INSTITUTO UNIVERSITARIO DE TECNOLOGIA

“JUAN PABLO PEREZ ALFONZO”

IUTEPAL
EXTENSION SAN CRISTOBAL

CORRELACIÓN

Integrantes:
Jhorgelys Carreño
CI: 32.155.623
Dayani Vecino
CI: 31.714.546
Dalmery Flórez
CI: 26.622.034
Sección: 1342
Septiembre de 2024

1
 INDICE

Introducción…………………………………………………………………………..……3
Definición de correlación……………………………………………………………..…..4
Variables y estadística………………………………………………………………...….4
Origen del nombre de correlación …………………………………………………..….4
Desarrollo de la teoría ………………………………………………………………..….5
Clasificación………………………………………………………………………….….5-6
Conceptos básicos…………………………………………………………………...…6-8
Autor del tema……………………………………………………………………..…….8-9
Características……………………………………………………………………..…10-11
Teorías……………………………………………………………………………...…12-13
Escenarios de aplicación………………………………………………………….…13-14
Tablas estadísticas en uso ……………………………………………………….…14-17
Ejemplos de correlación………………………………………………………….….18-21
Aporte del estudiante ………………………………………………………………..…..22
Anexos…………………………………………………………………………….…..23-24
Conclusión………………………………………………………………………….…25-27
Bibliografías…………………………………………………………………………….28

2
 INTRODUCCION

La correlación es un concepto fundamental en la estadística ya que nos permite

analizar y cuantificar la relación entre dos o más variables. Este tipo de análisis es
importante en finanzas y economía, ciencias sociales, marketing y publicidad y
esencialmente en la educación, teniendo como papel identificar patrones y
conexiones que pueden influir en el comportamiento humano y en fenómenos
naturales.
Este trabajo se centra en el análisis de correlación, destacando su importancia, los
métodos utilizados para calcular los coeficientes de correlación y las ampliaciones
de los hallazgos obtenidos. A lo largo de este estudio donde se dieron a conocer las
teorías juntos con los investigadores encontraron los tipos de correlación tales como
el coeficiente de correlación de Pearson, Spearman y Kendall.
Asimismo se discutirá la interpretación de los resultados y la significación de
estadística de los mismos, teniendo principalmente como objetivo proporcionar un
marco claro y comprensible sobre la correlación, y así mismo mostrando como esta
herramienta puede ser aplicada para gestionar y analizar datos de manera efectiva.
A medida que se avanza en el estudio se espera que lectores adquieran
comprensión profunda en cómo se pueden utilizar estas variables para tomar
decisiones informas en el campo donde se encuentran.
Finalmente con este trabajo no queremos solo lograr información sino también
inspirar a futuros investigadores a profundizar en el análisis de la correlación.

3
 DEFINICIÓN DE CORRELACIÓN

En probabilidad y estadística, la correlación indica la fuerza y la dirección de

una relación lineal y la proporcionalidad entre dos variables estadísticas. Se considera que
dos variables cuantitativas están correlacionadas cuando los valores de una de ellas varían
sistemáticamente con respecto a los valores homónimos de la otra: si tenemos dos
variables (A y B) existe correlación entre ellas si al disminuir los valores de A lo hacen
también los de B y viceversa. La correlación entre dos variables no implica, por sí misma,
ninguna relación de causalidad. Las correlaciones son útiles porque pueden indicar una
relación predictiva que puede explotarse en la práctica. Por ejemplo, una compañía eléctrica
puede producir menos electricidad en un día templado basándose en la correlación entre la
demanda de electricidad y el tiempo. En este ejemplo, existe una relación causal, porque
el tiempo extremo hace que la gente utilice más electricidad para calefacción o
refrigeración.

VARIABLES Y ESTADISTICA
La correlación entre variables es una de las estrategias más eficaces para analizar
datos de una investigación. De este modo, si una variable cambia (aumenta o desciende,
en función de cómo pueda medirse) y otra variable también cambia junto con ella, ambas
están correlacionadas. Gracias a este vínculo entre dos o más variables, podemos
determinar los siguientes factores:

• Si ambas aumentan, o no, o si, mientras una aumenta, la otra decrece.

• En qué nivel o proporción cambia una de ellas cuando la otra también se modifica.
• Qué consecuencias puede tener a futuro esta correlación, o que principios generales
pueden extraerse a partir de este comportamiento de dos fenómenos distintos.
El análisis de la información a través de la correlación de variables es la que permite
comenzar a obtener los primeros resultados durante una investigación. El comportamiento
de estos dos fenómenos interrelacionados puede permitir comprender, con mayor
profundidad, qué ocurre con otros fenómenos relacionados.

