INSTITUTO TECNOLÓGICO DE MÉRIDA

INGENIERIA EN GESTIÓN
EMPRESARIAL
ESTADISTICA INFERENCIAL II
5G1
UNIDAD I
1.- Regresión lineal simple y correlación

Profr. Raúl Alvar Rodríguez Sánchez.

Mérida, Yucatán, México.

INDICE
1.1.-REGRESIÓN Y CORRELACIÓN LINEAL SIMPLE ____________________________________ 2
1.1 Modelo de regresión simple __________________________________________________ 3
1.2 Supuestos.______________________________________________________________ 7
1.3 Determinación de la ecuación de regresión. _____________________________________ 8
1.4 Medidas de variación ______________________________________________________ 35
1.5 Cálculo de los coeficientes de correlación y de determinación ______________________ 41
1.6 Análisis residual. __________________________________________________________ 44
1.7 Inferencias acerca de la pendiente. ___________________________________________ 54
1.8 Aplicaciones _____________________________________________________________ 56

Reproduce los ejercicios y/o ejemplos, incluidos en el material de apoyo (hazlos de

nuevo), considéralos actividades de formación.
Nota: Activa hipervínculos para ubicarte en el subtema deseado-
1.1.-REGRESIÓN Y CORRELACIÓN LINEAL SIMPLE
Es común que las personas tomen decisiones personales y profesionales basadas en
predicciones de sucesos futuros. Para hacer estos pronósticos, se basan en la relación
intuitiva y calculada entre lo que ya se sabe y lo que se debe estimar. Si los responsables
de la toma de decisiones pueden determinar cómo lo conocido se relaciona con un
evento futuro, pueden ayudar considerablemente al proceso de toma de decisiones.
Cualquier método estadístico que busque establecer una ecuación que permita estimar
el valor desconocido de una variable a partir del valor conocido de una o más variables, se
denomina análisis de regresión.
Los análisis de regresión y correlación mostrarán como determinar la naturaleza y la
fuerza de una relación entre dos variables.
El término regresión fue utilizado por primera vez por el genetista y estadístico inglés
Francis Galton (1822-1911) en 1877 Galton efectúo un estudio que demostró que la
altura d los hijos de padres altos tendía a retroceder, o “regresar”, hacia la talla media
de la población. Regresión fue el nombre que le dio al proceso general de predecir una
variable,(la talla de los niños) a partir de otra (la talla de los padres).
Hoy en día, esta tendencia de miembros de cualquier población que están en una posición
extrema (arriba o debajo de la media poblacional) en un momento, y luego en una posición
menos extrema en otro momento, (ya sea por sí o por medio de sus descendientes), se llama
efecto de regresión.
El análisis de regresión se desarrolla una ecuación de estimación, es decir, una formula
matemática que relaciona las variables conocidas con las desconocidas. Luego de
obtener el patrón de dicha relación, se aplica el análisis de correlación para determinar el
grado de relación que hay entre las variables.
1.1 Modelo de regresión simple.
REGRESIÓN LINEAL SIMPLE
“Una técnica estadística que establece una ecuación para estimar el valor desconocido
de una variable, a partir del valor conocido de otra variable, (en vez de valores de muchas
otras variables) se denomina análisis de regresión simple.”
Por lo tanto el análisis de regresión lineal simple, es el proceso general de predecir una
variable (Y) a partir de otra (X).
Las relaciones entre las variables pueden ser directas o también inversas.
 1: la pendiente de esta línea es positiva, por que la variable Y crece a medida que la
variable X también lo hace.

 Relación inversa: La pendiente de esta línea es negativa, por que a medida que
aumenta el valor de la variable Y, el valor de la variable X disminuye.
VARIABLE INDEPENDIENTE (X)
En el análisis de regresión una variable cuyo valor se suponga conocido y que se utilice para
explicar o predecir el valor de otra variable de interés se llama variable independiente;
se simboliza con la letra X.
Otros nombres alternativos para la variable independiente (X), son variable explicatoria,
variable predictora y en ocasiones variable regresora.
VARIABLE DEPENDIENTE (Y)
En el análisis de regresión una variable cuyo valor se suponga desconocido y que se explique
o prediga con ayuda de otra se llama variable dependiente y se simboliza con la letra Y.
La variable dependiente, al igual que la variable independiente es llamada de diferentes
maneras algunas de ellas son: variable explicada o variable pronosticada.
DIAGRAMAS DE DISPERSIÓN
Un diagrama de dispersión es una ilustración gráfica que se usa en el análisis de
regresión. Consta de una dispersión de puntos tal que cada punto representa un valor de la
variable independiente (medido a lo largo del eje horizontal), y un valor asociado de la
variable dependiente (medido a lo largo del eje vertical).
El diagrama de dispersión, también llamado nube de puntos, brinda dos tipos de
información, visualmente se pueden determinar los patrones que indican como las
variables están relacionadas (lineal o mediante una curva) y por otro lado si existe una
relación entre ellas visualizando la clase de línea o ecuación de estimación que describe a
dicha relación.
A continuación se ilustran algunas relaciones en los diagramas de dispersión:
Un modelo de regresión es un modelo que permite describir cómo influye una variable X
sobre otra variable Y . I
X: Variable independiente o explicativa o exógena I
Y: Variable dependiente o respuesta o endógena
El objetivo es obtener estimaciones razonables de Y para distintos valores de X a partir
de una muestra de n pares de valores (x1, y1), . . . ,(xn, yn).
Tipos de relación I
Determinista:
Conocido el valor de X, el valor de Y queda perfectamente establecido. Son del tipo:
y = f (x)
Ejemplo: La relación existente entre la temperatura en grados centígrados (X) y grados
Fahrenheit (Y ) es:
y = 1,8x + 32
No determinista:
Conocido el valor de X, el valor de Y no queda perfectamente establecido. Son del tipo:
y = f (x) + u
donde u es una perturbación desconocida (variable aleatoria).
Ejemplo: Se tiene una muestra del volumen de producción (X) y el costo total (Y )
asociado a un producto en un grupo de empresas.
Lineal: Cuando la función f (x) es lineal,
f (x) = β0 + β1x
Si β1 > 0 hay relación lineal positiva.
Si β1 < 0 hay relación lineal negativa.
No lineal: Cuando la función f (x) no es lineal.
Por ejemplo, f (x) = log(x), f (x) = x 2 + 3, . . .
Ausencia de relación: Cuando f (x) = 0.
La covarianza
Una medida de la dependencia lineal es la covarianza:

cov (x, y) = Xn i=1 (xi − x¯) (yi − y¯) n − 1 I

Si hay relación lineal positiva, la covarianza será positiva y grande.
Si hay relación lineal negativa, la covarianza será negativa y grande en valor absoluto.
Si hay no hay relación entre las variables o la relación es marcadamente no lineal, la
covarianza será próxima a cero.
PERO la covarianza depende de las unidades de medida de las variables.
El coeficiente de correlación lineal Una medida de la dependencia lineal que no
depende de las unidades de medida es el coeficiente de correlación lineal:

Donde

-1≤ cor (x, y) ≤ 1

cor (x, y) = cor (y, x)
cor (ax + b, cy + d) = cor (x, y) para cualesquiera valores a, b, c, d.
El modelo de regresión lineal simple supone que,
yi = β0 + β1xi + ui
donde:
yi representa el valor de la variable respuesta para la observación i-´esima.
xi representa el valor de la variable explicativa para la observación i-´esima.
ui representa el error para la observación i-´esima que se asume normal,
ui ∼ N(0, σ)
β0 y β1 son los coeficientes de regresión:
β0 : intercepto
β1 : pendiente
Los parámetros que hay que estimar son: β0, β1 y σ.
El objetivo es obtener estimaciones βˆ 0 y βˆ 1 de β0 y β1 para calcular la recta de
regresión:
yˆ = βˆ 0 + βˆ 1x
que se ajuste lo mejor posible a los datos. Ejemplo: Supongamos que la recta de
regresión del ejemplo anterior es:
Costo = −15,65 + 1,29 Volumen
Se estima que una empresa que produce 25 mil unidades tendría un costo: costo =
−15,65 + 1,29 × 25 = 16,6 mil euros
La diferencia entre cada valor yi de la variable respuesta y su estimación yˆi se llama
residuo:
ei = yi − yˆi
Ejemplo (cont.): Indudablemente, una empresa determinada que haya producido
exactamente 25 mil unidades no va a tener un gasto de exactamente 16,6 mil euros. La
diferencia entre el costo estimado y el real es el residuo. Si por ejemplo el costo real de
la empresa es de 18 mil euros, el residuo es:
ei = 18 − 16,6 = 1,4mil euros
Linealidad: La relación existente entre X e Y es lineal,
f (x) = β0 + β1x
Homogeneidad: El valor promedio del error es cero,
E[ui ] = 0 I
Homocedasticidad: La varianza de los errores es constante,
Var(ui) = σ 2
Independencia: Las observaciones son independientes,
E[uiuj ] = 0
Normalidad: Los errores siguen una distribución normal,
ui ∼ N(0, σ)
1.2 Supuestos.
La regresión múltiple tiene 4 supuestos importantes que hay que seguir para hacer
un análisis preciso y no sesgado:
1) Normalidad
2) Relación lineal
3) Aditividad y Multicolinealidad
4) Homocedasticidad
Un tema importante, el punto 1 y el 2, se revisan o se prueban antes de hacer la
regresión final, mientras que el 3 y 4, por lo general se prueban después que se hizo la
regresión lineal.
Normalidad:
Esto se refiere a que todos nuestros datos, tanto nuestras variables independientes, así
como nuestra variable dependiente, tienen que tener puntajes que están
distribuidos normalmente, inclusive los residuos (error) de estos puntajes deben
tener una distribución normal.
Cuando los errores de las variables tienen distribución no normal, pueden afectar las
relaciones y la significancia.
Relación lineal
Este segundo supuesto está dirigido a la relación entre las variable independiente y
dependiente. La relación entre cada variable independiente con la variable
dependiente debe ser lineal. En otras palabras, y como bien conocemos, debe haber
una correlación entre las variables independientes y la dependiente.
Los análisis de correlación se deben hacer antes de la regresión para poder saber qué
variables tienen relación con la que deseamos medir, lo cual este análisis previo nos
permitirá saber qué variables incluimos en nuestro modelo de regresión.
Aditividad y multicolinealidad
La aditividad se refiere a que el modelo de regresión lineal es aditivo, cada
variable independiente por sí sola, suma a la explicación de la variable
dependiente y por consiguiente no hay relación entre las variables
independientes, Caso contrario es la multicolinealidad (dos variables
independientes están relacionadas.
Las relaciones entre dos variables entonces son muy parecidas y no aportaría nada a
explicar la variable dependiente.
Homocedasticidad
La homocedasticidad es cuando la varianza de los errores de medición de nuestro
análisis es igual para todas las variables independientes.

