nav Estadística (complementos)

REGRESION Y CORRELACION
Fórmulas básicas en la regresión lineal simple

Como ejemplo de análisis de regresión, describiremos el caso de Pizzería

Armand, cadena de restaurantes de comida italiana. Los lugares donde sus
establecimientos han tenido más éxito están cercanos a establecimientos de
educación superior. Se cree que las ventas trimestrales (representadas por y) en
esos restaurantes, se relacionan en forma positiva con la población estudiantil
(representada por x). Es decir, que los restaurantes cercanos a centros escolares
con gran población tienden a generar más ventas que los que están cerca de
centros con población pequeña. Aplicando el análisis de regresión podremos
plantear una ecuación que muestre cómo se relaciona la variable dependiente
“y” con la variable independiente “x”.

El modelo de regresión y la ecuación de regresión

En el ejemplo, cada restaurante está asociado con un valor de x (población
estudiantil en miles de estudiantes) y un valor correspondiente de y (ventas
trimestrales en miles de $). La ecuación que describe cómo se relaciona y con x
y con un término de error se llama modelo de regresión. Éste usado en la
regresión lineal simple es el siguiente:

Modelo de regresión lineal simple: y = β0 + β1 x + ε

β0 y β1 son los parámetros del modelo. ε es una variable aleatoria, llamada error,
que explica la variabilidad en y que no se puede explicar con la relación lineal
entre x y y.
Los errores, ε, se consideran variables aleatorias independientes distribuidas
normalmente con media cero y desviación estándar σ. Esto implica que el valor
medio o valor esperado de y, denotado por E(Y/x), es igual a β0 + β1 x.

Ecuación de regresión lineal simple: E(y/x) = β0 + β1 x ( µY/x=E(Y/x) )

1 <0
1 >0
1 =0
nav Estadística (complementos)
2

La ecuación estimada de regresión (lineal simple)

Los parámetros, β0 y β1, del modelo se estiman por los estadísticos muestrales b0 y
b1, los cuales se calculan usando el método de mínimos cuadrados.

Ecuación Estimada de regresión lineal simple: ŷ = b0 + b1 x

En la regresión lineal simple, la gráfica de la ecuación de regresión se llama

línea de regresión estimada. ŷ es el valor estimado de y para un valor
específico de x.

Datos de población estudiantil y ventas trimestrales para una muestra de 10

restaurantes:

restaurante Poblac. estudiantil Ventas trimestrales

(en miles) (miles de $)
xi yi
1 2 58
2 6 105
3 8 88
4 8 118
5 12 117
6 16 137
7 20 157
8 20 169
9 22 149
10 26 202

Diagrama de dispersión
220

200

180

160

140

120

100

80

60

40
0 2 4 6 8 10 12 14 16 18 20 22 24 26 28 30

población estud. (miles)

nav Estadística (complementos)
3

Diagrama de dispersión
(y línea de regresión estimada)
220

200

180

160 ŷ = b 0 + b1 x
140

120

100

80

60
40
0 2 4 6 8 10 12 14 16 18 20 22 24 26 28 30

población estud. (miles)

El método de mínimos cuadrados consiste en hallar los valores b0 y b1 que hacen

mínima la suma de los cuadrados de las desviaciones entre los valores observados de
la variable dependiente, yi, y los valores estimados de la misma, ŷi. Es decir se minimiza
la suma: Σ(yi – ŷi)2.

Al aplicar el método se llega al siguiente sistema de ecuaciones simultáneas (llamadas

ecuaciones normales de la recta de regresión de y en x), cuya solución da los valores
de b0 y b1:

 yi  nb0  (  xi )b1

  xi yi  (  xi )b0  (  xi )b1
2

Las soluciones son las siguientes:

x y
 x i y i _ in i ( xi  x )( yi y )
b1  ( xi  x )( yi  y ) SXY
que también es b1   n 1

 x _ ni
( x )2
2 ( xi  x )2 ( xi  x )2
n 1
SX2
i

y b0  y  b1x

Determine la ecuación de regresión con los datos dados.

b1=

b0=

ŷ=
nav Estadística (complementos)
4

restaurante
xi yi xiyi x i2
1 2 58
2 6 105
3 8 88
4 8 118
5 12 117
6 16 137
7 20 157
8 20 169
9 22 149
10 26 202
140 1300 21040 2528

El coeficiente de determinación (r2)

El coeficiente de determinación en la regresión lineal simple es una medida de la
bondad de ajuste de la recta estimada a los datos reales.