ORIGEN DEL NOMBRE CORRELACIÓN

El término correlación tiene su raíz en la estadística y la matemática. La idea de la

correlación se remonta al siglo XIX, cuando estadísticos como Pearson y Galton
desarrollaron métodos para medir la relación entre variables. Galton utilizó el término para
describir la relación entre características heredadas en los seres humanos y otros
fenómenos, como la altura de los padres en relación con la altura de los hijos.

4
 DESARROLLO DE LA TEORIA
- El concepto fue posteriormente desarrollado y formalizado por el estadístico *Karl
Pearson, quien introdujo el coeficiente de correlación de Pearson en 1896. Esta medida
cuantifica la relación lineal entre dos variables numéricas.
- El coeficiente de correlación de Pearson se calcula tomando en cuenta las
desviaciones de cada variable respecto a su media, y se expresa generalmente en un rango
de -1 a +1, donde:
- +1 indica una correlación positiva perfecta.
- -1 indica una correlación negativa perfecta.
- 0 indica que no hay correlación.

CLASIFICACIÓN

La fórmula del coeficiente de correlación poblacional es esencial para calcular la fuerza

y dirección de las relaciones lineales entre variables en el análisis estadístico. El valor del
coeficiente de correlación lineal, también conocido como el coeficiente de correlación de
muestra, mide la fuerza y dirección de la relación entre dos variables en un conjunto de
datos. Existen varios tipos de coeficientes de correlación comúnmente utilizados para
cuantificar la relación entre variables:

Correlación positiva: Una correlación positiva perfecta ocurre cuando los valores de
dos variables aumentan o disminuyen juntos. En otras palabras, a medida que una variable
aumenta, la otra variable también tiende a aumentar, y viceversa. Esto está representado
por un coeficiente de correlación (como el r de Pearson) mayor que 0.
Ejemplo: Considera un estudio que examine la relación entre las horas de estudio y las
calificaciones en exámenes. Si hay una correlación positiva entre estas variables, los
estudiantes que estudian más tienden a obtener calificaciones más altas, y aquellos que
estudian menos tienden a obtener calificaciones más bajas.
Por ejemplo, al recopilar datos de un grupo de estudiantes y encontrar un coeficiente
de correlación de Pearson de +0.70 entre las horas de estudio y las calificaciones en
exámenes, sugiere una relación positiva fuerte. Esto significa que las calificaciones en los
exámenes también tienden a aumentar a medida que aumentan las horas de estudio.

Correlación negativa: Una correlación negativa perfecta ocurre cuando una variable
aumenta mientras la otra disminuye, o viceversa. En otras palabras, a medida que una

5
variable aumenta, la otra tiende a disminuir, y viceversa. Esto está representado por un
coeficiente de correlación (como el r de Pearson) que es menor que 0.
Ejemplo: Considera la relación entre la temperatura exterior y las ventas de chocolate
caliente. En este escenario, a medida que aumenta la temperatura exterior, las ventas de
chocolate caliente tienden a disminuir. Por el contrario, a medida que disminuye la
temperatura exterior, las ventas de chocolate caliente tienden a aumentar. Recopilar datos
y encontrar un coeficiente de correlación de Pearson de -0.60 entre la temperatura exterior
y las ventas de chocolate caliente indica una correlación negativa moderada. Esto significa
que a medida que aumenta la temperatura exterior, las ventas de chocolate caliente tienden
a disminuir.

Correlación nula: La correlación nula ocurre cuando no hay relación entre dos
variables. En este caso, los cambios en una variable no están asociados con cambios en la
otra. Esto está representado por un coeficiente de correlación (como el r de Pearson)
cercano a 0.
Ejemplo: Considera la relación entre el tamaño del zapato y los puntajes de
coeficiente intelectual (CI). Probablemente no haya una relación significativa entre estas
dos variables; tener un tamaño de zapato más grande o más pequeño no indica un
coeficiente intelectual más alto o más bajo.
Si recopilamos datos y encontramos un coeficiente de correlación de Pearson cercano
a 0 (por ejemplo, 0.05), sugiere que no hay una correlación significativa entre el tamaño del
zapato y los puntajes de CI. Conocer el tamaño del zapato de alguien no proporciona
información significativa sobre su nivel de inteligencia.

