Ver esquema

Tema 62. Series estadísticas bidimensionales. Regresión y correlación lineal. Coeficiente de correlación. Significado y aplicaciones.

Temario oficial estatal de referencia — especialidad Matemáticas (Cuerpo de Profesores de Enseñanza Secundaria) · Índice oficial del BOE núm. 226, de 21 de septiembre de 1993, páginas 27400 a 27438 (Orden de 9 de septiembre de 1993, del Ministerio de Educación y Ciencia, BOE-A-1993-23257), Anexo III — cuestionario específico (Parte A) de la especialidad Matemáticas del Cuerpo de Profesores de Enseñanza Secundaria.

Este temario corresponde en exclusiva a la especialidad de Matemáticas del Cuerpo de Profesores de Enseñanza Secundaria (código 590/512) — una de las aproximadamente 50 especialidades oficiales de este cuerpo. No cubre ninguna otra especialidad de Secundaria (Lengua Castellana y Literatura, Geografía e Historia, Física y Química, Biología y Geología, Inglés, Filosofía, Tecnología, Dibujo, Música...) ni los cuerpos de Maestros o de Profesores Técnicos de Formación Profesional, que tienen temarios propios y distintos, todavía no publicados en OpositaGratis. El cuestionario específico (Parte A) que se reproduce aquí es el fijado con carácter estatal por el entonces Ministerio de Educación y Ciencia, y sigue siendo, más de tres décadas después, el temario base que las distintas Administraciones educativas —las 17 comunidades autónomas más Ceuta y Melilla, cada una competente para convocar su propia oposición— citan y desarrollan en sus resoluciones de convocatoria anual, al no existir una versión posterior que lo haya derogado o sustituido con carácter general para esta especialidad. Cada convocatoria autonómica concreta puede añadir particularidades propias (requisitos lingüísticos en comunidades con lengua cooficial, la prueba de programación y unidad didáctica, u otras variaciones menores de redacción), que no están reflejadas en este índice.

Este tema traslada el análisis estadístico del estudio de una única variable (temas 57 a 61) al estudio conjunto de dos variables observadas simultáneamente sobre los mismos individuos, desarrollando las herramientas —covarianza, coeficiente de correlación, rectas de regresión— que permiten cuantificar el grado de asociación lineal entre ambas y realizar predicciones de una a partir de la otra. Es un tema con fuerte componente de cálculo, muy propicio para supuestos prácticos con tablas de doble entrada, y con una exigencia conceptual añadida: distinguir con precisión entre correlación y causalidad, y entre el ajuste estadístico de un modelo y su capacidad real de predicción, cuestiones de gran relevancia tanto matemática como de pensamiento crítico ante datos.

← Ver el índice completo del temario

Variable estadística bidimensional

Una variable estadística bidimensional (X, Y) es aquella en la que se observan y registran simultáneamente dos características o magnitudes distintas sobre cada uno de los individuos de una población o muestra, con el objetivo de estudiar la posible relación o asociación existente entre ambas, en lugar de analizarlas por separado como si fueran independientes entre sí. Cada observación individual se recoge como un par ordenado (xᵢ, yᵢ), y el conjunto completo de N pares observados constituye la distribución conjunta de la variable bidimensional, que puede representarse de tres formas complementarias: mediante una tabla de datos que liste todos los pares observados, mediante una tabla de doble entrada o de contingencia si los valores se repiten con cierta frecuencia y conviene organizar las frecuencias conjuntas, o mediante un diagrama de dispersión que represente gráficamente cada par (xᵢ, yᵢ) como un punto en un sistema de ejes cartesianos. El estudio estadístico de una variable bidimensional persigue fundamentalmente dos objetivos complementarios: describir el grado y el sentido de la asociación existente entre ambas variables mediante la covarianza y el coeficiente de correlación, y modelizar dicha relación mediante una función matemática, habitualmente una recta, que permita predecir el valor de una de las variables a partir del valor conocido de la otra.

Tabla de doble entrada y distribución conjunta

Cuando los valores de las dos variables X e Y que componen una distribución bidimensional se repiten con cierta frecuencia dentro del conjunto de datos, resulta más eficiente organizar la información en una tabla de doble entrada, con los distintos valores de X dispuestos en las filas y los de Y en las columnas, de modo que cada celda interior de la tabla recoge la frecuencia absoluta conjunta nᵢⱼ, es decir, el número de individuos que presentan simultáneamente el valor xᵢ de la primera variable y el valor yⱼ de la segunda. Esta organización constituye la distribución de frecuencias conjunta de la variable bidimensional, y a partir de ella pueden obtenerse tanto las distribuciones marginales de cada variable considerada aisladamente (sumando las frecuencias de cada fila o de cada columna) como las distribuciones condicionadas de una variable para un valor fijo de la otra. El cálculo de la covarianza, del coeficiente de correlación y de los coeficientes de las rectas de regresión a partir de una tabla de doble entrada exige recorrer sistemáticamente todas las celdas con frecuencia no nula, ponderando cada producto xᵢ·yᵢ·nᵢⱼ por su frecuencia conjunta correspondiente, procedimiento formalmente análogo al empleado en el cálculo de parámetros de una variable unidimensional a partir de una tabla de frecuencias simple.

