Universidad de Oriente
Núcleo de Sucre
Escuela de Humanidades y Educación
Departamento de Psicología e Investigación Educativa
Medidas de relación
Bachiller:
Profesora:
Simonett Véliz
Marisol Gómez
C.I. 30.636.177
Cumaná, agosto de 2024
Introducción
Las medidas de relación son herramientas poderosas que nos permiten
comprender las complejidades de las relaciones entre variables y construir modelos
predictivos que nos ayudan a tomar decisiones informadas. Al comprender cómo
estas medidas funcionan y cómo interpretar sus resultados, podemos obtener una
visión más profunda de los datos y extraer conocimientos que pueden guiar nuestra
investigación y nuestras decisiones.
Medidas de relación
Son medidas que surgen de la necesidad de estudiar dos distribuciones
correspondientes a un mismo grupo de registro, es decir, parejas de datos.
1.- ¿A qué se le llama Correlación?
- Es la técnica estadística que estudia la relación o dependencia que existe
entre dos variables, por los tanto expresa si lo que ocurre en una variable ocurre o
no en la otra, y esto se expresa a través de un coeficiente de correlación.
- La correlación es una medida estadística que expresa hasta qué punto dos
variables están relacionadas linealmente (esto es, cambian conjuntamente a una
tasa constante). Es una herramienta común para describir relaciones simples sin
hacer afirmaciones sobre causa y efecto.
2.- ¿Mediante que fórmula se encuentra el coeficiente de correlación de
Pearson y el de Spearman? Explique la utilidad de cada uno de ellos.
Coeficiente de correlación de Pearson
El coeficiente de correlación de Pearson, también conocido como r de Pearson,
es una medida estadística que cuantifica la relación lineal entre dos variables
continuas. Este coeficiente, representado como r, proporciona información sobre la
dirección (positiva o negativa) y la fuerza de la relación entre las variables.
Su fórmula, que implica la covarianza y las desviaciones estándar de las dos
variables, permite calcular la proporción de variabilidad compartida. El coeficiente de
Pearson es adecuado para variables continuas que siguen una distribución normal.
La fórmula del coeficiente de correlación de Pearson es la siguiente:
Donde: “x” es igual a la variable número uno, “y” pertenece a la variable número
dos y “n” es la muestra
Se utiliza para:
1. Descripción de la relación lineal:
Fuerza de la relación: El coeficiente de correlación de Pearson varía entre -1 y
+1. Un valor cercano a 1 indica una fuerte correlación positiva (las variables tienden
a aumentar juntas), mientras que un valor cercano a -1 indica una fuerte correlación
negativa (las variables tienden a moverse en direcciones opuestas). Un valor
cercano a 0 sugiere que no hay una relación lineal significativa entre las variables.
Dirección de la relación: El signo del coeficiente nos indica la dirección de la
relación. Un signo positivo indica una correlación positiva y un signo negativo indica
una correlación negativa.
2. Predicción:
Estimación de valores: Si existe una correlación significativa entre dos variables,
podemos utilizar el coeficiente de correlación para estimar el valor de una variable
conociendo el valor de la otra. Esto es particularmente útil en áreas como la
econometría, donde se buscan modelos para predecir variables económicas.
3. Análisis de datos:
Identificar patrones: El coeficiente de correlación puede ayudarnos a identificar
patrones y tendencias en los datos. Por ejemplo, en estudios de mercado, la
correlación entre el precio de un producto y la demanda nos puede brindar
información importante para la toma de decisiones.
Control de variables: En estudios científicos, el coeficiente de correlación puede
ser utilizado para controlar el efecto de una variable sobre otra. Por ejemplo,
podemos controlar el efecto del sexo sobre el rendimiento académico, al analizar la
correlación entre el rendimiento y la variable sexo después de controlar por otros
factores como la edad o el nivel socioeconómico.
Coeficiente de correlación de Spearman
El coeficiente de correlación de Spearman es una medida no paramétrica de la
correlación de rango (dependencia estadística del ranking entre dos variables). Se
utiliza principalmente para el análisis de datos. Mide la fuerza y la dirección de la
asociación entre dos variables clasificadas. Este coeficiente es adecuado para datos
ordinales o continuos no normales.
La fórmula del coeficiente de correlación se Spearman es la siguiente:
Es particularmente útil en situaciones donde:
1. Los datos no son lineales: El coeficiente de Pearson solo puede medir
relaciones lineales. Si la relación entre las variables es curva, no lineal o de otro
tipo, el coeficiente de Spearman será una mejor medida de la asociación.
