UNIVERSIDAD NACIONAL DEL CALLAO

FACULTAD DE INGENIERIA ELECTRICA Y ELECTRNICA

ESCUELA PROFESIONAL DE INGENIERIA ELECTRICA

ESTADISTCA Y PROBABILIDADES
ESTADISTICA DESCRIPTIVA
Jos Antonio Poma

LIMA 24 DE SETIEMB

Haga clic en el icono para agregar una

imagenRegresin y correlacin

Regresin y correlacin

uncional o exacta y dependencia estadstica

egresin
imos cuadrados
bondad de ajuste. Error cuadrtico medio,
ual y coeficiente de determinacin lineal

Independencia - Dependencia
Cuando se estudian dos caractersticas simultneamente sobre
una muestra, se puede considerar que una de ellas influye
sobre la otra de alguna manera. Por ejemplo la altura y el
peso o las horas de estudio y la calificacin en un examen.
El objetivo principal de la regresin es descubrir el modo en
que se relacionan.
Dos variables pueden considerarse:
Variables independientes No tienen relacin (una de ellas
no sirve para explicar los movimientos de la otra)
Dependencia funcional Y=f(x)
Dependencia estadstica
Independencia
estadstica

Dependenci
a estadstica

Grado de asociacin entre dos

variables

Dependencia funcional

GRFICOS DE DISPERSIN: Permite ver si hay

asociacin
Dadas dos variables X y Y tomadas sobre el mismo
elemento de la poblacin, el diagrama de dispersin es
simplemente un grfico de dos dimensiones, donde en un
eje (la abscisa) se sita una variable, y en el otro eje (la
ordenada) se sita la otra variable. Si las variables estn
correlacionadas, el grfico mostrara algn nivel de
correlacin (tendencia) entre las dos variables. Si no hay
ninguna correlacin, el grfico presentara una figura sin
forma, una nube de puntos dispersos en el grfico.
Asociaci
n
positiva.
Si
aumenta
X
aumenta
Y

Estadstica Econmica 2007-2008. Sara Mateo.

GRFICOS DE DISPERSIN / RECTA DE

REGRESIN

La relacin entre dos variables mtricas puede ser

representada mediante la lnea de mejor ajuste a los
datos. Esta recta se le denomina recta de regresin,
que puede ser negativa o positiva, la primera con
tendencia decreciente y la segunda creciente.

GRFICOS DE DISPERSIN / RECTA DE

REGRESIN
Para el clculo de la
recta de regresin se aplica el
mtodo de mnimos cuadrados entre dos variables.
Esta lnea es la que hace mnima la suma de los
cuadrados de los residuos, es decir, es aquella recta
en la que las diferencias elevadas al cuadrado entre
los valores calculados por la ecuacin de la recta y
los valores reales de la serie, son las menores
posibles.

y=a+
bx

Pendiente

Recta de regresin
yn

yi

yn 1

y3

u3

yi
y1

ui
yi

y2

Intercepto

x1

x2

x3

xn 1

xi

yi a bxi ui

xn

ui yi yi
Error

Llamemos a u perturbacin o error, siendo la diferencia que hay entre el

valor observado de la variable exgena (y) y el valor estimado que
obtendremos a travs de la recta de regresin yi .

y i a bxi
La metodologa para la obtencin de la recta ser hacer MNIMA la suma de
los CUADRADOS de las perturbaciones. Por qu se elevan al cuadrado?
n

u ( yi yi ) 2
2
i

min u
q, p

i 1

2
i

2
u
i
i 1

(
y

y
)
i i
i 1

( yi y i ) yi a
q bpxi
i 1

i 1

En el modelo de regresin lineal simple la funcin elegida para aproximar la

relacin entre las variables es una recta, es decir y=a+bx, donde a,b son los
parmetros. A esta recta la llamaremos RECTA DE REGRESIN DE Y SOBRE X.
Vamos a deducir su ecuacin usando el mtodo de los mnimos cuadrados. Dado
un valor de X, tenemos los dos valores de Y, el observado, yi , y el terico, yi* = a
+ bxi. Hemos de minimizar los errores cometidos:

y a bx y a bx
i

i 1

i 1

Errores cometidos al
aproximar por una recta

El valor que hemos

aproximado para y con
la recta de regresin y*

na

MINIMIZA
R

y b x

x y y bx x b x
y

x y
x bx nx b x
i i

y abx 0 y ab x

2 y a bx x 0 x y a x b x

2
i

i i

xi yi ynx b

S xy bSx2

2
i

i i

i i

2
i

2
a

a y bx

xi2 nx 2

S xy
S x2

y obtenemos que la recta de regresin de Y sobre X: y = a + bx

con los valores a y b anteriormente calculados, o bien la

siguiente expresin:

y y

S xy
2
Sx

x x

Aplicando el mismo razonamiento llegaramos a la expresin de

la recta de regresin de S
X xy
sobre Y: x = a + by con los valores
b '
y a ' x b ' y
a y b calculados como:
2

Sy

Por tanto, se podra expresar como:

x x

S xy
S y2

y y

Varianza residual: Ayuda a medir la dependencia.

VR =

S S
2
u

2
Ry

yi y i
N

Si es grande, los residuos, por

trmino medio, sern grandes.
Dependencia pequea y viceversa.

Varianza marginal: Es la varianza total de X o de Y. Si

dividimos la varianza residual entre esta se elimina el
problema de unidades de medida.

2
Sy

2
Sx

Coeficiente de correlacin general:

Su2
R 1 2
SY

Su2
S y2

VR

VT y

Ayuda a determinar
la asociacin pero
en sentido inverso.
La mejor medida es
R.

Haciendo unas transformaciones se demuestra que

r(xy) visto en el captulo 6 slo es un caso
particular de R

rxy R

Elevado al cuadrado obtenemos el coeficiente de determinacin que sirve

como medida del buen ajuste de la recta de regresin

Cuando solo exista una variable explicativa o

independiente y una sola dependiente se cumple:

S xy S xy S xy
2
R bb'

S x2 S y2 S x S y

2
rxy

1 r 1

1 R 1 0 r 2 1 0 R2 1

Para el caso de distribuciones bidimensionales:

S
Recta de regresin: yi y XY2
SX

y i y

S
S
x XY2 xi y XY2 xi x
SX
SX

S XY S X SY
S XY SY
SY
x

r
i
i
xi x
2
S X SY S X
S X SY S X
SX
r 1

Pendiente

R r R2 r 2

1 r 0

Negativa

r 0

Nula

0 r 1

r 1
Positiva

2
Y

Varianza total

Varianza de los errores (perturbaciones)

Varianza debida a la regresin (explicada)

Se descompone en:

Su2 S ry2 VR

S R2 SY2 Su2 VE

2
VR VE
S
S
S

S
2
R
1

R 1
VT VT
S
SY2
SY2
2
u
2
Y

2
Y

2
u

S S S
2
Y

2
R

Tanto por uno de la

2
u

VT VR VE

Y que viene explicado por la X

SIRVE PARA DETERMINAR SI EL AJUSTE HECHO ES BUENO. ES DECIR, SI LA VARIABLE X EXPLICA LAS
VARIACIONES DE LA VARIABLE Y. DEBER SER > 0.75

Prediccin

S XY
yi qa bpxi y 2 xi x
SX

El objetivo ltimo de la regresin es la prediccin de una variable

para un valor determinado de la otra. La prediccin de Y para X = x 0
ser simplemente el valor obtenido en la recta de regresin de Y
sobre X al sustituir el valor de x por x 0. La fiabilidad de esta
prediccin ser tanto mayor cuando mayor sea la correlacin entre
las variables (es decir mayor sea R2 )

Dado un valor de la variable X que no ha sido observado, estimar el

correspondiente valor de Y

Dado x0

estimar

S XY
y 0 aq bpx0 y 2
SX

y 0

x0 x

Haga clic en el icono para agregar una

imagen
II. Energas Renovables: el caso
espaol

UNIVERSIDAD NACIONAL DEL CALLAO

FACULTAD DE INGENIERIA ELECTRICA Y ELECTRNICA
ESCUELA PROFESIONAL DE INGENIERIA ELECTRICA

ESTADISTCA Y PROBABILIDADES