Nube de puntos o diagrama de dispersión

El diagrama de dispersión, o nube de puntos, es la representación gráfica propia de una distribución estadística bidimensional, y consiste en situar cada uno de los N pares de valores observados (xᵢ, yᵢ) como un punto individual sobre un sistema de ejes cartesianos, con la variable X representada habitualmente en el eje horizontal y la variable Y en el eje vertical. Su valor principal es exploratorio y de diagnóstico previo: antes de calcular ningún parámetro numérico, la simple observación visual de la forma y la disposición de la nube de puntos permite hacerse una idea aproximada del tipo de relación existente entre ambas variables —si los puntos se disponen siguiendo aproximadamente una línea recta ascendente o descendente (relación lineal, positiva o negativa), si describen una curva claramente no lineal (relación curvilínea, que un modelo lineal ajustaría mal), o si no muestran ningún patrón discernible (ausencia de relación aparente)—, y también permite detectar visualmente la presencia de valores atípicos que se alejan claramente de la tendencia general seguida por el resto de los puntos. Esta valoración visual previa es un paso metodológico imprescindible antes de calcular mecánicamente un coeficiente de correlación o ajustar una recta de regresión, ya que ambas herramientas están diseñadas específicamente para cuantificar relaciones de tipo lineal, y su aplicación a una relación claramente no lineal, sin haberlo detectado antes visualmente, conduciría a conclusiones erróneas o poco informativas.

Distribuciones marginales

Las distribuciones marginales de una variable estadística bidimensional (X, Y) son las distribuciones de frecuencias de cada una de las dos variables consideradas de forma individual y aislada, ignorando completamente la información aportada por la otra variable, y se obtienen sumando, dentro de una tabla de doble entrada, las frecuencias conjuntas de todas las columnas para cada fila (distribución marginal de X) o las de todas las filas para cada columna (distribución marginal de Y). El nombre de "marginal" procede precisamente de la disposición habitual de estas sumas en los márgenes exteriores, inferior y derecho respectivamente, de la tabla de doble entrada. A partir de las distribuciones marginales pueden calcularse la media y la desviación típica de cada variable por separado (x̄, σₓ para X; ȳ, σᵧ para Y), parámetros que resultan imprescindibles para el cálculo posterior tanto del coeficiente de correlación como de los coeficientes de las rectas de regresión. Es importante subrayar que las distribuciones marginales, al prescindir por completo de la información conjunta, no permiten por sí solas extraer ninguna conclusión sobre el grado ni el sentido de la posible asociación entre ambas variables; para ello es imprescindible recurrir a las distribuciones condicionadas o directamente a la covarianza y al coeficiente de correlación, calculados a partir de la distribución conjunta completa.

Distribuciones condicionadas

La distribución condicionada de la variable Y para un valor fijo xᵢ de la variable X es la distribución de frecuencias que resulta de considerar, dentro de una tabla de doble entrada, únicamente la fila (o columna) correspondiente a dicho valor xᵢ, estudiando cómo se reparten las frecuencias de Y exclusivamente entre los individuos que presentan ese valor concreto de X, sin considerar el resto de la tabla. El estudio comparativo de las distintas distribuciones condicionadas de Y para los distintos valores de X constituye una vía alternativa, más detallada y menos resumida que el simple cálculo del coeficiente de correlación, para detectar la existencia de dependencia estadística entre ambas variables: si la distribución de Y cambia de forma apreciable (en su media, en su dispersión o en su forma) al variar el valor fijado de X, existe evidencia de asociación entre ambas variables; si, por el contrario, todas las distribuciones condicionadas de Y resultan prácticamente idénticas entre sí con independencia del valor de X considerado, ello constituye un indicio de independencia estadística entre las dos variables. Este concepto de distribución condicionada bidimensional es, además, el antecedente conceptual directo de la probabilidad condicionada que se estudiará en el tema 64, estableciendo un puente natural entre la estadística descriptiva bidimensional y el cálculo de probabilidades.

