables; y el análisis de regresión da
lugar a una ecuación matemática que describe dicha relación. El análisis de correlación
generalmente resulta útil para un trabajo de exploración cuando un investigador o
analista trata de determinar que variables son potenciales importantes, el interés radica
básicamente en la fuerza de la relación. La correlación mide la fuerza de una entre
variables; la regresión da lugar a una ecuación que describe dicha relación en términos
matemáticos
La regresión lineal simple comprende el intento de desarrollar una línea recta o
ecuación matemática lineal que describe la reacción entre dos variables. Puede ser
utilizada de diversas formas. Se emplean en situaciones en la que las dos variables
miden aproximadamente lo mismo, pero en las que una variable es relativamente
costosa, o, por el contrario, es poco interesante trabajar con ella, mientras que con la
otra variable no ocurre lo mismo. La finalidad de una ecuación de regresión seria
estimar los valores de una variable con base en los valores conocidos de la otra. Otra
forma de emplear una ecuación de regresión es para explicar los valores de una
variable en término de otra. Es decir, se puede intuir una relación de causa y efecto
entre dos variables. El análisis de regresión únicamente indica qué relación matemática
podría haber, de existir una. Ni con regresión ni con la correlación se pude establecer si
una variable tiene “causa “ciertos valores de otra variable.
 OBJETIVOS

1. Realizar prueba de hipótesis del coeficiente de correlación de Pearson.

2. Construir la ecuación de regresión lineal.

3. Interpretar coeficiente de determinación.

 CUESTIONARIO

1. El diagnóstico de la deficiencia de cobre (Cu) es dificultoso cuando se toma

como único parámetro a la cupremia, pues en las deficiencias moderadas de
cobre esta no siempre disminuye. En el curso de una investigación cuyo
objetivo era determinar la relación entre los niveles de Cu sanguíneo y
hepático (para poder evaluar así la fiabilidad que aportan los valores de la
cupremia), se muestreó sangre e hígado de un cierto número de animales de
laboratorio para determinar nivel de Cu, ceruloplasmina oxidasa (CPO),
hemoglobina y hematocrito. Los valores de hematocrito y hemoglobina fueron
normales en todos los casos. A continuación, se reproducen los valores de Cu
sérico y CPO correspondientes a una muestra aleatoria de 6 del total de los
casos estudiados: una muestra aleatoria de 6 del total de los casos
estudiados:

Cu sérico 0,40 0,45 0,52 0,70 0,87 0,92

(ppm)
CPO (ppm) 9,0 23,0 32,0 28,0 42,0 57,0

Cu sérico (X) CPO (Y) X2 Y2 (X)(Y)

0.40 9 0.16 81 3.6
0.45 23 0.2025 529 10.35
0.52 32 0.2704 1024 16.64
0.70 28 0.49 784 19.6
0.87 42 0.7569 1764 36.54
0.92 57 0.8464 3249 52.44
∑ X = 3.86 ∑ Y = 191 ∑ ∑ Y2 = ∑(X)(Y)=
X =27262
2
7431 139.17

 Primero se debe hallar el coeficiente de correlación de Pearson (r)

 6(139.17) − (3.86)(191)
𝑟=
√[6(2.7262) − 14.8996][6(7431) − 36481]

835.02 − 737.26
𝑟=
√[16.36 − 14.89][44586 − 36481]

𝑟 = 0.8994

𝑟 = 0.89

 ¿Puede afirmarse que hay relación lineal significativa entre ambos indicadores?

Sí, ya que el coeficiente de correlación es 0.89, lo que indica una relación lineal
significativa, ya que cuando el valor de r se acerca a 1 la correlación lineal es
fuerte.

2. El Gerente de una Clínica dispone de la siguiente información:

Año 2008 2009 2010 2011 2012 2013 X

(1) (2) (3) (4) (5) (6)
Cirugías 120 143 150 170 162 158 Y

X Y 𝒙𝟐 𝒚𝟐 X.Y
1 120 1 14400 120
2 143 4 20449 286
3 150 9 22500 450
4 170 16 28900 680
5 162 25 26244 810
6 158 36 24964 948
21 903 91 137457 3294

a) Grafique y determine la ecuación de la tendencia.

cirugias
y = 7.6286x + 123.8
180 R² = 0.6547
160
140
120
100
80
60
40
20
0
0 1 2 3 4 5 6 7
  Ecuación de la tendencia  Y= 7.6286x+123.8

b) Proyecte las cirugías al corazón para el año 2014

Y= a+b(X)