Suma de cuadrados debida al error: SCE = Σ(yi – ŷi )2

Suma de cuadrados total: SCT = Σ(yi – y )2

Suma de cuadrados debida a la regresión: SCR = Σ(ŷi - y )2

Relación entre SCT, SCR y SCE: SCT = SCR + SCE

r2  SCR SCT  SCE SCE

Coeficiente de determinación : SCT = 1 
SCT SCT
r2
Expresado en porcentaje, se puede interpretar como el porcentaje de la variabilidad
total de “Y” que se puede explicar aplicando la ecuación de regresión.
220

200

180
ŷ = b 0 + b1 x
160 ŷ =60 + 5x

140

120

100
y  130
80

60

40
0 2 4 6 8 10 12 14 16 18 20 22 24 26 28 30

población estud. (miles)

nav Estadística (complementos)
5

cálculo de SCE y SCT

xi Yi Residuales
restauran ŷi = 60 + 5 xi yi – ŷi
yi – y (yi – y )2
(poblac. (ventas (yi – ŷi)2 =
te =
estud) trimest.) (yi –130) (yi –130)2
1 2 58
2 6 105
3 8 88
4 8 118
5 12 117
6 16 137
7 20 157
8 20 169
9 22 149
10 26 202
TOTALES 140 1,300 SCE=1,530 SCT=15,730

La suma de cuadrados debida a la regresión se calcula por diferencia:

SCR = SCT – SCE = 15,730 – 1,530 = 14,200
El coeficiente de determinación es entonces:
SCR
r2  SCT = 14,200/15,730 = 0.9027
El 90.27% de la variación en las ventas se puede explicar con la relación lineal entre la
población estudiantil y las ventas.

El coeficiente de correlación lineal (r)

Es una medida descriptiva que mide la intensidad de asociación lineal entre las dos
variables, x y y. Los valores del coeficiente de correlación lineal siempre están entre –1 y
+1. –1 significa una relación lineal negativa perfecta, +1 significa una relación lineal
positiva perfecta. Los valores cercanos a cero indican que las variables x y y no tiene
relación lineal. El coeficiente de correlación lineal se relaciona con el coeficiente de
determinación así:
r = (signo de b1) r 2 (1)

b1 es la pendiente la recta de regresión de y en x.

El coeficiente de determinación es más general que el coeficiente de correlación
lineal.

PRUEBAS DE SIGNIFICACIÓN PARA LA REGRESIÓN LINEAL

La ecuación de regresión lineal simple indica que el valor medio o valor
esperado de y es una función lineal de x: E(y/x) = β0 + β1 x. Si β1=0 entonces
E(y/x) = β0 y en este caso el valor medio no depende del valor de x, y
concluimos que x y y no tienen relación lineal. En forma alternativa, si el valor
β1 0 llegamos a la conclusión que las dos variables se relacionan ( más
específicamente, que hay una componente lineal en el modelo). Existen dos
pruebas, por lo menos, que se pueden utilizar para tal fin. En ambas se requiere
una estimación de 2, la varianza de  en el modelo de regresión.

SXY
(1) El coeficiente de correlación se define como r ; SXY es la covarianza muestral y el
Sx SY
denominador es el producto de las desviaciones típicas.
nav Estadística (complementos)
6

Cuadrados medios del error CME ( es una estimación de 2)

S2 = CME = SCE/(n-2)

n-2 son los grados de libertad asociados a SCE. 2 son los parámetros estimados
en la regresión lineal ( β0 y β1 ) y n es el número de pares de datos.