Covarianza: definición y propiedades

La covarianza σₓᵧ (o Cov(X,Y)) es la medida numérica básica del grado y el sentido de la asociación lineal entre dos variables estadísticas, y se define como la media aritmética de los productos de las desviaciones de cada variable respecto a su propia media, σₓᵧ = Σ(xᵢ-x̄)·(yᵢ-ȳ)·fᵢⱼ, expresión que, desarrollada algebraicamente de forma análoga a la fórmula de König de la varianza, admite también la expresión práctica de cálculo σₓᵧ = Σ(xᵢ·yᵢ·fᵢⱼ) - x̄·ȳ. El signo de la covarianza indica el sentido de la asociación lineal entre ambas variables: una covarianza positiva indica que, en general, a valores de X superiores a su media corresponden valores de Y también superiores a la suya (y viceversa para valores inferiores a la media en ambas), es decir, ambas variables tienden a crecer o decrecer conjuntamente; una covarianza negativa indica la relación inversa, valores de X superiores a la media asociados a valores de Y inferiores a la suya; y una covarianza próxima a cero sugiere ausencia de relación lineal apreciable entre ambas variables, sin que ello excluya necesariamente la existencia de una relación no lineal. El principal inconveniente de la covarianza como medida de asociación es que su magnitud numérica depende de las unidades y de la escala de ambas variables, lo que impide comparar directamente covarianzas de distintas parejas de variables o valorar por sí sola la intensidad de la relación, limitación que resuelve el coeficiente de correlación.

Coeficiente de correlación de Pearson

El coeficiente de correlación lineal de Pearson r resuelve la principal limitación de la covarianza —su dependencia de las unidades y la escala de las variables— normalizándola respecto al producto de las desviaciones típicas de ambas variables: r = σₓᵧ/(σₓ·σᵧ), donde σₓᵧ es la covarianza entre X e Y, y σₓ y σᵧ son las desviaciones típicas de X e Y respectivamente. Esta normalización convierte al coeficiente de correlación en una magnitud adimensional, un número puro sin unidades, cuyo valor está siempre matemáticamente acotado entre -1 y 1 (consecuencia de la desigualdad de Cauchy-Schwarz aplicada a las desviaciones de ambas variables), lo que permite comparar directamente la intensidad de la relación lineal entre distintas parejas de variables, con independencia de las unidades en que estén expresadas. El coeficiente de Pearson mide exclusivamente el grado de asociación lineal entre las dos variables, y es completamente insensible a cualquier tipo de relación no lineal existente entre ellas: dos variables pueden estar relacionadas de forma perfecta y determinista mediante una función no lineal (por ejemplo, cuadrática) y presentar, sin embargo, un coeficiente de correlación de Pearson próximo a cero, si dicha relación no lineal no presenta una tendencia lineal apreciable dentro del rango de valores considerado, lo que obliga siempre a complementar el cálculo numérico del coeficiente con la observación previa del diagrama de dispersión.

Interpretación del coeficiente de correlación entre -1 y 1

La interpretación del valor numérico del coeficiente de correlación de Pearson se basa en su cercanía a los dos valores extremos posibles, -1 y 1, y al valor central, 0. Un valor r = 1 indica una correlación lineal positiva perfecta, situación en la que todos los puntos del diagrama de dispersión se sitúan exactamente sobre una única recta de pendiente positiva, sin ninguna dispersión respecto a ella; un valor r = -1 indica una correlación lineal negativa perfecta, con todos los puntos exactamente sobre una recta de pendiente negativa; y un valor r = 0 indica ausencia total de correlación lineal, sin que ello implique necesariamente independencia estadística completa entre las variables, ya que podría existir una relación no lineal no capturada por este coeficiente. En la práctica real, fuera de estos casos extremos teóricos, se emplean convencionalmente rangos orientativos de interpretación de la intensidad de la correlación: valores de |r| superiores a 0,8 o 0,9 se consideran indicativos de una correlación fuerte; valores entre 0,5 y 0,8, de una correlación moderada; y valores inferiores a 0,3 o 0,4, de una correlación débil, aunque estos umbrales son puramente convencionales y deben interpretarse siempre en el contexto concreto de la disciplina y del fenómeno estudiado, ya que un mismo valor numérico de r puede considerarse muy relevante en ciencias sociales y comparativamente modesto en física experimental.

Correlación positiva, negativa y nula

La correlación lineal entre dos variables se clasifica en tres tipos según el signo del coeficiente de Pearson (que coincide siempre con el signo de la covarianza y con el de la pendiente de las rectas de regresión). La correlación positiva se produce cuando ambas variables tienden a variar en el mismo sentido, de modo que valores altos de una tienden a ir acompañados de valores altos de la otra, y valores bajos de una de valores bajos de la otra (por ejemplo, entre la altura y el peso de un grupo de personas, o entre las horas de estudio y la calificación obtenida en un examen). La correlación negativa se produce cuando ambas variables tienden a variar en sentido inverso, de modo que valores altos de una se asocian con valores bajos de la otra (por ejemplo, entre la altitud de una localidad y su temperatura media anual, o entre el precio de un producto y la cantidad demandada del mismo, según la ley económica de la demanda). La correlación nula, o ausencia de correlación lineal, indica que no existe una tendencia lineal apreciable de variación conjunta entre ambas variables, situación que en el diagrama de dispersión se manifiesta como una nube de puntos sin ninguna orientación preferente, dispersa de manera aproximadamente uniforme en todas direcciones alrededor de su centro de gravedad (x̄, ȳ).

