UNIVERSIDAD DE SAN

MARTIN DE PORRES Y
Y
• • •
• •

•
•• •

•• •
•
•
• • •

•
•• •••
• • •
• •

• ••
Análisis de

••
X
X

Regresión Lineal Positiva Y

• Lineal Negativa con Y
• ••
y Correlación Mayor dispersión •• • • •

• •
•
•

• ••
• •• • •

•
•
• • • • ••
•• •

•
X
• ••
BIOESTADISTICA X
Prof.: DR. LUIS ROBLE ALEMAN 2004
Lineal Negativa Ninguna Relación

Diagramas de Dispersión
Y
•
Correlación Simple
¾Es un gráfico que permite detectar la • ••
•
existencia de una relación entre dos variables. • • El análisis de correlación es un grupo de
• • ••
• • • técnicas estadísticas que nos permiten
¾Visualmente se puede buscar patrones que
X
medir la intensidad de la relación que
Curvilínea Positiva puede existir entre dos variables, su
indiquen el tipo de relación que se da entre las Y •
• •• grado de relación y su sentido.
•• •
variables. • ••
• •
• • El objetivo es determinar qué tan
•
X
intensa es la relación y utilizamos para
ello el coeficiente de correlación.
Curvilínea Negativa

1
 Coeficiente de Correlación Simple
Prueba de hipótesis parámetro D
Ejemplo 1 1. Planteamiento:
Mediciones de la presión sanguínea sistólica Ho : ρ = 0
(mmHg) mediante dos métodos en 25 Hi : ρ = 0
pacientes con hipertensión esencial.
2. Nivel de significación 5%

[Link]ístico de prueba:

tc= r n–2
1–r2

Prueba de hipótesis acerca del parámetro D (rho) Ejemplo 1

tc = 0.95 25 – 2 = 14.41
1 – (0.95) 2
Saber si X e Y están correlacionados:
Ho : ρ = 0 t n-2 Æ t23 = 3.788 y como tc=14.41 se tiene que
H1 : ρ = 0 p< 2*(0.0005) = 0.001
Estadístico de prueba es: Decisión:
Como p <0.001, rechazamos la Ho
tc= r n–2 Conclusión:
Se puede afirmar que existe correlación lineal
1–r2 (positiva) entre las variables, presión sanguínea y
respuesta al TRATAMIENTO.

2
 Análisis de Regresión
Objetivo Línea de Regresión Estimadores Mínimo-Cuadráticos
Estudio de la relación funcional entre dos variables.
Establecer una relación cuantitativa entre dos o más
variables relacionadas.
Se trata de PREDECIR y/o EXPLICAR el valor de
una variable (v. Dependiente), dado el valor de otra(s)
variable(s) relacionada(s) (v. Independiente(s)).
Las variables X e Y deben ser de naturaleza Como todos los puntos no están
cuantitativa y de preferencia continua. exactamente sobre una línea recta, se
cometen errores en el ajuste.

Regresión Lineal Simple Línea de Regresión Ejemplo 2

•Para resolver el problema tenemos que
Una compañía farmacéutica conduce un estudio piloto
AJUSTAR una línea entre los puntos Suposiciones de regresión y correlación para evaluar la relación entre tres dosis en un nuevo
observados, a fin de usarla para predecir el ™ a) Normalidad: los valores de Y estarán distribuidos
agente hipnótico y tiempo de sueño. Los resultados de
normalmente a cada valor de X.
valor de Y (variable dependiente) a partir de este estudio son presentados de la siguiente manera.
™ b) Homoscedasticidad: la variación alrededor de la
un valor conocido de X (variable línea de regresión será constante para todos los
independiente). valores de X.
™ c) Independencia de error: el error (diferencia
•Para cada valor de X hay una subpoblación residual entre un valor observado y uno estimado Tiempo de sueño
de Y) sea independientemente de cada valor de X. en horas:
de valores Y. ™ d) Linealidad: la relación entre las variables es lineal. Dosis (mg/Kg)
•Cada subpoblación de los valores de Y tiene
distribución normal.

3
Diagrama de Dispersión Estimación de la Recta de Regresión

Según el diagrama de 9
dispersión, se espera
una relación positiva 9
o directa entre ambas
variables.

Por consiguiente el modelo de Regresión Estimado es:

Modelo de regresión:
y =a+bx

Cálculos Estadísticos
Que significa:
™ Por cada mg/Kg de incremento de dosis
(agente hipnótico) su respectivo tiempo de
sueño promedio aumentará en 0,5 horas.
™ Es importante interpretar los resultados
obtenidos en función de las unidades en que
se encuentran expresadas nuestras variables
en estudio (y).