Capítulo 6: Regresión Lineal Simple

Adaptación de Introductory Statistics for the Life and Biomedical Sciences con Datos de Investigación Médica (UJMD)

Author

Cátedra de Bioestadística — Escuela de Medicina, Facultad de Ciencias de la Salud, UJMD

Published

17 de November de 2026

1 Introducción al Capítulo

En la investigación biomédica y epidemiológica es habitual examinar la relación cuantitativa existente entre dos variables numéricas continuas. Por ejemplo:

  • ¿Existe una asociación entre el nivel de estrés psicológico percibido y la calidad fisiológica del sueño en estudiantes universitarios de medicina?
  • ¿Predice de manera estadísticamente significativa el promedio de horas de descanso nocturno el Coeficiente de Unidades de Mérito (CUM) acumulado?
  • ¿Cómo varía la latencia para conciliar el sueño en función del tiempo dedicado al uso de pantallas y redes sociales antes de dormir?

Cuando ambas variables son cuantitativas, la herramienta analítica fundamental es el modelo de regresión lineal simple. Este método no solo describe y cuantifica la fuerza y dirección de una trayectoria lineal observada, sino que provee una ecuación matemática para la predicción de un desenlace clínico y un marco formal para la inferencia estadística sobre parámetros poblacionales.

En esta adaptación del Capítulo 6 del libro Introductory Statistics for the Life and Biomedical Sciences (Diez, Barr y Çetinkaya-Rundel), todos los fundamentos teóricos se conservan con su estructura didáctica original, pero los ejemplos clásicos y los ejercicios han sido sustituidos por los protocolos y datos reales recolectados en las pruebas piloto de los Informes Estudiantiles de la Universidad Dr. José Matías Delgado (2026).


2 Exploración de Diagramas de Dispersión (Scatterplots) y Correlación

2.1 El Diagrama de Dispersión

La relación bivariada entre dos variables numéricas continuas se visualiza primariamente mediante un diagrama de dispersión en el plano cartesiano \(xy\):

  • Variable explicativa, independiente o predictora (\(X\)): Se grafica en el eje horizontal. Representa el factor de exposición, la intervención o la variable que se asume como antecedente.
  • Variable respuesta, dependiente o desenlace (\(Y\)): Se grafica en el eje vertical. Representa el efecto, el biomarcador o el resultado clínico que se pretende predecir.

Al examinar un diagrama de dispersión en investigación biomédica, deben evaluarse sistemáticamente cuatro características fundamentales:

  1. Forma: ¿La relación es lineal, curvilínea (e.g., cuadrática, exponencial) o carece de patrón estructurado?
  2. Dirección: ¿Es positiva (conforme aumenta \(X\), \(Y\) tiende a aumentar) o negativa (conforme aumenta \(X\), \(Y\) tiende a disminuir)?
  3. Fuerza: ¿Qué tan estrechamente se agrupan las observaciones alrededor de una trayectoria subyacente (fuerte, moderada o débil)?
  4. Valores atípicos (outliers): ¿Existen observaciones aisladas con combinaciones inusuales de \((X, Y)\) que se aparten del comportamiento general del grupo?

2.2 El Coeficiente de Correlación Lineal de Pearson (\(r\))

El estadístico numérico estándar para cuantificar la fuerza y dirección de una asociación estrictamente lineal entre dos variables cuantitativas es el coeficiente de correlación producto-momento de Pearson, simbolizado por \(r\) en la muestra y por \(\rho\) (rho) en la población.

2.2.1 Definición Matemática y Fórmula

Sean \((x_1, y_1), (x_2, y_2), \dots, (x_n, y_n)\) las mediciones observadas en una muestra de tamaño \(n\), con medias muestrales \(\bar{x}\) e \(\bar{y}\), y desviaciones estándar \(s_x\) y \(s_y\). El coeficiente de correlación \(r\) se define como el promedio del producto de las puntuaciones tipificadas (valores \(Z\)):

\[r = \frac{1}{n - 1} \sum_{i=1}^n \left( \frac{x_i - \bar{x}}{s_x} \right) \left( \frac{y_i - \bar{y}}{s_y} \right)\]

Alternativamente, en su formulación computacional basada en las sumas de productos y cuadrados:

\[r = \frac{\sum_{i=1}^n (x_i - \bar{x})(y_i - \bar{y})}{\sqrt{\sum_{i=1}^n (x_i - \bar{x})^2} \sqrt{\sum_{i=1}^n (y_i - \bar{y})^2}} = \frac{SS_{xy}}{\sqrt{SS_{xx} \cdot SS_{yy}}}\]

2.2.2 Propiedades Fundamentales de \(r\)

  1. Escala acotada: \(-1.0 \le r \le +1.0\).
    • \(r = +1.0\): Asociación lineal positiva perfecta.
    • \(r = -1.0\): Asociación lineal negativa perfecta.
    • \(r = 0.0\): Ausencia de correlación lineal (aunque podría existir una relación no lineal).
  2. Invarianza de escala: \(r\) es adimensional; no cambia si se multiplican los datos por una constante o si se modifican las unidades de medida (por ejemplo, medir el tiempo en minutos u horas, o la talla en metros o centímetros).
  3. Simetría: La correlación entre \(X\) e \(Y\) es idéntica a la correlación entre \(Y\) y \(X\): \(r_{xy} = r_{yx}\).
  4. Sensibilidad a valores atípicos: Un único punto extremo puede inflar o distorsionar drásticamente el valor de \(r\).
  5. No implica causalidad: Correlación no demuestra causalidad biológica ni direccionalidad etiológica.