Correlación no implica causalidad

El principio de que correlación no implica causalidad adquiere en este tema su desarrollo técnico preciso: un coeficiente de correlación de Pearson elevado entre dos variables X e Y, por muy próximo que esté a 1 o a -1, certifica exclusivamente la existencia de una fuerte asociación lineal entre ambas dentro del conjunto de datos observado, pero no proporciona por sí mismo ninguna evidencia matemática de que la variación de una de ellas sea la causa directa de la variación de la otra. Las razones alternativas que pueden explicar una correlación elevada sin relación causal directa son fundamentalmente tres: la existencia de una tercera variable de confusión que influye simultáneamente sobre ambas variables correlacionadas, generando una asociación espuria entre ellas; una relación de causalidad inversa a la intuitivamente supuesta; o, en series de datos suficientemente largas y numerosas, la aparición de correlaciones puramente casuales y carentes de cualquier relación de fondo, fenómeno documentado extensamente en el proyecto "Spurious Correlations" de Tyler Vigen, que recopila decenas de correlaciones estadísticamente muy elevadas entre variables sin ninguna conexión causal plausible. Solo el diseño experimental controlado, con asignación aleatoria de los sujetos a grupos de tratamiento, permite establecer con rigor una relación de causalidad, no solo de correlación.

Recta de regresión de y sobre x

La recta de regresión de Y sobre X es el modelo lineal ŷ = a + b·x que mejor se ajusta al conjunto de puntos observados (xᵢ, yᵢ), en el sentido de que permite predecir o estimar el valor de la variable Y (llamada variable dependiente o explicada) a partir de un valor conocido o hipotético de la variable X (llamada variable independiente o explicativa). Sus coeficientes se calculan mediante las fórmulas b = σₓᵧ/σₓ² (la pendiente de la recta, cociente entre la covarianza y la varianza de la variable independiente X) y a = ȳ - b·x̄ (la ordenada en el origen, obtenida imponiendo que la recta pase exactamente por el punto (x̄, ȳ)); esta segunda condición garantiza que la recta de regresión pasa siempre por el centro de gravedad de la nube de puntos. Esta recta se denomina también recta de mínimos cuadrados de Y sobre X, ya que sus coeficientes son precisamente los que minimizan la suma de los cuadrados de las distancias verticales entre cada punto observado yᵢ y el valor predicho ŷᵢ correspondiente por la recta, es decir, minimiza Σ(yᵢ - ŷᵢ)². Es importante subrayar que esta recta está diseñada específicamente para predecir Y a partir de X, y no debe emplearse, sin más, para el problema inverso de predecir X a partir de Y, para el que existe una recta de regresión distinta.

Recta de regresión de x sobre y

La recta de regresión de X sobre Y es el modelo lineal complementario x̂ = a' + b'·y, que invierte los papeles de variable dependiente e independiente respecto a la recta anterior, permitiendo predecir o estimar el valor de X a partir de un valor conocido de Y. Sus coeficientes se calculan de forma simétrica a los de la recta anterior, mediante b' = σₓᵧ/σᵧ² (cociente entre la covarianza y la varianza de la variable Y, que ahora actúa como independiente) y a' = x̄ - b'·ȳ, garantizando de nuevo que esta segunda recta pasa también por el punto (x̄, ȳ), aunque, salvo en el caso particular de correlación perfecta (r = ±1), esta recta de regresión de X sobre Y no coincide con la de Y sobre X, sino que ambas forman un cierto ángulo entre sí, tanto mayor cuanto menor sea la intensidad de la correlación entre las variables. Un error conceptual muy frecuente, tanto entre el alumnado como en el uso divulgativo de la estadística, consiste en despejar algebraicamente la ecuación de una de las dos rectas de regresión para "invertir" el papel de las variables y emplearla, así despejada, como si fuera la otra recta de regresión; este procedimiento es matemáticamente incorrecto, ya que ambas rectas se obtienen minimizando distancias en direcciones distintas (verticales para Y sobre X, horizontales para X sobre Y) y no son, en general, la misma recta expresada de forma diferente.

