CORRELACION

La finalidad de la correlación es examinar la dirección y la fuerza de la asociación entre dos variables cuantitativas.
Así conoceremos la intensidad de la relación entre ellas y si, al aumentar el valor de una variable, aumenta o
disminuye el valor de la otra variable. Para valorar la asociación entre dos variables, la primera aproximación suele
hacerse mediante un diagrama de dispersión.

REGRESION

La regresión está dirigida a describir como es la relación entre dos variables X e Y, de tal manera que incluso se
pueden hacer predicciones sobre los valores de la variable Y, a partir de los de X. La regresión supone que hay una
variable fija, controlada por el investigador (es la variable independiente o predictora), y otra que no está
controlada (variable respuesta o dependiente). La correlación supone que ninguna es fija: las dos variables están
fuera del control de investigador.

TIPOS DE CORRELACION

Correlación positiva: ocurre cuando una variable aumenta y la otra también. Por ejemplo, la altura de una persona
y el tamaño de su pie; mientras aumenta la altura, el pie también.

Correlación negativa: es cuando una variable aumenta y la otra disminuye. El tiempo de estudio y el tiempo que
pasas jugando videojuegos, tienen una correlación negativa, ya que cuando tu tiempo de estudio aumenta, no te
queda tanto tiempo para jugar videojuegos.

Sin correlación o Nula: no hay una relación aparente entre las variables. Los puntos en tus videojuegos y tu talla de
zapato no parecen tener ninguna correlación; mientras una aumenta, la otra no tiene ningún efecto.

TIPOS DE COEFICIENTES DE CORRELACION

Existen diversos coeficientes que miden el grado de correlación, adaptados a la naturaleza de los datos. El más
conocido es el coeficiente de correlación de Pearson (introducido en realidad por Francis Galton), que se obtiene
dividiendo la covarianza de dos variables entre el producto de sus desviaciones estándar. Otros coeficientes son:

Coeficiente de correlación de Pearson

En estadística, el coeficiente de correlación de Pearson es una medida lineal entre dos variables aleatorias
cuantitativas. A diferencia de la covarianza, la correlación de Pearson es independiente de la escala de medida de
las variables.

De manera menos formal, podemos definir el coeficiente de correlación de Pearson como un índice que puede
utilizarse para medir el grado de relación de dos variables siempre y cuando ambas sean cuantitativas y continuas.

Coeficiente de correlación de Spearman

En estadística, el coeficiente de correlación de Spearman, ρ (rho) es una medida de la correlación (la asociación o
interdependencia) entre dos variables aleatorias (tanto continuas como discretas). Para calcular ρ, los datos son
ordenados y reemplazados por su respectivo orden.

Correlación canónica

Su objetivo es buscar las relaciones que pueda haber entre dos grupos de variables y la validez de las mismas; la
correlación canónica predice múltiples variables dependientes a partir de múltiples independientes, es una
correlación lineal y, por tanto, solo busca relaciones lineales entre las variables.

Corvarianza

En probabilidad y estadística, la covarianza es un valor que indica el grado de variación conjunta de dos variables
aleatorias respecto a sus medias. Es el dato básico para determinar si existe una dependencia entre ambas
variables y además es el dato necesario para estimar otros parámetros básicos, como el coeficiente de correlación
lineal o la recta de regresión.

Cuando los valores altos de una de las variables suelen mayoritariamente corresponderse con los valores altos de la
otra, y lo mismo se verifica para los pequeños valores de una con los de la otra, se corrobora que tienden a mostrar
comportamiento similar lo que se refleja en un valor positivo de la covarianza1

Por el contrario, cuando a los mayores valores de una variable suelen corresponder en general los menores de la
otra, expresando un comportamiento opuesto, la covarianza es negativa.

El signo de la covarianza, por lo tanto, expresa la tendencia en la relación lineal entre las variables.