1.3 Determinación de la ecuación de regresión.

METODO DE MINIMOS CUADRADOS (lineal)
El método que por lo común se utiliza para ajustar una línea a los datos muestrales
indicados en el diagrama de dispersión, se llama método de mínimos cuadrados. La
línea se deriva en forma tal que la suma de los cuadrados de las desviaciones verticales
entre la línea y los puntos individuales de datos se reduce al mínimo.
El método de mínimos cuadrados sirve para determinar la recta que mejor se ajuste a los
datos muestrales, y los supuestos de este método son:
 El error es cero.
 Los datos obtenidos de las muestra son estadísticamente independientes.
 La varianza del error es igual para todos los valores de X.
Una línea de regresión calculada a partir de los datos muestrales, por el método de
mínimos cuadrados se llama línea de regresión estimada o línea de regresión muestral.
Dicha línea recta es la que mejor se ajusta al conjunto de datos (X, Y) y es aquella en que la
distancia que hay entre los datos y la supuesta recta es la menor posible, y se calcula
mediante la siguiente formula:
ŷ = a + bx
Para calcular el valor de b (pendiente), que representa el grado de inclinación que
tiene la recta, se emplea la siguiente formula:

 Para calcular el valor de a (ordenada al origen), que representa el punto en que la

recta corta al eje de las Y, se emplea la siguiente formula:

Las variables a y b son constantes numéricas que son las que se calculan mediante el
método de mínimos cuadrados.
1.5_ Determinar el coeficiente de correlación .
Convertimos la tabla de doble entrada en tabla simple.

xi yi fi x i ·f i xi² y i ·f i y i ² ·f i x i ·y i ·f i X = ∑X/N
fi
0 1 2 0 0 2 2 0
0 2 1 0 0 2 4 0 y = ∑Y/N
0 3 2 0 0 6 18 0
2 1 1 2 4 1 1 2
2 2 4 8 16 8 16 16
2 3 5 10 20 15 45 30
4 1 3 12 48 3 3 12
2 2 8 32 4 8 16
=4
20 40 120 41 97 76
xy
σ x 2 = 120/20 - 2 2 = 2 σ y 2 = 97/20 – 2,05 2 = 0.65
σ x = √2= 1.41 σ y = √0,65= 0.81
σ x y = 76/20 – (2)(2.05) = .0.3
r = -0-3/(1.41(0.81) = -0-26
Coeficiente de correlación lineal
El coeficiente de correlación lineal es el cociente entre la covarianza y el producto de
las desviaciones típicas de ambas variables.
El coeficiente de correlación lineal se expresa mediante la letra r.

Propiedades
1. El coeficiente de correlación no varía al hacerlo la escala de medición.
Es decir, si expresamos la altura en metros o en centímetros el coeficiente de
correlación no varía.
2. El signo del coeficiente de correlación es el mismo que el de la covarianza.
Si la covarianza es positiva, la correlación es directa.
Si la covarianza es negativa, la correlación es inversa.
Si la covarianza es nula, no existe correlación.
3. El coeficiente de correlación lineal es un número real comprendido entre −1 y 1.
−1 ≤ r ≤ 1
4. Si el coeficiente de correlación lineal toma valores cercanos a −1 la correlación
es fuerte e inversa, y será tanto más fuerte cuanto más se aproxime r a −1.
5. Si el coeficiente de correlación lineal toma valores cercanos a 1 la correlación
es fuerte y directa, y será tanto más fuerte cuanto más se aproxime r a 1.
6. Si el coeficiente de correlación lineal toma valores cercanos a 0, la correlación
es débil.
7. Si r = 1 ó −1, los puntos de la nube están sobre la recta creciente o decreciente.
Entre ambas variables hay dependencia funcional.
Ejemplos
Las notas de 12 alumnos de una clase en Matemáticas y Física son las siguientes:
Matemáticas 2 3 4 4 5 6 6 7 7 8 10 10
Física 1 3 2 4 4 4 6 4 6 7 9 10
Hallar el coeficiente de correlación de la distribución e interpretarlo.
xi yi xi ·yi x i² yi²
2 1 2 4 1 1º Hallamos las medias aritméticas.
3 3 9 9 9
4 2 8 16 4
4 4 16 16 16
5 4 20 25 16 2º Calculamos la covarianza.
6 4 24 36 16
6 6 36 36 36
7 4 28 49 16
7 6 42 49 36 3º Calculamos las desviaciones típicas
8 7 56 64 49
10 9 90 100 81
10 10 100 100 100
72 60 431 504 380

.4º Aplicamos la fórmula del coeficiente de correlación lineal.

Al ser el coeficiente de correlación positivo, la correlación es directa.

Como coeficiente de correlación está muy próximo a 1 la correlación es muy fuerte.
ERROR ESTANDAR DE ESTIMACIÓN
El siguiente proceso que se necesita en el análisis de la regresión lineal simple es
cómo medir la confiabilidad de la ecuación de estimación que hemos desarrollado.
El error estándar de estimación mide la variabilidad o dispersión de los valores
observados alrededor de la línea de regresión y se representa como Se. Su formula es la
siguiente:
 Se =

Cuanto mayor sea el error estándar de la estimación, más grande será la dispersión (o
esparcimiento) de puntos alrededor de la línea de regresión. Por el contrario, si Se= 0, se
espera que la ecuación de estimación sea un estimador “perfecto” de la variable
dependiente, en este caso todos los puntos caerían directamente sobre la línea de
regresión y no habría puntos dispersos, como se muestra en la siguiente figura:

El error estándar de estimación tiene la misma aplicación que de la desviación estándar

que se vio en los temas anteriores. Esto es, suponiendo que los puntos observados tienen
una distribución normal alrededor de la recta de regresión, podemos esperar que:
• 68% de los puntos están dentro de ± 1se
• 95.5% de los puntos están dentro de ± 2se
• 99.7% de los puntos están dentro de ± 3se
El error estándar de la estimación se mide a lo largo del eje “Y”, y no
perpendicularmente desde la recta de regresión.
Las suposiciones son:
1. Los valores observados para Y tienen distribución normal alrededor de cada
valor estimado de ŷ
2. La varianza de las distribuciones alrededor de cada valor posible de
ŷ es la misma.
Si esta segunda suposición no fuera cierta, entonces el error estándar en un punto de la
recta de regresión podría diferir del error estándar en otro punto.
PROCEDIMIENTO PARA REALIZAR UN ANÁLISIS DE REGRESIÓN LINEAL SIMPLE
1. Obtención de los datos muestrales.
2. Los datos obtenidos se tabulan. (tener cuidado en determinar correctamente
quien es la variable independiente y dependiente)
X Y

3. La información se gráfica en un diagrama de dispersión,

estableciéndose la posible relación entre las dos variables

4.- Se calcula la pendiente

5. Se calcula la ordenada al origen. a = y + bx

6.-Se obtiene la ecuación que mejor se ajusta a la información obtenida.
ŷ = a + bx
7.- Se traza la línea estimada en el diagrama de dispersión.
8.- Se calcula el error estándar de estimación
.
Se =

Por ejemplo:
Una cadena de Pizzerías toma una muestra de diez de sus sucursales para tratar de
encontrar un modelo matemático que le permita predecir sus ventas y obtuvo los siguientes
datos: la población de personas en miles fue de 2, 6, 8, 8, 12, 16, 20, 20, 22, 26; y las ventas
trimestrales en miles de pesos
fue de: 58, 105, 88, 118, 117, 137, 157, 169, 169, 149, 202.
 Realice una regresión para estimar las ventas de dos sucursales que tienen 14,000 y
30,000 personas como potenciales clientes respectivamente.
Solución
Datos n=10
X: Población de personas en miles
Y: Ventas trimestrales en miles de pesos
1. Tabular los datos obtenidos:
Sucursal X Y
1 2 58
2 6 105
3 8 88
4 8 118
5 12 117
6 16 137
7 20 157
8 20 168
9 22 149
10 26 202

2. Graficar los datos en un diagrama de dispersión y determinar la posible

 relación entre las variables X Y.