Y= a+b (7)
(21)(903) (21)(903)
Remplazamos b: 𝑏 = 3294− 441
𝑛  3294− 4416 7.6186
91⋅ 𝑛 91⋅ 6

Remplazamos a: a= 150.5- 7.6186 (3.5) 123.8

CALCULAMOS LAS CIRUGIAS PARA EL AÑO 2014

Y= 123.8+7.6286(7) 177

3. Se efectúa un experimento médico para determinar el efecto de la droga efedrina en las

pulsaciones del corazón. Un paciente recibe diversas dosis diarias de la droga durante
seis días. La tabla que sigue resume los resultados del experimento.

Nota: 1 grano = 0.06 gramos

a) Grafique un diagrama de dispersión

Identificamos:

 Los valores de las variables independientes y dependientes.

 La variable independiente (x): Dosis diaria total de efedrina (granos)
 La variable dependiente (y): N° de pulsaciones por minuto

Graficamos:

N° de pulsaciones por minuto y dosis diaria

total de efedrina en pacientes
120
N° de pulsaciones por minuto

100
80
60
40 N° de pulsaciones por
minuto (Y)
20
0
0 1 2 3 4 5 6
Dosis diario total de afedrina

b) Determine la ecuación de regresión lineal. Interprete los coeficientes de regresión

lineal. Grafique sobre el diagrama de dispersión, la línea de regresión.

Tenemos los siguientes datos:

Dosis diario total de N° de pulsaciones por

Días X2 Y1 XY
efedrina (gr) (X) minuto (Y)
1 3 70 9 4900 210
2 2 60 4 3600 120
3 1 50 1 2500 50
4 3 80 9 6400 240
5 5 100 25 10000 500
6 4 90 16 8100 360
Total 18 450 64 35500 1480

Para poder hallar los valores de la ecuación de regresión lineal usaremos la

siguiente fórmula:
Obtendremos el valor de b, reemplazamos:

Ahora hallaremos el valor de a:

Ahora vamos a reemplazar en la ecuación de regresión:

Interpretación:

Por cada incremento de dosis de efedrina, el número de pulsaciones por minuto

aumentan en 13 puntos.

N° de pulsaciones por minuto y dosis diaria total de

efedrina en pacientes
120
N° de pulsaciones por minuto

100

80

60
N° de pulsaciones por minuto
40 (Y)

20

0
0 1 2 3 4 5 6
Dosis diario total de afedrina
c) Estímese el número de pulsaciones para una dosis diaria de 4 granos de efedrina.

Usaremos la fórmula antes calculada (x = 4)

Y = 36 + 13x

Y = 36 + 13 (4)

Y = 36 + 52

Y = 88

Interpretación:

Se estima que, para una dosis de 4 granos de efedrina, hay un aproximado de 88

pulsaciones por minuto.

d) Calcule e interprete el coeficiente de correlación.

r = 0,983

Interpretación:

El coeficiente de correlación indica una relación directa inversa.

e) Calcule e interprete el coeficiente de determinación

Para hallar el coeficiente de determinación, vamos a elevar al cuadrado el valor de

“r” antes calculado:

r² = (0,983)² = 0,97  97%

Interpretación:

El 97% de las variaciones de Y, pueden explicarse gracias a X

 CONCLUSIONES

1. Realizamos la prueba de hipótesis del coeficiente de correlación de Pearson, cuya

función es determinar si existe una relación lineal entre dos variables a nivel intervalar
y que esta relación no sea debida al azar; es decir, que la relación sea
estadísticamente significativa.

2. Se logró construir la ecuación de regresión lineal, la cual hace énfasis en la relación

estadística entre dos variables continuas conocidas como variables de predicción y
respuesta. La variable predictora se denota con mayor frecuencia como x y
también se conoce como variable independiente.

3. Según los ejercicios planteados, interpretamos el coeficiente de determinación, que

indica es la proporción de la varianza total de la variable explicada por la regresión.
Es también denominado R cuadrado y sirve para reflejar la bondad del ajuste de un
modelo a la variable que se pretende explicar.
 REFERENCIA BIBLIOGRÁFICA
Análisis de regresión y correlación. Semana 12. Guía de seminarios.
Asignatura de bioestadística. Facultad de Medicina Humana. Universidad San
Martín de Porres. 2021. [Citado el 29 de baril.2021]