DISEOS DE INVESTIGACIN Y ANLISIS DE DATOS

TEMA N 8 ANLISIS DE REGRESIN

ANLISIS DE CORRELACIN Y REGRESIN SIMPLE
CONCEPTOS FUNDAMENTALES ANLISIS DE REGRESIN
Diseos ex-post-facto En estos diseos, se estudia el fenmeno tal y como
se produce. No se puede ejercer ningn control sobre las variables. No se
puede asignar los sujetos a las diferentes condiciones o niveles de la (VI)
Cuando se estudia la VD (criterio) en funcin de una sola VI (predictora o
explicativa), este anlisis se conoce como Anlisis de Regresin Simple
(ARS), y cuando hay ms de una VI se conoce como Anlisis de Regresin
Mltiple (ARM).

ANLISIS DE REGRESIN SIMPLE (ARS)

La regresin lineal (ARS) consiste en obtener una funcin lineal que a partir de un
conjunto de datos observados en una variable (independiente o predictora)
nos permita predecir los valores de la variable dependiente o criterio, siendo
todas ellas de tipo cuantitativo (prediccin de una medida basndonos en el
conocimiento de otra)
Modelo de regresin lineal
(independiente, explicativa):

simple

(variables):

(dependiente)

Buscamos encontrar una funcin de X muy simple (lineal) que nos permita
aproximar Y mediante la ecuacin de la recta de regresin Y = B0 +
BX
Constantes regresin B (pendiente/ incremento de la VD (Y) cuando
la VI (X) aumenta en una unidad) y B0 (ordenada en el origen / valor
estimado de Y cuando X = 0)
Error residual o Error de estimacin = (Y Y)
_
_
Siendo la media de los valores pronosticados (Y) = la media de los valores observados (Y)

El tema bsico en la regresin simple es

ajustar los puntos del diagrama de
2
n
dispersin de X e Y. Para conseguir la mejor
'
Yi Yi lnea que una esos puntos necesitamos un
criterio (mnimos cuadrados). En general surge
i 1
cuando consideramos todas las distancias (Y-Y
), se elevan al cuadrado y se suman los
cuadrados resultantes (Error Cuadrtico); a
Inteligencia (X)
partir de estos datos, obtenemos la recta de
regresin que hace mnimo ese error (mtodo
de ajuste por mnimos cuadrados)
Para que sean vlidas las inferencias que se hacen sobre la VD (utilizando la
recta de regresin):
Y

1. Independencia de las observaciones (la seleccin de la muestra debe ser

aleatoria)
2. Homocedasticidad (las varianzas de las distribuciones de los errores
condicionadas a los diferentes valores de la VI, deben ser iguales)
3. Normalidad de las distribuciones
4. Independencia entre los valores estimados (Y) y los errores de estimacin ()
En trminos de
correlacin (rY = 0) correlacin entre
pronsticos y errores = cero

PROBLEMA EJEMPLO ANLISIS DE REGRESIN SIMPLE (ARS)

Se ha llevado a cabo un estudio con objeto de pronosticar las calificaciones que
obtendrn los alumnos de A. Datos II (ADII), a partir de las puntuaciones que
obtuvieron en la asignatura A. Datos I (ADI). Para ello se ha seleccionado una
muestra aleatoria de 5 sujetos, recogiendo sus calificaciones finales en las dos
asignaturas (considerar = 0,05):
SUJETOS
1
2
3
4
5

AD II Y
6
4
6
7
7
= 30

AD I X
4
3
7
6
9
= 29

XY
24
12
42
42
63
= 183

Media X = 29 / 5 = 5,8

Y
5,29
4,895
6,475
6,08
7,265
=
30,005

(Y Y)2
0,5041
0,8010
0,2256
0,8464
0,0702
= 2,45

y2
0
4
0
1
1
=6

Media Y = 30 / 5 = 6

VARIANZAS Y DESVIACIONES TPICAS (CUASI VARIANZAS Y CUASI

DESVIACIONES TPICAS)
2
2
X
191
S X2
X S X2
(5,8) 2 4,56 S X 4,56 2,135
n
5
2
2
2

S n
4,56 5
SX X
SX
5,7 S X 5,7 2,39
n 1
4

2
Y 2
186
Y S Y2
(6) 2 1,2 S Y 1,2 1,095
n
5
2
2
2

S n
1,2 5
SY Y
SY
1,5 S X 1,5 1,22
n 1
4

S Y2

S XY

COVARIANZA Y COEFICIENTE DE CORRELACIN DE PEARSON

S
XY
183
1,8

X Y S XY
(5,8 6) 1,8 rXY XY rXY
0,769
n
5
S X SY
2,135 1,095

rXY

n XY X Y
[n X ( X ) ][ n Y ( Y ) ]
2

rXY

(5 183) (29 30)