Error estándar de estimación (s)

Es la raíz cuadrada de s2, s  CME  SCE
n2 y es el estimador de la desviación
estándar .

Distribución muestral de b1
b1 es un estadístico con distribución normal de media  b1 = 1 y desviación estándar

b1= . Si sustituimos  por su estimación muestral, s, obtenemos un
(x i  x)2
s
estimador de b1 que denotaremos por sb1. sb1= . Con esta
(x i  x)2
b1  1
información podemos construir un estadístico t. t  el cual se distribuye
sb1
con =n-2 g.l.

Prueba t de significación en la regresión

H0: 1 = 0
H1: 1 ≠ 0
b1  0
Estadístico de contraste bajo H0, tc 
sb1
Decisión: Se rechaza H0 en favor de H1 si |tc |> t 2 o si p-valor < 
( Realizar la prueba con los datos del ejm propuesto).

Prueba de significancia usando el estadístico F (es una prueba más general)

Se usan dos estimaciones de 2, una basada en CME y la otra basada en CMR.

SCE SCR SCR

CME  y CMR   .
n 2 númerode var iables independientes 1

CME es un estimador insesgado de 2, mientras que CMR lo es sólo si H0 es

cierta. Si H0 es falsa, CMR tiende a sobreestimar 2.

El estadístico de contraste, bajo H0 es una F. F=CMR/CME con 1 gl en el

numerador y n-2 en el denominador. Los datos se acomodan en una tabla
ANOVA. Se rechaza H0 en favor de H1 si Fc>F o también si el p-valor
correspondiente es menor que el nivel de significancia
nav Estadística (complementos)
7

Tabla ANOVA
Fuente de Suma de Grados de Cuadrados F p-valor o
variación cuadrados libertad medios sig.
Regresión SCR 1 CMR F=CMR/CME
Error SCE n-2 CME
total SCT n-1

Realiza la prueba del ejemplo usando ANOVA.

Fuente de Suma de Grados de Cuadrados F p-valor o
variación cuadrados libertad medios sig.

Uso de la ecuación de regresión lineal para evaluar y predecir.

El modelo de regresión lineal simple es un supuesto acerca de la relación entre x
y y. Si los resultados tienen una relación estadísticamente significativa entre x y
y, y si el ajuste que proporciona la ecuación de regresión parece bueno, ésta
podría utilizarse para estimaciones y predicciones.

Intervalo de confianza para estimar la media de y para un valor dado xp de x.

( xp  x )2
µY /X p =E(y/xp): ŷp ± t /2 s n
1
( x  x )2 i

Intervalo de predicción para estimar un valor individual de Y para un valor dado

xp de x:

( xp  x )2
Yp: ŷp ± t/2 s 1  1 
n ( x  x )2
i

220

200

180

160

140

120

100

80
VENTAS

60

40
0 2 4 6 8 10 12 14 16 18 20 22 24 26 28 30

POBLAC
nav Estadística (complementos)
8
Ejercicio:
a) Se desea estimar, mediante un intervalo del 95% de confianza, el promedio de
venta trimestral para todos los restaurantes cercanos a centros escolares con
10,000 estudiantes:

µY: ŷp ± t/2 s

xp= 10 ; ŷp=60+5(10)=110 ; x =140/10 = 14 ; (x i  x)2 = 568 ; n=10 ;

(xp  x)2 =(10 – 14)2 =16 ; s  CME  SCE

n2  1530
8  13.8293 ; t /2= 2.306

µY/x=10 : 110 ± 11.415 miles de dólares.

b) Se desea predecir, mediante un intervalo del 95% de confianza, las ventas

trimestrales para un restaurante que se construirá cercano a un centro estudiantil
de 10,000 estudiantes :

1 ( xp  x )2
Yp: ŷp ± t /2 s 1  
n ( xi  x )2

Yp: 110 ± 33.875 miles de dólares

Análisis de residuales: validación de los supuestos del modelo

Como ya se dijo, el residual en la observación i es la diferencia entre el valor observado de la

variable dependiente (yi) y el valor estimado de esa variable ( ŷi ).