2.3 Ejemplo Clínico 1: Estrés Percibido (PSS-10) y Calidad de Sueño (PSQI)

En el protocolo del Subgrupo 13, se investigó la relación entre el nivel de estrés psicológico (medido mediante la Escala de Estrés Percibido PSS-10, puntajes de 0 a 40) y la calidad subjetiva del sueño (evaluada mediante el Índice de Calidad de Sueño de Pittsburgh, PSQI, puntajes de 0 a 21, donde a mayor puntuación peor es la calidad de sueño) en una muestra depurada de \(n = 32\) estudiantes de medicina.

Los estadísticos descriptivos reportados fueron:

  • Variable predictora \(X\) (Estrés PSS-10): \(\bar{x} = 16.67\), \(s_x = 4.44\), varianza \(s_x^2 = 19.75\).
  • Variable desenlace \(Y\) (Calidad de sueño PSQI): \(\bar{y} = 7.03\), \(s_y = 2.27\), varianza \(s_y^2 = 5.14\).
  • Suma de productos cruzados: \(SS_{xy} = \sum (x_i - \bar{x})(y_i - \bar{y}) = 188.75\).
  • Suma de cuadrados de \(X\): \(SS_{xx} = (n - 1)s_x^2 = 31 \times 19.75 = 612.25\).
  • Suma de cuadrados de \(Y\): \(SS_{yy} = (n - 1)s_y^2 = 31 \times 5.14 = 159.34\).

Cálculo matemático manual de \(r\):

\[r = \frac{188.75}{\sqrt{612.25 \times 159.34}} = \frac{188.75}{\sqrt{97555.92}} = \frac{188.75}{312.34} = \mathbf{+0.604}\]

Interpretación clínica: Existe una correlación lineal positiva de magnitud moderada-fuerte (\(r = 0.604\)) entre el estrés percibido y el puntaje PSQI. Los estudiantes que experimentan mayores niveles de estrés académico tienden sistemáticamente a presentar un puntaje más alto en el PSQI (lo que denota una peor calidad del descanso nocturno).


2.4 Práctica Guiada 6.1

Con base en el informe del Subgrupo 6 sobre horas de sueño nocturno (\(X\)) y rendimiento académico medido por el CUM (\(Y\)) en \(n = 18\) estudiantes: * Horas de sueño: \(\bar{x} = 5.89\) horas, \(s_x = 1.31\) horas. * CUM acumulado: \(\bar{y} = 7.35\), \(s_y = 0.94\). * Se obtuvo un coeficiente de correlación \(r = -0.22\).

Pregunta: ¿Cómo se interpreta este coeficiente en términos de dirección y fuerza? ¿Demuestra que dormir más horas perjudica las calificaciones de los estudiantes?

Respuesta: Indica una asociación lineal negativa débil (\(r = -0.22\)). No demuestra causalidad; debido al tamaño muestral reducido (\(n = 18\)) y al diseño transversal, esta leve pendiente inversa puede reflejar confusión por terceras variables (e.g., estudiantes de ciclos superiores que duermen menos por turnos pero tienen mayor habilidad acumulada).


2.5 Uso de Aplicaciones Web: Art of Stat

Para explorar interactivamente la relación entre dos variables sin necesidad de escribir código, se utiliza la aplicación web Explore Linear Association de la plataforma Art of Stat:

  1. Ingrese a la plataforma Art of Stat Web Apps.
  2. Seleccione la aplicación Explore Linear Association.
  3. En la pestaña Enter Your Own Data, defina los nombres de las variables:
    • Variable X: Estres_PSS
    • Variable Y: PSQI_Sueno
  4. Pegue los pares de datos observados.
  5. Active las casillas:
    • Show Correlation: Muestra el valor exacto de \(r\).
    • Guess the correlation game: Permite entrenar el ojo clínico estimando \(r\) visualmente.
    • Add/Remove Outlier: Añada un punto extremo (e.g., \(X = 35, Y = 2\)) para observar cómo un valor atípico puede reducir drásticamente el valor de \(r\).