(5 191) 29 2 (5 186) 30 2

0,769

COEFICIENTES Y RECTA DE REGRESIN

S
n XY X Y
(5 183) (29 30)
1,095
B
0,395 B rXY Y 0,769
0,395
2
2
2
SX
2,135
[ n X ( X ) ]
(5 191) 29

B0 Y B X 6 (0,395 5,8) 3,71

Directas
Y = B0 + B X
Y = 3,71 + 0,395
X

RECTAS DE REGRESIN
Diferenciales
y Bx B( X X )
y= 0,395
Media X)

(X

Tpicas
X X
z rXY Z X rXY
SX
XX

z= 0,769

Ecuaciones para realizar pronsticos a partir de X

BONDAD DE AJUSTE DE LA RECTA DE REGRESIN
Bondad de ajuste Alude a cmo es de explicativa la recta de regresin
respecto a los datos sobre los que se ha ajustado.
Cuando hay una relacin lineal entre las dos variables (S2Y) la varianza de la
VD se puede descomponer en dos varianzas: (S2Y) la de los pronsticos, debida
a la relacin entre VD y VI, y (S2) la de los errores o residuos. Segn nuestro
ejemplo:
SUMAS CUADRTICAS
2
(Y Y ) SCTOTAL (Y Y ) 2 SC REGRESIN (Y Y ) 2 SC RESIDUAL

SCTOTAL (6) SC REGRESIN (3,55) SC RESIDUAL (2,45)

S Y2

(Y Y ) 2 6
(Y Y ) 2 3,55
(Y Y ) 2 2,45
1,2 S Y2

0,71 S e2

0,49
n
5
n
5
n
5

Varianza de la VD = Varianza de los pronsticos + Varianza de los

errores
S2Y / S2Y = SCREGRESIN / SCTOTAL =

Proporcin de varianza de la
3

R2XY
R2XY (Coeficiente de
Determinacin)

VD explicada por la varianza de

la VI

S2 / S2Y = SCRESIDUAL / SCTOTAL = 1

- R2XY
1 - R2XY (Coeficiente de
Alienacin)

Proporcin de varianza de la
VD no explicada por la varianza
de la VI

Ejemplo para
representar la
proporcin de
varianza
compartida por X e
Y
Para r = 0,892

Utilizando nuestro ejemplo, establecemos las siguientes relaciones

(Bondad de Ajuste):
El coeficiente de determinacin es igual a la varianza de los
pronsticos dividida por la varianza total (y sus equivalentes)
Proporcin de la VD (Y) EXPLICADA por la VI (X), Tambin proporcin
en que se reduce el error cuando empleamos la recta de regresin.
El coeficiente de alienacin es igual a 1- el coeficiente de
determinacin Proporcin de la VD (Y) NO EXPLICADA por la VI
(X), parte residual atribuible a otros factores.
Otro indicador del ajuste es el error tpico (estimador Insesgado de la
desviacin tpica del error)
S2
S 2 0,71
0,49
2
2
rXY
Y2
0,592 1 e2 1
0,592 1 rXY
1 0,592 0,408
1,2
1,2
SY
SY

2
S e S Y 1 rXY
1,095 0,639 0,7 S e

(Y Y ) 2
2,45

0,904
n2
3

INFERENCIAS SOBRE LA CORRELACIN Y LA REGRESIN

C. HIPTESIS PARA LA CORRELACIN DE PEARSON Se utiliza para
comprobar si es significativa la correlacin (si existe relacin lineal entre las
variables)

Hiptesis para la correlacin

Hiptesis H0: = 0 // H1:
0

Problema ejemplo En un centro de Psicologa clnica se ha encontrado que,

en una muestra aleatoria simple de 62 pacientes fumadores, la ingesta media
diaria de chicles de nicotina (n) y el consumo medio diario de cigarrillos (c)
presentan una correlacin de rnc = (- 0,89). Se cumplen los supuestos del
modelo de correlacin lineal Es significativa la relacin lineal entre la ingestin
media de chicles de nicotina y el consumo medio de cigarrillos? Considere =
0,01.
Hiptesis H0: NC = 0 y H1: NC 0
r
n 2 (0,89) 60 (6,89)
T XY

