Fórmula de Correlación: Guía completa para entender, calcular y aplicar la fórmula de correlacion

Coeficiente de Pearson: la fórmula de correlacion lineal clásica

El coeficiente de Pearson, también conocido como r de Pearson, mide la relación lineal entre dos variables cuantitativas. Su versión matemática más común es:

• r = cov(X, Y) / (std(X) · std(Y))

Donde cov(X, Y) es la covarianza entre X e Y, y std(X) y std(Y) son las desviaciones estándar de X e Y, respectivamente. También se puede expresar como:

• r = [Σ (Xi − X̄)(Yi − Ȳ)] / [ (n − 1) · sX · sY ]

La interpretación típica es la siguiente: valores cercanos a +1 indican una fuerte relación lineal positiva, valores cercanos a −1 señalan una fuerte relación lineal negativa y valores alrededor de 0 indican ausencia de relación lineal. Es importante recordar que Pearson asume que las variables son aproximadamente normales y que la relación entre ellas es lineal. Cuando estos supuestos no se cumplen, la fórmula de correlacion de Pearson puede subestimar o sobreestimar la relación real.

Coeficiente de Spearman: correlacion basada en rangos

El coeficiente de Spearman se utiliza cuando la relación entre las variables no es estrictamente lineal o cuando los datos no satisfacen la normalidad. En lugar de usar valores originales, Spearman trabaja con rangos de las variables. Su fórmula de correlacion se denota generalmente como ρ (rho) y se aproxima mediante la correlación de rangos. Una versión práctica es:

• ρ = 1 − (6 Σ d_i^2) / (n(n^2 − 1))

d_i es la diferencia entre el rango de X y el rango de Y para cada observación i, y n es el tamaño de la muestra. Spearman es menos sensible a outliers y puede detectar relaciones monotónicas (crecientes o decrecientes) incluso si no son lineales. Esto lo hace muy útil en ciencias sociales, biología y análisis exploratorio de datos cuando los supuestos de normalidad no se cumplen.

Tau de Kendall: una alternativa basada en el orden de pares

Kendall’s tau es otra medida de correlacion basada en rangos, que se enfoca en la concordancia y discordancia de pares de observaciones. Es especialmente estable en muestras pequeñas y distribuciones no normales. Su versión más común es:

• τ = (C − D) / [0.5(n(n−1))]

Donde C es el número de pares concordantes y D el de pares discordantes. Kendall tiende a ser menos sensible a asimetrías y puede interpretarse como una probabilidad de que una observación tenga un rango mayor en una variable que en la otra, lo que facilita su comprensión en contextos prácticos.

Cálculo de la Fórmula de Correlacion de Pearson

1. Reúne las parejas de datos (X1, Y1), (X2, Y2), …, (Xn, Yn).
2. Calcula las medias X̄ y Ȳ.
3. Calcula la covarianza: cov(X, Y) = Σ (Xi − X̄)(Yi − Ȳ) / (n − 1).
4. Calcula las desviaciones estándar: sX = sqrt[ Σ (Xi − X̄)^2 / (n − 1) ], sY = sqrt[ Σ (Yi − Ȳ)^2 / (n − 1) ].
5. Aplica la fórmula: r = cov(X, Y) / (sX · sY).
6. Interpreta el resultado dentro del rango [-1, 1].

Consejos prácticos: antes de calcular, realiza una revisión rápida de la dispersión y la linealidad con gráficos de dispersión. Si aparecen patrones curvilíneos o heterocedasticidad, considera transformaciones de variables o pruebas no paramétricas.

Cálculo de Spearman y Kendall

1. Para Spearman, asigna rangos a X e Y (con ties manejados mediante promedios de rangos) y aplica la fórmula de Pearson sobre esos rangos o utiliza la fórmula específica basada en diferencias de rangos d_i.
2. Para Kendall, identifica pares concordantes y discordantes para cada par de observaciones, y utiliza la fórmula τ = (C − D) / [0.5 n(n−1)].

Las variantes basadas en rangos son especialmente útiles cuando los datos contienen valores atípicos o cuando la relación entre variables es monotónica pero no lineal. En escenarios prácticos, el uso de Spearman o Kendall puede ofrecer una estimación más robusta de la asociación entre variables que Pearson.

Ejemplo 1: relación entre horas de estudio y calificación

Se recopilan datos de 12 estudiantes sobre las horas de estudio diarias y su calificación final en una asignatura. Se observa una tendencia general: más horas de estudio suelen asociarse con calificaciones más altas, pero hay variabilidad debido a otros factores y a la calidad del descanso. Aplicando el coeficiente de Pearson, obtenemos r = 0.78, lo que indica una correlacion positiva moderadamente fuerte entre el tiempo de estudio y la calificación. El análisis mediante Spearman devuelve ρ = 0.80, lo que respalda la idea de una relación monotónica positiva incluso si la relación no fuera perfectamente lineal.