Método de mínimos cuadrados

El método de mínimos cuadrados es el procedimiento matemático general que fundamenta el cálculo de los coeficientes de ambas rectas de regresión, y consiste en determinar los valores de los parámetros de un modelo (en este caso, la ordenada en el origen a y la pendiente b de una recta) que minimizan la suma de los cuadrados de los residuos, es decir, de las diferencias entre los valores observados de la variable dependiente y los valores que predice el modelo para cada dato: minimizar Σ(yᵢ - a - b·xᵢ)² respecto a los parámetros a y b. La elección de minimizar la suma de los cuadrados de los residuos, en lugar de, por ejemplo, la suma de sus valores absolutos, se justifica por razones tanto matemáticas (el problema resultante puede resolverse mediante derivadas parciales igualadas a cero, dando lugar a un sistema lineal de dos ecuaciones —las llamadas ecuaciones normales— con solución explícita cerrada) como estadísticas (bajo determinados supuestos sobre la distribución de los errores, el estimador de mínimos cuadrados posee propiedades óptimas de eficiencia entre todos los estimadores lineales insesgados posibles). El método de mínimos cuadrados, introducido de forma independiente por Gauss y Legendre a comienzos del siglo XIX, constituye además la base matemática de multitud de técnicas estadísticas y de aprendizaje automático más avanzadas, como la regresión múltiple o la regresión logística.

Punto medio (x̄,ȳ) como punto de paso de ambas rectas de regresión

Una propiedad geométrica fundamental, y de frecuente aparición en el examen, es que ambas rectas de regresión —la de Y sobre X y la de X sobre Y— pasan siempre, sin excepción y con independencia del valor concreto del coeficiente de correlación, por el mismo punto (x̄, ȳ), el centro de gravedad de la nube de puntos, formado por la media de la variable X y la media de la variable Y. Esta propiedad se deduce directamente de la forma en que se calculan las ordenadas en el origen de ambas rectas, a = ȳ - b·x̄ y a' = x̄ - b'·ȳ, construidas precisamente para garantizar dicho paso; sustituyendo x = x̄ en la primera ecuación se obtiene exactamente ŷ = ȳ, y sustituyendo y = ȳ en la segunda se obtiene x̂ = x̄, confirmando algebraicamente el resultado geométrico. Esta propiedad resulta muy útil en la resolución práctica de ejercicios, ya que, conocido el punto (x̄, ȳ) y la pendiente de una de las rectas (o el coeficiente de correlación junto con las desviaciones típicas de ambas variables), es posible determinar de forma inmediata la ecuación completa de la recta sin necesidad de recalcular la ordenada en el origen mediante la fórmula general, y proporciona además un punto de referencia visual inmediato para verificar, sobre el propio diagrama de dispersión, que ambas rectas ajustadas se cortan efectivamente en dicho punto central.

Ángulo entre las dos rectas de regresión y su relación con la correlación

El ángulo formado entre las dos rectas de regresión (de Y sobre X y de X sobre Y) en su punto de corte común (x̄, ȳ) está directamente relacionado con la intensidad de la correlación lineal existente entre las dos variables, constituyendo una interpretación geométrica muy intuitiva y de gran valor didáctico del coeficiente de correlación de Pearson. Cuando la correlación es perfecta, positiva o negativa (r = 1 o r = -1), ambas rectas de regresión coinciden exactamente en una única recta común, formando un ángulo de cero grados entre sí, lo que refleja que, en ese caso extremo, conocer el valor de una variable determina de forma exacta y sin ambigüedad el valor de la otra, con independencia de cuál de las dos se tome como variable predictora. A medida que la intensidad de la correlación disminuye en valor absoluto, el ángulo entre ambas rectas va aumentando progresivamente, alcanzando su valor máximo de noventa grados (rectas perpendiculares entre sí) precisamente en el caso de correlación lineal nula (r = 0), situación en la que ambas rectas de regresión son horizontal y vertical respectivamente, reflejando que, en ausencia de relación lineal, el mejor predictor posible de cada variable es simplemente su propia media, con independencia del valor observado de la otra variable.

Coeficiente de determinación r²

El coeficiente de determinación, calculado simplemente como el cuadrado del coeficiente de correlación de Pearson, r², tiene una interpretación estadística propia y de gran relevancia práctica, distinta de la del propio coeficiente r: representa la proporción o porcentaje de la variabilidad total observada en la variable dependiente Y que queda explicada o justificada por el modelo lineal de regresión ajustado a partir de la variable independiente X, quedando el porcentaje restante, 1 - r², atribuido a otros factores no incluidos en el modelo lineal (variables no consideradas, relaciones no lineales, o simple variabilidad aleatoria no explicable). Un coeficiente de determinación de r² = 0,81, por ejemplo, correspondiente a un coeficiente de correlación de r = 0,9, indica que el 81 % de la variabilidad de Y queda explicada por su relación lineal con X, mientras que el 19 % restante permanece sin explicar por el modelo. Esta interpretación en términos de proporción de varianza explicada resulta considerablemente más intuitiva y comunicable que la del propio coeficiente r, y explica por qué el coeficiente de determinación se emplea de forma casi universal en la evaluación de la calidad o bondad de un ajuste de regresión en disciplinas aplicadas como la economía, la biología o las ciencias sociales, donde se reporta habitualmente como el porcentaje de variación explicada del fenómeno estudiado por el modelo propuesto.

