PyDA Course
📖 Lección 9 Intermedio ⏱ 25 minutos ⚡ +10 XP ColabKagglenbviewerBinderDeepnoteGitHub correlación · pearson · spearman · diagrama-de-dispersión · causalidad

Correlación

La r de Pearson y la rho de Spearman: cómo se mueven juntas dos variables, cómo calcularlo a mano y las cuatro formas en que engaña.

🎯 Lo que aprenderás:
  • Leer la dirección y el ajuste de un diagrama de dispersión antes de calcular nada
  • Calcular una correlación de Pearson a mano con la fórmula estandarizada
  • Interpretar r como un número entre −1 y 1, tanto en signo como en tamaño
  • Calcular una correlación de rangos de Spearman y decir cuándo supera a la de Pearson
  • Explicar por qué r² describe la variación explicada y r no

Qué significa

Dos variables están correlacionadas cuando tienden a moverse juntas. Un coeficiente de correlación comprime esa tendencia en un número entre −1-1 y +1+1.

La correlación de Pearson mide lo cerca que quedan los puntos de una recta:

r=1n−1∑i=1n(xi−xˉsx)(yi−yˉsy)r = \frac{1}{n-1}\sum_{i=1}^{n} \left(\frac{x_i - \bar{x}}{s_x}\right) \left(\frac{y_i - \bar{y}}{s_y}\right)

Cada valor se convierte en una puntuación estandarizada —a cuántas desviaciones típicas está de su media— y la fórmula es el producto medio de las dos puntuaciones estandarizadas. Cuando xx está por encima de su media al mismo tiempo que yy está por encima de la suya, ese producto es positivo; cuando no coinciden, es negativo. La media de esos productos es rr.

La correlación de Spearman es la misma fórmula calculada sobre rangos en lugar de valores. Eso la hace robusta frente a los valores atípicos y capaz de captar cualquier relación que siga yendo en una dirección, no solo las rectas.

Qué aporta

Describir una variable es la mitad del trabajo. Casi toda afirmación interesante es relacional: un tratamiento se asocia con mejores resultados, el precio con la demanda, la temperatura con las ventas. Una correlación es la respuesta cuantitativa más barata, y conocer sus límites te protege de la mala inferencia más común en el trabajo con datos: leer una causa en una coincidencia.

También alimenta casi todo lo que viene después: la regresión, la selección de variables y las comprobaciones de fiabilidad que se hacen antes de ajustar cualquier modelo.

A mano, paso a paso

Cinco estudiantes, horas de estudio xx y nota yy:

x=1,2,3,4,5y=50,55,65,70,80x = 1,2,3,4,5 \qquad y = 50,55,65,70,80

Paso 1: las medias. xˉ=3\bar{x} = 3, yˉ=64\bar{y} = 64.

Paso 2: desviaciones respecto de cada media.

xxyyx−xˉx - \bar{x}y−yˉy - \bar{y}
150−2−14
255−1−9
3650+1
470+1+6
580+2+16

Paso 3: desviaciones típicas. ∑(x−xˉ)2=10\sum (x-\bar{x})^2 = 10, así que sx=10/4≈1,581s_x = \sqrt{10/4} \approx 1{,}581. ∑(y−yˉ)2=196+81+1+36+256=570\sum (y-\bar{y})^2 = 196 + 81 + 1 + 36 + 256 = 570, así que sy=570/4≈11,94s_y = \sqrt{570/4} \approx 11{,}94.

Paso 4: estandariza y multiplica, fila a fila. Para la primera fila, (−2/1,581)(−14/11,94)≈1,265×1,173≈1,484(-2/1{,}581)(-14/11{,}94) \approx 1{,}265 \times 1{,}173 \approx 1{,}484. Haciendo las cinco y sumando:

∑(x−xˉsx)(y−yˉsy)≈4,949\sum \left(\frac{x-\bar{x}}{s_x}\right)\left(\frac{y-\bar{y}}{s_y}\right) \approx 4{,}949

Paso 5: divide entre n−1n-1.

r=4,9494≈0,987r = \frac{4{,}949}{4} \approx 0{,}987

Casi 1. Las horas de estudio y la nota suben juntas casi a la perfección en esta muestra.

Paso 6: eleva al cuadrado. r2≈0,975r^2 \approx 0{,}975: el 97,5 % de la variación de las notas va con la tendencia lineal de las horas de estudio. Fíjate en que r2r^2 es el número que hay que citar cuando quieres decir “cuánto de ello está explicado”; rr por sí mismo exagera esa cifra.

Leer el signo y el tamaño

rrLectura
+1+1aumento perfecto en línea recta
+0,7+0{,}7tendencia ascendente fuerte, con dispersión visible
+0,2+0{,}2tendencia ascendente débil, casi perdida en el ruido
00ninguna tendencia lineal (aún puede haber una curva)
−0,6-0{,}6tendencia descendente moderada

El signo dice la dirección, la magnitud dice lo ajustado que es el encaje en línea recta, y nada más. r=0r = 0 no es “ninguna relación”; es “ninguna relación en línea recta”: una relación perfecta en forma de U tiene r≈0r \approx 0.

Cuándo Pearson engaña: usa Spearman

Considera estos cinco puntos: x=1,2,3,4,5x = 1,2,3,4,5 e y=1,4,9,16,25y = 1,4,9,16,25. La relación es perfecta y ascendente, pero curva. La rr de Pearson es de unos 0,980{,}98: alta pero no 1, porque la curva no es recta. La correlación de rangos de Spearman sobre los mismos datos es exactamente 1: cada rango en xx coincide con un rango en yy.

