Bio-Estadistica Bivariante

Bioestadstica
Estadstica descriptiva
bivariante y regresin lineal.
Estadstica bivariante
Relaciones entre variables y regresin
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
Primo de Darwin
Estadstico y aventurero
Fundador (con otros) de
la estadstica moderna
para explicar las teoras
de Darwin.
Hoy en da el sentido de regresin es el de prediccin de una

medida basndonos en el conocimiento de otra.
Bioestadstica.
Tema: Estadstica bivariante
Qu vamos a estudiar
En este captulo vamos a tratar diferentes formas de describir

la relacin entre dos variables cuando estas son numricas.
Estudiar si hay relacin entre la altura y el peso.
Haremos mencin de pasada a otros casos:
Alguna de las variables es ordinal.
Hay ms de dos variables relacionadas.
Estudiar la relacin entre el sobrepeso y el dolor de espalda

(ordinal)
Conocer el peso de una persona conociendo su altura y
contorno de cintura?
El estudio conjunto de dos variables cualitativas lo aplazamos

hasta que veamos contrastes de hiptesis (X2).
Hay relacin entre fumar y padecer enfermedad de pulmn?
Bioestadstica.
Estudio conjunto de dos variables
A la derecha tenemos una posible manera de recoger los

datos obtenido observando dos variables en varios
individuos de una muestra.
Altura
en cm.
Peso
en Kg.
162
61
Cada columna representa los valores que toma una variable

sobre los mismos.
154
60
180
78
Las individuos no se muestran en ningn orden particular.
158
62
171
66
169
60
166
54
176
84
163
68
...
...
En cada fila tenemos los datos de un individuo
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.
Bioestadstica.
Diagramas de dispersin o nube de puntos

Tenemos las alturas y los pesos de 30 individuos representados en un diagrama de
dispersin.
Pesa 50 kg.
Mide 161 cm.
Bioestadstica.
Mide 187 cm.
Pesa 76 kg.
Relacin entre variables.

Tenemos las alturas y los pesos de 30 individuos representados en un diagrama de
dispersin.
ue
q
ce
e
r
Pa
Bioestadstica.
s
e
p
el
nta
e
um
a
o
la
n
co
a
r
u
t
al
Prediccin de una variable en funcin de la 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.
10 kg.
10 cm.
Bioestadstica.
Relacin directa e inversa

330
Incorrelacin
280
230
180
130
80
30
140
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.
Esto se llama relacin directa.
Para los valores de X mayores que la
media le corresponden valores de Y
menores. Esto es relacin inversa o
decreciente.
Bioestadstica.
Cundo es bueno un modelo de regresin?
Lo adecuado del modelo depende de la

relacin entre:
la dispersin marginal de Y
La dispersin de Y condicionada a X
Es decir, fijando valores de X, vemos

cmo se distribuye Y
380
320
340
360
400
420
r= 0.415
r^2 = 0.172
150
160
170
180
La distribucin de Y, para valores

fijados de X, se denomina distribucin
condicionada.
La distribucin de Y,
independientemente del valor de X, se
denomina distribucin marginal.
190
370
380
390
r= 0.984
r^2 = 0.969
360
350
150
160
Bioestadstica.
170
180
190
Si la dispersin se reduce
notablemente, el modelo de regresin
ser adecuado.
Covarianza de dos variables 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.
Bioestadstica.
10
Coef. de correlacin lineal de Pearson
La 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,...)
Bioestadstica.
S xy
SxS y
11
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
-1
Bioestadstica.
Variables
incorreladas
Relacin
directa
casi
perfecta
+1
12
Entrenando el ojo: correlaciones positivas
Bioestadstica.
13
Entrenando el ojo: correlaciones negativas
Bioestadstica.
14
Animacin: Evolucin de r y diagrama de dispersin
Bioestadstica.
15
Preguntas frecuentes
Si r=0 eso quiere decir que no 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=12 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?
Imposible 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 atpicas,
homogeneidad de varianzas...)
Bioestadstica.
16
Otros coeficientes de correlacin
Cuando las variables en vez de ser numricas son

ordinales, es posible preguntarse sobre si hay algn
tipo de correlacin entre ellas.
Disponemos para estos casos de dos estadsticos,

aunque no los usaremos en clase:
(ro) de Spearman
(tau) de Kendall
Maurice George Kendall
No tenis que estudiar nada sobre ellos en este

curso. Recordad slo que son estadsticos anlogos
a r y que los encontrareis en publicaciones donde las
variables no puedan considerarse numricas.
Charles Edward Spearman

Bioestadstica.
17
Regresin
El anlisis de regresin sirve para predecir una

medida en funcin de otra medida (o varias).
Y
= Variable dependiente
predicha
explicada
= Variable independiente
predictora
explicativa
Es
posible descubrir una relacin?
Y = f(X) + error
Bioestadstica.
f es una funcin de un tipo determinado

el error es aleatorio, pequeo, y no depende de X
18
Regresin
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?
Si el padre mide 120cm cunto mide el hijo?
Se espera (predice) 85 + 0,5x200=185 cm.