(15,1)
2
2
0,456
1 r XY
1 (0,89)
Estadsticos de contraste
Decisin
La T terica = 0005 t 60gl = (- 15,1) < (- 266); por tanto rechazamos H0 (la
correlacin es significativa)
Interpretacin Para un nivel de confianza del 99% y un contraste bilateral, la
correlacin es significativamente distinta de cero (H1: NC 0) por lo que debe
pensarse que existe relacin lineal significativa entre el consumo medio de
cigarrillos y la ingesta media de chicles de nicotina.
C. HIPTESIS PARA LA PENDIENTE DE LA REGRESIN Se pueden utilizar
dos mtodos (mediante ANOVA y mediante un contraste T) para comprobar si la
pendiente es significativa (igual o distinta de cero):
MTODO ANOVA (Probamos Hiptesis
0)

H0: = 0 (pendiente) y H1:

Estadstico F de Fisher (T2 n-2 = F1;n-2 )

Problema Ejemplo A partir de los datos anteriores:
(Y Y ) 2 SCTOTAL (Y Y ) 2 SC REGRESIN (Y Y ) 2 SC RESIDUAL

SCTOTAL (6) SC REGRESIN (3,55) SC RESIDUAL (2,45)

FUENTE DE
VARIACIN

SUMAS
CUADRTICA
S

GRADOS
DE
LIBERTAD

MEDIAS
CUADRTICAS

ESTADSTICO DE
CONTRASTE

DEBIDA A LA
REGRESIN
RESIDUAL
O ERROR

SC

TOTAL

MC REGRESIN
3,55 / 1 = 3,55
MC RESIDUAL = 2e
2,45 / 3 = 0,82

REGRESIN

3,55
SC RESIDUAL
2,45
SC

1
(5-2) = 3

F = (3,55 / 0,82)
= 4,3

TOTAL

(5-1) = 4

F se distribuye con 1 y 3 gl 10,13

Comprobamos la equivalencia (T2 n-2 = F1;n-2 )

Significacin del coeficiente de correlacin (rxy = 0,769) / Obtenido al
plantear el problema
Estadsticos de contraste (Los resultados confirman la equivalencia) [t2
(2,08)2 = F (4,3)]

rXY n 2
2

1 r XY

0,769 (5 2)
1 0,769

1,33
R 2 /1
0,59
2,08 F

4,3
2
0,64
(1 R ) /( N 2) 0,137

F terica = 095 F1 y 3 gl = 10,13 > 4,3 Aceptamos H0 (la correlacin no

es significativa)
T terica = 0975 t 3 gl = 3,18 > 2,08 Aceptamos H0 (la correlacin no es
significativa)

Interpretacin A un nivel de confianza (95%), la correlacin no es significativa

( = 0). La regresin tampoco es significativa ( = 0) no hay pendiente. Ambos
anlisis indican lo mismo; por tanto, la puntuacin en A. Datos I no predice
adecuadamente la calificacin en A. Datos II.
MTODO T (recordamos recta de regresin Y= 3,71 + 0,395 X)

Hiptesis estadsticas H0: = 0

Distribucin T

B0
SY
SX

/ 2 = 0,025; n-2

0,395

H1: 0

0,395
2,1
0,188

2
1 rXY
1,09 1 0,769 2
2,13
52
n2
y T 1 - / 2 = 0,975; n-2 3,18 > 2,1 (Mantenemos H0)

La pendiente es nula ( = 0) 3,18 (valor crtico) > 2,1

(estadstico de contraste)
Resultado similar al anterior
Intervalo confianza IC (B)= B T n-2; 1- /2 B 0,395 (3,18 0,19) = (0,205 y 0,995)
La pendiente es nula ( = 0) 0 est en el intervalo
de confianza.
C. HIPTESIS PARA LA ORDENADA EN EL ORIGEN (B0 = 3,71)
6

Hiptesis estadsticas H0: 0 = 0

B0 0

Se

3,71

2
2

H1: 0 0

0,904

1
5,8

5 (5 1) 5,7

3,71
3,37
1,1

(n 1) S X
Distribucin T / 2 = 0,025; n-2 y T 1 - / 2 = 0,975; n-2 3,18 < 337 (Rechazamos H0)
Intervalo de confianza IC (B0)= B0 T n-2; 1- /2 B0 3,71 (3,18 1,1) =
(7208 y 0212)
El intercepto no es nulo (0 0) 0 no est en el
intervalo de confianza.
En la mayora de los estudios el contraste para el intercepto (0) suele ignorarse.

