República Bolivariana de Venezuela
Ministerio del Poder Popular para la Educación Superior
Universidad Nacional Experimental Francisco de Miranda
Coro - Extensión Barinas
COEFICIENTES DE CORRELACIÓN Y REGRESIÓN
Docente: Dr. Luis Rivas Integrantes:
Cátedra: Trabajo Comunitario III
Bryman Santiago29.967.898
Eliezer Valero 30.321.592
Francia Pons 30.882.430
Juan Rojas 26.928.421
Lisandra Zamparo 31.166.375
María Camacho 32.169.748
María Hernández 31.438.789
Sebastián Triviño 30.584.242
Silvia Rivas 29.649.519
Barinas, abril 2024
5.1 Definición de Correlación y Regresión
La correlación y la regresión nos ayudan a comprender la relación entre las variables y a
predecir el estado de los pacientes con respecto a una variable particular de interés
• La correlación examina la fuerza de la relación entre dos variables, ninguna de las
cuales se considera necesariamente la variable objetivo.
• La regresión examina la fuerza de la relación entre una o más variables predictoras
y una variable objetivo. La regresión puede ser muy útil para formular modelos
predictivos como el riesgo de infarto de miocardio en pacientes que presentan dolor
torácico
5.2 Coeficiente de Correlación de Pearson
También conocido como r de Pearson, es una medida estadística que mide la fuerza
y dirección de una relación lineal entre dos variables. Con un rango de valores entre -1 y 1. -
1 indica una correlación negativa perfecta, 0 para ausencia de correlación, y 1 para
correlación positiva perfecta.
El coeficiente de correlación de Pearson se calcula mediante la siguiente ecuación:
Aquí r es el coeficiente de correlación de Pearson, xi son los valores individuales de
una variable, por ejemplo, la edad, yi son los valores individuales de la otra variable, por
ejemplo, el salario, y x̄ e ȳ son los valores medios de las dos variables respectivamente.
1
Ejemplo:
• Correlación Positiva: Entre el peso del sujeto y el riesgo de padecer diabetes tipo 2.
• Correlación Negativa: Entre el peso del sujeto, a partir de un rango normal, y su
expectativa de vida.
5.3 Coeficiente de Correlación de Spearman
Examina la relación entre dos variables, utiliza los rangos de los datos en lugar de los
datos en sí, de ahí el nombre de correlación de rangos.
La correlación de Spearman es la misma que la correlación de Pearson, salvo que se utilizan
los rangos en lugar de los valores iniciales. Al igual que el coeficiente de correlación r de
Pearson, el coeficiente de correlación rs de Spearman también varía entre -1 y 1.
El coeficiente de correlación de Spearman se calcula mediante la siguiente ecuación:
2
Donde n es el número de casos y d es la diferencia de clasificación entre las dos
variables
Ejemplo:
1. Se mide el tiempo de reacción de 8 jugadores de ordenador y les preguntamos su
edad.
2. Se le asigna un rango a cada persona para el tiempo de reacción y la edad.
3. El tiempo de reacción ya está ordenado por tamaño. 12 es el valor más pequeño, por
lo que obtiene el rango 1, 15 es el segundo más pequeño, por lo que obtiene el rango
2 y así sucesivamente. Ahora hacemos lo mismo con la edad.
3
5.4 Coeficiente de Correlación de Kendall
La Tau de Kendall es un coeficiente de correlación y, por tanto, una medida de la
relación entre dos variables. es un procedimiento de prueba no paramétrica. Para calcular la
tau de Kendall, los datos deben no estar normalmente distribuidos y las dos variables tienen
que tener un nivel de escala ordinal
En el caso de la Tau de Kendall, las hipótesis nula y alternativa resultan:
• Hipótesis nula: el coeficiente de correlación Tau = 0 (No hay correlación.)
• Hipótesis alternativa: el coeficiente de correlación Tau ≠ 0 (Existe correlación.)
El coeficiente de correlación de Tau Kendall se calcula mediante la siguiente ecuación:
Donde C es el número de pares concordantes y D es el número de pares
discordantes.
Ejemplo:
1. Un médico y una médica clasifican a 6 pacientes por salud física en orden
descendente. Uno de los dos médicos, en este caso, la médica, se define ahora como
la referencia y los pacientes se ordenan del 1 al 6
2. Ahora es posible comparar los rangos ordenados con los rangos del médico, por
ejemplo, el paciente que está clasificado 3 por la médica está clasificado 4 por el
médico.
3. Se quiere saber si existe correlación entre las dos valoraciones utilizando la Tau de
Kendall. Para calcularla, sólo necesitamos los rangos del lado derecho; es decir, del
médico. Mirando cada rango, se observa si los valores por debajo de él son menores
o mayores que él mismo. Se hace lo mismo con el segundo rango, que corresponde
al número 1, y así sucesivamente
4
4. Se obtiene el número de pares concordantes contando todos los "+". En este ejemplo
un total de 11, el número de pares discordantes se calcula contando todos los "-". En
este ejemplo un total de 4.
5. C es 11 y D es 4, por lo que la Tau de Kendall es 11 - 4 dividido por 11 + 4,
resultando un valor de 0.47.
5.5 Coeficiente de Correlación de Determinación
El coeficiente de determinación es una medida utilizada para explicar cuánta
variabilidad de un factor puede ser causada por su relación con otro factor relacionado. Esta
correlación, se representa como un valor entre 0 y 1. Un valor de 1 indica un ajuste perfecto
y, por tanto, un modelo muy fiable para las previsiones futuras, mientras que un valor de 0
indicaría que el cálculo no logra modelar los datos con precisión en absoluto
El coeficiente de correlación de Determinación se calcula mediante la siguiente ecuación:
5
Y lleva un circunflejo o “sombrerito”. Ese sombrerito lo que detalla es que esa Y es la
estimación del valor de Y, no el valor real de Y. T, que, en otros casos, se nota como N,
indica el número de observaciones.
Ejemplo:
1. Se supone que un médico general a mayor cantidad de cirugías, más pacientes con
apendicitis operará. Los datos pertenecen a los últimos 8 meses
.
Casos de Apendicitis
Cirugías
2. Es una relación positiva, y el ajuste, según el cálculo del R cuadrado, es de 0,835.
Esto quiere decir que es un modelo cuyas estimaciones se ajustan bastante bien a la
variable real. Aunque técnicamente no sería correcto, ya que es más acertado
interpretar que el modelo explica en un 83,5% a la variable real.