Ejemplo 2: edad y presión arterial en una muestra poblacional

En un estudio epidemiológico, se evalúa la relación entre la edad (en años) y la presión arterial sistólica. Dado que la relación puede no ser estrictamente lineal (la presión arterial puede estabilizarse en ciertos rangos), se utiliza Spearman. Se obtiene ρ = 0.65, lo que sugiere una asociación positiva moderada entre edad y presión arterial, útil para explorar tendencias poblacionales sin asumir linealidad exacta.

Ejemplo 3: coeficiente de Kendall en un pequeño conjunto de datos

En un experimento de psicometría con una muestra de 25 sujetos, se evalúan dos escalas de respuesta que capturan la intensidad de dos constructos similares. Se calcula τ = 0.42, indicando una concordancia moderada entre las dos medidas. Dado el tamaño de muestra y la distribución de las respuestas, Kendall ofrece una estimación estable y fácil de interpretar para este tipo de datos ordinales o con rangos poco dispersos.

Errores frecuentes

• Confundir correlación con causalidad. La correlacion no implica causalidad; pueden existir variables ocultas o relaciones espurias.
• Aplicar Pearson a datos no lineales sin transformar o sin considerar correcciones. Parecería haber una relación fuerte cuando, en realidad, no hay linealidad.
• Ignorar outliers. Valores extremos pueden sesgar el coeficiente, especialmente con Pearson.
• No reportar la significancia estadística o el tamaño de la muestra. Sin contexto, el coeficiente no dice toda la historia.
• Usar rangos cuando los datos son discretos o cuando hay muchos empates sin el manejo adecuado de ties.

Buenas prácticas

• Explorar visualmente la relación con gráficos de dispersión antes de calcular la fórmula de correlacion.
• Seleccionar el coeficiente adecuado según la naturaleza de los datos (lineales, no lineales, ordinales, etc.).
• Informar siempre sobre el tamaño de la muestra y el intervalo de confianza del coeficiente cuando sea posible.
• Realizar transformaciones o usar pruebas no paramétricas si los datos no cumplen los supuestos de normalidad o linealidad.
• Considerar la posibilidad de relaciones no lineales y estudiar métricas alternativas para entender la complejidad de la relación entre variables.

Con Excel y Google Sheets

En hojas de cálculo, puedes usar las funciones CORREL para Pearson y RANK para Spearman (con apoyo adicional para rangos). En Excel, la función PEARSON calcula el coeficiente de correlacion lineal entre dos conjuntos de datos numéricos. Para Spearman y Kendall, suele ser más práctico transformar los datos a rangos y luego aplicar CORREL o usar complementos y scripts para automatizar el cálculo.

Python: NumPy y SciPy

En Python, la librería NumPy ofrece la función numpy.corrcoef para calcular correlaciones lineales, y SciPy incluye scipy.stats.pearsonr, scipy.stats.spearmanr y scipy.stats.kendalltau para coeficientes específicos, con p-valores y dinámicas útiles para el análisis estadístico.

R: estadísticas para correlacion

En R, tienes cor para correlacion lineal, cor.test para pruebas de significancia y cor.test con method = «spearman» o «kendall» para las variantes basadas en rangos. R es muy eficiente para manejar grandes conjuntos de datos y realizar gráficos explicativos que acompañan al coeficiente de correlacion.

Otras herramientas y recursos

Herramientas en línea y bibliotecas de data science ofrecen calculadoras de coeficientes de correlacion, guías de interpretación y ejemplos prácticos. Aprovecha estos recursos para validar tus resultados y acelerar tu flujo de trabajo sin renunciar a la precisión.

Antes de calcular

• Inspecciona la distribución de tus variables. Si no son aproximadamente normales, considera Spearman o Kendall.
• Evalúa la linealidad con un gráfico de dispersión para decidir si Pearson es adecuado.
• Identifica y maneja outliers de forma consciente, documentando las decisiones.

Durante el cálculo

• Usa tamaños de muestra suficientemente grandes para evitar sesgos en la estimación.
• Reporta no solo el coeficiente, sino también su intervalo de confianza y p-valor si corresponde.
• Comparte gráficos de dispersión y gráficos de líneas de tendencia para facilitar la interpretación visual.

Después del cálculo

• Interpreta con cautela las implicaciones en el contexto del dominio de estudio.
• Si hay múltiples variables, considera correlar pares de variables y evitar la interpretación aislada de un único coeficiente.
• Presenta recomendaciones prácticas basadas en la magnitud de la relación y su robustez ante diferentes métodos.