2. Los datos son ordinales: El coeficiente de Spearman es adecuado para
variables ordinales, donde los datos se clasifican en categorías ordenadas (por
ejemplo, "muy malo", "malo", "bueno", "muy bueno"). El coeficiente de Pearson no
es apropiado para este tipo de datos.
3. Presencia de valores atípicos: El coeficiente de Spearman es menos sensible
a los valores atípicos que el coeficiente de Pearson. Esto significa que un valor
atípico no afectará tanto al resultado final.
3.- Interpreta las diferentes clasificaciones de la Correlación.
Criterios para la interpretación de un Coeficiente de Correlación
Primer criterio: En cuanto al valor y el grado
Segundo criterio: En cuanto a la dirección de la relación
Directa: Si es de signo positivo (perfecta o imperfecta). La variación se produce
en el mismo sentido en ambas variables. Al aumentar una de las variables la otra
aumenta.
Inversa: Si es de signo negativo (perfecta o imperfecta). La variación se produce
en sentido inverso entre las variables. Al aumentar una de las variables la otra
disminuye.
Nula: No hay dependencia de ningún tipo entre las variables. En este caso se
dice que las variables son incorreladas.
4.- ¿Cuándo se dice que la correlación es positiva y cuando es negativa?
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.
5.- ¿A qué se le llama Regresión?
- La regresión lineal es una técnica estadística utilizada para comprender la
relación entre una variable independiente (o predictora) y una variable dependiente
(o respuesta). En términos más simples, busca modelar cómo cambia una variable
(la dependiente) en función de otra variable (la independiente).
- La regresión lineal es una técnica de análisis de datos que predice el valor de
datos desconocidos mediante el uso de otro valor de datos relacionado y conocido.
Modela matemáticamente la variable desconocida o dependiente y la variable
conocida o independiente como una ecuación lineal.
6.- ¿Mediante que fórmula se encuentra la ecuación de Regresión?
Yc = α+bX
Donde:
Yc: Valor de Y dado un valor X
α: Punto de intercepción con el eje y cuando X=0
b: La pendiente de la línea de regresión (coeficiente de regresión)
7.- ¿Qué diferencia existe entre Correlación y Regresión?
Correlación Regresión
- Mide la fuerza y la dirección de - Permite predecir el valor de una
una relación lineal entre dos variables. variable dependiente en función del
- No implica causalidad. valor de una o más variables
- El resultado es un coeficiente de independientes.
correlación (r), que va de -1 a +1. - Puede ser utilizada para analizar
- No se puede utilizar para predecir la relación causal entre variables, pero
valores. es importante tener cuidado para evitar
la falacia de la correlación-causalidad.
- Se puede utilizar para predecir
valores.
- La variable dependiente es una
variable aleatoria.
Conclusiones
Las medidas de relación nos brindan un marco para analizar y comprender la
interacción entre variables, revelando la naturaleza y la fuerza de sus relaciones. A
través de la exploración de la correlación y la regresión, podemos obtener
información valiosa para la toma de decisiones y el desarrollo de modelos
predictivos.
El coeficiente de correlación (r) nos revela si las variables se mueven juntas
(correlación positiva), en direcciones opuestas (correlación negativa) o si no hay una
relación lineal discernible (correlación cercana a cero). Y en la búsqueda de los
coeficientes de la ecuación de regresión, podemos determinar la influencia de cada
variable independiente en la dependiente.
Por lo tanto, la comprensión de las fórmulas y ecuaciones, así como la
capacidad para encontrar los coeficientes adecuados, es de suma importancia ya
que nos permite utilizar herramientas estadísticas de manera eficiente para analizar
datos.
Referencias Bibliográficas
Sánchez, Nailea (2022) Medidas de relación. México: Tamaulipas
Portal de formación estadística (S/F) Correlación. Carolina del norte: Cary
Marta (S/F) ¿Qué es la correlación? México: Ciudad de México
Ortega, Cristina (S/F) ¿Qué es el coeficiente de relación de Pearson? México:
Yucatán
Parra, Andrea (S/F) ¿Qué es el coeficiente de correlación de Spearman?
México: Yucatán
Datatab (S/F) Coeficiente de correlación de Spearman. Austria: Graz
Datatab (S/F) Coeficiente de correlación de Pearson. Austria: Graz
UNIR (2023) ¿Qué es un análisis de correlación? Características y Ejemplos.
México: Ciudad de Mexico
Dagnino, Jorge (2014) Regresión lineal. Chile: Santiago de Chile
Limón-Villegas, Samid (2023) Correlación y regresión lineal simple. Mexico:
Guadalajara
McDonald, Jonh (S/F) Regresión lineal y correlación. Estados Unidos: Delaware
Universidad de los Andes (2023) Introducción a la regresión lineal: definición y
aplicaciones. Colombia: Bogotá