CONCEPTOS BASICOS

Una de las pruebas estadísticas que pueden aplicar son los análisis de correlación, los
cuales les permitirán tomar decisiones más informadas. La correlación consiste en una
clase de asociación entre dos variables numéricas. Esta evalúa la tendencia creciente o
decreciente en los datos. Se considera que dos variables están asociadas cuando una
proporciona información sobre la otra. Si no hay asociación, el incremento o disminución de
una variable no afectará al comportamiento de la otra.

¿Qué es el análisis de correlación?

Esta técnica estadística sirve para entender si existe una relación entre dos o más
variables, ayudando a determinar si una variable se mueve en función de la otra. Si hay
algún tipo de correlación, ambas variables se alterarán juntas durante un periodo de tiempo.

6
 Análisis de correlación positiva: Se presenta cuando el aumento de cualquiera de las
dos variables, hace que la otra también crezca. Esto implica que existe una correlación
positiva entre ellas.
Análisis de correlación negativa: Aparece cuando el aumento de cualquiera de las
variables causa que la otra disminuya. Esto supone que hay una correlación negativa entre
ellas.
Es importante distinguir entre análisis de regresión y correlación. Mientras que la
correlación determina qué tan relacionadas están dos variables, la regresión genera un
modelo que, apoyándose en esa relación, permite predecir el valor de una variable a partir
de la otra.

¿Cómo se mide el análisis de correlación?

Antes de realizar un análisis de correlación, es fundamental tener un conjunto de datos
bien definido. Estos datos pueden ser cuantitativos (números) o categorías (en el caso de
correlación son las variables del rango)
Para determinar si existe una correlación es necesario obtener el coeficiente de
correlación “r”, que mide la fuerza, dirección y extensión existente entre dos variables. Este
oscila entre -1 y 1:
Si el resultado es cercano a 1, existe una correlación positiva fuerte entre las variables.
Si el resultado es cercano a -1, existe una correlación negativa fuerte entre las variables.
Si el coeficiente es cercano a 0, no hay correlación entre las variables analizadas.
Existen distintos métodos para realizar un análisis de correlación; algunos de los más
comunes son:

Diagrama de dispersión
Antes de evaluar la correlación por otros medios es recomendable examinar primero su
diagrama de dispersión, ya que este proporcionará una primera idea acerca de si existe
correlación o no. Esta clase de gráfica presentará dos variables a lo largo de sus ejes: X y
y, de las cuales una será la variable dependiente y la otra la variable independiente.

Coeficiente de correlación de Pearson (r)

Indica el grado en el que dos variables de escala métrica están relacionadas
linealmente. Es adecuado para variables métricas que también incluyen variables
dicotómicas. En este caso, el coeficiente de correlación puede tomar valores entre -1 y +1.

7
 Coeficiente de Spearman (p o rs)
Similar al anterior, esta versión se emplea para determinar la fuerza y dirección de la
relación o asociación existente entre las variables.

Coeficiente de Kendall(t)
Mide la relación ordinal entre dos variables. Este coeficiente varía entre -1 y 1. El
resultado 1 indica una relación perfectamente positiva, el -1 muestra una relación
perfectamente negativa y el 0 implica que no hay relación.

Método de los mínimos cuadráticos

Se recurre a este cálculo para establecer el grado de correlación existente entre dos
variables por medio de la raíz cuadrada del producto de dos coeficientes de regresión, el
de X en Y o el de Y en X.

AUTOR DEL TEMA

Lambert Adolphe Jacques Quetelet (22 de febrero de 1796 – Bruselas, 17 de febrero

de 1874) fue un astrónomo y naturalista belga, también matemático, sociólogo y estadístico.
Fundó y dirigió el Real Observatorio de Bélgica. Influyó, y también fue criticado, por la
aplicación de los métodos estadísticos a las ciencias sociales.
Primeros años Conoció en su juventud al angloirlandés James Butler, lord Caker, para
quien trabajó como secretario, acompañándolo en sus viajes por varios países de Europa
continental. Tras la muerte de lord Caker, se mudó a Gante, donde se casaba uno de sus
hermanos. En 1790, él mismo se casó también en Gante con Anne-Françoise Vandervelde,
natural de Wavre (Brabante Valón, Bélgica). Allí nació Adolphe, quinto de los nueve hijos
de esta unión, varios de los cuales murieron en la infancia. Adolphe quedó huérfano de
padre en 1803, con siete años de edad, y su madre se volvió a casar tres años más tarde.
Adolphe Quetelet estudió en el liceo de Gante, donde posteriormente empezó a ejercer
como profesor.