2.6 Código en RStudio / Posit Cloud: Diagrama de Dispersión y Correlación

# ==============================================================================
# Sección 1: Correlación de Pearson y Visualización con ggplot2
# ==============================================================================
library(tidyverse)

# Simulación de la base con las propiedades exactas del Subgrupo 13 (n = 32)
set.seed(2026)
n <- 32
estres_pss <- rnorm(n, mean = 16.67, sd = 4.44)
psqi_sueno <- 1.88 + 0.309 * estres_pss + rnorm(n, mean = 0, sd = 1.81)

datos_sueno <- tibble(
  Estres_PSS = round(pmax(pmin(estres_pss, 32), 4), 1),
  PSQI_Sueno = round(pmax(pmin(psqi_sueno, 21), 0), 1)
)

# 1. Gráfico de dispersión profesional en ggplot2
ggplot(datos_sueno, aes(x = Estres_PSS, y = PSQI_Sueno)) +
  geom_point(color = "#00539B", size = 3, alpha = 0.8) +
  theme_minimal(base_size = 13) +
  labs(
    title = "Figura 6.1: Dispersión entre Estrés Percibido y Calidad de Sueño",
    subtitle = "Muestra de estudiantes de Medicina (n = 32, UJMD 2026)",
    x = "Estrés Percibido (Escala PSS-10, puntos)",
    y = "Índice de Calidad de Sueño (PSQI, puntos)"
  )

# 2. Cálculo formal del Coeficiente de Correlación de Pearson
correlacion <- cor(datos_sueno$Estres_PSS, datos_sueno$PSQI_Sueno, method = "pearson")
cat("Coeficiente de correlación r =", round(correlacion, 3), "\n")

# 3. Test de significancia de la correlación (H0: rho = 0)
cor.test(datos_sueno$Estres_PSS, datos_sueno$PSQI_Sueno)

3 Estimación de la Recta de Regresión por Mínimos Cuadrados

3.1 El Modelo Lineal Simple Muestral

Cuando la inspección del diagrama de dispersión confirma una relación aproximadamente lineal, se ajusta una línea recta que resuma la tendencia global de los datos:

\[\hat{y} = b_0 + b_1 x\]

Donde:

  • \(\hat{y}\) (se lee “y con sombrero” o “y estimada”): Representa el valor promedio predicho de la variable dependiente para un valor particular de \(x\).
  • \(b_1\): Es la pendiente (slope) de la recta de regresión.
  • \(b_0\): Es el intercepto (y-intercept) de la recta con el eje vertical.

3.2 El Concepto de Residuo (\(e_i\))

Ninguna recta en ciencias biológicas pasa exactamente por todos los puntos observados. La discrepancia vertical entre el valor observado y el valor predicho por el modelo para el \(i\)-ésimo individuo es el residuo:

\[e_i = y_i - \hat{y}_i = \text{Observado} - \text{Predicho}\]

  • Si \(e_i > 0\): El punto real se sitúa por encima de la recta de regresión (el modelo subestima la respuesta del paciente).
  • Si \(e_i < 0\): El punto real se sitúa por debajo de la recta de regresión (el modelo sobreestima la respuesta).
  • Si \(e_i = 0\): La observación coincide de manera exacta con la recta.

3.3 El Criterio de Mínimos Cuadrados Ordinarios (OLS)

Para encontrar la “mejor” línea recta posible entre infinitas líneas rectas candidatas, el método estándar minimiza la suma de los residuos elevados al cuadrado (\(SS_{\text{res}}\) o Suma de Cuadrados Residual):

\[SS_{\text{res}} = \sum_{i=1}^n e_i^2 = \sum_{i=1}^n (y_i - \hat{y}_i)^2 = \sum_{i=1}^n [y_i - (b_0 + b_1 x_i)]^2\]

Al elevar al cuadrado, se evitan cancelaciones entre residuos positivos y negativos, y se penalizan con mayor severidad los errores de predicción grandes.

3.3.1 Fórmulas Matemáticas de los Parámetros Muestrales

Mediante optimización por cálculo diferencial (derivando respecto a \(b_0\) y \(b_1\) e igualando a cero), se demuestran las fórmulas de mínimos cuadrados:

3.3.1.1 Pendiente (\(b_1\)):

\[b_1 = r \cdot \frac{s_y}{s_x} = \frac{\sum_{i=1}^n (x_i - \bar{x})(y_i - \bar{y})}{\sum_{i=1}^n (x_i - \bar{x})^2} = \frac{SS_{xy}}{SS_{xx}}\]

3.3.1.2 Intercepto (\(b_0\)):

\[b_0 = \bar{y} - b_1 \bar{x}\]

NotePropiedad del Centroide

La recta de mínimos cuadrados pasa de forma obligatoria por el punto \((\bar{x}, \bar{y})\), correspondiente a la media de ambas variables.


3.4 Ejemplo Clínico 2: Cálculo Manual de la Recta para Estrés y Sueño

Utilizando los datos del Subgrupo 13 (\(\bar{x} = 16.67\), \(s_x = 4.44\), \(\bar{y} = 7.03\), \(s_y = 2.27\), \(r = 0.604\)):

3.4.1 Paso 1: Cálculo de la Pendiente (\(b_1\))

\[b_1 = r \left( \frac{s_y}{s_x} \right) = 0.604 \times \left( \frac{2.27}{4.44} \right) = 0.604 \times 0.5113 = \mathbf{+0.309}\]

3.4.2 Paso 2: Cálculo del Intercepto (\(b_0\))

\[b_0 = \bar{y} - b_1 \bar{x} = 7.03 - (0.3088 \times 16.67) = 7.03 - 5.148 = \mathbf{+1.882}\]

3.4.3 Ecuación de la Recta de Regresión Ajustada:

\[\widehat{\text{PSQI}} = 1.882 + 0.309 \times (\text{PSS-10})\]


3.5 Práctica Guiada 2

Si un estudiante de medicina presenta un puntaje de estrés de \(x = 22\) puntos en la escala PSS-10:

  1. ¿Cuál es su puntaje predicho en la escala de calidad de sueño PSQI?
  2. Si al aplicar la prueba real su puntaje de sueño resultó ser \(y = 11\), calcule el residuo correspondiente.