Bondad del ajuste lineal

La bondad del ajuste de una recta de regresión mide el grado en que dicha recta representa fielmente la relación real observada entre las dos variables dentro del conjunto de datos analizado, y se evalúa fundamentalmente a través del coeficiente de determinación r² (cuanto más próximo a 1, mejor es el ajuste lineal) y del análisis visual de los residuos, es decir, de las diferencias entre los valores observados yᵢ y los valores predichos ŷᵢ por la recta para cada dato. Un buen ajuste lineal se caracteriza por residuos pequeños y sin ningún patrón sistemático apreciable al representarlos gráficamente frente a los valores de X (una nube de residuos dispersa aleatoriamente en torno a cero); la aparición de un patrón sistemático en los residuos —por ejemplo, una forma curva, con residuos positivos en los extremos y negativos en el centro, o viceversa— es un indicio claro de que la verdadera relación subyacente entre las variables no es lineal, y de que el modelo lineal, aunque pueda presentar un coeficiente de correlación numéricamente aceptable, no está capturando adecuadamente la forma real de la relación. Es importante subrayar que un coeficiente de correlación elevado no garantiza automáticamente que el modelo lineal sea el más adecuado para realizar predicciones fiables, especialmente para valores de X alejados del rango de datos observado, extrapolación que siempre debe realizarse con extrema cautela.

Transformación a modelos lineales para regresiones no lineales

Cuando el diagrama de dispersión revela con claridad que la relación real entre dos variables no es de tipo lineal, sino que sigue un patrón curvilíneo (exponencial, potencial, logarítmico, parabólico), resulta habitual recurrir a una transformación matemática de una o de ambas variables que permita convertir dicha relación no lineal original en una relación aproximadamente lineal entre las variables transformadas, sobre las que sí pueden aplicarse con propiedad las técnicas de regresión y correlación lineal ya descritas. Así, una relación de tipo exponencial, y = a·bˣ, se linealiza tomando logaritmos en ambos miembros de la ecuación, obteniendo log(y) = log(a) + x·log(b), una relación lineal entre x y log(y); una relación de tipo potencial, y = a·xᵇ, se linealiza tomando logaritmos de ambas variables, log(y) = log(a) + b·log(x), una relación lineal entre log(x) y log(y). Una vez ajustada la recta de regresión sobre las variables transformadas mediante el método de mínimos cuadrados habitual, es necesario deshacer la transformación logarítmica aplicando la función exponencial inversa a los coeficientes obtenidos, para recuperar los parámetros del modelo no lineal original en sus unidades y su forma funcional auténtica. Esta técnica de linealización mediante transformación logarítmica es de uso muy extendido en el ajuste de modelos de crecimiento poblacional, de desintegración radiactiva o de escalas de magnitud sísmica y sonora.

Aplicaciones a la predicción y al análisis de relaciones entre variables

La regresión y la correlación lineal encuentran aplicación práctica generalizada en prácticamente todas las disciplinas empíricas que necesitan cuantificar relaciones entre magnitudes observables y, a partir de ellas, realizar predicciones fundamentadas. En economía, se emplean para modelizar la relación entre el gasto en publicidad y las ventas de un producto, entre la renta disponible y el consumo de los hogares, o entre distintos indicadores macroeconómicos; en biología y medicina, para relacionar dosis de un fármaco con su efecto terapéutico, o variables antropométricas entre sí; en ciencias sociales, para estudiar la relación entre nivel educativo e ingresos, o entre variables demográficas y sociales diversas; en ciencias experimentales, para calibrar instrumentos de medida a partir de patrones conocidos. En todos estos casos, es fundamental distinguir entre la interpolación, es decir, predecir el valor de Y para un valor de X situado dentro del rango de los datos originalmente observados, procedimiento estadísticamente fiable, y la extrapolación, predecir para un valor de X situado fuera de dicho rango, procedimiento que conlleva un riesgo considerablemente mayor de error, ya que no existe ninguna garantía de que la relación lineal observada dentro del rango estudiado se mantenga válida más allá de sus límites, advertencia metodológica que debe transmitirse siempre junto con cualquier predicción basada en un modelo de regresión.