1. Realizar los cálculos correspondientes

Sucursal X Y XY X2 Y2
1 2 58 116 4 3364 Hallar las medias aritméticas
2 6 105 630 36 11025 X =140/10 = 14 Y = 1300/10 =
3 8 88 704 64 7744 130
4 8 118 944 64 13924 Covarianza
5 12 117 1404 144 13689 σxy = 5252/(14)(130) =
6 16 137 2192 256 18769 Por lo tanto la pendiente es
7 20 157 3140 400 24649 21040 −10(14)(130
8 20 168 3380 400 28224 B= =5
9 22 149 3278 484 22201 2528 −10(14)
10 26 202 5252 676 40804
a = 130 − 5(14)= 60
= 140 1300 21040 2528 184393 y = = 60 + 5(x

2. Trazar la línea estimada.

 3. Calcular el error estándar de estimación.

Se = 184393 − (60 •1300) − (5 • 21040)

= = 12.21

Tiene un error de estimación de 12,210 pesos.

 Para una N = 14,0001

ŷ = 60 + 5(14) = 130

 (14,130)

 Para una N = 30,000

ŷ = 60 + 5(30) = 210
  (30,210)

1
Recuerda que estamos trabajando con miles de pesos, en este ejercicio.

CORRELACIÓN SIMPLE

Mientras que el análisis de regresión simple establece una ecuación precisa

que enlaza dos variables, el análisis de correlación es la herramienta estadística
que podemos usar para describir el grado o fuerza en el que una variable esta
linealmente relacionada con otra.

Dependiendo del tamaño de esta medida cuantitativa se puede decir, que tan
cercanamente se mueven dos variables, y por lo tanto, con cuanta confiabilidad
se puede estimar una variable con ayuda de la otra.

Una técnica estadística que establece un índice que proporciona, en un solo

número, una medida de la fuerza de asociación entre dos variables de interés, se
llama análisis de correlación simple.

El análisis de correlación es la herramienta estadística de que nos valemos para

describir el grado de relación que hay entre dos variables.

A menudo el análisis de correlación simple se utiliza junto con el análisis de

regresión lineal simple para medir la eficacia con que la línea de regresión explica
la variación de la variable dependiente, Y.

Diagramas de dispersión con correlación débil y fuerte.

 Existen dos medidas para describir la correlación entre dos variables: el
coeficiente de determinación y el coeficiente de correlación.

COEFICIENTE MUESTRAL DE DETERMINACIÓN

La medida más importante de que también ajusta la línea de regresión

estimada en los datos muestrales en los que esta basada, es el coeficiente de
determinación muestral, este es igual a la proporción de la variación total de los
valores de la variable dependiente, “Y”, que puede explicarse por medio de la
asociación de Y con X medida por la línea de regresión estimada.

El coeficiente de determinación es la manera primaria de medir el grado,

o fuerza, de la relación que existe entre dos variables, X y Y.

El coeficiente de determinación muestral se representa como r2, y mide

exclusivamente la fuerza de una relación lineal entre dos variables.

 El Calculo del coeficiente de determinación se lleva a cabo con la siguiente

formula:

(a •  y)+ (b •  xy)− (n • y 2 )

r 2
=

y − (n • y )
2 2

(a •  y)+ (b •  xy)− (n • y 2 )
 r 2
=
y − (n • y )
2 2

COEFICIENTE MUESTRAL DE CORRELACIÓN

La raíz cuadrada del coeficiente de determinación muestral, , es un

índice alternativo común del grado de asociación entre dos variables
cuantitativas. Esta mediad se llama coeficiente de correlación muestral (r) y es un
estimador puntual del coeficiente de correlación poblacional ().

El coeficiente de correlación muestral es la segunda medida con que puede

describirse la eficacia con que una variable es explicada por otra, así pues el signo
de r indica la dirección de la relación entre las dos variables X y Y.
El siguiente esquema representa adecuadamente la intensidad y la
dirección del coeficiente de correlación muestral
 El calculo del coeficiente de correlación muestral se lleva a cavo con la
siguiente formula:

r=
r2
INTERVALO DE CONFIANZA

Debido a que la recta estimada de regresión, no es del todo real, es

necesario elaborar un intervalo de confianza que le de seguridad a nuestros
cálculos.

Como se ha visto, cuando se utilice el método de mínimos cuadrados, los

coeficientes de regresión, a y b son estimadores insesgados, eficientes y
consistentes de  y , también aquí es muchas ocasiones es deseable establecer
intervalos de confianza.

 Los intervalos de confianza se calculan con la siguiente fórmula:

yc = ŷ t / 2  S 
, gl e
n−2  

 
INTERVALO DE PREDICCIÓN

El intervalo de predicción, como su nombre lo indica, se utiliza para

predecir un intervalo de valores de Y, dado un valor de X.

 El intervalo de predicción se calcula con la siguiente fórmula:

( ( ))


• +
y p = yˆ  t 2 n − 2 • Se1+

PROCEDIMIENTO PARA REALIZAR UN ANÁLISIS DE CORRELACIÓN LINEAL

SIMPLE

1. Obtención y tabulación de los datos muestrales.

2. La información se gráfica en un diagrama de dispersión.

3. Calcular la pendiente y ordenada al origen.

4. Se obtiene la ecuación que mejor se ajusta a la información obtenida.

5. Se traza la línea estimada en el diagrama de dispersión.

6. Calcular el error estándar de estimación.

7. Calcular el coeficiente de determinación.

8. Determinar el coeficiente de correlación.

9. Determinar el intervalo de confianza.

10. Determinar el intervalo de predicción.

Por ejemplo:

Un gerente de ventas reunió los datos siguientes relacionados con las

ventas anuales en miles de pesos y los años de experiencia de diez vendedores.
Estime las ventas anuales para un vendedor con 7 años de experiencia.

Solución

1. Obtención y tabulación de los datos muestrales.

X: Años de experiencia
Y: Ventas anuales en miles de pesos.

Vendedor X Y
1 1 80
2 3 97
3 4 92
4 4 102
5 6 103
6 8 111
7 10 119
8 10 123
9 11 117
10 13 136
= 70 1080

2. Diagrama de dispersión.
 3. Realizar los cálculos correspondientes y determinar la pendiente y
ordenada al origen.

Vendedor X Y XY X2 Y2
1 1 80 80 1 6400
2 3 97 291 9 9409
3 4 92 368 16 8464
4 4 102 408 16 10404
5 6 103 618 36 10609
6 8 111 888 64 12321
7 10 119 1190 100 14161
8 10 123 1230 100 15129
9 11 117 1287 121 13689
10 13 136 1768 169 18496
= 70 1080 8128 632 119082

1080
y= = 108
10
70
x= =7
10

8128 −10(7)(108)
b= =4
2
632 −10(7)

a = 108 − 4(7) = 80

4. Ecuación que mejor se ajusta.

80 + 4(x)
ŷ =

 Para un vendedor con 7 años de experiencia, sus ventas estimadas serían:

ŷ= 80 + 4(7)= 108 ventas anuales

 5. Trazo de la línea estimada en el diagrama de dispersión

6. Calcular el error estándar de estimación.

Se = = 4.61

7. Calcular el Coeficiente de Determinación.

(80 1080) + (4  8128) − (10 1082 ) 119082 −
r2= =
(101082 )
r 2 = 93.03%
El 93% de las ventas anuales se deben a la experiencia de los vendedores y el 7%
restante de debe a otros factores.

8. Calcular el Coeficiente de Correlación

r= 0.9303 = 0.9645

Este número nos indica que las variables X Y tienen una correlación positiva
intensa.
Determinar el intervalo de confianza al 95%.

Considerando
yˆ 108 ventas anuales
4.61
y 108 2.306
c
10

108 3.3617 yc 108 3.3617

104.6383 yc 111.3617

Se puede asegurar con un nivel de confianza del 95% que las ventas de los vendedores con 7 años de
experiencia están entre 104.6 y 111.4 miles pesos anuales.

Determinar el intervalo de predicción para un vendedor con 9 años de experiencia se tiene

1+ +
yp yˆ t 2n 2 Se

Sustituyendo:
2
1 9 7
yp 108 2.306 4.61 1
10 632 10(7) 2
108 11.291 y p 108 11.291
96.709 yp 119.291

Se puede asegurar con un nivel de confianza del 95% que las ventas pronosticadas de un vendedor
con 9 años de experiencia están entre 96.71 y 119.3 miles pesos anuales.
Ejercicios propuestos:

El jefe del departamento de aguas de una ciudad desea establecer una relación entre el
consumo mensual domiciliario de agua Y, y el tamaño de las familias X, Dados los datos
muestrales, determine:

Galones Tamaño
de Agua de familia.

Y X
650 2
1200 7
1300 9
430 4
1400 12
900 6
1800 9
640 3
793 3
925 2

Elabora el diagrama de dispersión.

Calcula la pendiente y ordenada al origen.
Obtener la ecuación que mejor se ajusta a los datos.
Traza la línea estimada en el diagrama de dispersión.
Calcula el error estándar de estimación.
Calcula el coeficiente de determinación.
Determina el coeficiente de correlación.
Determina el intervalo de confianza al 99%.
Determina el intervalo de predicción 99%
El gerente de una compañía de seguros desea establecer la relación entre el seguro de vida de
las personas Y, y sus salarios X. Realice una regresión con los datos muestrales:
 Seguro de vida Salario Anual.
Y X
50 10
80 29
100 30
130 31
150 36
Elabora el diagrama de dispersión.
Calcula la pendiente y ordenada al origen.
Obtener la ecuación que mejor se ajusta a los datos.
Traza la línea estimada en el diagrama de dispersión.
Calcula el error estándar de estimación.
Calcula el coeficiente de determinación.
Determina el coeficiente de correlación.
Determina el intervalo de confianza al 90%.
Determina el intervalo de predicción 90%
Un economista desea establecer la relación entre la tasa de desempleo Y, y la tasa de cuentas
vencidas de la Tesorerías, Determine la regresión y correlación con los datos muestrales.

