TIMELINE PASO A PASO
20XX
20XX
20XX
La variable dependiente (Y) y la variable independiente (X) mantienen una relación de causa y efecto o de predicción. La variable (Y) es el resultado que deseas predecir, mientras que la variable (X) es el factor que influye o explica los cambios en (Y)
La correlación se utiliza para determinar si existe una relación entre dos variables y qué tan fuerte es esa relación. Además, indica la dirección de la relación, es decir, si las variables aumentan o disminuyen juntas.
La correlación se mide mediante el coeficiente de correlación (r), cuyo valor puede variar entre -1 y 1:
La regresión es una técnica estadística que permite construir un modelo matemático para describir la relación entre variables y realizar predicciones.
Paso 4
Paso 3
Paso 2
Paso 1
Positiva
l coeficiente de correlación mide la intensidad y dirección de la relación lineal entre dos variables.
El coeficiente más utilizado es el Coeficiente de Correlación de Pearson (r).
¿Para qué sirve?
• Determina si dos variables están relacionadas.
• Indica qué tan fuerte es esa relación.
• Ayuda a predecir comportamientos futuros.
• Permite evaluar si una regresión lineal es adecuada.
La regresión lineal es un método estadístico que busca representar la relación entre dos variables mediante una línea recta.
Su objetivo principal es predecir el valor de una variable dependiente a partir de una variable independiente.
Significado de los elementos
y: valor estimado o predicción.
x: variable independiente.
a: intercepto u origen de la recta.
b: pendiente de la recta.
Paso 1
Interpretación
b > 0 → relación positiva. Cuando X aumenta, Y también aumenta.
b < 0 → relación negativa. Cuando X aumenta, Y disminuye.
b = 0 → no existe una relación lineal entre las variables.
La pendiente, representada por la letra b, es un valor que indica cuánto cambia la variable Y cuando la variable X aumenta una unidad.
En una regresión lineal, la pendiente nos ayuda a entender la relación entre dos variables y nos muestra la dirección y la intensidad del cambio.
Imagina que:
X = horas de estudio
Y = calificación
Si la pendiente es:
b=2b
significa que por cada hora adicional que estudies, tu calificación aumentará aproximadamente 2 puntos.
¿Por qué es importante?
La pendiente nos permite conocer el efecto que tiene una variable sobre otra. Gracias a ella podemos hacer predicciones y entender cómo se comportan los datos.
20XX
20XX
El coeficiente de determinación (R²) indica qué tan bien la recta de regresión representa los datos observados, nos dice qué porcentaje de los cambios que ocurren en la variable Y pueden explicarse por la variable X.
Su valor siempre está entre 0 y 1, o entre 0% y 100%.
Fórmula
Ejemplo práctico
Supongamos que:
X = horas de estudio.
Y = calificación obtenida.
Si obtenemos un R² = 0.81, significa que el 81% de las diferencias en las calificaciones se explican por las horas de estudio.
Sin embargo, existe un 19% que puede depender de otros factores como:
La dificultad del examen.
El nivel de concentración.
El cansancio.
La experiencia previa del estudiante.
Interpretación
R² cercano a 1 (100%): el modelo explica muy bien los datos.
R² cercano a 0: el modelo explica muy poco los datos.
Mientras más grande sea R², mayor será la confianza que podemos tener en las predicciones realizadas con la recta de regresión.
donde:
r = coeficiente de correlación
donde:
r = coeficiente de correlación
TIMELINE PASO A PASO
Hernandez Perez Hector
Created on June 22, 2026
Start designing with a free template
Discover more than 1500 professional designs like these:
View
Timeline Lines Mobile
View
Major Religions Timeline
View
Timeline Flipcard
View
Timeline video
View
Images Timeline Mobile
View
Sport Vibrant Timeline
View
Decades Infographic
Explore all templates
Transcript
TIMELINE PASO A PASO
20XX
20XX
20XX
La variable dependiente (Y) y la variable independiente (X) mantienen una relación de causa y efecto o de predicción. La variable (Y) es el resultado que deseas predecir, mientras que la variable (X) es el factor que influye o explica los cambios en (Y)
La correlación se utiliza para determinar si existe una relación entre dos variables y qué tan fuerte es esa relación. Además, indica la dirección de la relación, es decir, si las variables aumentan o disminuyen juntas.
La correlación se mide mediante el coeficiente de correlación (r), cuyo valor puede variar entre -1 y 1:
La regresión es una técnica estadística que permite construir un modelo matemático para describir la relación entre variables y realizar predicciones.
Paso 4
Paso 3
Paso 2
Paso 1
Positiva
l coeficiente de correlación mide la intensidad y dirección de la relación lineal entre dos variables. El coeficiente más utilizado es el Coeficiente de Correlación de Pearson (r). ¿Para qué sirve? • Determina si dos variables están relacionadas. • Indica qué tan fuerte es esa relación. • Ayuda a predecir comportamientos futuros. • Permite evaluar si una regresión lineal es adecuada.
La regresión lineal es un método estadístico que busca representar la relación entre dos variables mediante una línea recta. Su objetivo principal es predecir el valor de una variable dependiente a partir de una variable independiente.
Significado de los elementos y: valor estimado o predicción. x: variable independiente. a: intercepto u origen de la recta. b: pendiente de la recta.
Paso 1
Interpretación b > 0 → relación positiva. Cuando X aumenta, Y también aumenta. b < 0 → relación negativa. Cuando X aumenta, Y disminuye. b = 0 → no existe una relación lineal entre las variables.
La pendiente, representada por la letra b, es un valor que indica cuánto cambia la variable Y cuando la variable X aumenta una unidad. En una regresión lineal, la pendiente nos ayuda a entender la relación entre dos variables y nos muestra la dirección y la intensidad del cambio. Imagina que: X = horas de estudio Y = calificación
Si la pendiente es: b=2b significa que por cada hora adicional que estudies, tu calificación aumentará aproximadamente 2 puntos. ¿Por qué es importante? La pendiente nos permite conocer el efecto que tiene una variable sobre otra. Gracias a ella podemos hacer predicciones y entender cómo se comportan los datos.
20XX
20XX
El coeficiente de determinación (R²) indica qué tan bien la recta de regresión representa los datos observados, nos dice qué porcentaje de los cambios que ocurren en la variable Y pueden explicarse por la variable X. Su valor siempre está entre 0 y 1, o entre 0% y 100%. Fórmula
Ejemplo práctico Supongamos que: X = horas de estudio. Y = calificación obtenida. Si obtenemos un R² = 0.81, significa que el 81% de las diferencias en las calificaciones se explican por las horas de estudio. Sin embargo, existe un 19% que puede depender de otros factores como: La dificultad del examen. El nivel de concentración. El cansancio. La experiencia previa del estudiante.
Interpretación R² cercano a 1 (100%): el modelo explica muy bien los datos. R² cercano a 0: el modelo explica muy poco los datos. Mientras más grande sea R², mayor será la confianza que podemos tener en las predicciones realizadas con la recta de regresión.
donde: r = coeficiente de correlación
donde: r = coeficiente de correlación