Observatorio de Bruselas
A partir de 1823, desarrolló la idea de crear un observatorio en las provincias
meridionales del Reino Unido de los Países Bajos (actual Bélgica), donde consideró que
existía una brecha en materia científico-técnica respecto de las provincias septentrionales
(actuales Países Bajos). Dejó testimonio de ello en la correspondencia que mantuvo con el
astrónomo francés Alexis Bouvard. Quetelet envió su propuesta al ministro de Instrucción

8
Pública Anton Reinhard Falck, que le dio su visto bueno. Gracias a la protección y la amistad
de Falck, Quetelet fue enviado a París para adquirir formación en cálculo astronómico y en
manejo del instrumental.
En 1823, visitó el Observatorio de París, donde se encontró con François Arago y
Alexis Bouvard. Fue influenciado por Laplace, Poisson y Fourier, con quienes estudió la
estadística, que acabó elevando al rango de ciencia. El 27 de diciembre de 1826, se creó
por real decreto el Museo de Ciencias y Letras, donde Quetelet pudo impartir clases de
historia de la ciencia.
Seis meses antes, el 8 de junio de 1826, se ordenó, también por real decreto, la
creación del Observatorio de Bruselas. Quetelet recibió la tarea de elaborar los planos del
establecimientos y posteriormente la de adquirir los instrumentos necesarios para el
Observatorio. Para ello, viajó al año siguiente, en compañía de su amigo Dandelin, a
Inglaterra y Escocia, donde visitó los principales observatorios británicos y se reunió con
los principales eruditos de allí. A su vuelta, fue nombrado director del Observatorio, cargo
por el que tuvo que dejar su actividad docente, salvo las clases que daba en el Museo.

Madurez
En 1834, Quetelet fue nombrado secretario permanente de la Real Academia de
Bélgica.
Presidió el primer Congreso Internacional de Estadística, celebrado en Bruselas en
1856. El mismo año, participó en la primera conferencia marítima internacional en Bruselas
para promover el intercambio de datos meteorológicos. Esta cooperación condujo a la
creación de la Organización Meteorológica Internacional en 1873. Fue miembro de varias
sociedades eruditas, y fue el primer miembro no estadounidense de la American Statistical
Association.
En cuanto a su vida personal, se casó en 1824 con Cécile Curtet, hija del médico
francés Antoine Curtet. Tuvieron un hijo y una hija.
En sus aportes podemos mencionar que, Adolphe Quetelet, hizo contribuciones
significativas al campo de la estadística, especialmente en la aplicación de métodos
estadísticos a las ciencias sociales. Uno de sus aportes más destacados fue el desarrollo
del concepto de “hombre promedio” y la aplicación de la distribución normal a las
características humanas.
Quetelet fue pionero en el uso de la correlación para estudiar la relación entre diferentes
variables sociales y biológicas. Su trabajo sentó las bases para el desarrollo de la
bioestadística y la sociología cuantitativa. Además, introdujo el Índice de Masa Corporal
(IMC), una medida que relaciona el peso y la altura de una persona, que aún se utiliza
ampliamente en la evaluación del estado nutricional.

9
 CARACTERISTICAS

Correlaciones fuertes
Una correlación fuerte significa que las variables tienen una relación sólida y consistente.
Los cambios en una variable están estrechamente asociados con cambios en la otra
variable. Las correlaciones fuertes están indicadas por coeficientes de correlación cercanos
a -1 o 1.

Características de las correlaciones fuertes:

• Coeficiente de correlación: Típicamente entre -0.7 y -1.0 o 0.7 y 1.0.

• Previsibilidad: Una variable puede predecir de manera confiable a la otra.
• Representación gráfica: Los puntos en un gráfico de dispersión seguirán de
cerca una línea recta (lineal) o una curva clara (no lineal).
Ejemplos:

Correlación positiva fuerte: Altura y peso en adultos. Generalmente, las personas más
altas tienden a pesar más.
Correlación negativa fuerte: Cantidad de tiempo dedicado al estudio y la cantidad de
errores cometidos en un examen. Más tiempo de estudio generalmente resulta en menos
errores.
Ejemplo Visual: Imagina graficar la relación entre el número de horas estudiadas y las
calificaciones en exámenes. Con una correlación positiva fuerte, verás puntos agrupados
alrededor de una línea ascendente.