Y X
6.7 9.7
7.3 9.8
8.9 7.6
9.1 6.1
7.2 10.2
5.2 12.7
6.9 14.3
6.9 7.9
7.1 8.9

Elabora el diagrama de dispersión.

Calcula la pendiente y ordenada al origen.
Obtener la ecuación que mejor se ajusta a los datos.
Traza la línea estimada en el diagrama de dispersión.
Calcula el error estándar de estimación.
Calcula el coeficiente de determinación.
Determina el coeficiente de correlación.
Determina el intervalo de confianza al 95%.
Determina el intervalo de predicción 95%

Un director de ventas desea establecer la relación entre las ventas del segundo año de
vendedores Y, y sus ventas del primer año X. Realice un análisis de regresión.

Y 69 75 86 111 129 133

X 170 133 86 161 112 133

Elabora el diagrama de dispersión.

Calcula la pendiente y ordenada al origen.
Obtener la ecuación que mejor se ajusta a los datos.
Traza la línea estimada en el diagrama de dispersión.
Calcula el error estándar de estimación.
Calcula el coeficiente de determinación.
Determina el coeficiente de correlación.
Determina el intervalo de confianza al 95%.
Determina el intervalo de predicción 95%

Un gerente de comercialización desea establecer la relación entre las ventas Y, y el precio de

un producto similar fabricado por la competencia X, Realice un análisis de correlación.

Ventas Precio de competencia

Y X
520 13
550 13
600 15
 610 15
620 16
724 21
680 21
300 14
962 40
270 12

Elabora el diagrama de dispersión.

Calcula la pendiente y ordenada al origen.
Obtener la ecuación que mejor se ajusta a los datos.
Traza la línea estimada en el diagrama de dispersión.
Calcula el error estándar de estimación.
Calcula el coeficiente de determinación.
Determina el coeficiente de correlación.
Determina el intervalo de confianza al 99%.
Determina el intervalo de predicción 99%

Se hizo una encuesta a una muestra de 10 los estudiantes de 3er. Semestre de la carera de Lic.
En administración del grupo 1301 del semestre 2009-1 y se encontraron los siguientes datos:

Estudiante Altura (mts) Peso (Kg)

1 1.50 48
2 1.54 50
3 1.60 52
4 1.72 70
5 1.80 72
6 1.50 50
7 1.61 57
8 1.54 54
9 1.63 80
10 1.70 62
Elabora el diagrama de dispersión.
Calcula la pendiente y ordenada al origen.
Obtener la ecuación que mejor se ajusta a los datos.
Traza la línea estimada en el diagrama de dispersión.
Calcula el error estándar de estimación.
Calcula el coeficiente de determinación.
Determina el coeficiente de correlación.
Determina el intervalo de confianza al 95%.
Determina el intervalo de predicción 95%

Los datos siguientes muestran las ventas (en miles de cajas) y los costos de un anuncio
publicitario para la televisión (en millones de pesos) para 7 marcas principales de refrescos.
Marca Gastos de Ventas de cajas
publicidad ($) (miles)
Coca-Cola 13.0 19.3
Pepsi-Cola 9.4 13.8
Sprite 6.4 8.4
Diet Coke 5.7 5.5
7-Up 4.2 5.9
Jarritos 2.9 5.3
Boing 1.6 2.5
¿Dibuje el diagrama de dispersión, que parece indicar este diagrama acerca de la relación
entre las dos variables?
Trace una recta que pase por los datos, para aproximar una relación lineal entre los gastos
del anuncio y las ventas.
Aplique el método de los cuadrados mínimos para plantear la ecuación estimada de regresión.
Prediga las ventas para una marca que decida gastar $7 millones de pesos en un anuncio
publicitario.
Calcule el error estándar en la regresión.
Calcule el coeficiente de determinación y correlación e interprételos.
Determina el intervalo de confianza al 95%.
Determina el intervalo de predicción 95%

La revista del consumidor publico en su número 381 del mes de noviembre del 2008 la
siguiente información acerca del uso de los teléfonos celulares:
 Año Usuarios que compran tiempo
aire en (miles de usuarios)

2000 1628
2001 1784
2002 2006
2003 2029
2004 2508
2005 3268
2006 4035
2007 5199

Trace un diagrama de dispersión para estos datos,

Aplique el método de mínimos cuadrados para plantear la ecuación estimada de regresión.
Trace una recta que pase por los datos, para aproximar una relación lineal entre la altura y el
peso.
Prediga cuantos usuarios compraran tiempo aire para su teléfono celular para el año 2009.
Calcule el error estándar en la regresión.
Calcule el coeficiente de correlación y el coeficiente de determinación e interprételos.
Determina el intervalo de confianza al 92%.
Determina el intervalo de predicción 92%

Un vendedor de Century 21 desea establecer la relación entre el tiempo en meses que están a
la venta los departamentos antes de lograr su venta y el precio pedido por ellos. Los datos
de una muestra de 9 departamentos se muestran a continuación:

Meses en venta 6.5 7.0 8.6 12.1 9.0 9.5 8.6 10.6 15.0
Precio pedido (en 800 1000 990 1250 1400 1100 990 990 1250
miles de pesos)

Trace un diagrama de dispersión para estos datos,

Aplique el método de mínimos cuadrados para plantear la ecuación estimada de regresión.
Prediga cuanto tiempo se tardara en vender un departamento que cueste $ 1’500,000
pesos.
Calcule el error estándar en la regresión.
Calcule el coeficiente de correlación y el coeficiente de determinación e interprételos.
Determina el intervalo de confianza al 95%.
Determina el intervalo de predicción 95%

El Orgamismo Operador de agua en el Muncipio de cuautitlán Izcalli OPERAGUA quiere

conocer la relación entre en consumo mensual domiciliario de agua y el tamaño de las familias,
toma una muestra de 10 familias elegidas al azar y encuentra los siguientes datos:

Metros cúbicos 65 120 130 43 140 90 180 64 79 92

consumidos
Tamaño de la 2 7 9 4 12 6 9 3 3 4
familia
Trace un diagrama de dispersión para estos datos,
Aplique el método de mínimos cuadrados para plantear la ecuación estimada de regresión.
Prediga cuantos metros cúbicos al mes consumirá una familia que tiene 10 miembros.
Calcule el error estándar en la regresión.
Calcule el coeficiente de correlación y el coeficiente de determinación e interprételos.
Determina el intervalo de confianza al 95%.
Determina el intervalo de predicción 95%

El gerente de una mueblería “FAMSA” quiere conocer la relación de las ventas logradas por
un vendedor en dos años, toma una muestra de 8 vendedores que lograron la etiqueta de
(vendedor del mes) y encontró los siguientes datos:

Unidades vendidas en el año 2007 170 133 86 161 112 133 136 82
Unidades vendidas en el año 2006 99 95 50 80 92 88 130 100
Trace un diagrama de dispersión para estos datos,
Aplique el método de mínimos cuadrados para plantear la ecuación estimada de regresión.
Calcule el error estándar en la regresión.
Calcule el coeficiente de correlación y el coeficiente de determinación e interprételos.
Determina el intervalo de confianza al 95%.
Determina el intervalo de predicción 95%
Según el INEGI los nacimientos registrados en el país en el 2007 fueron:

Nacimientos
Mes de Registrados
registro
1 Enero 220,670
2 Febrero 211,330
3 Marzo 213,299
4 Abril 270,819
5 Mayo 225,298
6 Junio 205,572
7 Julio 211,180
8 Agosto 249,626
9 Septiembre 220,666
10 Octubre 241,529
11 Noviembre 211,857
12 Diciembre 173,237
Aplique el método de mínimos cuadrados para plantear la ecuación estimada de regresión.
El INEGI reporto que en julio de 2007 se registraron 211,330 nacimientos, utiliza la
ecuación obtenida y predice cuantos debieron de haberse registrado en ese mes, compara
resultados y obtén tus conclusiones.
Estime cuantos nacimientos se registraron en enero de 2008.
Calcule el error estándar en la regresión.
Calcule el coeficiente de correlación y el coeficiente de determinación e interprételos.
Determina el intervalo de confianza al 95%.
Determina el intervalo de predicción 95%
1.4 Medidas de variación.
MEDIDAS DE VARIABILIDAD
Las medidas de variabilidad nos informan sobre el grado de concentración o dispersión
que presentan los datos respecto a su promedio. Llamaremos homogénea, concentrada o
poco dispersa a aquella distribución en la que todos los datos están cercanos al centro,
como 4 4 5 5 5 5 6 6 6 6 7, y heterogénea o dispersa a la distribución con datos más
separados del centro, como 1 3 5 8 10 16 20
Existen muchas formas de medir la variabilidad. Se Destacan las más importantes
RANGO
También llamado Recorrido o Amplitud total, es la diferencia entre el máximo valor del
conjunto de datos y el mínimo de ellos. A mayor rango, mayor dispersión.
El rango del conjunto 4 6 4 7 8 6 5 3 4 7 7 9 6 5 es 6, la diferencia entre el máximo 9 y el
mínimo 3.
A veces se usa el Rango verdadero que consiste en considerar cada dato rodeado de una
unidad, por efecto de los redondeos, con lo que en el ejemplo anterior el mínimo sería 2,5
y el máximo 9,5. Con ello el rango se convertiría en 7
No es una medida buena, pues ignora todo lo que ocurre dentro de ese rango.
DESVIACIÓN MEDIA
Es una medida de la dispersión consistente en la media aritmética de las desviaciones
individuales respecto a la media, tomadas en valor absoluto. También se usan
desviaciones respecto a la mediana.
VARIANZA
Es una medida muy sensible de la variabilidad y base de muchas técnicas estadísticas.
Junto con la media forma el conjunto más importante de medidas.
Es propia de las medidas de intervalo o razón. Su inconveniente es que no usa la misma
unidad que los datos, sino su cuadrado.
No se deben comparar varianzas en conjuntos de unidades muy distintas, como estatura e
inteligencia.
En teoría del muestreo se sustituye por la cuasi-varianza, de idéntica fórmula, pero con
cociente N-1 en lugar de N. En este caso no sería válida la segunda fórmula
DESVIACIÓN TÍPICA
Es la raíz cuadrada de la anterior. Su objeto es conseguir medir la variabilidad en las
mismas unidades que los datos. Así, un conjunto medido en metros, tendrá la varianza
medida en metros cuadrados, pero la desviación típica en metros.
Como en la varianza, para datos aislados basta con suprimir las frecuencias ni.
La desviación típica s es base de muchas técnicas, al igual que la media y la varianza. Su
gran ventaja es estar medida en las mismas unidades que los datos y la media, lo que
permite establecer razones y proporciones entre ellas.
 La desviación típica cumple la llamada desigualdad de Tchebychev: según la cual, los
datos que se alejan de la media una distancia igual o menor que s, multiplicado por un
coeficiente k suponen más de la proporción 1-1/k2. Así, el 75% de los datos al menos, se
encuentra a menos de dos desviaciones típicas y el 89% a menos de tres

Covarianza y coeficientes de regresión

Las expresiones para los parámetros de la recta de regresión se pueden simplificar más
introduciendo una importante definición.
Se define la covarianza de una muestra bidimensional a

Es decir, es una definición muy similar a la de la varianza s2, pero mezclando las
desviaciones de ambas variables. Al igual que ocurría con la varianza, en muchas
ocasiones en el denominador se utiliza n en vez de n − 1. Aquí usaremos esta segunda
definición.
En el caso general de que haya valores repetidos, o agrupamiento en intervalos, la
definición de la covarianza sería

Coeficiente de correlación lineal y varianza residual

La utilidad de la covarianza como medida de correlación está limitada por el hecho de que
depende de las unidades de medida en que se trabaje. Para construir una medida
adimensional de la correlación habr´a que dividir la varianza por un término con sus
mismas dimensiones. De esta forma, se define el coeficiente de correlación lineal r como
el cociente entre la covarianza y las desviaciones típicas (o raices cuadradas de las
varianzas) de x e y r

Interpretación del coeficiente de correlación

Usando las relaciones derivadas en el apartado anterior se puede hacer una interpretación
del coeficiente de correlación.
En primer lugar, a partir de (17.19) podemos acotar sus posibles valores. Efectivamente,
dado que, por sus definiciones, tanto la varianza residual s2 r como la varianza s2 y han
de ser positivas, podemos deducir que el coeficiente de correlación ha de estar acotado
entre los valores −1 y +1 (1 − r2) ≥ 0 ⇒ r2 ≤ 1 ⇒ −1 ≤ r ≤ 1.
Además, a partir de la relaciones (17.15) y (17.16), junto con la definición (17.14) del
coeficiente de correlación, puede observarse que dicho coeficiente de correlación, los
coeficientes de regresión y la covarianza han de tener el mismo signo
r ≥ 0 ⇐⇒ byx ≥ 0 ⇐⇒ bxy ≥ 0 ⇐⇒ Cov ≥ 0.
Es decir, cuando el coeficiente de correlación sea positivo, la pendiente de la recta será
positiva (al igual que la varianza) y tendremos una correlación directa o positiva.
Asimismo, cuando r sea negativo, nos indicaría que la correlación es inversa o negativa.
Respecto a los valores concretos del coeficiente de correlación podemos establecer los
siguientes casos:
1. r = 0. En este caso, por las relaciones vistas en el apartado anterior, es claro que se
cumple r = 0 ⇒ Cov = 0 ; byx = bxy =0 ; s2 r $ s2 y. Es decir, en este caso, al ser la
covarianza nula no existiría correlación. Además las pendientes de la rectas de
regresión de y sobre x y de x sobre y serían nulas, es decir sus orientaciones serán
horizontal y vertical respectivamente. Por otra parte, al ser la varianza residual
aproximadamente igual a la varianza de y, la dispersión de la variable y no se verá
reducida al ajustar la recta de regresión.
2. . r = 1. Es claro que en este caso se cumple que la varianza residual es nula (s2 r =
0), por lo que no habrá dispersi´on de los puntos respecto a la recta y todos se
situaran sobre ella. En este caso tendremos una dependencia funcional entre
ambas variables y una correlación positiva, o directa, perfecta. Además las dos
rectas de regresión (de y sobre x y de x sobre y) coincidirían.
3. . r = −1. Al igual que en el caso anterior todos los puntos se situarían sobre la recta
y la correlación ser´a negativa, o inversa, perfecta.
4. . 0 <r< 1. En este caso, la correlación ser´a positiva pero no perfecta.
Evidentemente la correlación (y la covarianza) será mejor cuanto más se acerque r
a 1.
5. . −1 <r< 0. De la misma manera tendremos una correlación negativa tanto mejor
cuanto más pr´oximo est´e r a −1.
Para examinar más profundamente el significado del coeficiente de correlación,
despejemos ´este de la relación (17.19) r

donde se han aplicado las definiciones de varianza de y varianza residual (17.17).

Además se puede desarrollar el término del denominador como

1.2.3. Concepto de variabilidad

Anteriormente hemos analizado las nociones de variabilidad (estadística) y dispersión
semánticamente y su desarrollo histórico a través de la teoría de errores; en esta sección
vamos a analizar estos conceptos con más profundidad. En un primer lugar dimos como
definición de variabilidad de Hald “la diferencia entre el valor observado y el verdadero
valor del fenómeno en cuestión” (Hald, 1998, p. 33). Sin embargo, podemos obtener una
revisión más profunda en el artículo de Wild y Pfannkuch, (1999), que nos dan tres
características fundamentales de la variabilidad: 14
• Omnipresencia: la variabilidad está presente en todos los actos de la vida cotidiana, es
decir, no existen dos medidas iguales de un evento ni dos productos iguales obtenidos de
un procedimiento mecánico, además de endémica del sistema la dispersión puede ser
inducida en la recogida de datos a través de la medida, de la muestra o accidentalmente,
como se muestra en la figura 1.

• Tiene consecuencias prácticas: a causa de la dispersión es difícil establecer modelos

predictivos, para ello tenemos que crear modelos estadísticos basados en el principio de
erradicar el “ruido” creado por la dispersión.
• La estadística nos da una forma de entender la dispersión. Y a continuación define los
tres tipos de respuesta que podemos dar a la dispersión:
1. Ignorarla: efectivamente, podemos hacer como que la variabilidad no existe. Esto se
puede hacer en ciertos ámbitos, por ejemplo, en las tallas de ropa o en las de zapatos,
existe una cierta variabilidad, pero la ignoramos.
2. Permitirla: si la consideramos y permitimos en nuestro sistema nos da la posibilidad de
anticipar el diseño de nuestros sistemas, productos, etc., … para que se vean lo menos
afectados posibles por ella.
3. Cambiar el patrón (controlarla): se pueden buscar relaciones entre variables de manera
que controlemos la variabilidad, si esto no es posible podemos estimar el grado de
variabilidad y trabajar con ello.
Como hemos indicado antes, una de las características de la variabilidad es que la
Estadística nos da una forma de entenderla, esto es, de modelarla. Una de las grandes
habilidades humanas es encontrar patrones, de hecho, descifrar patrones es lo que nos
lleva a modelar la variabilidad. El principal problema que nos presenta esto es que
podemos ver patrones donde no los hay, por ello hay que apoyarse en la Estadística para
modelizar atendiendo a tres cuestiones: en primer lugar, que el modelo nos proporciona 15
un marco en el que el problema tiene sentido, en segundo lugar, construir un modelo
adecuado a nuestro problema y por último comprender como se comporta el azar.
Para resumir, debemos tener en cuenta que la variabilidad es una realidad observable,
que algunas veces puede ser explicada y para otras no tenemos el conocimiento suficiente
aún. La variabilidad que no puede ser explicada viene de la variabilidad aleatoria ya que
no podemos modelizarla, teniendo en cuenta que llamamos aleatoriedad a una
construcción humana que no podemos “patronizar” (Wild y Pfannkuch, 1999).
1.2.4. Dispersión y medidas de dispersión
La idea de dispersión suele quedar implícita en los textos y se utiliza sobre todo para
analizar la variabilidad de un conjunto de datos o de una distribución de probabilidad
respecto a un valor central. Es decir, el grado en que una variable se extiende alrededor
del centro o promedio de la distribución.
Después de haber definido la dispersión, lo adecuado es estudiar cómo la cuantificamos,
para ello utilizamos las medidas de dispersión, que podemos definir de la siguiente
manera.
Una medida de dispersión permite describir un conjunto de datos concerniente a una
variable particular, dando una indicación de la variabilidad de los valores dentro de la
colección de datos. La medida de la dispersión completa la descripción dada por una
medida de tendencia central de una distribución (Dodge, 2008, p.341).
Así pues, una medida de dispersión no sólo cuantifica la variabilidad de un conjunto de
datos o de una distribución, sino que también es necesaria para completar la descripción
de éstos. Por tanto, diferentes medidas de dispersión la cuantificarán de manera distinta y
completarán la descripción o el resumen de un conjunto de datos de forma
complementaria. De la misma manera que diferentes medidas de centro (como la media,
la mediana o la moda) nos dan informaciones complementarias. Las principales medidas
de dispersión se muestran en la tabla 1.
Como hemos dicho, cada una de ellas aporta una información diferente e interesa para
según que colección de datos, lo que hace más complicada la comprensión del fenómeno
de la dispersión.
16
Tabla 1. Resumen de las medidas de dispersión, su significado y expresión
Medida de Significado Expresión
 dispersión
Rango Amplitud en la que varían los datos R = Max - Min
Cuartil El cuartil k-ésimo será el valor de la
variable que deja menores o iguales
que él kN/4 valores de la variable.
Rango Diferencia entre el tercer y el primer RI = Q3 – Q1
intercuartílico cuartil
Coeficiente de Relación entre el tamaño de la media y
variación la variabilidad de la variable
Varianza La varianza mide la dispersión de los
valores en torno a la media
Desviación típica La varianza engloba el uso de las
unidades cuadradas, por tanto, no
queda expresada en la misma unidad
que la media, por ello podemos utilizar
su raíz
Desviación absoluta Es la media de los valores absolutos
de la dispersión con respecto a la
media