Alto, pero no tanto como el padre. Regresa a la media.
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.
Bioestadstica.
19
Modelo de regresin lineal simple
En el modelo de regresin lineal simple, dado dos

variables
Y (dependiente)
X (independiente, explicativa, predictora)
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.
Bioestadstica.
20
En el ejemplo de Pearson y las alturas, l encontr:
= b0 + b 1 X
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.)
b1=0,5
b0=85 cm
Bioestadstica.
21
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).
b1=0,5
b0=85 cm
Bioestadstica.
22
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
Se comprueba que para lograr dicho resultado basta con elegir:
SY
b1 r
SX
b0 y b1 x
Se obtiene adems unas ventajas de regalo

El error residual medio es nulo
La varianza del error residual es mnima para dicha estimacin.
Bioestadstica.
Traducido: En trmino medio no nos equivocamos. Cualquier otra

estimacin que no cometa error en trmino medio, si es de tipo lineal,
ser peor por presentar mayor variabilidad con respecto al error medio
(que es cero).
23
Animacin: Residuos del modelo de regresin
Bioestadstica.
24
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)
Cometi un error
de -30 en su
ltima prediccin
No importa. Con los dos

ltimos clientes me
equivoqu en +10 y +20.
En trmino medio el error
es cero.
Bioestadstica.
25
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.
Bioestadstica.
26
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
Bioestadstica.
27
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.
Bioestadstica.
28
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:
S
R 1
S
2
Bioestadstica.
S e2 SY2
2
e
2
Y
29
Animacin: Descomposicin de la varianza
Bioestadstica.
30
Resumen sobre bondad de un ajuste
La bondad de un ajuste de un modelo de regresin se mide usando el

coeficiente de determinacin R2
R2 es una cantidad adimensional que slo puede tomar valores en [0, 1]
Cuando un ajuste es bueno, R2 ser cercano a uno.
por qu?
A R2 tambin se le denomina porcentaje de variabilidad explicado por el

modelo de regresin.
por qu?
Cuando un ajuste es malo R2 ser cercano a cero.
Para el alumno astuto: por qu?
por qu? Difcil.
R2 puede ser pesado de calcular en modelos de regresin general, pero

en el modelo lineal simple, la expresin es de lo ms sencilla: R2=r2
Es coherente lo dicho entonces sobre los valores de R 2?
Bioestadstica.
31
Otros modelos de regresin
Se pueden considerar otros

tipos de modelos, en funcin
del aspecto que presente el
diagrama de dispersin
(regresin no lineal)
Incluso se puede considerar el

que una variable dependa de
varias (regresin mltiple).
Bioestadstica.
32
Modelos de anlisis de regresin
1 variable explicativa
Modelos de regresin
Simple
Lineal
2+ variables explicativas
Mltiple
No lineal
Lineal
No lineal
En clase slo tratamos el modelo de regresin lineal simple.

En todos los dems la bondad del ajuste se mide usando R2
No ajustaremos modelos a mano. Usaremos para ello SPSS.
Bioestadstica.
33
Ejemplo con SPSS
A continuacin vamos a analizar un ejemplo realizado con

datos simulados, de lo que podra parecer el estudio
sobre alturas de hijos y padres, realizado con SPSS.
Suponemos que hemos recogido la altura de 60 varones,

junto a las de su padre.
El estudio descriptivo univariante de ambas variables por

separado no revela nada sobre una posible relacin.
16
12
14
10
12
8
10
8
6
4
4
Desv. tp. = 8,64
Desv. tp. = 5,30
Media = 173,3
N = 59,00
0
155,0
165,0
160,0
175,0
170,0
Altura del Padre
Bioestadstica.
185,0
180,0
195,0
190,0
Media = 170,8
N = 59,00
0
160,0
165,0
162,5
170,0
167,5
175,0
172,5
180,0
177,5
182,5
Altura del hijo
34
En el diagrama de dispersin se aprecie una clara relacin lineal directa.
La tabla de correlaciones nos muestra que r=0,759