Correlaciones débiles
Una correlación débil significa que la relación entre las variables podría ser más fuerte
y consistente. Los cambios en una variable no están estrechamente asociados con cambios
en la otra variable. Las correlaciones débiles están indicadas por coeficientes de correlación
cercanos a 0.

Características de las correlaciones débiles:

• Coeficiente de Correlación: Típicamente entre -0.3 y 0.3.

• Previsibilidad: Una variable no predice de manera confiable a la otra.

10
 • Representación Gráfica: Los puntos en un gráfico de dispersión estarán más
dispersos y no seguirán un patrón claro.
Ejemplos:
Correlación positiva débil: El número de horas dedicadas a las redes sociales y el
desempeño académico. Podría haber una ligera tendencia de que un mayor uso de redes
sociales se correlacione con un menor desempeño académico, pero no es fuerte.
Correlación negativa débil: El consumo diario de café y los niveles de productividad.
Podría haber una ligera tendencia de que un mayor consumo de café se correlacione con
una productividad ligeramente mayor, pero no es fuerte.
Ejemplo: Imagina graficar la relación entre el consumo diario de café y la productividad.
Con una correlación débil, los puntos estarán más dispersos en el gráfico, sin mostrar un
patrón claro.

Las principales características en general de la correlación son:

1. Mide la relación lineal entre dos variables cuantitativas continuas: La correlación

evalúa hasta qué punto dos variables cambian conjuntamente de manera lineal. Puede ser
positiva (cuando las variables aumentan o disminuyen juntas) o negativa (cuando una
aumenta mientras la otra disminuye).

2. Varía entre -1 y 1: El coeficiente de correlación (r) toma valores entre -1 y 1, donde

-1 indica una correlación negativa perfecta, 0 indica ausencia de correlación, y 1 indica una
correlación positiva perfecta.

3. Requiere inspección gráfica: Antes de calcular el coeficiente de correlación, es

importante inspeccionar visualmente la relación entre las variables mediante un diagrama
de dispersión, para verificar si la relación es efectivamente lineal.

4. Puede ser afectada por valores atípicos: La correlación es sensible a la presencia

de valores atípicos en los datos, los cuales pueden distorsionar el valor del coeficiente de
correlación.

5. No implica causalidad: La correlación estadística solo indica la fuerza y dirección

de la relación lineal entre dos variables, pero no establece una relación de causa-efecto
entre ellas.

11
 TEORIAS
Las teorías de la correlación se centran en entender y explicar la relación entre
variables, así como la naturaleza de esas relaciones. Aunque el concepto de correlación es
predominantemente empleado en estadística y matemáticas, hay varios enfoques y teorías
que han surgido en diferentes disciplinas. Aquí te presento algunas de las teorías y
enfoques más importantes relacionados con la correlación:

1. Teoría de la Correlación Lineal

Coeficiente de Correlación de Pearson: Esta es la forma más común de medir la

correlación entre dos variables cuantitativas. Se basa en la suposición de que existe una
relación lineal entre las variables (es decir, que se pueden representar en una línea recta
en un gráfico de dispersión).
Suposiciones: Para que el coeficiente de Pearson sea válido, se requieren algunas
suposiciones, como la normalidad de los datos, homocedasticidad y la linealidad de la
relación.

2. Teoría de la Correlación No Paramétrica

Coeficiente de Correlación de Spearman: Esta teoría se utiliza cuando los datos no

siguen una distribución normal o cuando no se asume una relación lineal. En vez de usar
los valores originales, se utilizan rangos. Esto permite evaluar relaciones monótonas, es
decir, donde una variable tiende a aumentar o disminuir de manera consistente en relación
con otra, sin necesidad de que la relación sea lineal.

3. Teoría de la Multicolinealidad

En el Contexto de Regresión: La multicolinealidad se refiere a la situación en la que

dos o más variables independientes en un modelo de regresión son altamente
correlacionadas, lo que puede dificultar la identificación de la relación individual de cada
variable con la variable dependiente.
Implicaciones: Esto puede llevar a inestabilidad en los coeficientes de regresión y a
dificultades en la inferencia estadística.

4. Teoría del Causalidad vs. Correlación

12
 Causalidad: Esta teoría se refiere a la necesidad de distinguir entre correlación y
causalidad. Dos variables pueden estar correlacionadas sin que una cause la otra. Este
concepto es fundamental en la investigación científica, ya que establece que la correlación
por sí sola no puede demostrar la relación causal entre las variables.
Métodos para Establecer Causalidad: Se utilizan métodos como ensayos controlados
aleatorios, estudios longitudinales, y análisis de variables instrumental para esclarecer las
relaciones causales.