Solución: 1. \(\widehat{\text{PSQI}} = 1.882 + 0.309(22) = 1.882 + 6.798 = \mathbf{8.68 \text{ puntos}}\). 2. \(e = y - \hat{y} = 11 - 8.68 = \mathbf{+2.32 \text{ puntos}}\). El estudiante tiene una calidad de sueño 2.32 puntos peor que la predicha por el modelo.


4 Interpretación del Modelo Lineal y Evaluación de Supuestos

4.1 Interpretación de los Parámetros del Modelo

4.1.1 La Pendiente (\(b_1 = +0.309\))

Por cada punto adicional en la Escala de Estrés Percibido (PSS-10), se espera que el puntaje del Índice de Calidad de Sueño (PSQI) aumente en promedio 0.309 puntos en esta población estudiantil.

4.1.2 El Intercepto (\(b_0 = +1.882\))

Representa el valor estimado del puntaje PSQI cuando el nivel de estrés es exactamente cero (\(x = 0\)).
¿Tiene sentido clínico el intercepto?
En este caso, un puntaje de PSS-10 igual a 0 es teóricamente posible pero muy infrecuente en estudiantes de medicina en período de evaluaciones. Nos indica que, aun en ausencia total de estrés percibido, existe un puntaje basal de alteración del sueño de aproximadamente 1.88 puntos atribuible a factores circadianos u horarios de estudio.


4.2 El Peligro de la Extrapolación

La extrapolación consiste en aplicar la ecuación de regresión para estimar valores de \(Y\) fuera del rango de los datos observados de \(X\).

  • En la muestra del Subgrupo 13, el rango observado de estrés PSS-10 fue de \(8.0\) a \(28.0\) puntos.
  • Predecir el puntaje PSQI para un estudiante con un puntaje hipotético de \(x = 50\) (fuera del rango de la escala) o \(x = 2\) es estadísticamente inválido, ya que la linealidad no está verificada en esos extremos.

4.3 El Coeficiente de Determinación (\(R^2\))

El coeficiente de determinación mide la proporción de la variación total observada en la variable desenlace (\(Y\)) que es explicada o descrita por el modelo lineal ajustado con la variable predictora (\(X\)).

En la regresión lineal simple:

\[R^2 = (r)^2\]

Para nuestro ejemplo: \[R^2 = (0.604)^2 = \mathbf{0.365 \quad (36.5\%)}\]

Interpretación médica: El \(36.5\%\) de la variabilidad total en la calidad del sueño de los estudiantes de medicina es explicada por sus niveles de estrés percibido a través de esta recta de regresión. El restante \(63.5\%\) corresponde a varianza residual explicada por otros factores no medidos en el modelo (e.g., consumo de cafeína o bebidas energizantes, actividad física, uso de pantallas antes de dormir o turnos hospitalarios).


4.4 Evaluación de los Cuatro Supuestos del Modelo Lineal (LINE)

Para que la estimación y la inferencia estadística sean rigurosas, deben satisfacerse cuatro condiciones:

                  ┌────────────────────────────────────────────────────────┐
                  │          CONDICIONES DEL MODELO LINEAL (L-I-N-E)       │
                  └───────────────────────────┬────────────────────────────┘
         ┌───────────────────┬────────────────┴───────────────────┬───────────────────┐
         ▼                   ▼                                    ▼                   ▼
    Linealidad         Independencia                         Normalidad         Equi-varianza
 (Linear pattern)   (Independent errors)                 (Normality of res)  (Equal variance)
  ¿Relación recta?    Muestreo aleatorio;                  Histograma y Q-Q    Dispersión residual
 Scatterplot e_i vs ŷ  sin autocorrelación                 de e_i ~ N(0, σ²)   homogénea sin embudo
  1. L - Linealidad: La relación media entre \(X\) e \(Y\) debe ser lineal. Se verifica inspeccionando el diagrama de dispersión original y el gráfico de Residuos vs. Valores Ajustados (\(\hat{y}\)), el cual no debe mostrar curvaturas sistemáticas.
  2. I - Independencia de las observaciones: Las observaciones deben ser independientes entre sí. Se viola cuando existen datos longitudinales repetidos en el mismo sujeto o conglomerados no controlados.
  3. N - Normalidad de los residuos: Los errores poblacionales deben seguir una distribución normal con media cero: \(\varepsilon_i \sim N(0, \sigma^2)\). Se verifica mediante el gráfico de cuantiles normales (Q-Q plot) de los residuos y la prueba de Shapiro-Wilk.
  4. E - Equi-varianza / Homocedasticidad: La variabilidad de los residuos alrededor de la línea de regresión debe ser constante a lo largo de todo el rango de predicción. Se viola si el gráfico de residuos muestra un patrón en “embudo” o “trompeta” (heterocedasticidad).