ANLISIS DE CORRELACIN Y REGRESIN MLTIPLE

ANLISIS DE REGRESIN MLTIPLE (ARM)

El modelo de la Regresin Mltiple incorpora dos o ms variables independientes o

predictoras (X1, X2,) actuando sobre una variable dependiente o criterio (Y).
Procedimientos de clculo B0 (intercepto con el eje de la Y cuando X 1 y X2
valen 0; altura del plano de la regresin) y B1 B2 (coeficientes de regresin parcial
o pesos de cada variable). Al igual que en la regresin simple, estos coeficientes
son los que hacen mnimo el error cuadrtico de prediccin.
Los coeficientes de regresin parciales de la ecuacin se llaman as para
remarcar el peso o efecto de una VI cuando el resto de las VI que estn en la
ecuacin permanecen constantes.

PROBLEMA EJEMPLO

Aludimos, a modo de ejemplo, a un planteamiento genrico. Datos referidos a n

= 25 sujetos:
ESTADSTICOS DESCRIPTIVOS
X1
X2
882
239
3528
956
97105
20833

Sumatorio ()
Media
Desviacin
tpica
varianza

942933

434

Y
2354
9416
105423
11114

MATRIZ DE CORRELACIONES DE ORDEN

CERO
X1
X2
Y
X1
(- 0231)
0436
X2
0504
Y

PRONOSTICAR LA PUNTUACIN EN LA (VD) DE UN SUJETO CON (X 1 = 31)

Y (X2 = 9):
Para ello, construimos la ecuacin de regresin mltiple:
COEFICIENTES DE REGRESIN PARCIAL
B1 = 1 (SY / S1)

1 = ry1 ry2 r12 / 1 r122

B1 = 0583 (1054 / 971) =

06328

1 = 0436 [(0504) (- 0231)] / 0

9466 = 0`583

B2 = 2 (SY / S2)

2 = ry2 ry1 r12 / 1 r122

B2 = 0639 (1054 / 208) =

3238

2= (0504) (0436) (- 0231)] / 0

9466 = 0639

B0 Y ( B1 X 1 ) ( B2 X 2 ) B0 94,16 (0,6328 35,28) (3,238 9,56) 40,88

ECUACIN DE REGRESIN MLTIPLE Y = 4088 + (06328) X1 +
(3238) X2
PRONSTICO Y = 4088 + (06328) (31) + (3238) (9) Y= 8964
BONDAD DE AJUSTE DEL PLANO DE REGRESIN
El coeficiente de correlacin mltiple (Ry.12) se interpreta como la relacin
de Y con X1 y X2 consideradas conjuntamente.
El coeficiente de determinacin mltiple (R2y.12) se interpreta como % de
la varianza de Y que se debe a la variacin conjunta de X 1 y X2 y como ndice de
bondad de ajuste al plano de regresin.
PROCEDIMIENTOS DE CLCULO

COEFICIENTE DE DETERMINACIN Y COEFICIENTE DE CORRELACIN

MLTIPLE:
Clculo a partir de las correlaciones Considerando los datos de nuestro
ejemplo:

RY .12

rY21 rY22 2 rY 1 rY 2 r12

[0,436 2 0,504 2 (0,436 0,504 ( 0,231)]

0,759
0,946
1 r122
RY. 12 = 0759 Coeficiente de correlacin
mltiple
R2Y. 12
= 0,576

Coeficiente de
determinacin mltiple

R2Y. 12 = (0,759)2 = 0,576 (Un 57,6% de la varianza de Y se debe a la variacin

conjunta de X1 y X2)
Clculo a partir de los coeficientes de regresin estandarizados

rY 1 (rY 2 r12 )
0,436 [0,504 (0,231)]
1
0,583
2
0,9466
1 r12
r ( rY 1 r12 )
0,504 [0,436 ( 0,231)]
2 Y 2
2
0,639
2
0,9466
1 r12

