1. regresión
1.1. consiste en emplear métodos que permitan determinar la mejor relación funcional entre dos o más variables concomitantes (o relacionadas)
1.1.1. Regresión Lineal Simple Cuando la relación funcional entre las variables dependiente (Y) e independiente (X) es una línea recta, se tiene una regresión lineal simple, dada por la ecuación Y = ßo + ß1X + ε
1.1.2. En estadística la regresión lineal o ajuste lineal es un modelo matemático usado para aproximar la relación de dependencia entre una variable dependiente Y, las variables independientes Xᵢ y un término aleatorio ε. Este modelo puede ser expresado como: donde: : variable dependiente, explicada o regresando.
1.1.3. regresión múltiple: es una extensión de la regresión lineal; y se puede ampliar para utilizar múltiples variables independientes
2. Estadisticas Bivariantes
2.1. permiten el análisis conjunto de dos características de los individuos de una población con el propósito de detectar posibles relaciones entre ellas. La naturaleza (nominal, ordinal o numérica) de las características objeto de estudio determinará las herramientas más adecuadas para su análisis.
2.1.1. Datos bivariantes: provienen de la observaci´on simult´anea de dos variables (X, Y ) en una muestra de n individuos. Los datos bivariantes son parejas de valores, num´ericos o no, de la forma: (x1, y1),(x2, y2), . . . ,(xn, yn)
2.1.2. A menudo se intenta describir el comportamiento de una de las variables, que se llama la variable dependiente y se denota por Y , en funci´on de la otra variable, que se llama la variable independiente o explicativa, y se denota por X.
2.1.3. Se usan para describir las dos variables conjuntamente o una variable en funci´on de la otra.
3. correlación
3.1. El análisis de correlación estudia el grado de asociación de dos o más variables
3.1.1. debe ser: - grande cuando el grado de asociación es alto (cerca de +1 o -1, y pequeño cuando es bajo, cerca de cero. - independiente de las unidades en que se miden las variables.
3.1.2. coeficiente de correlación pearson: normaliza la covarianza con una medida de dispersión para X y Y
3.1.3. Valores que puede tomar la correlación ρ = -1 Correlación perfecta negativa ρ = 0 No existe correlación ρ = +1 Correlación perfecta positiva