Professional Documents
Culture Documents
AUTORAS:
TUTOR:
Barcelona,
NDICE GENERAL
1
p.p
ndice General. ii
ndice De Grfico........... iii
Introduccin. iv
Concepto de Correlacin.. 5
Concepto de Regresin. 5
Tipos de Correlacin.. 5
Tipos de Regresin 7
Postulados de Regresin.. 8
Tipos de Coeficientes de Correlacin. 9
Error Cuadrtico de Regresin 11
Mtodo Mnimo Cuadrado. 12
Ejercicios Relacionados con su rea.. 20
Diagrama de Dispersin 22
Conclusin.. 23
Referencias Bibliogrficas 24
2
NDICE DE GRFICO
GRAFICO p.p
1 Correlacin Directa 5
2 Correlacin Inversa.. 6
3 Correlacin Nula 6
4 Teorema Limite Central 12
5 Ajuste a un Polinomio 16
6 Ajuste al Polinomio con 1 Parmetro. 17
7 Mnimo Cuadrado con Datos Binados 18
8 Ejemplo 2 21
9 Diagrama de Dispersin.. 22
3
INTRODUCCIN
4
la regresin da lugar a una ecuacin que describe dicha relacin en trminos
matemticos.
5
CONCEPTO DE CORRELACIN
CONCEPTO DE REGRESIN
TIPOS DE CORRELACIN
6
1 Correlacin directa
La correlacin directa se da cuando al
aumentar una de las variables la otra
aumenta.
2 Correlacin inversa
La correlacin inversa se da cuando al aumentar una de las variables la
otra disminuye.
Grfico N2
3 Correlacin nula
La correlacin nula se da cuando no hay dependencia de ningn tipo
entre las variables.
7
En este caso se dice que las variables son incorreladas y la nube de
puntos tiene una forma redondeada.
Grfico N3
TIPOS DE REGRESIN
8
2. Relacin inversa entre las variables: un aumento en la variable
independiente implica una disminucin en la variable dependiente.
Esta clasificacin es muy parecida a la que hace Sote, sin embargo en esta
ltima se incluye la correlacin parcial. Aqu es importante mencionar que el
autor (Sote) nos habla de clasificacin y adems hace alusin a los tipos de
correlacin, haciendo una diferenciacin entre lo que es la clasificacin y los
tipos, lo cual no lo hace el anterior, pues al hablar de tipos de correlacin
menciona a la clasificacin.
Incorrelacin r = 0
Cuando la obtencin de dicho indicador r sea exactamente igual a cero, se
dice que no existe alguna relacin, asociacin o dependencia entre las
variables estudiadas, siendo por tanto ellas, variables correlacionadas o
faltes de alguna dependencia lineal.
POSTULADOS DE REGRESIN
9
1. Linealidad. Si no se tiene linealidad se dice que tenemos un error de
especificacin. En el caso de que sean varias variables independientes, la
opcin Analizar-RegresinLineal-Grficos-Generar todos los grficos
parciales nos dan los diagramas de dispersin parcial para cada variable
independiente. En ellos se ha eliminado el efecto proveniente de las otras
variables y as la relacin que muestran es la relacin neta entre las variables
representadas.
El estadstico de Levene
10
4. Normalidad de los residuos tipificados. Podemos contrastarla mediante:
11
Coeficiente de correlacin de Pearson
En estadstica, el coeficiente de correlacin de Pearson es un ndice que
mide la relacin lineal entre dos variables aleatorias cuantitativas. A
diferencia de la covarianza, la correlacin de Pearson es independiente de la
escala de medida de las variables.
El coeficiente de correlacin entre dos variables aleatorias X e Y es el
cociente donde XY es la covarianza de (X,Y) y X y Y las desviaciones
tpicas de las distribuciones marginales.
12
De esta forma podemos observar cmo se orienta la aplicacin de cada
uno de estos viendo que el primero toma en cuenta dos variables aleatorias
cuantitativas y el segundo entre dos variables aleatorias continuas.
13
Por tanto, en el caso de comparar diversos estimadores centrados de un
parmetro , el ECM coincidir con sus varianzas. Con lo que el estimador
con menor ECM coincidir con el de menor varianza.
Debe quedar claro, sin embargo, que el estimador con menor ECM no
debe ser necesariamente centrado. De hecho, no siempre existir el
estimador con ECM mnimo. En realidad, si no nos restringimos a
estimadores centrados, suele suceder que para unos determinados valores
de sea un estimador el que produzca un ECM menor, mientras que para
otros valores de sea otro estimador el que obtenga un ECM menor.
14
Grfico N4
15
El objetivo del mtodo de mnimos cuadrados es estimar el vector de
parmetros . Adems, el mtodo permite evaluar la bondad con la que la
funcin (x,) ajusta los datos experimentales. Para establecer el mtodo
tomamos logaritmos en la pdf que describe los datos:
16
Que reduce a la expresin anterior si la matriz de covarianza es diagonal
(medidas independientes)
donde aj (x) son funciones de x. NB: Requerimos que (x;) sea lineal en
los parmetros, no que las funciones aj (x) sean lineales en x. Por ejemplo:
17
reduce a (en notacin matricial):
18
Por lo tanto:
19
Calidad de un ajuste Si en nuestro problema: Los datos yi, i=1,2,...N son
gausianos la hiptesis (x;) es lineal en los parmetros i , i=1,2,...,m La
pdf que describe la hiptesis (el modelo ) (x;) ) es correcta: Entonces el 2
min sigue una distribucin Chi2 con nd = N-m grados de libertad El valor-P o
nivel de confianza es, por definicin:
20
Simulacin MC del ajuste a 2 parmetros. 26.3 % de las veces el ajustes
tendr un c2min ms alto.
Grfico N5
21
Grfico N6
22
Considerar un histograma con N bines y n entradas al que queremos
ajustar un cierto modelo (es decir una hipottica pdf f(x; q)
Grfico N7
23
Combinacin de medidas por mnimos cuadrados
24
Y repitiendo el procedimiento de cancelar la derivada obtenemos:
Ejemplo 1:
Las notas obtenidas por cinco alumnos en Matemticas y Qumica son:
25
Ejemplo 2:
A 12 alumnos de un centro se les pregunt a qu distancia estaba su
residencia del Instituto, con fin de estudiar si esta variable estaba relacionada
con la nota media obtenida. Se obtuvieron los datos que figuran en la
siguiente tabla:
26
Grafico N8
DIAGRAMA DE DISPERSIN
27
Grafico N9
28
CONCLUSIN
29
REFERENCIAS BIBLIOGRFICAS
http://www.monografias.com/trabajos84/correlacion/correlacion.shtml#ixzz4V
yyRK9ip
30