Relación entre el signo de la covarianza y el de la pendiente de la recta de regresión

Existe una relación algebraica directa y necesaria entre el signo de la covarianza de dos variables, el signo del coeficiente de correlación de Pearson y el signo de la pendiente de ambas rectas de regresión, ya que los tres se calculan a partir de expresiones en las que la covarianza aparece siempre como factor en el numerador, dividida en cada caso por magnitudes estrictamente positivas (el producto de las desviaciones típicas para r, o la varianza de la variable independiente para la pendiente de cada recta de regresión). En consecuencia, si la covarianza entre X e Y es positiva, tanto el coeficiente de correlación como las pendientes de ambas rectas de regresión (b de Y sobre X, y b' de X sobre Y) serán también necesariamente positivas, reflejando de forma coherente en las tres magnitudes una relación de variación conjunta en el mismo sentido; si la covarianza es negativa, las tres magnitudes correspondientes serán igualmente negativas. Esta coherencia de signos entre covarianza, correlación y pendientes de regresión constituye una comprobación rápida y muy útil de la corrección de los cálculos realizados en un ejercicio: si, al resolver un supuesto práctico, se obtiene una covarianza positiva pero una pendiente de regresión negativa, o viceversa, ello constituye un indicio inequívoco de que se ha cometido un error aritmético en alguno de los cálculos intermedios realizados.

Aplicación de la regresión lineal a la predicción en ciencias sociales y naturales

La regresión lineal, pese a la aparente sencillez de su formulación matemática, constituye una de las herramientas estadísticas de mayor impacto práctico y social, empleada de forma generalizada tanto en ciencias sociales como en ciencias naturales para transformar la evidencia empírica disponible en predicciones y decisiones fundamentadas. En el ámbito educativo, permite modelizar y predecir el rendimiento académico de un alumno a partir de variables como el número de horas de estudio semanales o los resultados en evaluaciones previas, informando así estrategias de intervención y refuerzo educativo tempranas; en climatología y ciencias ambientales, permite modelizar tendencias de calentamiento global o de otras variables ambientales a partir de series temporales históricas; en salud pública, permite estimar la relación entre factores de riesgo (tabaquismo, sedentarismo) e indicadores de morbilidad o mortalidad en estudios epidemiológicos. En todos estos casos, la regresión lineal simple aquí estudiada constituye además el fundamento conceptual y matemático directo de técnicas más avanzadas de amplio uso profesional y científico actual, como la regresión lineal múltiple (que incorpora simultáneamente varias variables explicativas), la regresión logística (empleada para variables dependientes categóricas, como el diagnóstico de una enfermedad) o los modelos lineales generalizados, todos ellos extensiones directas del método de mínimos cuadrados desarrollado originalmente para el caso bidimensional simple estudiado en este tema.

Fórmulas de cálculo con datos no agrupados y ejemplo resuelto

Con N pares (xᵢ, yᵢ) sin agrupar, las medias son x̄ = Σxᵢ/N y ȳ = Σyᵢ/N, las varianzas σₓ² = Σxᵢ²/N - x̄² y σᵧ² = Σyᵢ²/N - ȳ², y la covarianza σₓᵧ = Σxᵢyᵢ/N - x̄·ȳ. Ejemplo: sean los pares (1,2), (2,3), (3,5), (4,4) y (5,6). Se obtiene x̄ = 3 e ȳ = 4; Σxᵢyᵢ = 2 + 6 + 15 + 16 + 30 = 69, luego σₓᵧ = 69/5 - 12 = 1,8; Σxᵢ² = 55 y σₓ² = 11 - 9 = 2; Σyᵢ² = 90 y σᵧ² = 18 - 16 = 2. El coeficiente de correlación es r = 1,8/√(2·2) = 0,9. Las pendientes son b = σₓᵧ/σₓ² = 0,9 y b' = σₓᵧ/σᵧ² = 0,9, y las rectas son ŷ = 4 + 0,9·(x - 3) = 1,3 + 0,9x y x̂ = 3 + 0,9·(y - 4) = -0,6 + 0,9y. El coeficiente de determinación es r² = 0,81, y se comprueba que b·b' = 0,81 = r². Estos cálculos se pueden organizar en una tabla con columnas xᵢ, yᵢ, xᵢ², yᵢ² y xᵢyᵢ, método que reduce errores en el examen. Si los datos vienen agrupados, se usan las marcas de clase como valores representativos y se ponderan los productos por las frecuencias conjuntas nᵢⱼ.