RY .12 ( 1 rY ! ) ( 2 rY 2 ) (0,583 0,436) (0,639 0,504) 0,759

Coeficiente de determinacin ajustado El coeficiente de correlacin
mltiple obtenido en la muestra es un estimador sesgado de la correlacin
poblacional (cuanto menor sea la muestra mayor es este sesgo). Por evitar el
sesgo se utiliza el coeficiente de determinacin ajustado:
2

R Y .12 1 (1 R

2
Y 12

2
n 1
24
)
R Y .12 1 [(0,4239)
0,538
n p 1
25 2 1

Coeficiente de determinacin ajustado (2Y. 12 = 0

538)
CORRELACIN PARCIAL Y SEMIPARCIAL
Cuando en un modelo intervienen ms de dos variables, las correlaciones dos a
dos no son correlaciones puras (no miden la relacin entre esas dos variables al
10

margen del influjo de las otras variables del modelo). Las correlaciones entre
dos variables de orden cero son correlaciones calculadas sin tener en cuenta
la presencia de terceras variables.
Aclaracin
Al considerar una variable dependiente (Y) y dos independientes (X 1 y X2), para
calcular la correlacin parcial entre Y y X1, eliminamos en ambas variables
el influjo de X2. Para calcular el coeficiente de correlacin semiparcial
eliminamos solamente en X1 el influjo de X2.

CORRELACIN SEMIPARCIAL (sr): Para determinar la contribucin de cada

una de las VI a la explicacin de la VD (puesto que entre ellas puede haber
relacin)
Para calcular (sr y sr2) utilizando el modelo de dos variables predictivas X1 y
X2, (ajustamos una regresin de la 1 sobre la 2, extraemos los residuos y los
correlacionamos con la VD Coeficiente de correlacin semiparcial sr 1 = entre
X1 y la VD (habiendo eliminado el influjo de X 2) y sr2 = entre X2 y la VD
(habiendo eliminado el influjo de X1)
Cuando elevamos al cuadrado sr1 y sr2 obtenemos la contribucin que cada VI
tiene sobre la VD, habiendo eliminado el influjo de las otras VVII (contribucin
exclusiva que cada variable hace a la explicacin de la VD)
CORRELACIN PARCIAL (pr): se elimina el influjo de los predictores, tanto de
la VI como de la VD (correlacin entre residuos). Se trata de la correlacin pura
de dos variables, eliminando el influjo de terceras variables.
Cuando elevamos al cuadrado pr1 y pr2 se interpreta como la proporcin de la
varianza de la VD (Y) asociada a X1 y no asociada a X2 (y viceversa)
La correlacin parcial sirve para determinar cul es la primera variable que se
incorpora al modelo cuando se realiza variable a variable. Otro de los mtodos
para introducir variables en el anlisis de regresin mltiple es el denominado
Modelo Stepwise (pasos sucesivos). Si realizamos una regresin con el
modelo (stepwise) introduciramos en primer lugar la VI con mayor correlacin
con la VD, posteriormente la que mayor correlacin parcial tenga con la VD y as
sucesivamente hasta que la nueva variable no aporte un incremento
significativo a la explicacin de la VD (criterio).
CORRELACIN PARCIAL Y SEMIPARCIAL (GRFICAS DE REAS COMPARTIDAS)

11

Para desarrollar la grfica de reas compartidas, tendremos en cuenta los siguientes

valores:
(ry1 = 0,7; ry2 = 0,6 y RY. 12 = 0,8)
CORRELACIONES SEMIPARCIALES

a = sr21 = R2Y. 12 r2Y2

b = sr22 = R2Y. 12 r2Y1

a = sr21 = (0,64-0,36) =
0,28

b = sr22 = (0,64-0,49) =
0,15

CONTRIBUCIN EXCLUSIVA

c = proporcin de
varianza de la VD
estimada conjuntamente
( de forma redundante)
por las dos variables (X1
y X2) = 0,21

