You are on page 1of 25

Relaciones entre variables aleatorias y regresin lineal

El trmino regresin fue introducido por Galton en su libro Natural inheritance (1889) refirindose a la ley de la regresin universal:
Cada peculiaridad en un hombre es compartida por sus descendientes, pero en media, en un grado menor.
Regresin a la media

Su trabajo se centraba en la descripcin de los rasgos fsicos de los descendientes (una variable) a partir de los de sus padres (otra variable). Pearson (un amigo suyo) realiz un estudio con ms de 1000 registros de grupos familiares observando una relacin del tipo:
Altura del hijo = 85cm + 0,5 altura del padre (aprox.) Conclusin: los padres muy altos tienen tendencia a tener hijos que heredan parte de esta altura, aunque tienen tendencia a acercarse (regresar) a la media. Lo mismo puede decirse de los padres muy bajos.

Francis Galton

Hoy en da el sentido de regresin es el de prediccin de una medida basndonos en el conocimiento de otra.

Estudio conjunto de dos variables aleatorias


A la derecha tenemos una posible manera de recoger los datos obtenido observando dos variables aleatorias en varios individuos de una muestra.
En cada fila tenemos los datos de un individuo Cada columna representa los valores que toma una variable aleatoria sobre los mismos. Las individuos no se muestran en ningn orden particular. Altura en Peso en cm. Kg.
162 154 180 158 171 169 166 176 163 ... 61 60 78 62 66 60 54 84 68 ...

Dichas observaciones pueden ser representadas en un diagrama de dispersin (scatterplot). En ellos, cada individuos es un punto cuyas coordenadas son los valores de las variables. Nuestro objetivo ser intentar reconocer a partir del mismo si hay relacin entre las variables, de qu tipo, y si es posible predecir el valor de una de ellas en funcin de la otra.

Diagramas de dispersin o nube de puntos


Tenemos las alturas y los pesos de 30 individuos representados en un diagrama de dispersin. Cada punto es un valor particular de la variable aleatoria bidimensional (X, Y).
100 90 80 70

Pesa 76 kg.

50 40 30 140

Pesa 50 kg. Mide 161 cm.


150 160 170 180 190

200
3

Mide 187 cm.

60

Relacin entre variables


Tenemos las alturas y los pesos de 30 individuos representados en un diagrama de dispersin.
100 90 80 70 60 50 40 30 140

que e rec Pa ra altu


150

eso el p

a ent aum

n la co

160

170

180

190

200

Prediccin de una variable en funcin de otra


Aparentemente el peso aumenta 10Kg por cada 10 cm de altura... O sea, el peso aumenta en una unidad por cada unidad de altura.
100 90 80 70 60 50 40 30 140

10 kg.

10 cm.
150 160 170 180 190 200

Cmo reconocer relacin directa e inversa


330 280 230 180 130 80 30 140
100

Incorrelacin

90 80 70 60 50 40

Fuerte relacin directa.

30 140

150

160

170

180

190

200

150

160

170

180

190

200

Para valores de X por encima de la media tenemos valores de Y por encima y por debajo en proporciones similares. Incorrelacin.

Para los valores de X mayores que la media le corresponden valores de Y mayores tambin. Para los valores de X menores que la media le corresponden valores de Y menores tambin.

80 70 60 50 40 30 20 10 0 140 150 160 170 180 190 200

Cierta relacin inversa

Esto se llama relacin directa o creciente entre X e Y. Para los valores de X mayores que la media le corresponden valores de Y menores. Esto es relacin inversa o decreciente.

Cmo reconocer buena o mala relacin


330 280 230 180 130 80 30 140 150 160 170 180 190 200

100

Poca relacin

90 80 70 60 50 40

Fuerte relacin directa.

30 140

150

160

170

180

190

200

Dado un valor de X no podemos decir gran cosa sobre Y. Mala relacin. Independencia.

Conocido X sabemos que Y se mueve por una horquilla estrecha. Buena relacin. Lo de horquilla estrecha hay que entenderlo con respecto a la dispersin que tiene la variable Y por si sola, cuando no se considera X.