4.5 Predictores Categóricos Binarios (Variables Indicadoras / Dummy)

El modelo de regresión lineal simple también puede aplicarse cuando el predictor \(X\) es una variable cualitativa dicotómica (dos niveles), codificada numéricamente como \(0\) y \(1\):

\[\hat{y} = b_0 + b_1 x_{\text{binaria}}\]

4.5.1 Ejemplo: Uso de Vapeador (\(0 = \text{No}\), \(1 = \text{Sí}\)) y Calidad de Sueño (PSQI)

Supóngase que en una muestra de estudiantes: \[\widehat{\text{PSQI}} = 6.20 + 1.85 \times (\text{Vapeador})\]

  • Para un estudiante no vapeador (\(x = 0\)):
    \(\widehat{\text{PSQI}} = 6.20 + 1.85(0) = \mathbf{6.20 \text{ puntos}}\) (corresponde exactamente a la media \(\bar{y}_0\)).
  • Para un estudiante vapeador (\(x = 1\)):
    \(\widehat{\text{PSQI}} = 6.20 + 1.85(1) = 6.20 + 1.85 = \mathbf{8.05 \text{ puntos}}\) (corresponde a la media \(\bar{y}_1\)).
  • La pendiente (\(b_1 = +1.85\)): Es exactamente igual a la diferencia de medias entre ambos grupos: \(\bar{y}_1 - \bar{y}_0 = 8.05 - 6.20 = 1.85\).
TipConexión Teórica

El modelo de regresión lineal simple con una variable predictora indicadora binaria (\(0/1\)) es matemáticamente equivalente a la prueba t de Student para dos muestras independientes con varianzas iguales.


5 Inferencia Estadística en Regresión

5.1 El Modelo Estadístico Poblacional

En el plano teórico poblacional, el modelo formal se expresa como:

\[Y = \beta_0 + \beta_1 X + \varepsilon\]

Donde \(\beta_0\) y \(\beta_1\) son los parámetros desconocidos de la población y \(\varepsilon\) es el término de error aleatorio, con \(\varepsilon \sim N(0, \sigma^2)\).

La varianza del error \(\sigma^2\) se estima a partir de los datos muestrales mediante la varianza residual (\(s_e^2\) o Cuadrado Medio Residual, \(MS_{\text{res}}\)):

\[s_e^2 = \frac{\sum_{i=1}^n e_i^2}{n - 2} = \frac{SS_{\text{res}}}{n - 2}\]

\[s_e = \sqrt{\frac{SS_{\text{res}}}{n - 2}} \quad \text{(Error estándar residual / Residual Standard Error)}\]

ImportantGrados de Libertad (\(df = n - 2\))

Se pierden dos grados de libertad porque se han estimado dos parámetros poblacionales previos: el intercepto (\(\beta_0\)) y la pendiente (\(\beta_1\)).


5.2 Prueba de Hipótesis para la Pendiente (\(\beta_1\))

En investigación biomédica, la pregunta central es: ¿existe una verdadera asociación lineal entre el predictor y el desenlace en la población?

  • Hipótesis Nula (\(H_0\)): \(\beta_1 = 0\) (No hay asociación lineal; la pendiente es nula y \(X\) no ayuda a predecir \(Y\)).
  • Hipótesis Alternativa (\(H_A\)): \(\beta_1 \neq 0\) (Existe una asociación lineal significativa).

5.2.1 El Error Estándar de la Pendiente (\(SE_{b_1}\))

Mide la variabilidad muestral que tendría la estimación de la pendiente \(b_1\) si se repitiese el estudio muchas veces:

\[SE_{b_1} = \frac{s_e}{\sqrt{\sum_{i=1}^n (x_i - \bar{x})^2}} = \frac{s_e}{s_x \sqrt{n - 1}}\]

5.2.2 El Estadístico de Prueba \(t\)

\[t = \frac{b_1 - 0}{SE_{b_1}}\]

Este estadístico sigue una distribución \(t\) de Student con \(df = n - 2\) grados de libertad bajo \(H_0\).


5.3 La Tabla Resumen de Regresión en RStudio

Al ejecutar la función summary(lm(Y ~ X)) en R, se obtiene la tabla estándar de coeficientes:

Coefficients:
            Estimate Std. Error t value Pr(>|t|)    
(Intercept)   1.8821     1.1462   1.642    0.111    
Estres_PSS    0.3088     0.0744   4.151 0.000251 ***
---
Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

Residual standard error: 1.838 on 30 degrees of freedom
Multiple R-squared:  0.3648,    Adjusted R-squared:  0.3436 
F-statistic: 17.23 on 1 and 30 DF,  p-value: 0.000251

5.3.1 Desglose de Resultados:

  1. Pendiente estimada: \(b_1 = 0.3088\).
  2. Error estándar: \(SE_{b_1} = 0.0744\).
  3. Estadístico \(t\) observado: \(t = \frac{0.3088}{0.0744} = \mathbf{4.151}\).
  4. Grados de libertad: \(df = 32 - 2 = \mathbf{30}\).
  5. Valor \(p\): \(p = 0.000251 \ll 0.001\).
  6. Decisión estadística: Dado que \(p < 0.05\), se rechaza la hipótesis nula (\(H_0\)). Existe evidencia estadística concluyente de que el nivel de estrés percibido se asocia de forma lineal positiva con un incremento en el puntaje de alteración del sueño (PSQI).

