COEFICIENTE DE CORRELACIN

Frecuentemente denominado correlacin. Una medida estadstica ampliamente utilizada que mide
el grado de relacin lineal entre dos variables aleatorias. El coeficiente de correlacin debe situarse
en la banda de -1 a +1. Las correlaciones desempean un papel vital en la gestin de riesgos
Su valor puede oscilar entre 0 y 1 y 0 y -1, segn que la correlacin sea positiva o negativa. Un
coeficiente de correlacin igual a cero significa ausencia de correlacin.
Medida estadstica que analiza el grado de dependencia entre dos variables, es decir, cmo se
ver afectada una variable determinada, conociendo la variacin de una segunda variable. Este
coeficiente toma valores entre -1 y 1, indicando si existe una dependencia directa (coeficiente
positivo) o inversa (coeficiente negativo) siendo el 0 la independencia total.
Medida de la relacin estadstica entre dos o ms variables.

Coeficiente de correlacin de Pearson

Ejemplos de diagramas de dispersin con diferentes valores del coeficiente de

correlacin ()

En estadstica, el coeficiente de correlacin de Pearson es una medida de la relacin

lineal entre dos variables aleatorias cuantitativas. La correlacin de Pearson es
independiente de la escala de medida de las variables.
De manera menos formal, podemos definir el coeficiente de correlacin de Pearson como
un ndice que puede utilizarse para medir el grado de relacin de dos variables siempre y
cuando ambas sean cuantitativas.

Interpretacin

Varios grupos de puntos (x, y), con el coeficiente de correlacin para cada
grupo. Ntese que la correlacin refleja la no linealidad y la direccin de la
relacin lineal. En la figura del centro, la varianza de y es nula, por lo que la
correlacin es indeterminada.

El valor del ndice de correlacin vara en el intervalo [-1,1]:

Si r = 1, existe una correlacin positiva perfecta. El ndice indica una

dependencia total entre las dos variables denominada relacin directa:
cuando una de ellas aumenta, la otra tambin lo hace en proporcin
constante.

Si 0 < r < 1, existe una correlacin positiva.

Si r = 0, no existe relacin lineal. Pero esto no necesariamente implica

que las variables son independientes: pueden existir todava relaciones
no lineales entre las dos variables.

Si -1 < r < 0, existe una correlacin negativa.

Si r = -1, existe una correlacin negativa perfecta. El ndice indica una

dependencia total entre las dos variables llamada relacin inversa:
cuando una de ellas aumenta, la otra disminuye en proporcin
constante.

La Correlacin Estadstica
La correlacin estadstica constituye una tcnica estadstica que nos
indica si dos variables estn relacionadas o no.
Por ejemplo, considera que las variables son el ingreso familiar y el gasto familiar. Se sabe
que los aumentos de ingresos y gastos disminuyen juntos. Por lo tanto, estn relacionados en
el sentido de que el cambio en cualquier variable estar acompaado por un cambio en la otra
variable.

De la misma manera, los precios y la demanda de un producto son variables relacionadas;

cuando los precios aumentan la demanda tender a disminuir y viceversa.
Si el cambio en una variable est acompaado de un cambio en la otra, entonces se dice que
las variables estn correlacionadas. Por lo tanto, podemos decir que el ingreso familiar y
gastos familiares y el precio y la demanda estn correlacionados.
.

Relacin Entre las Variables

La correlacin puede decir algo acerca de la relacin entre las variables. Se utiliza para
entender:

1.

si la relacin es positiva o negativa

2.

la fuerza de la relacin.

La correlacin es una herramienta poderosa que brinda piezas vitales de informacin.

En el caso del ingreso familiar y el gasto familiar, es fcil ver que ambos suben o bajan juntos
en la misma direccin. Esto se denomina correlacin positiva.
En caso del precio y la demanda, el cambio se produce en la direccin opuesta, de modo que
el aumento de uno est acompaado de un descenso en el otro. Esto se conoce como
correlacin negativa.

Coeficiente de Correlacin
La correlacin estadstica es medida por lo que se denomina coeficiente de correlacin (r). Su
valor numrico vara de 1,0 a -1,0. Nos indica la fuerza de la relacin.
En general, r> 0 indica una relacin positiva y r <0 indica una relacin negativa, mientras que r
= 0 indica que no hay relacin (o que las variables son independientes y no estn
relacionadas). Aqu, r = 1,0 describe una correlacin positiva perfecta y r = -1,0 describe una
correlacin negativa perfecta.
Cuanto ms cerca estn los coeficientes de +1,0 y -1,0, mayor ser la fuerza de la relacin
entre las variables.
Como norma general, las siguientes directrices sobre la fuerza de la relacin son tiles
(aunque muchos expertos podran disentir con la eleccin de los lmites).

Valor de r

Fuerza de relacin

-1,0 A -0,5 o 1,0 a 0,5

Fuerte

-0,5 A -0,3 o 0,3 a 0,5

Moderada

-0,3 A -0,1 o 0,1 a 0,3

Dbil

-0,1 A 0,1

Ninguna o muy dbil

La correlacin es solamente apropiada para examinar la relacin entre datos cuantificables

significativos (por ejemplo, la presin atmosfrica o la temperatura) en vez de datos
categricos, tales como el sexo, el color favorito, etc.

Desventajas
Si bien 'r' (coeficiente de correlacin) es una herramienta poderosa, debe ser utilizada con
cuidado.

1.

Los coeficientes de correlacin ms utilizados slo miden una relacin lineal.

Por lo tanto, es perfectamente posible que, si bien existe una fuerte relacin no
lineal entre las variables, r est cerca de 0 o igual a 0. En tal caso, un diagrama de
dispersin puede indicar aproximadamente la existencia o no de una relacin no
lineal.
2.
Hay que tener cuidado al interpretar el valor de 'r'. Por ejemplo, se podra
calcular 'r' entre el nmero de calzado y la inteligencia de las personas, la altura y
los ingresos. Cualquiera sea el valor de 'r', no tiene sentido y por lo tanto es llamado
correlacin de oportunidad o sin sentido.
3.

'R' no debe ser utilizado para decir algo sobre la relacin entre causa y efecto.
Dicho de otra manera, al examinar el valor de 'r' podramos concluir que las
variables X e Y estn relacionadas. Sin embargo, el mismo valor de 'r no nos dice si
X nfluencia a Y o al revs. La correlacin estadstica no debe ser la herramienta
principal para estudiar la causalidad, por el problema con las terceras variables.