80 70 60 50 40 30 20 10 0 140 150 160 170 180 190 200

Cierta relacin inversa

Covarianza de dos variables aleatorias X e Y


La covarianza entre dos variables, Sxy , nos indica si la posible relacin entre dos variables es directa o inversa:
Directa: Sxy > 0 Inversa: Sxy < 0 Incorreladas: Sxy = 0

1 S xy = ( xi x )( yi y ) n i

El signo de la covarianza nos dice si el aspecto de la nube de puntos es creciente o no, pero no nos dice nada sobre el grado de relacin entre las variables.
8

Coeficiente de correlacin lineal de Pearson


El coeficiente de correlacin lineal de Pearson de dos variables, r, nos indica si los puntos tienen una tendencia a disponerse alineadamente (excluyendo rectas horizontales y verticales).

Tiene el mismo signo que Sxy . Por tanto de su signo obtenemos el que la posible relacin sea directa o inversa. r es til para determinar si hay relacin lineal entre dos variables, pero no servir para otro tipo de relaciones (cuadrtica, logartmica,...)

r=

S xy SxS y
9

Propiedades de r
Es adimensional. Slo toma valores en [-1,1]. Las variables son incorreladas r = 0. Relacin lineal perfecta entre dos variables r = +1 o r = -1.
Excluimos los casos de puntos alineados horiz. o verticalmente.

Cuanto ms cerca est r de +1 o -1 mejor ser el grado de relacin lineal.


Siempre que no existan observaciones anmalas.

Relacin inversa perfecta

Variables incorreladas

Relacin directa casi perfecta

-1

+1

10

Entrenando el ojo: correlaciones positivas.


330 280 230 180 130 80 30 140 130 120 110 100 90 80 70 60 50 40 30 140

r=0,1
150 160 170 180 190 200

r=0,4
150 160 170 180 190 200

110 100 90 80 70 60 50 40 30 140 150 160 170 180

100 90 80 70 60 50

r=0,6
190 200

40 30 140 150 160 170 180

r=0,8
190 200

11

Entrenando el ojo: casi perfectas y positivas


100 90 80 70 60 50 40 30 140 150 160 170 180 100 90 80 70 60 50

r=0,9
190 200

40 30 140 150 160 170 180

r=0,99
190 200

100 90 80 70 60 50 40 30 140 150 160 170 180

r=1
190 200

12

Entrenando el ojo: correlaciones negativas


90 80 70 60 50 40 30 20 10 0 1 40 15 0 160 170 1 80 190 200

80 70 60 50 40 30 20 10 0 140

r=-0,5

r=-0,7
150 160 170 180 190 200

80 70 60 50 40 30 20 10 0 140

80 70 60 50 40 30 20 10 160 170 180 190 200

r=-0,95
150

r=-0,999
150 160 170 180 190 200

0 140

13

Si r = 0 eso quiere decir que las variables son independientes? En la prctica, casi siempre s, pero no tiene por qu ser cierto en todos los casos. Lo contrario si es cierto: Independencia implica incorrelacin. Me ha salido r = 1,2 La relacin es superlineal [sic]? Superqu? Eso es un error de clculo. Siempre debe tomar un valor entre -1 y +1. A partir de qu valores se considera que hay buena relacin lineal? Es difcil dar un valor concreto (mirad los grficos anteriores). Para este curso digamos que si |r| > 0,7 hay buena relacin lineal y que si |r| > 0,4 hay cierta relacin (por decir algo... la cosa es un poco ms complicada: observaciones anmalas,...)

14

Regresin lineal simple


El anlisis de regresin sirve para predecir una medida en funcin de otra medida (o varias: regresin mltiple).
Y = Variable dependiente
predicha, medida, es una variable aleatoria explicada

X = Variable independiente
predictora, controlada, no es una variable aleatoria. explicativa

Es posible descubrir una relacin?