Residual en observación i: yi  yˆi

El análisis de residuales es la principal herramienta para determinar si es adecuado el modelo

de regresión supuesto. y = 0 + 1x +  ;  es el término del error en el modelo, y se hacen
los siguientes supuestos para él:

1. E() = 0
2. La varianza de , representada por 2, es igual para todos los valores de x.
3. Los valores de  son independientes.
4. El término del error, , tiene tendencia normal de probabilidad.
Estos supuestos forman la base teórica de las pruebas t y F que se usan para determinar si la
relación entre x y Y es significativa, y para los estimados de intervalos de confianza y de
predicción que ya se describieron.
El SPSS provee dos tipos de gráficos para determinar las característica de los residuales: Un
gráfico de residuales en función de x o de ŷ , con el cual se puede analizar si la varianza es
constante, y un gráfico de probabilidad normal. Generalmente se trabaja con los residuales
estandarizados o tipificados.
Determinar estos gráficos para los datos del ejemplo de la pizería Armand.
Hay otros análisis para los residuales que permiten determinar valores atípicos y
observaciones influyentes en los datos muestrales que por ahora no estudiaremos.
nav Estadística (complementos)
9

Modelos no lineales intrínsicamente lineales

Hay alguna tendencias que no son lineales pero con una adecuada transformación de
variables se pueden transformar en lineales, por ejm tendencias exponenciales, potenciales,
logarítmica, etc. El Spss tiene ésas y otras tendencias en el menú de regresión. Los siguientes
ejercicios son de ese tipo:

1. Los siguientes datos se refieren al crecimiento de una colonia de bacterias en un medio

de cultivo:

Días desde la inoculación Número de bacterias (en miles)

x y
3 115
6 147
9 239
12 356
15 579
18 864

a) Trace ln(yi) versus xi para verificar que es razonable una curva exponencial.
b) Ajuste una curva exponencial a los datos.
c) Estime el número de bacterias al término de 20 días.

2. Los siguientes datos se refieren a la demanda de un producto (en miles de unidades) y

su precio (en centavos) en cinco mercados diferentes:

Precio Demanda
X y
Ajuste una función potencial y úsela para estimar la
20 22
demanda cuando el precio del producto es de 12 centavos.
16 41
10 120
11 89
14 56

3. Los siguientes datos se refieren al tiempo de secado de un cierto barniz y a la cantidad

de aditivo añadido para reducir el tiempo de secado:

Cantidad de aditivo Tiempo de

agregado (g) secado (horas)
x y a) Dibuje un diagrama de dispersión para
0 12.0 verificar que es razonable suponer que la
1 10.5 relación es parabólica.
2 10.0
3 8.0
4 7.0
b) Ajuste un polinomio de segundo grado
5 8.0 con el método de mínimos cuadrados.
6 7.5
7 8.5
8 9.0
nav Estadística (complementos)
10
Regresión múltiple

Fórmulas clave

Variables independientes =(x1,x2,…,xp)

Modelo de regresión múltiple y=0 + 1x1 + 2x2 + . . . +pxp + 

Ecuación de regresión múltiple µY/= E(y/ ) =0 + 1x1 + 2x2 + . . . +pxp


Ecuación de regresión múltiple estimada Y = b0 + b1x1 + b2x2 + . . . +bpxp


Criterio de mínimos cuadrados min ( yi  yi )2

Relación entre SCT, SCR y SCE SCT = SCR + SCE

SCR SCT  SCE SCE

Coeficiente de determinación múltiple r2  = 1 
SCT SCT SCT

n 1
Coeficiente de determinación múltiple ajustado ra2  1  (1  r 2 )
n  p 1

SCR
Cuadrado medio debido a la regresión CMR 
p

SCE
Cuadrado medio del error CME 
n  p 1

CMR
Estadístico de la prueba F F
CME

bi
Estadístico de la prueba t t
Sbi
nav Estadística (complementos)
11
Modelo de regresión múltiple

El análisis de regresión múltiple es el estudio de la forma en que una variable

dependiente, y, se relaciona con dos o más variables independientes. En el caso
general emplearemos p para representar la cantidad de variables independientes.

y =0 + 1x1 + 2x2 + . . . +pxp + 

El término del error explica la variabilidad en “y” que no puede explicar las p variables
independientes. El error es una variable aleatoria distribuida normalmente con media
cero y varianza constante,2, para todos los valores de las X i.