190
Por qu se ven algunos r=1?
180
El modelo de regresin lineal simple es

Altura hijo = b0 + b1 Altura del padre
Aprecias regresin a la media en el sentido de Galton en la grfica?
170
b0=89,985
b1=0,466
Aprecias regresin a la media?
Altura del hijo
160
170
180
190
200
Altura del Padre
Eso significa que el 57% de las predicciones del modelo son correctas?
Cmo lo interpretas?
Coeficientesa
Correlaciones
Correlacin de Pearson
Altura del hijo

Altura del Padre
Altura del hijo

1,000
,759
Altura del
Padre
,759
1,000
Resumen del modelo

Modelo
1
150
150
La bondad del ajuste es de R2=0,577= 57,7%
160
R
,759a
R cuadrado
,577
R cuadrado
corregida
,569
Coeficientes no
estandarizados
Modelo
1
(Constante)
Altura del Padre
B
89,985
,466
Error tp.
9,180
,053
a. Variable dependiente: Altura del hijo
Error tp. de la
estimacin
3,480
a. Variables predictoras: (Constante), Altura del Padre
35
Qu hemos visto?
Relacin entre variables

Diagrama de dispersin
Covarianza
Relacin directa, inversa e incorrelacin
Correlacin lineal
Relacin directa, inversa e incorrelacin
grado de relacin lineal entre variables
Regresin, prediccin
Variable dependiente
Variable(s) independientes
Modelo lineal de regresin
Ordenada en el origen
Pendiente
Residuo, error
Bondad del ajuste, coef. determinacin
Bioestadstica.
En el modelo lineal simple: r2

36

Bio-Estadistica Bivariante

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Bio-Estadistica Bivariante

Uploaded by

Copyright:

Available Formats

Bioestadstica

Relaciones entre variables y regresin

El trmino regresin fue introducido por Galton en su libro

Cada peculiaridad en un hombre es compartida por sus

Su trabajo se centraba en la descripcin de los rasgos fsicos de

Altura del hijo = 85cm + 0,5 altura del padre (aprox.)

Hoy en da el sentido de regresin es el de prediccin de una

Tema: Estadstica bivariante

En este captulo vamos a tratar diferentes formas de describir

Hay ms de dos variables relacionadas.

Estudiar la relacin entre el sobrepeso y el dolor de espalda

El estudio conjunto de dos variables cualitativas lo aplazamos

Tema: Estadstica bivariante

Estudio conjunto de dos variables

A la derecha tenemos una posible manera de recoger los

Cada columna representa los valores que toma una variable

Las individuos no se muestran en ningn orden particular.

En cada fila tenemos los datos de un individuo

Dichas observaciones pueden ser representadas en un

Tema: Estadstica bivariante

Diagramas de dispersin o nube de puntos

Mide 187 cm.

Tema: Estadstica bivariante

Relacin entre variables.

Tema: Estadstica bivariante

Prediccin de una variable en funcin de la otra

Tema: Estadstica bivariante

Relacin directa e inversa

Para valores de X por encima de la media

Para los valores de X mayores que la media le

Tema: Estadstica bivariante

Cundo es bueno un modelo de regresin?

Lo adecuado del modelo depende de la

Es decir, fijando valores de X, vemos

La distribucin de Y, para valores

Covarianza de dos variables X e Y

La covarianza entre dos variables, Sxy, nos indica si

Directa: Sxy >0

Inversa: Sxy <0

El signo de la covarianza nos dice si el aspecto de la

Tema: Estadstica bivariante

Coef. de correlacin lineal de Pearson

La coeficiente de correlacin lineal de Pearson de

tiene el mismo signo que Sxy por tanto de su signo

r es til para determinar si hay relacin lineal entre

Tema: Estadstica bivariante

Excluimos los casos de puntos alineados horiz. o verticalmente.

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

Siempre que no existan observaciones anmalas.

Entrenando el ojo: correlaciones positivas

Tema: Estadstica bivariante

Entrenando el ojo: correlaciones negativas

Tema: Estadstica bivariante

Animacin: Evolucin de r y diagrama de dispersin

Tema: Estadstica bivariante

Si r=0 eso quiere decir que no las variables son

Me ha salido r=12 la relacin es superlineal[sic]?

A partir de qu valores se considera que hay buena relacin

Tema: Estadstica bivariante

Otros coeficientes de correlacin

Cuando las variables en vez de ser numricas son

Disponemos para estos casos de dos estadsticos,

Maurice George Kendall