1.5 Cálculo de los coeficientes de correlación y de determinación

Determinar el coeficiente de correlación .
Convertimos la tabla de doble entrada en tabla simple.
xi yi fi x i ·f i x i ² f i y i ·f i y i ² ·f i x i ·y i ·f i X = ∑X/N
0 1 2 0 0 2 2 0
0 2 1 0 0 2 4 0
0 3 2 0 0 6 18 0 y = ∑Y/N
2 1 1 2 4 1 1 2
2 2 4 8 16 8 16 16
2 3 5 10 20 15 45 30
4 1 3 12 48 3 3 12
4 2 2 8 32 4 8 16
 20 40 120 41 97 76

Coeficiente de correlación lineal

El coeficiente de correlación lineal es el cociente entre la covarianza y el producto de
las desviaciones típicas de ambas variables.
El coeficiente de correlación lineal se expresa mediante la letra r.

Propiedades
1. El coeficiente de correlación no varía al hacerlo la escala de medición.
Es decir, si expresamos la altura en metros o en centímetros el coeficiente de correlación
no varía.
2. El signo del coeficiente de correlación es el mismo que el de la covarianza.
Si la covarianza es positiva, la correlación es directa.
Si la covarianza es negativa, la correlación es inversa.
Si la covarianza es nula, no existe correlación.
3. El coeficiente de correlación lineal es un número real comprendido entre −1 y 1.
−1 ≤ r ≤ 1
4. Si el coeficiente de correlación lineal toma valores cercanos a −1 la correlación es fuerte
e inversa, y será tanto más fuerte cuanto más se aproxime r a −1.
5. Si el coeficiente de correlación lineal toma valores cercanos a 1 la correlación es fuerte
y directa, y será tanto más fuerte cuanto más se aproxime r a 1.
6. Si el coeficiente de correlación lineal toma valores cercanos a 0, la correlación es débil.
7. Si r = 1 ó −1, los puntos de la nube están sobre la recta creciente o decreciente. Entre
ambas variables hay dependencia funcional.
Ejemplos
Las notas de 12 alumnos de una clase en Matemáticas y Física son las siguientes:
Matemáticas 2 3 4 4 5 6 6 7 7 8 10 10
Física 1 3 2 4 4 4 6 4 6 7 9 10

Hallar el coeficiente de correlación de la distribución e interpretarlo.

xi yi xi ·yi xi² yi²
2 1 2 4 1 1º Hallamos las medias aritméticas.
3 3 9 9 9
4 2 8 16 4
4 4 16 16 16 2º Calculamos la covarianza.
5 4 20 25 16
6 4 24 36 16
6 6 36 36 36 3º Calculamos las desviaciones típicas
7 4 28 49 16
7 6 42 49 36
8 7 56 64 49
10 9 90 100 81
10 10 100 100 100
72 60 431 504 380

.4º Aplicamos la fórmula del coeficiente de correlación lineal.

Al ser el coeficiente de correlación positivo, la correlación es directa.

Como coeficiente de correlación está muy próximo a 1 la correlación es muy fuerte._
Calculo en análisis de datos de Excel REGRESION
 Resumen

Estadísticas de la regresión
Coeficiente de correlación 0.93550714
múltiple
Coeficiente de determinación 0.87517361
R^2
R^2 ajustado 0.86269097
Error típico 0.99930531
Observaciones 12
0.93550714 ≈ 0.94
Calculo en análisis de datos de Excel coeficiente de correlacion

xi yi
xi 1
yi 0.93550714 1
Observaciones 12
0.93550714 ≈ 0.94
1.6 Análisis residual.
¿QUÉ SON LOS RESIDUOS?
Los residuos (o errores) son la diferencia entre los valores observados y los valores que
predice el modelo:
Residuos = Valores observados – Valores que predice el modelo
e=y–ŷ
Por ejemplo, para el modelo de regresión lineal simple (i.e. una variable explicativa o
predictor, de la forma y(x)=ax+b) tenemos el siguiente gráfico:
<[Link]
alt=»» />
En adelante seguiremos trabajando con el modelo de regresión lineal que si recuerdas
asume tres cuestiones importantes: que la relación es de tipo lineal, que los residuos
siguen una distribución normal y que la varianza de dichos residuos es constante.
¿QUÉ SON LOS GRÁFICOS DE RESIDUOS?
Como mencioné en el post anterior (aquí) debes evaluar mediante gráficos los supuestos
del modelo y si el ajuste es adecuado.
Cuando trabajas con un modelo de regresión lineal simple (i.e. una única variable
explicativa) solo necesitas un gráfico de dispersión con las variables originales.
Sin embargo, cuando quieres ajustar un modelo de regresión múltiple (i.e. múltiples
variables explicativas) es más sencillo que evalúes el ajuste del modelo mediante
los gráficos de residuos.
GRÁFICOS DE RESIDUOS PARA ENTENDER Y MEJORAR TU REGRESIÓN
Dos son los gráficos diagnósticos principales que se suelen realizar con los residuos del
modelo:
el gráfico de los residuales en función de los valores ajustados por el modelo (Residuals
vs. Fitted) y
el gráfico cuantil-cuantil (Normal Q-Q) permite comparar la distribución de los residuos con
la distribución normal teórica.
TODO LO QUE NECESITAS SABER
SOBRE LA INTERPRETACIÓN DE LOS RESIDUOS
Residuos vs. Valores predichos por el modelo
Este tipo de gráficos te permite evaluar 3 cuestiones principalmente:
Si has utilizado el tipo de relación adecuada (e.g. si el modelo debería ser no lineal en
lugar de lineal). Si el tipo de modelo que utilizaste no es el adecuado encontrarás sesgos –
bias– o tendencias en los residuos.
Si la varianza es constante o por el contrario tienes problemas de dispersión irregular. Uno
de los supuestos del modelo de regresión lineal es que la varianza de los residuos es
constante, es decir, que los residuos se distribuyen al azar alrededor del valor cero.
Si existen datos extremos (outliers) que puedan perturbar e invalidar tu modelo. Este tipo
de datos se aparta del comportamiento del resto de residuos, tendrán un valor muy distinto
al cero.
¿Quieres conocer los patrones que puedes encontrar en este gráfico?
a continuación los principales patrones y su interpretación, luego te enseñaré cómo
solucionar cada tipo de problema.
Patrón Interpretación
Dispersión irregular o en forma Varianza no constante, (i.e. heterocedasticidad)
de embudo o abanico
Curvilíneo Falta incluir algún termino de mayor orden (e.g.
cuadrático cubico)
Aumento o disminución de Outliers
puntos
Predominio de residuos positivos Outliers
o negativos
Un punto lejos del cero Outliers
Un punto muy lejos de la Punto influyente
dirección de los demas

Tendencias. Cuando los residuos se separan del cero de manera sistemática (no
aleatoria), tanto si aumentan como si disminuyen para valores de predicciones mayores, el
patrón nos sugiere que la función de regresión no es lineal. A este patrón se le suele
llamar tendencia, sesgo o «bias» en inglés.
Dispersión irregular. Si observas un patrón de dispersión no aleatorio de los residuos, la
variabilidad de los residuos es mayor para ciertos valores predichos por el modelo, esto
indica que no se cumple el supuesto de varianza constante en los errores del modelo.
Puedes observar alguno de los siguientes casos:
Un patrón de «abanico». Es decir, los residuos son cercanos a 0 para valores de x
pequeños y están más extendidos para valores de x grandes.
Un patrón de «canalización». Es decir, los residuos se separan para valores de x
pequeños pero se cercan a 0 para valores de x grandes.
Un patrón más complejo.
Datos extremos (Outliers). Ocurre cuando uno o más residuos se apartan del patrón
aleatorio del resto. Incluso, podemos observar que si eliminamos el/los outlier el patrón de
los residuos cambia.
Ejemplos de patrones:

Imparcial y homoscedastica Sesgada y homoscedastica Sesgada y homoscedastica

Imparcial y heterocedastica Sesgada y heterocedastica Sesgada y heterocedastica

Un modelo válido implica encontrar un patrón de residuos al azar, es decir, que no haya
sesgos en los residuos (tendencias) ni una dispersión (varianza) no constante ni valores
que desvíen el comportamiento observado (outliers); esto ocurre solamente en la figura
«a».
Las figuras «b» y «c» tienen problemas de tendencia, lo cual podría indicar que la relación
entre las variables estudiadas no es la indicada o que existe correlación en los residuales
(e.g. si se trata de una serie temporal).
Las figuras «d», «e» y «f» tienen problemas de dispersión irregular. En todos los casos la
varianza de los residuos aumenta con los valores ajustados, esto indica que la variabilidad
de los errores aumenta al aumentar su media.
Entonces, ¿cómo puedes mejorar el modelo?
Si encuentras problemas de tendencia podrías necesitar términos de mayor orden
(cuadrática o cúbica) o nuevas variables explicativas, o incluir términos de interacción
entre las variables explicativas. Agrega los términos y reajusta el modelo.
Si encuentras problemas de dispersión irregular utiliza pruebas de igualdad de varianza
(complementarias a los análisis gráficos), considera utilizar transformaciones de las
variables o modelar la heterogeneidad encontrada con modelos generalizados (GLM) o
modelos mixtos (MM).
Si encuentras posibles valores extremos (outliers) o puntos de influencia verifica que no
sean errores de medición y considera realizar análisis robustos.
Gráfico Q-Q Normal
El modelo de regresión lineal también supone que los residuos siguen una distribución
normal.
Recuerda que el gráfico cuantil-cuantil (Normal Q-Q) te permite comparar la distribución de
los residuos con la distribución normal teórica.
Por lo tanto, si los residuos tienen una distribución normal deberías observar que siguen
aproximadamente la línea recta diagonal en el gráfico Q-Q normal, en caso contrario los
residuos se van a apartar de la diagonal.
Patrón Interpretación
No se observa una línea recta Falta de normalidad)
Curvatura en las colas de la Asimetría
distribucion
Un punto alejado de la recta Outliers
Cambio en a pendiente Una variable sin idetificar.

Ejemplos de patrones:

Normal Inclinado a la izquierda Inclinado a la derecha

Colas gruesas colas delgadas

Si los residuos presentan una distribución normal debes obtener un gráfico similar al «a».
Sin embargo, curvas de tipo «s» indican colas largas en la distribución de los residuales
(como en el ejemplo «d»),
Una forma de «s» invertida indica colas cortas (como en el caso «e»), líneas hacia arriba o
abajo indican asimetrías (mira los casos «b» o «c»), y
Si tienes puntos que se apartan de la línea es un indicio de que tienes datos extremos
(outliers).
Entonces, ¿cómo puedes mejorar el modelo?
Investiga con otros gráficos si la falta de normalidad se puede deber a algo más, realiza
pruebas estadísticas de normalidad, realiza transformaciones de las variables
involucradas, o utiliza modelos más complejos que consideren la falta de normalidad
(GLM).
Y si aún tenemos algunos problemas con los residuos, ¿cómo seguir?
Tú decides. Si luego de seguir todas las recomendaciones que te he mencionado sigues
detectando problemas (menores) en los patrones de los residuos, debes decidir qué tan
preciso necesitas que sea tu modelo. Ya lo dijo G. Box, todos los modelos son erróneos, y
yo te recuerdo que generalmente un modelo decente es mejor que ningún modelo.
Análisis de Residuales
Un residual es la diferencia entre el valor observado y el valor estimado por la línea de
regresión , El residual puede ser considerado como el error aleatorio observado. También
se acostumbra usar el Residual estandarizado, el cual se obtiene al dividir el residual entre
la desviación estándar del residual, y el Residual estudentizado "deleted", que es similar al
anterior pero eliminando de los cálculos la observación cuyo residual se desea hallar.
En un analisis de residuales se puede detectar:
• Si efectivamente la relación entre las variables X e Y es lineal.
• Si hay normalidad de los errores.
• Si hay valores anormales en la distribución de errores.
• Si hay varianza constante (propiedad de Homocedasticidad) y
• Si hay independencia de los errores.
Análisis de Residuales
Plot de Normalidad: Permite cotejar normalidad. Si los puntos están bien cerca de una
línea recta se concluye, que hay normalidad.
Histograma de Residuales: También permite cotejar normalidad. Cuando el histograma es
simétrico, con un único pico en el centro, se concluye que hay normalidad.
Plot de Residuales versus los valores predichos (FITS): Se usa para detectar si hay datos
anormales, cuando hay datos que caen bastantes alejados, tanto en el sentido vertical
como horizontal. También permite detectar si la varianza de los errores es constante con
respecto a la variable de respuesta.
Plot de Residuales versus el índice de la observación: Es más específico para detectar
que observación es un dato anormal. Si se usan residuales estandarizados, entonces un
dato con residual más allá de 2 ó -2 es considerado un "outlier" en el sentido vertical
. Plot de Residuales versus la variable predictora: Es usado para detectar datos anormales
así como si la varianza de los errores es constante con respecto a la variable predictora.
Gráficas
x y xy x2
43.2 40.6 1753.92 1866.24
39.7 37.5 1488.75 1576.09
39.5 34.7 1370.65 1560.25
39.3 33.9 1332.27 1544.49
34.2 33.4 1142.28 1169.64
26.1 25.1 655.11 681.21
25.4 23 584.2 645.16
26.6 22 585.2 707.56
26.8 21.6 578.88 718.24
23.8 19.2 456.96 566.44
22 19.2 422.4 484
15.5 13.1 203.05 240.25
10.9 10.7 116.63 118.81
373 334 10690.3 11878.38
Los puntos del plot de
normalidad no caen cerca de
una línea recta y en el
extremo superior se detecta
un “outlier”. Similarmente, el
histograma no es simétrico
con un pico central y también
muestra un “outlier” en el
extremo superior. En
conclusión, no hay normalidad
de los errores. El plot de
residuales versus el índice de
la observación muestra que la
observación 14 es un "outlier",
pues el residual estandarizado
cae más allá de dos. El plot de
los residuales versus los
valores predichos muestra
que la varianza de los errores
no es constante con respecto
a la variable de respuesta,
pues tiende ha aumentar
cuando el valor de la variable
de respuesta aumenta.
Cómo encontrar desviaciones residuales en Excel
Por C. Taylor
Stockbyte/Stockbyte/Getty Images
Las desviaciones residuales ofrecen una medida de variabilidad de datos en las líneas de
regresión. Estas líneas de regresión ilustran una relación predecible entre dos variables,
por lo que saber la variabilidad de los datos implica tener un cierto nivel de confianza
respecto de las predicciones de la línea de regresión. Por ejemplo, una desviación residual
de 20 significa que la información se acercó mucho a la línea de regresión, por lo que esta
ofrece predicciones confiables. Una desviación de 2000 significa que los datos estaban
mezclados, por lo que las predicciones de esa línea de regresión son dudosas. Calcular la
desviación residual a mano es tedioso, pero si creas una hoja de cálculo con
el Microsoft Excel, será mucho más sencillo.

Paso 1 Abre el Microsoft Excel.

Paso 2 Ingresa la primera serie de datos en la columna A y los demás datos relacionados
con estos en la B. Los estadísticos suelen utilizar la "X" para representar el primer valor y
la "Y" para el segundo, por lo que adoptaremos esa convención a los fines de este
artículo.
Paso 3 Ingresa las etiquetas "Significa (X)", "St Dev [desviación estándar] (X)", "Significa
(Y)", "St Dev [desviación estándar] (Y)", "Covarianza", "b", "a", "Fórmula lineal" y
"Desviación residual" en las celdas E1 a E9.
Paso 4 Ingresa "=AVERAGE(A:A)" sin las comillas en la celda F1 y "=AVERAGE(B:B)" en
la F3. De esta manera, calculas el promedio de cada columna.
Paso 5 Ingresa "=STDEV.S(A:A)" en la celda F2 y "=STDEV.S(B:B)" en la F4. De esta
manera, calculas la desviación estándar de cada columna.
Paso 6 Ingresa "=COVARIANCE.S(A:A,B:B)" en la celda F5. De esta manera, calculas la
covarianza entre ambas columnas.
Paso 7 Ingresa "=F5/F2^2" en la celda F6. Las líneas de regresión utilizan la ecuación
"Y=bX+a". Esta fórmula calcula el valor de "b" en esa ecuación.
Paso 8 Ingresa "=F3-F6*F1" en la celda F7 para calcular el valor "a" de la ecuación de la
línea de regresión.
Paso 9 Ingresa la siguiente fórmula en la celda F9: =CONCATENATE("Y =
",ROUND(F6,2),"X",IF(SIGN(F7)=1," + "," - "),ABS(ROUND(F7,2))) Esto no se utiliza para
el cálculo, pero muestra la fórmula específica para la línea de regresión de tus datos, para
la cual la desviación residual muestra variabilidad de datos.
Paso 10v Ingresa la fórmula "=$F$6*A1+$F$7" en la celda C1 y cópiala hacia abajo de la
columna C, hasta el último valor. De esta manera, calculas la predicción del valor de "Y"
por cada "X" dentro de la línea de regresión. Para poder copiar estas fórmulas de manera
sencilla, haz clic en la celda C1 para seleccionarla. Haz clic y arrastra la esquina inferior
derecha de la celda hacia abajo. Cuando sueltes el mouse, las fórmulas se copiarán de
forma automática.
Paso 11 Ingresa la fórmula "=B1-C1" en la celda D1 y cópiala hacia abajo en la columna D
hasta el último valor. De esta manera, calculas la diferencia entre los valores esperados y
reales de "Y", que se utiliza para el cálculo de la desviación residual.
Paso 12 Ingresa "=SUMSQ(D:D)/(COUNT(D:D)-2)" en la celda F9 para calcular la
desviación residual.