Si consideramos el valor medio de la variable “y” dadas las variables independientes

=(x1,x2,…,xp), obtenemos la ecuación de regresión lineal

µY/=E(y/ ) = 0 + 1x1 + 2x2 + . . . +pxp

Utilizando los datos de una muestra de tamaño n y el método de mínimos cuadrados se

determina la ecuación de regresión múltiple estimada:

Y = b0 + b1x1 + b2x2 + . . . +bpxp

Cada coeficiente b i representa una estimación del cambio en “y” que corresponde a un
cambio unitario en x i cuando todas las demás variables independientes se mantienen
constantes.

Coeficiente de determinación múltiple (r2)

r2 se interpreta como la proporción de la variabilidad de la variable dependiente que se

puede explicar con la ecuación de regresión múltiple.
SCR SCT  SCE SCE
r2  = 1 
SCT SCT SCT

SCT: suma de cuadrados total ( yi  y)2

SCR: Suma de cuadrados debida a la regresión ( yˆi  y)2
SCE: Suma de cuadrados debida al error ( yi  yˆi )2

Pruebas de significancia

H0 : 1  2  ...   p  0
Prueba F 
 H1 : Uno o más de los parámetrosno es cero

=0.05 es el nivel de significación de la prueba.

CMR
FC  ; CMR=SCE/p y CME=SCE/(n-p-1)
CME

Se rechaza H0 si el p-valor de FC es menor que .

nav Estadística (complementos)
12
Los resultados se acomodan en una tabla ANOVA.

Tabla ANOVA
Fuente de Suma de Grados de Cuadrados F p-valor o
variación cuadrados libertad medios sig.
Regresión SCR p CMR=(SCR/p) FC=CMR/CME
Error SCE n-p -1 CME=(SCE/(n - p -1))
total SCT n-1

Prueba t para coeficientes individuales (i)

 i  0

i  0
b
tc  i ; con =n-p-1
Sbi
Se rechaza H0 si |tc| > t /2; o alternativamente, si p-valor de tc es menor que .

Multicolinealidad
En el análisis de regresión hemos empleado el término variables independientes para
indicar cualquier variable que se usa para predecir o explicar el valor de la variable
dependiente. Sin embargo, el término no indica que las variables independientes sean
independientes entre sí en un sentido estadístico. Al contrario, la mayor parte de las
variables independientes en un problema de correlación múltiple se correlacionan en
cierto grado.
Tener un coeficiente de correlación de la muestra mayor que 0.70 o menor que -0.70
para dos variables independientes es una regla fácil para advertir la posibilidad de
problemas por multicolinealidad.
Cuando las variables independientes están muy correlacionadas no es posible
determinar el efecto separado de una de ellas sobre la variable dependiente.
Si es posible, se debe evitar incluir en el modelo, variables independientes que tengan
mucha correlación. Sin embargo, en la práctica casi nunca es posible adherirse
estrictamente a este criterio.

Empleo de la ecuación de regresión estimada para evaluar y predecir.

Podemos determinar intervalos de confianza para estimar la media de “y” e intervalos
de predicción para estimar valores individuales de “y”.

Como ejemplo de análisis de regresión múltiple describiremos un problema que se

presentó en la compañía Butler, una empresa dedicada a entregas de encomiendas.
Para poder contar con mejores programas de trabajo, se desea estimar el tiempo diario
total que viajan sus operarios. Se han considerado dos variables independientes que se
cree que influyen en el tiempo diario total. A continuación se muestran los datos de una
muestra de 10 recorridos:
nav Estadística (complementos)
13

millas cantidad de tiempo de

Recorrido recorridas entregas recorrido en
(x1) (x2) horas (y)
1 100 4 9.3
2 50 3 4.8
3 100 4 8.9
4 100 2 6.5
5 50 2 4.2
6 80 2 6.2
7 75 3 7.4
8 65 4 6.0
9 90 3 7.6
10 90 2 6.1

Inicialmente analice el tiempo de recorrido en función de las millas recorridas y luego

incorpore la cantidad de entregas en el modelo. En cada caso analice también la
distribución de residuales.