La regla práctica:

  • usa Pearson cuando ambas variables son numéricas, más o menos continuas, y la dispersión parece una línea o una elipse;
  • usa Spearman cuando la relación es monótona pero curva, cuando hay valores atípicos o cuando una variable es ordinal (una valoración de satisfacción de 1 a 5, una posición en una competición).

Lo mismo en Python

python
x = [1, 2, 3, 4, 5]
y = [50, 55, 65, 70, 80]

import statistics as st
mx, my = st.mean(x), st.mean(y)
sx, sy = st.stdev(x), st.stdev(y)

zx = [(v - mx) / sx for v in x]
zy = [(v - my) / sy for v in y]
r = sum(a * b for a, b in zip(zx, zy)) / (len(x) - 1)
print(round(r, 3))        # 0.987
print(round(r ** 2, 3))   # 0.975

NumPy y pandas hacen lo mismo en una sola llamada, y corr(method='spearman') cambia a la versión de rangos:

python
import numpy as np
print(np.corrcoef(x, y)[0, 1])

import pandas as pd
df = pd.DataFrame({'hours': x, 'score': y})
print(df.corr(method='pearson'))
print(df.corr(method='spearman'))

Verlo geométricamente

En un diagrama de dispersión, la rr de Pearson describe lo estrecha que es la nube alrededor de una recta. Gira la nube y rr cambia; dóbala en una U y rr cae a cero mientras la relación se hace más fuerte. El explorador de correlación de GeoGebra te deja arrastrar puntos y ver cómo reacciona rr, incluido el momento en que un punto arrastra una recta antes ajustada y la convierte en una débil.

Cuándo usarla

  • Filtrar relaciones antes de decidir qué modelar.
  • Validar que una variable lleva información sobre un objetivo.
  • Informar de una asociación con honestidad, junto a un diagrama de dispersión para que el lector vea qué resume el número.

Limitaciones

  • Correlación no es causalidad. Las ventas de helado correlacionan con los ahogamientos; ambas siguen al tiempo.
  • Solo mide rectas. Relaciones curvas fuertes pueden mostrar una rr cercana a cero.
  • Es sensible a los valores atípicos. Un solo punto lejano puede subir rr de 0,2 a 0,8, o destruir una relación real.
  • Los rangos restringidos la encogen. Correlacionar solo entre el 10 % de valores más altos puede ocultar una relación que es fuerte en conjunto.
  • Combinar grupos puede inventarla (la paradoja de Simpson): dos grupos sin tendencia cada uno pueden mostrar una tendencia fuerte al juntarlos.

Errores frecuentes

  • Leer r2r^2 como un porcentaje y luego citar también rr como si lo fuera. r=0,5r = 0{,}5 significa el 25 % de la variación, no el 50 %.
  • Comparar correlaciones entre poblaciones distintas sin comprobar que los rangos son comparables.
  • Ignorar el diagrama de dispersión. El número no puede hablarte de curvatura, grupos ni valores atípicos; la imagen sí.

🧩 Retos

🧩 Reto: piensa primero y luego revela

Explica por qué es falso lo siguiente: “la correlación entre las ventas de helado y las muertes por ahogamiento es 0,9, así que el helado hace que la gente nade mal”.

💡 Respuesta: La correlación mide el movimiento conjunto, no el mecanismo. Ambas variables siguen a una tercera, el calor, que aumenta tanto el consumo como los baños. La lectura correcta de $r = 0{,}9$ es "estas dos se mueven juntas"; atribuir una dirección de causa requiere un experimento o un argumento mucho más fuerte que un coeficiente.

🧩 Reto: piensa primero y luego revela

Calculas la r de Pearson sobre 12 puntos y obtienes 0,1, pero el diagrama de dispersión muestra una U limpia. ¿Qué informarías, y qué daría Spearman?

💡 Respuesta: Informaría de que hay una relación no lineal fuerte sin componente lineal; $r \approx 0$ es técnicamente correcto pero engañoso como resumen. Spearman también estaría cerca de 0 aquí, porque los rangos no aumentan de forma monótona (suben y después bajan). El siguiente paso correcto es modelar la curvatura —ajustar $y$ frente a $x$ y $x^2$, o dibujar una curva suavizada— en lugar de citar cualquiera de los dos coeficientes como hallazgo.

🤔 Preguntas socráticas

  • ¿Por qué rr no cambia si sumas 10 a cada valor de xx, o multiplicas cada yy por 3?
  • ¿Puede rr ser 0,9 mientras casi todos los puntos están lejos de la recta de mejor ajuste? ¿Cuándo?
  • Si dos variables son independientes, ¿su correlación tiene que ser cero? Si su correlación es cero, ¿tienen que ser independientes?
  • ¿Qué significa que una correlación sea “estadísticamente significativa” cuando r=0,05r = 0{,}05 y nn es 100.000?

✅ Comprobación rápida

1. La r de Pearson es 0,8. ¿Qué fracción de la variación de y se asocia con la tendencia lineal de x?

2. ¿Cuándo deberías preferir Spearman a Pearson?

3. Una correlación de 0,95 entre dos variables, ¿qué establece?

correlaciónpearsonspearmandiagrama-de-dispersióncausalidad