CONTRIBUCIN EXCLUSIVA

R2Y. 12 = a + b + c
0,64 = 0,28 + 0,15 +
0,21

CORRELACIONES PARCIALES

r2Y1 = a + c 0,28+0,21 =
0,49
r2Y2 = b + c 0,15+0,21 =
0,36

pr21 = 0,28 / (0,28 + 0,36) (0,64 - 0,36) / (1

0,36) = 0,437

Siendo d = 1 0,64 0,36

pr22 = b / (b + d) (R2Y. 12 - r2Y1) / (1 - r2Y1)

pr21 = a / (a + d) (R2Y. 12 - r2Y2) / (1 - r2Y2)

pr22 = 0,15 / (0,15 + 0,36) (0,64 - 0,49) / (1

0,49) = 0,294
sr2i = Es la proporcin de la varianza de Y que es explicada nica y
exclusivamente por Xi
Seccin a = sr21 = 0,28 y Seccin b = sr22 = 0,15
pr2i = Es la proporcin de la varianza de Y no asociada al resto de X pero s
asociada a Xi
Seccin a/(a+d) = pr21 = 0,437 y Seccin b/(b+d) = pr22 = 0,294

Nota: Si consideramos una variable dependiente (Y) y dos independientes (X 1 y

X2), para calcular la correlacin parcial entre Y y X1, eliminamos en ambas
variables el influjo de X2. Para calcular el coeficiente de correlacin
semiparcial eliminamos solamente en X1 el influjo de X2.

PROBLEMAS EJEMPLO
1.- Consideremos, a modo de ejemplo, las variables X1, X2 e Y, cuyas
correlaciones son las siguientes: ry1 = 0,7; ry2 = 0,6 y RY. 12 = 0,8. Una primera
ojeada puede hacernos pensar que la variable X 1 contribuye a la variabilidad de
Y en una proporcin de 0,72 = 0,49 y que la variable X2 contribuye en una
proporcin de 0,62 = 0,36. No obstante, se sabe por la correlacin mltiple que
la proporcin de variacin explicada es de 0,8 2 = 0,64. El total de ambas
contribuciones no es igual a la suma, luego est claro que ambas variables
12

explicativas no son fuentes independientes de variabilidad, sino que comparten

una cierta cantidad de la misma (existe redundancia entre ambas variables). A
fin de comentar estas circunstancias, consideramos una muestra de 30 sujetos y
un = 0,05.
Clculos (correlaciones semiparciales) Como entre ambas variables
explican una proporcin de 064, es evidente que la contribucin adicional de X 1
sobre la que explica X2 ser:
____
sr21 = R2Y. 12 r2Y2

sr21 = 0,64 0,36 = 0,28 sr1 = 0,28 = 0,529

Esto es, lo que aade X 1 a X2 es una proporcin de variacin explicada de 028.

La raz cuadrada de este valor se expresa como sr 1 y se define como coeficiente
de correlacin semiparcial. De igual modo lo que aade X2 a X1 ser:
____
sr22 = R2Y. 12 r2Y1

sr22 = 0,64 0,49 = 0,15

sr2 = 0,15 = 0,387

Es decir, la inclusin de X2 supone un incremento sobre la proporcin de

variacin explicada por X1 de 015 puntos. Su coeficiente de correlacin
semiparcial es = 0,387.
2.- Un investigador desea estudiar la relacin entre actividad fsica y sensacin
de bienestar pero cree que el tiempo de sueo puede afectar la relacin entre
ambas variables. Fija el nivel de significacin en = 0,01, extrae aleatoria e
independientemente 30 sujetos y les mide el tiempo que dedican diariamente al
deporte (X1), el tiempo diario de sueo (Y) y la sensacin de bienestar (X 2). Se
cumplen los supuestos del modelo de correlacin lineal y el supuesto de
normalidad. El investigador obtiene los siguientes coeficientes de correlacin: r12
= 0,80; r1Y = 0,50 y r2Y = 0,6
Clculos (correlaciones parciales) La correlacin entre tiempo dedicado al
deporte y sensacin de bienestar, habiendo controlado la influencia del tiempo
de sueo pr1 = 0,416 (17,4 % es el porcentaje de varianza asociado a X1)
________
________
_____
______
pr1 = (rY1 rY2 r12) / 1- r2Y2 1 r212 pr1 = [0,5 (0,60,8)] / 0,64 0,36 =
0,416
pr21 = 0,174
________
________
_____
____
pr2 = (rY2 rY1 r12) / 1- r2Y1 1 r212 pr2 = [0,6 - (0,50,8)] / 0,75 0,36 =
0,385
pr22 = 0,148
Interpretacin Para un nivel de confianza del 99%, los resultados indican
que es significativa la relacin lineal entre el tiempo dedicado al deporte y la
sensacin de bienestar, habiendo controlado la posible influencia del tiempo de
sueo.

13