5. Teoría de la Correlación en Redes Sociales y Psicología

Teoría del Capital Social: En el ámbito social, las redes de relaciones pueden influir
en la correlación de comportamientos y actitudes. Por ejemplo, la forma en que las
interacciones o conexiones personales afectan variables como la felicidad o el rendimiento
laboral.
Correlaciones en Comportamiento: En psicología, los investigadores estudian cómo
la correlación entre variables (como estrés y salud mental) puede ayudar a entender
patrones de comportamiento y la prevalencia de trastornos.

6. Teoría de Correlación Espacial

Análisis Espacial: En geografía y ciencias ambientales, la correlación se utiliza para

estudiar cómo las relaciones entre variables pueden variar en diferentes localizaciones
geográficas. Esto es fundamental en estudios sobre distribución de población, salud
pública, y el impacto ambiental.

ESCENARIOS DE APLICACIÓN

Aplicaciones de la Correlación:
Análisis exploratorio de datos: la correlación es una herramienta importante en el
análisis exploratorio de datos ya que ayuda a identificar patrones y relaciones entre
variables. Esto puede conducir a nuevas hipótesis y descubrimientos en diferentes campos.
Predicción y modelado: en la predicción y el modelado, la correlación se utiliza para
seleccionar variables relevantes y construir modelos predictivos. La correlación ayuda a
identificar las variables que tienen la mayor relación con la variable objetivo y a construir
modelos que se ajusten mejor a los datos.
Estudios epidemiológicos: en los estudios epidemiológicos, la correlación se utiliza
para identificar factores de riesgo y determinar la relación entre exposiciones y

13
enfermedades. Los estudios de correlación son una herramienta importante para identificar
las relaciones entre los factores de riesgo y las enfermedades.
Finanzas y Economía:
Se usa ampliamente en finanzas y economía para determinar el grado de relación entre
diversos activos financieros. Por ejemplo, la correlación entre acciones y bonos puede
ayudar a los inversores a diversificar sus carteras y reducir el riesgo. Además, el análisis
de correlación se utiliza para determinar la relación entre diferentes indicadores
económicos, como el PIB (Producto Interno Bruto), la inflación y el desempleo. Al
comprender estas relaciones, las autoridades pueden tomar decisiones informadas sobre
las políticas monetaria
Ciencias Sociales
Se utiliza comúnmente en las ciencias sociales, como la psicología y la sociología. Por
ejemplo, los investigadores utilizan el análisis de correlación para determinar la relación
entre diferentes variables, como rasgos de personalidad, comportamientos y actitudes. Esta
información se puede utilizar para desarrollar intervenciones y programas para abordar
problemas sociales, como la drogadicción, la delincuencia y la salud mental.
Marketing y publicidad
También se utiliza en marketing y publicidad para determinar la relación entre diferentes
variables de marketing, como precio, promoción y ventas. Al comprender estas relaciones,
los especialistas en marketing pueden desarrollar estrategias eficaces y optimizar sus
presupuestos.
Educación
Se utiliza en educación para determinar la relación entre diferentes variables
educativas, como el desempeño de los estudiantes, la eficacia de los docentes y el diseño
curricular. Al comprender estas relaciones, los educadores pueden desarrollar estrategias
de enseñanza efectivas y mejorar los resultados de los estudiantes.

TABLAS ESTADISTICA DE USO

La correlación nos permite medir el signo y magnitud de la tendencia entre dos variables.
En la figura 1 vemos diferentes valores del coeficiente de correlación y sus diagramas de
dispersión correspondientes. Podemos ver que:
El signo nos indica la dirección de la relación, como hemos visto en el diagrama de
dispersión.
Un valor positivo indica una relación directa o positiva,
Un valor negativo indica relación indirecta, inversa o negativa,
Un valor nulo indica que no existe una tendencia entre ambas variables (puede ocurrir
que no exista relación o que la relación sea más compleja que una tendencia, por ejemplo,
una relación en forma de U).

14
 La magnitud nos indica la fuerza de la relación, y toma valores entre -1 a 1. Cuanto más
cercano sea el valor a los extremos del intervalo (1 o -1) más fuerte será la tendencia de
las variables, o será menor la dispersión que existe en los puntos alrededor de dicha
tendencia. Cuanto más cerca del cero esté el coeficiente de correlación, más débil será la
tendencia, es decir, habrá más dispersión en la nube de puntos.
Si la correlación vale 1 o -1 diremos que la correlación es “perfecta”,
Si la correlación vale 0 diremos que las variables no están correlacionadas.