Y = f(X) + error
f es una funcin de un tipo determinado el error es aleatorio, pequeo, y no depende de X
15

Regresin lineal simple


El ejemplo del estudio de la altura en grupos familiares de Pearson es del tipo que desarrollaremos en el resto del tema.
Altura del hijo = 85cm + 0,5 altura del padre (Y = 85 + 0,5 X)
Si el padre mide 200cm cunto mide el hijo?
Se espera (predice) 85 + 0,5x200=185 cm. Alto, pero no tanto como el padre. Regresa a la media.

Si el padre mide 120cm cunto mide el hijo?


Se espera (predice) 85 + 0,5x120=145 cm. Bajo, pero no tanto como el padre. Regresa a la media.

Es decir, nos interesaremos por modelos de regresin lineal simple.


16

Modelo de regresin lineal simple


En el modelo de regresin lineal simple, dado dos variables
Y (dependiente) X (independiente, explicativa)

buscamos encontrar una funcin de X muy simple (lineal) que nos permita aproximar Y mediante = b0 + b1X
b0 (ordenada en el origen, constante) b1 (pendiente de la recta)

Y e rara vez coincidirn por muy bueno que sea el modelo de regresin. A la cantidad e = Y- se le denomina residuo o error residual.

17

En el ejemplo de Pearson y las alturas, l encontr:

= b0 + b1X
b0 = 85 cm (No interpretar como altura de un hijo cuyo padre mide 0 cm Extrapolacin salvaje!) b1= 0,5 (En media el hijo gana 0,5 cm por cada cm del padre.)

180 150 120 90 60 30 0


0 10

b1=0,5

b0=85 cm
20 30 40 50 60 70 80 90 100 110 120 130 140 150 160 170 180 190 200 210 220

18

La relacin entre las variables no es exacta. Es natural preguntarse entonces:


Cul es la mejor recta que sirve para predecir los valores de Y en funcin de los de X Qu error cometemos con dicha aproximacin (residual).

180 150 120 90 60 30 0


0 10

b1=0,5

b0=85 cm
20 30 40 50 60 70 80 90 100 110 120 130 140 150 160 170 180 190 200 210 220

19

El modelo lineal de regresin se construye utilizando la tcnica de estimacin mnimo cuadrtica: Buscar b0, b1 de tal manera que se minimice la cantidad

i ei2 = i (Yi - )2
Se comprueba que para lograr dicho resultado basta con elegir:

b1 = r

Sy Sx

b0 = y b1 x

r=

S xy SxS y

La recta de regresin estimada ser:

y = y + b1 ( x x )

Se obtiene adems unas ventajas de regalo: El error residual medio es nulo. La varianza del error residual es mnima para dicha estimacin.

20

Que el error medio de las predicciones sea nulo no quiere decir que las predicciones sean buenas. Hay que encontrar un medio de expresar la bondad del ajuste (bondad de la prediccin).
No importa. Con los dos ltimos clientes me equivoqu en +10 y +20. En trmino medio el error es cero.

Cometi un error de - 30 en su ltima prediccin

21

Cmo medir la bondad de una regresin?


Imaginemos un diagrama de dispersin, y vamos a tratar de comprender en primer lugar qu es el error residual, su relacin con la varianza de Y, y de ah, cmo medir la bondad de un ajuste.

22

Interpretacin de la variabilidad en Y
En primer lugar olvidemos que existe la variable X. Veamos cul es la variabilidad en el eje Y. La franja sombreada indica la zona donde varan los valores de Y. Proyeccin sobre el eje Y = olvidar X.
Y

23

Interpretacin del residuo


Fijmonos ahora en los errores de prediccin (lneas verticales). Los proyectamos sobre el eje Y. Se observa que los errores de prediccin, residuos, estn menos dispersos que la variable Y original. Cuanto menos dispersos sean los residuos, mejor ser la bondad del ajuste. Y

24

Bondad de un ajuste
Resumiendo: La dispersin del error residual ser una fraccin de la dispersin original de Y. Cuanto menor sea la dispersin del error residual mejor ser el ajuste de regresin. Eso hace que definamos como medida de bondad de un ajuste de regresin, o coeficiente de determinacin a: Y

S R = 1 S
2

2 e 2 y

S <25 S
2 e

2 Y

You might also like