¿Cuál es la ecuación de regresión estimada en cada caso?

¿Cómo interpreta los coeficientes de regresión en cada modelo?

¿Cómo interpreta el coeficiente de determinación múltiple r2?

En general, r2 aumenta siempre a medida que se agregan variables independientes al

modelo. Hay muchas personas que prefieren ajustar r2 de acuerdo con el número de
variables independientes, para evitar una sobreestimación al agregar otras variables al
modelo estudiado.
n 1
ra2  1  (1  r 2 )
n  p 1

¿Cuánto vale ra2 en el ejemplo?.

Adviértase que cuando r2 es pequeño, el coeficiente ajustado puede asumir un valor

negativo; en este caso el programa de computadora ajusta en cero el valor de ese
coeficiente.

Estime, mediante un intervalo del 95% de confianza, la media del tiempo de viaje para
todos los camiones que recorren 100 millas y hacen dos entregas.

Estime, mediante un intervalo del 95% de confianza, el tiempo de viaje para un camión
que va a recorrer 100 millas y a hacer 2 entregas.
nav Estadística (complementos)
14
Variables independientes cualitativas
Como hemos visto, las variables involucradas en problema de regresión son todas
variables numéricas tanto las independientes como la dependiente. Sin embargo, en
muchas situaciones se debe incorporar al modelo variables cualitativas. El objetivo de
esta sección es mostrar cómo se manejan este tipo de variables. Se crean unas
variables llamadas variables ficticias o indicadoras, las cuales sólo pueden tomar dos
valores, 0 y 1.
Para ejemplificar el uso de estas variables consideremos el siguiente problema en la
empresa Jonson filtration, la cual se dedica al servicio de mantenimiento de sistemas
de filtrado de agua. Sus clientes se comunican solicitando servicio de mantenimiento en
sus sistemas de filtrado de agua. Para estimar el tiempo y el costo de servicios, la
gerencia desea predecir el tiempo necesario de reparación para cada solicitud de
mantenimiento. Se cree que ese tiempo de reparación se relaciona con dos factores: la
cantidad de meses transcurridos desde el último servicio y el tipo de reparación
(mecánica o eléctrica). En la tabla se presentan los datos de una muestra de 10
órdenes de servicio:
órden de Meses desde el Tipo de Tiempo de
servicio último servicio reparación reparación (horas)
1 2 eléctrica 2.9
2 6 mecánica 3.0
3 8 eléctrica 4.8
4 3 mecánica 1.8
5 2 eléctrica 2.9
6 7 eléctrica 4.9
7 9 mecánica 4.2
8 8 mecánica 4.8
9 4 eléctrica 4.4
10 6 eléctrica 4.5

Desarrolle un modelo que explique el tiempo de reparación (Y) en función de los meses
desde el último servicio (X1) y del tipo de reparación (x 2).
Y=0 + 1 x1 + 2 x 2 + 
Haga un análisis de los resultados obtenidos, interprete los parámetros estimados.
Variables cualitativas más complejas
Si una variable cualitativa tiene más de dos niveles, se pueden definir varias variables
indicadoras para resolver el problema. En general se necesitan k-1 variables
indicadoras para incorporar una variable cualitativa con k niveles. Por ejm si una
variable tiene 3 niveles o categorías (A, B y C) se pueden crear dos variables ficticias
de la siguiente manera
categoría x1 x2
1 si es el nivel B A 0 0
x1   Con esta definición
B 1 0
0 si es cualquier otro tenemos los siguientes
valores de x1 y x2. C 0 1
1 si es el nivel C
x2  
0 si es cualquier otro