Diferentes valores del coeficiente de correlación y su correspondiente diagrama de

dispersión.
Tamaño del efecto
En estadística, el tamaño del efecto es una medida de la fuerza o magnitud de un
fenómeno. El coeficiente de correlación es una medida del tamaño del efecto para la
relación (lineal) entre dos variables numéricas.

Se trata de un dato esencial para interpretar los resultados de nuestro estudio y su

ausencia en los artículos científicos se ha identificado como uno de los 7 fallos más
comunes en investigación (según la APA 19961, 20012).

Para interpretar qué tan fuerte es la correlación podemos utilizar el criterio de Cohen
(1988)3, quien para valores absolutos indica que valores entre:

.1-.3 representan un efecto pequeño,

.3-.5 un efecto medio y
?.5 un efecto grande.

15
 Son valores arbitrarios que te pueden servir de guía, pero te recomiendo interpretar la
fuerza (o tamaño) de la correlación según el contexto de tu investigación. No es lo mismo
analizar datos de un experimento físico controlado donde habrá poco ruido en los datos,
que analizar datos sociales o biológicos donde se espera encontrar menores valores de
correlación debido a la gran cantidad de dispersión o variabilidad de los datos.

Coeficiente de correlación de Pearson

El coeficiente de correlación de Pearson, a menudo denominado "r" de Pearson, es una
medida estadística ampliamente utilizada para cuantificar la fuerza y la dirección de una
relación lineal entre dos variables continuas. Es esencial comprender cómo calcular,
interpretar y reconocer la fuerza y la dirección de esta correlación.
Cálculo
La fórmula para calcular el coeficiente de correlación de Pearson es la siguiente:

r = (Σ((X - X̄)(Y - Ȳ))) / (n-1)

Donde:

• X e Y son las variables analizadas.

• X̄ y Ȳ son las medias (promedios) de X e Y.
• n es el número de puntos de datos.
Para calcular "r", se toma la suma de los productos de las desviaciones de los puntos de
datos individuales de sus respectivas medias para ambas variables. La división por (n-1)
representa los grados de libertad, garantizando que la varianza de la muestra no esté
sesgada.

Correlación de rango de Spearman

La correlación de rango de Spearman, también conocida como "ρ" (rho) de Spearman, es

un método no paramétrico utilizado para medir la fuerza y la dirección de la asociación entre
dos variables. Este método es valioso cuando se trata de relaciones no lineales o datos
ordinales.
Cálculo
Para calcular la correlación de rango de Spearman, debes seguir estos pasos:
Clasificar los valores de cada variable por separado. Asignar el rango más bajo al valor
más pequeño y el rango más alto al valor más grande.

16
 Calcular las diferencias entre los rangos de cada par de puntos de datos de ambas
variables. Elevar al cuadrado las diferencias y sumarlas para todos los puntos de datos.
Utilizar la fórmula de la rho de Spearman:
ρ = 1 - ((6 * Σd²) / (n(n² - 1)))

Donde:

• ρ es el coeficiente de correlación de rangos de Spearman.

• Σd² es la suma de las diferencias al cuadrado de los rangos.
• n es el número de puntos de datos.

Correlación Tau de Kendall

La correlación Tau de Kendall, a menudo denotada como "τ" (tau), es una medida no
paramétrica utilizada para evaluar la fuerza y la dirección de la asociación entre dos
variables. La Tau de Kendall es especialmente valiosa cuando se trabaja con muestras de
pequeño tamaño, relaciones no lineales o datos que violan los supuestos del coeficiente de
correlación de Pearson.

Cálculo

El cálculo de la correlación Tau de Kendall implica el recuento de pares de puntos de

datos concordantes y discordantes. Así es como se hace:
Para cada par de puntos de datos (Xi, Xj) y (Yi, Yj), determina si son concordantes o
discordantes.
Pares concordantes: Si Xi < Xj e Yi < Yj o Xi > Xj e Yi > Yj.
Pares discordantes: Si Xi < Xj e Yi > Yj o Xi > Xj e Yi < Yj.
Cuenta el número de pares concordantes (C) y discordantes (D).
Utiliza la fórmula de la Tau de Kendall:
τ = (C - D) / (0.5 * n * (n – 1)

Donde:

• τ es el coeficiente de correlación Tau de Kendall.

• C es el número de pares concordantes.
• D es el número de pares discordantes.