5.4 La Tabla ANOVA de Regresión

La variabilidad total se descompone aditivamente en:

\[SS_{\text{total}} = SS_{\text{reg}} + SS_{\text{res}}\]

\[\sum_{i=1}^n (y_i - \bar{y})^2 = \sum_{i=1}^n (\hat{y}_i - \bar{y})^2 + \sum_{i=1}^n (y_i - \hat{y}_i)^2\]

Fuente de Variación Suma de Cuadrados (\(SS\)) Grados de Libertad (\(df\)) Cuadrado Medio (\(MS\)) Estadístico \(F\) Valor \(p\)
Regresión (Modelo) \(SS_{\text{reg}} = 58.19\) \(1\) \(MS_{\text{reg}} = \frac{58.19}{1} = 58.19\) \(F = \frac{MS_{\text{reg}}}{MS_{\text{res}}} = \mathbf{17.23}\) \(0.00025\)
Residual (Error) \(SS_{\text{res}} = 101.35\) \(n - 2 = 30\) \(MS_{\text{res}} = \frac{101.35}{30} = 3.378\) — —
Total \(SS_{\text{total}} = 159.54\) \(n - 1 = 31\) — — —
Note

En regresión lineal simple con un solo predictor continuo, el estadístico \(F\) de la tabla ANOVA es exactamente igual al cuadrado del estadístico \(t\) de la pendiente:
\[F = t^2 = (4.151)^2 = 17.23\]


6 Estimaciones por Intervalo en Regresión

Existen tres niveles de inferencia mediante intervalos de confianza en regresión lineal:

6.1 Intervalo de Confianza para la Pendiente Poblacional (\(\beta_1\))

Cuantifica la incertidumbre sobre el verdadero cambio medio de \(Y\) por unidad de \(X\) en la población diana:

\[IC_{1-\alpha}(\beta_1) = b_1 \pm t^*_{n-2} \cdot SE_{b_1}\]

Para un nivel de confianza del \(95\%\) con \(df = 30\), el valor crítico de dos colas es \(t^*_{30} = 2.042\):

\[IC_{95\%}(\beta_1) = 0.3088 \pm (2.042 \times 0.0744) = 0.3088 \pm 0.1519 = [\mathbf{0.157}, \; \mathbf{0.461}]\]

Interpretación clínica: Con un \(95\%\) de confianza, por cada punto que aumenta el estrés percibido (PSS-10), el puntaje PSQI aumenta en promedio entre \(0.16\) y \(0.46\) puntos en los estudiantes de medicina. Como el intervalo no contiene al cero (\(0.0\)), se confirma la significancia estadística formal de la relación.


6.2 Intervalo de Confianza para la Media Condicional: \(E(Y \mid x^*)\)

Estima el promedio poblacional de la variable desenlace para todos los individuos que comparten un mismo valor predictor específico \(x^*\):

\[IC_{95\%}[E(Y \mid x^*)] = \hat{y}^* \pm t^*_{n-2} \cdot s_e \sqrt{\frac{1}{n} + \frac{(x^* - \bar{x})^2}{\sum (x_i - \bar{x})^2}}\]

  • Este intervalo es más estrecho cerca de la media \(\bar{x}\), formando una banda hiperbólica que se ensancha a medida que \(x^*\) se aleja del centroide.

6.3 Intervalo de Predicción para un Nuevo Individuo: \(Y_{\text{nuevo}} \mid x^*\)

Estima el valor de desenlace para un solo paciente individual futuro con valor predictor \(x^*\):

\[IP_{95\%}(Y_{\text{nuevo}} \mid x^*) = \hat{y}^* \pm t^*_{n-2} \cdot s_e \sqrt{\mathbf{1} + \frac{1}{n} + \frac{(x^* - \bar{x})^2}{\sum (x_i - \bar{x})^2}}\]

WarningDiferencia Clave entre IC de la Media e IP Individual

El término \(+1\) dentro del radical incorpora la variabilidad biológica intrínseca individual (\(\sigma\)). Por tanto, el Intervalo de Predicción individual siempre es sustancialmente más ancho que el intervalo de confianza para la media.


