Haciendo el análisis de correlación con las variables Antigüedad y PV 

Ho: ρ=0 Ha: ρ ≠0

n=14

r=-0.3605 │r│=0.3605

Valor crítico de Pearson (VCR) = 0.532

Comparando │r│=0.3605 < VCR= 0.532

Conclusión: La correlación No es significativa

Haciendo el análisis de correlación con las variables X y Y de la hoja H2 

Ho: ρ=0 Ha: ρ ≠0

n= 9

r= -0.9538 │r│=0.9538 > VCP=0.666  Se rechaza Ho, es decir,

Conclusión: La correlación entre las variables X y Y si es significativa

El Modelo de Regresión Lineal Simple

Y = β0 + β 1∗X +ε  Ec. de la recta poblacional

Y :Variable dependiente (Variable explicada)

X :Variable independiente (Variable que explica)
β 0 : La constante o interseccion (Ordenada alorigen )

β 1 : Pendiente

ε : Error aleatorio ( error estocástico )

Objetivos de un análisis de regresión:

1) Analizar el tipo de relación entre las variables X y Y

2) El determinar un modelo matemático que nos permita hacer pronósticos de Y

Estimación de la recta de ajuste

1) Analizar gráficamente si la relación entre las variables X y Y es lineal (Diagrama de Dispersión)

2) Calcular r y verificar si es significativa
 ^ =a+b∗X  Ec. de la recta de la muestra
3) Si r es significativa entonces estimar la ec. de la recta Y
4) Calcular el Coeficiente de Determinación ( R2): El coeficiente de determinación nos indica el porcentaje
de las variaciones de la variable dependiente (Y) que es explicado por nuestro modelo lineal. Es una
medida de calidad de ajuste.
En el caso de la regresión lineal SIMPLE, R2= ( r )2

5) Interpretar el coeficiente de X, es decir, interpretar el valor de b. El valor b nos indica el impacto de la

variable X sobre Y, y se interpreta de la siguiente manera: “Por cada unidad de incremento en la variable
X, Y aumenta o disminuye en b unidades”

6) Utilizar el modelo para hacer predicciones de la variable Y. Nota importante: El modelo de regresión
lineal simple nos permite hacer interpolaciones; No podemos hacer extrapolaciones, es decir, los
valores de X que podemos usar en la ec. estimada deben cumplir con:

X mín < X < X máx

Ejemplo: Datos JWR H2

Paso 1) Analizar gráficamente si la relación entre las variables X y Y es lineal (Diagrama de Dispersión)

Y
60

50

40

30

20

10

0
5 10 15 20 25 30 35

Observamos que la relación es lineal, ya que los datos (puntos) se ajustan a una línea recta

Paso 2) Calcular r y verificar si es significativa

n= 9
-
r= 0.95380816
│r│= 0.95380816 > VCP= 0.666
Por lo tanto, la correlación lineal entre X y Y es
Significativa
 ^ =a+b∗X
Paso 3) Si r es significativa entonces estimar la ec. de la recta Y

Y^ =63.64−0.88∗X

Paso 4) Calcular el Coeficiente de Determinación: R2=r 2=0.95382=0.9097=90.97 %

Nuestro modelo lineal explica un 90.97% de las variaciones observadas en la variable Y.

El porcentaje NO explicado sería: 9.03%

Paso 5) Interpretar el coeficiente de X,

“Por cada unidad de incremento en la variable X, Y disminuye en 0.88 unidades”

Paso 6) Utilizar el modelo para hacer predicciones de la variable Y

X mín=10 , X máx=33
^ =63.64−0.88∗20=46.04
Si X= 20  Y
^ =63.64−0.88∗30=37.24
Si X= 30  Y
^ =63.64−0.88∗X=?  No se puede usar la ec. ya que estaríamos extrapolando!!!
Si X= 40  Y