17
18
19
20
21
 APORTE INFORMACION DEL ESTUDIANTE

Objetivo del análisis de correlación

El objetivo principal del análisis de correlación es:

Descubrir relaciones: El análisis de correlación ayuda a los investigadores y analistas a

identificar patrones y relaciones entre las variables de sus datos. Responde a preguntas
como: "¿Estas variables se mueven juntas o en direcciones opuestas?".
Cuantificar relaciones: El análisis de correlación cuantifica la fuerza y la dirección de las
asociaciones entre variables, proporcionando una medida numérica que permite realizar
comparaciones y evaluaciones objetivas.
[Reducción de datos: En análisis multivariantes, el análisis de correlación puede ayudar a
identificar variables redundantes. Las variables muy correlacionadas pueden contener
información similar, lo que permite a los analistas simplificar sus modelos y reducir la
dimensionalidad.

22
 ANEXOS
TEORISTAS: KARL PEARSON

FRANCIS GALTON

23
CLASIFICACION DE LA CORRELACION:

24
 CONCLUSION

En definitiva el análisis de la correlación es fundamental para entender las relaciones

entre variables en diversas disciplinas. A través de métodos estadísticos, podemos
identificar patrones y tendencias que nos permita hacer indiferencias es muy importante
recalcar que la correlación no implica casualidad, es decir, aunque dos variables puedan
estar correlacionados, esto no significa que uno cause cambios en la otra.
A través del análisis de correlaciona, es posible identificar relaciones entre variables,
determinar la fuerza y dirección de esas relaciones y establecer predicciones para tomar
medidas efectivas en función de esa información.
Siendo muy importante saber que se pueden identificar relaciones, directas, inversas o
nulas entre dos o más variables, lo que nos brinda una visión clara de cómo interactúan
entre sí, teniendo la predicción del futuro y en la toma de decisiones.
En fin es valiosa la correlacion en la toma de decisiones en diversos campos ya que nos
permite comprender mejor las variables y determinar su relevancia en contexto del estudio
estadístico
.HECHO POR: Jhorgelys Carreño

25
 CONCLUSION

La correlación es una técnica estadística utilizada para determinar si existe una relación
entre dos o más variables. Este procedimiento permite evaluar la fuerza y la dirección de la
relación entre las variables, lo que es fundamental en diversas áreas de investigación y
análisis de datos.
Existen diferentes tipos de evaluación, siendo la más común la evaluación de Pearson,
que mide la relación lineal entre dos variables numéricas. El resultado se expresa a través
del coeficiente de compensación, que varía entre -1 y 1. Un valor de 1 indica una
compensación positiva perfecta, -1 una compensación negativa perfecta, y 0 indica que no
hay compensación.
El análisis de evaluación es útil en múltiples contextos, como en estudios de mercado,
investigaciones científicas y análisis de datos en general, ya que ayuda a identificar
patrones y relaciones que pueden ser significativas para la toma de decisiones.
En resumen, el análisis de evaluación es una herramienta poderosa para entender las
interacciones entre variables, pero es importante recordar que la evaluación no implica
causalidad. Esto significa que, aunque dos variables estén correlacionadas, no se puede
concluir que una causa la otra sin un análisis más profundas
HECHA POR: Dalmery Flórez

26
 CONCLUSION

En conclusión, la correlación es una herramienta estadística fundamental que mide la

relación y la proporcionalidad entre dos variables. Su origen etimológico proviene del latín
"correlatio", que significa "relación mutua". A lo largo de la historia, diversos autores han
contribuido al desarrollo y la comprensión de este concepto, Adolphe Quetelet uno de los
más destacados por su coeficiente de correlación. En cuanto a su clasificación, incluye
tipos como la correlación positiva, negativa y nula, cada una describiendo diferentes tipos
de relaciones entre variables. Las características principales de la correlación incluyen su
capacidad para indicar la dirección y la fuerza de una relación, aunque es crucial recordar
que correlación no implica causalidad. Sus teorías y aplicaciones de la correlación son
vastas, abarcando campos como la economía, la psicología, la biología y la ingeniería,
donde se utiliza para predecir comportamientos y tendencias. Las tablas estadísticas y los
gráficos de dispersión son herramientas comunes para visualizar y analizar las
correlaciones.

HECHA POR: Dayani Vecino

27
 BIBLIOGRAFIA
Referencias electrónicas:
[Link]
[Link]
[Link]
[Link]
[Link]
interpretarla/
[Link]
[Link]
[Link]

28