[Link]

Tabla resumen de las sumas de cuadrados utilizadas en el analisis de reresion lineal simple

1 11 0.5 4.84 1.056 0.2304 0.7271 0.0640 0.0516

2 14 1.1 0.64 0.096 0.0144 1.0718 0.0084 0.0008
3 12 0.9 1.44 0.096 0.0064 0.8420 0.0190 0.0034
4 9 0.6 17.64 1.596 0.1444 0.4973 0.2330 0.0105
5 13 1.2 0.04 -0.044 0.0484 0.9569 0.0005 0.0591
6 13 0.9 0.04 0.016 0.0064 0.9569 0.0005 0.0032
7 15 1.5 3.24 0.936 0.2704 1.1867 0.0427 0.0982
8 17 1.3 14.44 1.216 0.1024 1.4165 0.1905 0.0136
9 15 1.1 3.24 0.216 0.0144 1.1867 0.0427 0.0075
10 13 0.7 0.04 0.056 0.0784 0.9569 0.0005 0.0660
 132 9.8 45.6 5.24 0.9160 9.7988 0.6020 0.3139
13.2 0.98 SCT SCR SCE
Syy Sxy Syy

Ejemplo 1
Se quiere evaluar la eficacia de distintas dosis de un fármaco contra la hipertensión
arterial, comparándola con la de una dieta sin sal. Para ello se seleccionan al azar 25
hipertensos y se distribuyen aleatoriamente en 5 grupos. Al primero de ellos no se le
suministra ningún tratamiento, al segundo una dieta con un contenido pobre en sal, al
tercero una dieta sin sal, al cuarto el fármaco a una dosis determinada y al quinto el mismo
fármaco a otra dosis. Las presiones arteriales sistólicas de los 25 sujetos al finalizar los
tratamientos son:
Grupo
1 2 3 4 5
180 172 163 158 147
173 158 170 146 152
175 167 158 160 143
182 160 162 171 155
181 175 170 155 160
La tabla de anova es:

Fuente de variación GL SS MS F
Tratamiento 4 2010,64 502,66 11,24
Error 20 894,4 44,72
Total 24 2905,04

Como F0,05(4,20) =2,87 y 11,24>2,87 rechazamos la hipótesis nula y concluimos que los
resultados de los tratamientos son diferentes.
Nota: Para hacerlo con un paquete estadístico, p.e. el SPSS, deberíamos crear un archivo
con 2 variables: Trata (con un código distinto para cada grupo, p.e. de 1 a 5) y Presion con
la presión arterial de cada individuo al acabar el estudio. Para calcular
el Anova desplegamos los menús que se ven en la gráfica:
Análisis de varianza de un factor
RESUMEN
Grupos Cuenta Suma Promedio Varianza
1 5 891 178.2 15.7
2 5 832 166.4 54.3
3 5 823 164.6 27.8
4 5 790 158 81.5
5 5 757 151.4 44.3

ANÁLISIS DE VARIANZA
Origen de Suma de Grados de Promedio F Probabilid Valor
las cuadrados libertad de los ad crítico
variacione cuadrados para F
s
Entre 2010.64 4 502.66 11.24016 6.06E-05 2.866081
grupos
Dentro de 894.4 20 44.72
los grupos

Total 2905.04 24

1.7 Inferencias acerca de la pendiente.

1.2.2 Interpretación de los coeficientes de regresión estimados
La pendiente β indica el cambio promedio en la variable de respuesta cuando la variable
predictora aumenta en una unidad adicional.
El intercepto α indica el valor promedio de la variable de respuesta cuando la variable
predictora vale 0. Sin embargo carece de interpretación práctica si es irrazonable
considerar que el rango de valores de x incluye a cero.
Propiedades de los estimadores mínimos cuadráticos de regresión
a) es un estimador insegado de β. Es decir, E( )= β
b) es un estimador insegado de α. Es decir, E( )= α

c) La varianza de es σ2/Sxx y la α es
6. INTERPRETACIÓN

• La ecuación de regresión estimada es:

Coeficiente de correlación: R= 0.9379
Coeficiente de determinación: R²=0.8796
El valor de b = 0.8676 indica el incremento del peso en kilogramos, en promedio, por cada
centímetro de aumento en la estatura de los hombres adultos.
El valor de a, no tiene interpretación práctica en el ejemplo, se interpretaría como el valor
obtenido, en promedio, para el peso Y, cuando la estatura es 0.
Utilizando la ecuación de regresión para estimar o predecir valores de la variable Y: Para
una talla de 180 se obtiene un peso de 80.7 kg.
¿Cuánto se espera que pese (en promedio) una persona que mide 1.60 m?
Sustituyendo el valor de interés en la ecuación:

Se obtiene:

El modelo de regresión lineal

La estructura del modelo de regresión lineal es la siguiente:
Y = β0 + β1X + ε
En esta expresión estamos admitiendo que todos los factores o causas que influyen en la
variable respuesta Y pueden dividirse en dos grupos: el primero contiene a una variable
explicativa X y el segundo incluye un conjunto amplio de factores no controlados que
englobaremos bajo el nombre de perturbación o error aleatorio, ε, que provoca que la
dependencia entre las variables dependiente e iii independiente no sea perfecta, sino que
esté sujeta a incertidumbre. Por ejemplo, en el consumo de gasolina de un vehículo (Y )
influyen la velocidad (X) y una serie de factores como el efecto conductor, el tipo de
carretera, las condiciones ambientales, etc, que quedarían englobados en el error.
Lo que en primer lugar sería deseable en un modelo de regresión es que estos errores
aleatorios sean en media cero para cualquier valor x de X, es decir,
E[ε/X = x] = E[ε]=0, y por lo tanto:
E[Y /X = x] = β0 + β1x + E[ε/X = x] = β0 + β1x
En dicha expresión se observa que:
• La media de Y, para un valor fijo x, varía linealmente con x.
• Para un valor x se predice un valor en Y dado por ˆ y = E[Y /X = x] = β0 + β1x, por lo que
el modelo de predicción puede expresarse también como ˆ Y = β0 + β1X.
• El parámetro β0 es la ordenada al origen del modelo (punto de corte con el eje Y) y β1 la
pendiente, que puede interpretarse como el incremento de la variable dependiente por
cada incremento en una unidad de la variable independiente. Estos parámetros son
desconocidos y habrá que estimarlos de cara a realizar predicciones.
Además de la hípotesis establecida sobre los errores de que en media han de ser cero, se
establecen las siguientes hipótesis:
ii) La varianza de ε es constante para cualquier valor de x, es decir,
V ar(ε/X = x) = σ2
iii) La distribución de ε es normal, de media 0 y desviación σ.
iv) Los errores asociados a los valores de Y son independientes unos de otros.
En consecuencia, la distribución de Y para x fijo es normal, con varianza constante σ2, y
media que varía linealmente con x, dada por β0 + β1x. Además los valores de Y son
independientes entre sí.
1.8 Aplicaciones
EJERCICIO 1
X1 Y1 X : HORAS DE ESTUDIO
4 8
5 7 Y:CALFICACION OBTENID
2 4

1. Obtenga la ecuación de regresión de Y sobre X (en directas, diferenciales y típicas)

2. ¿Le merece confianza el modelo? (represente gráficamente el ajuste de los puntos a la
recta)
3. Descomponga la varianza del criterio
4. Si un sujeto estudia 3 horas, ¿Qué calificación le pronosticaríamos según el modelo?
5. Si un sujeto estudia 2 horas, ¿En cuánto nos equivocaríamos al predecir su calificación
con la ecuación del modelo?
EJERCICIO 2
Tras medir en una muestra las variables
X: Extroversión
Y: Impulsividad
V: Control
Se obtuvieron los estadísticos:

X Y V X 0,85 0,62 R = Y -0,93 V Medias: 15 21 12 Varianzas: 9 14 4

Se desea predecir la impulsividad (Y) a partir de alguna de las restantes variables
1. Obtenga la ecuación de regresión
2. Descomponga la varianza del criterio y valore el modelo anterior
3. Si un sujeto obtuviera una diferencial de 3 en la predictora, ¿Qué puntuación directa le
pronosticaría en impulsividad?
4. ¿Qué valor tiene en la predictora un sujeto al que le pronosticamos 18 puntos con el
modelo?
EJERCICIO 3
Se ha trazado la siguiente recta de regresión de Y sobre X en una muestra de varones
(representados por el signo •) y mujeres (representadas por el signo +):

Según esta gráfica responda a lo siguiente:

1. ¿De cuántos varones se compone la muestra? ¿y mujeres?
2. ¿Qué grupo es más homogéneo: varones o mujeres?
3. ¿Cuántos varones reciben en este modelo pronósticos inferiores a sus puntuaciones
empíricas en Y?
4. ¿Cuántas mujeres reciben pronósticos superiores a sus puntaciones empíricas?
5. ¿Qué pronóstico en Y tendría un sujeto con X = 0?