6.4 Aplicación en RStudio: Generación de Bandas de Confianza y Predicción

# ==============================================================================
# Sección 5: Ajuste del Modelo, Intervalos y Gráficos en R
# ==============================================================================

# Ajustar el modelo de regresión lineal simple
modelo_sueno <- lm(PSQI_Sueno ~ Estres_PSS, data = datos_sueno)

# 1. Intervalo de confianza al 95% para los coeficientes
confint(modelo_sueno, level = 0.95)

# 2. Generar predicciones para un nuevo estudiante con estrés x = 20
nuevo_estudiante <- data.frame(Estres_PSS = 20)

# Intervalo de Confianza para la Media (E(Y|x=20))
predict(modelo_sueno, newdata = nuevo_estudiante, interval = "confidence", level = 0.95)

# Intervalo de Predicción para un Individuo (Y_nuevo|x=20)
predict(modelo_sueno, newdata = nuevo_estudiante, interval = "prediction", level = 0.95)

# 3. Gráfico con banda de confianza y banda de predicción
predicciones <- predict(modelo_sueno, interval = "prediction")
datos_grafico <- cbind(datos_sueno, predicciones)

ggplot(datos_grafico, aes(x = Estres_PSS, y = PSQI_Sueno)) +
  geom_point(color = "#00539B", size = 2.5) +
  geom_line(aes(y = fit), color = "#C92A2A", linewidth = 1) +
  geom_ribbon(aes(ymin = lwr, ymax = upr), fill = "#C92A2A", alpha = 0.15) +
  geom_smooth(method = "lm", color = NA, fill = "#00539B", alpha = 0.3) +
  theme_minimal(base_size = 13) +
  labs(
    title = "Figura 6.2: Recta de Regresión con Bandas de Confianza (azul) y Predicción (rojo)",
    x = "Estrés Percibido (PSS-10)",
    y = "Calidad de Sueño (PSQI)"
  )

7 Diagnóstico del Modelo y Consideraciones Prácticas

7.1 Puntos de Alto Apalancamiento (Leverage) y Puntos Influyentes

  • Punto de Alto Apalancamiento (High Leverage): Una observación cuyo valor predictor \(x_i\) está muy alejado de la media \(\bar{x}\). Tiene el potencial de cambiar drásticamente la pendiente de la recta.
  • Valor Atípico (Outlier): Una observación que tiene un residuo \(e_i\) grande en valor absoluto (el punto se encuentra muy alejado de la recta ajustada).
  • Punto Influyente (Influential Point): Un punto que reúne alto apalancamiento y gran residuo, ejerciendo una influencia desmedida en la estimación de los coeficientes. Se cuantifica típicamente mediante la Distancia de Cook (\(D_i\)). Si \(D_i > 0.5\) (o \(> 4/n\)), el punto debe ser auditado clínicamente.
# Gráficos diagnósticos estándar de R
par(mfrow = c(2, 2))
plot(modelo_sueno)
par(mfrow = c(1, 1))

7.2 Transformación de Variables ante Incumplimiento de Supuestos

Cuando la relación no es lineal o existe marcada heterocedasticidad (varianzas crecientes), una práctica estándar en biometría es aplicar la transformación logarítmica:

\[\ln(Y) = b_0 + b_1 X \quad \text{o} \quad \ln(Y) = b_0 + b_1 \ln(X)\]


8 Ejercicios Prácticos Contextualizados (Datos de Informes Estudiantiles)

Los siguientes ejercicios han sido diseñados a partir de los datos empíricos de los informes de investigación estudiantil de la cohorte UJMD 2026:


8.0.1 Ejercicio 1: Duración del Sueño y Rendimiento Académico (Informe Subgrupo 6)

En el estudio sobre horas de sueño y rendimiento académico (\(n = 18\)), se obtuvieron los siguientes estadísticos: * Horas de sueño (\(X\)): media \(\bar{x} = 5.89\) horas, desviación estándar \(s_x = 1.31\) horas. * CUM acumulado (\(Y\)): media \(\bar{y} = 7.35\), desviación estándar \(s_y = 0.94\). * Coeficiente de correlación de Pearson: \(r = -0.224\).

  1. Calcule la pendiente (\(b_1\)) y el intercepto (\(b_0\)) de la recta de regresión de mínimos cuadrados. Escriba la ecuación ajustada.
  2. Interprete la pendiente en el contexto del rendimiento estudiantil.
  3. Estime el CUM predicho para un estudiante que duerme 7.0 horas por noche.
  4. Si un estudiante que duerme 7.0 horas tiene un CUM real de 8.20, calcule el residuo. ¿El modelo sobreestimó o subestimó su desempeño?
  5. Calcule el coeficiente de determinación (\(R^2\)) e interprételo en términos de porcentaje de varianza explicada.

8.0.2 Ejercicio 2: Estrés DASS-21 y Rendimiento Académico (Informe Subgrupo 9)

En el informe del Subgrupo 9 se evaluó el estrés académico mediante DASS-21 (\(X\)) y el CUM (\(Y\)) en \(n = 31\) estudiantes de medicina. La suma de cuadrados residual del modelo ajustado fue \(SS_{\text{res}} = 24.80\) y la suma de cuadrados de la variable predictora fue \(SS_{xx} = 450.2\). La pendiente estimada fue \(b_1 = -0.045\).

  1. Calcule el error estándar residual (\(s_e\)) considerando los grados de libertad apropiados.
  2. Calcule el error estándar de la pendiente (\(SE_{b_1}\)).
  3. Plantee las hipótesis nula y alternativa para evaluar si existe asociación entre el estrés y el CUM.
  4. Calcule el estadístico de prueba \(t\) observado y determine los grados de libertad.
  5. Sabiendo que el valor \(p\) obtenido fue \(p = 0.113\), tome una decisión estadística formal con \(\alpha = 0.05\) y redacte la conclusión médica correspondiente.

8.0.3 Ejercicio 3: Tiempo en Redes Sociales Nocturnas y Latencia de Sueño (Informe Subgrupo 1 y 12)

Un subgrupo analizó el tiempo en minutos dedicado a pantallas y redes sociales antes de dormir (\(X\)) y los minutos que tarda el estudiante en quedarse dormido (latencia de sueño, \(Y\)) en \(n = 30\) participantes. La ecuación de regresión obtenida fue: \[\widehat{\text{Latencia}} = 8.50 + 0.28 \times (\text{Minutos Pantalla})\] con \(SE_{b_1} = 0.065\) y \(s_e = 6.4\) minutos.

  1. Interprete el valor del intercepto (\(8.50\)) y de la pendiente (\(0.28\)).
  2. Construya un intervalo de confianza del \(95\%\) para la pendiente poblacional \(\beta_1\) utilizando \(t^*_{28} = 2.048\).
  3. ¿Permite el intervalo de confianza descartar la hipótesis de que el uso de pantallas no influye en la latencia del sueño? Justifique su respuesta.
  4. Para un estudiante que utiliza el celular 60 minutos antes de dormir, compare el ancho del intervalo de confianza para la latencia media frente al intervalo de predicción individual.

8.0.4 Ejercicio 4: Nivel de Actividad Física y Presión Arterial Sistólica (Informe Subgrupo 3)

En el estudio de hipertensión en medicina (\(n = 36\)), se consideró la variable continua de actividad física (METs-minuto/semana, \(X\)) y la presión arterial sistólica en mmHg (\(Y\)). Se determinó que \(\bar{x} = 1450\) METs, \(s_x = 420\), \(\bar{y} = 124.5\) mmHg, \(s_y = 11.2\) mmHg y \(r = -0.340\).

  1. Obtenga la ecuación de la recta de regresión lineal.
  2. ¿Qué cambio en la presión arterial sistólica se espera por cada incremento de 500 METs-minuto/semana de ejercicio físico?
  3. Evalúe si la recta puede emplearse para predecir la presión arterial de un estudiante sedentario con \(0\) METs de actividad.

8.0.5 Ejercicio 5: Laboratorio Computacional en RStudio

Abra Posit Cloud y utilice el script base del capítulo para: 1. Graficar el diagrama de dispersión con ggplot2 agregando la recta de regresión con geom_smooth(method = "lm"). 2. Ejecutar summary(lm(Y ~ X)) y ubicar en la salida: los estimadores puntuales, los errores estándar, el estadístico \(t\), el valor \(p\), \(R^2\) y el error estándar residual \(s_e\). 3. Generar los cuatro gráficos de diagnóstico con plot(modelo) y redactar un párrafo evaluando si se cumplen los supuestos de linealidad, homocedasticidad y normalidad de residuos.


8.1 Solucionario Breve de Ejercicios Seleccionados

  • Ejercicio 1:
    1. \(b_1 = -0.224 \times (0.94 / 1.31) = -0.161\).
      \(b_0 = 7.35 - (-0.161 \times 5.89) = 7.35 + 0.948 = 8.298\).
      Ecuación: \(\widehat{\text{CUM}} = 8.30 - 0.161 \times (\text{Sueño})\).
    2. Por cada hora adicional de sueño, el CUM disminuye en promedio \(0.161\) puntos.
    3. Para \(x = 7.0\): \(\widehat{\text{CUM}} = 8.30 - 0.161(7.0) = 8.30 - 1.127 = \mathbf{7.17}\).
    4. Residuo: \(e = 8.20 - 7.17 = \mathbf{+1.03}\). El modelo subestimó el rendimiento real del alumno en 1.03 puntos de CUM.
    5. \(R^2 = (-0.224)^2 = 0.050 \implies 5.0\%\). Solo el \(5\%\) de la variabilidad del CUM es explicada por las horas de sueño; el \(95\%\) restante depende de hábitos de estudio, asistencia, métodos de aprendizaje, etc.
  • Ejercicio 2:
    1. \(s_e = \sqrt{24.80 / (31 - 2)} = \sqrt{24.80 / 29} = \sqrt{0.855} = \mathbf{0.925}\).
    2. \(SE_{b_1} = 0.925 / \sqrt{450.2} = 0.925 / 21.218 = \mathbf{0.0436}\).
    3. \(H_0: \beta_1 = 0\) vs. \(H_A: \beta_1 \neq 0\).
    4. \(t = -0.045 / 0.0436 = \mathbf{-1.032}\) con \(df = 29\).
    5. Como \(p = 0.113 > 0.05\), no se rechaza \(H_0\). No hay evidencia suficiente de asociación lineal entre el puntaje de estrés DASS-21 y el CUM en esta muestra.

9 Referencias del Capítulo

  1. Diez, D., Barr, C., & Çetinkaya-Rundel, M. (2019). Introductory Statistics for the Life and Biomedical Sciences. OpenIntro.
  2. Informes de Protocolos de Investigación Estudiantil (Subgrupos 1, 3, 6, 7, 9, 12, 13 y 15). Cátedra de Bioestadística y Métodos de Investigación en Salud, Universidad Dr. José Matías Delgado (2026).