Relaciones entre r, b y b'

Las pendientes de las dos rectas de regresión se relacionan con el coeficiente de correlación mediante b = r·σᵧ/σₓ y b' = r·σₓ/σᵧ. Multiplicándolas se obtiene b·b' = r², por lo que r = ±√(b·b') con el mismo signo que b y b'; de ahí se deduce también que el producto de las pendientes b y b' siempre está comprendido entre 0 y 1. Esta relación permite resolver ejercicios muy frecuentes en los que se dan las ecuaciones de las dos rectas y se piden las medias y el coeficiente de correlación. Ejemplo: sean y = 2 + 0,8x (recta de Y sobre X, b = 0,8) y x = 1 + 0,5y (recta de X sobre Y, b' = 0,5). Entonces r² = 0,8·0,5 = 0,4 y r = +√0,4 ≈ 0,632 (signo positivo porque las pendientes son positivas). Las medias son la solución del sistema formado por ambas rectas: sustituyendo, x = 1 + 0,5·(2 + 0,8x) = 2 + 0,4x, luego x̄ = 10/3 ≈ 3,33 e ȳ = 2 + 0,8·10/3 = 14/3 ≈ 4,67. Para identificar cuál de las dos rectas es la de Y sobre X cuando no se indica, se prueba una asignación y se comprueba que el producto b·b' no excede de 1; si lo excede, la asignación es la contraria.

Propiedades de la covarianza y del coeficiente de correlación ante transformaciones

La covarianza es simétrica, Cov(X,Y) = Cov(Y,X), y se reduce a la varianza cuando las dos variables coinciden, Cov(X,X) = Var(X). Ante transformaciones lineales se cumple Cov(aX + b, cY + d) = a·c·Cov(X,Y): las traslaciones no la modifican y los cambios de escala la multiplican por el producto de los factores. Por tanto, el coeficiente de correlación cumple r(aX + b, cY + d) = signo(a·c)·r(X,Y): no depende de las unidades ni del origen de ninguna de las variables y solo cambia de signo si exactamente una de las transformaciones invierte el sentido de la escala. Además, r es simétrico (la correlación de X con Y es la de Y con X) y solo vale ±1 cuando existe una relación lineal exacta entre las variables. Si dos variables son independientes, su covarianza es nula y, por tanto, r = 0, pero el recíproco es falso: una covarianza nula indica únicamente ausencia de relación lineal (por ejemplo, los pares (-2,4), (-1,1), (0,0), (1,1), (2,4), con y = x², tienen covarianza nula pese a existir una dependencia funcional exacta).

Varianza explicada, varianza residual y error típico de estimación

Los residuos eᵢ = yᵢ - ŷᵢ de la recta de regresión de Y sobre X cumplen siempre Σeᵢ = 0, de modo que su media es cero. La varianza de Y puede descomponerse en una parte explicada por la recta y otra residual: σᵧ² = r²·σᵧ² + (1 - r²)·σᵧ². La varianza de los valores estimados ŷᵢ es r²·σᵧ² (varianza explicada), mientras que la varianza de los residuos es σₑ² = (1 - r²)·σᵧ² (varianza residual), y su raíz cuadrada, σₑ = σᵧ·√(1 - r²), se denomina error típico de estimación y mide el error medio de las predicciones. Esta descomposición confirma la interpretación de r² como proporción de la variabilidad explicada y muestra que, si r = ±1, la varianza residual es nula y todas las predicciones son exactas, mientras que si r = 0 la varianza residual coincide con la varianza total y la recta no mejora la predicción de usar simplemente la media ȳ. Para el ejemplo del primer apartado (σᵧ² = 2 y r² = 0,81), la varianza explicada es 1,62 y la residual 0,38.

Origen histórico de la regresión y de la correlación

El término regresión procede de Francis Galton, que en su trabajo de 1886 sobre la estatura hereditaria describió el fenómeno que denominó regresión a la mediocridad: los hijos de padres muy altos o muy bajos tienden a situarse, en promedio, más cerca de la estatura media de la población que sus padres. Este fenómeno, hoy llamado regresión a la media, es una consecuencia de que |r| < 1 y de que la recta de regresión tiene pendiente b = r·σᵧ/σₓ menor, en unidades tipificadas, que la recta de pendiente 1. Karl Pearson, discípulo y colaborador de Galton, formalizó matemáticamente el coeficiente de correlación producto-momento en la década de 1890, por lo que se le conoce como coeficiente de correlación de Pearson. El método de mínimos cuadrados que se usa para ajustar las rectas fue publicado por Legendre en 1805 y por Gauss en 1809, que afirmó haberlo utilizado antes. Conviene distinguir entre el significado histórico de regresión (volver hacia la media) y su uso moderno, que se aplica a cualquier modelo de ajuste de una variable respuesta a una o más variables explicativas.

Correlación de rangos de Spearman

Cuando las variables son ordinales, cuando la relación es monótona pero no lineal, o cuando existen valores atípicos que distorsionan el coeficiente de Pearson, se emplea el coeficiente de correlación de rangos de Spearman, que consiste en sustituir los valores por sus rangos (posición al ordenarlos de menor a mayor) y calcular el coeficiente de Pearson de los rangos. Si no hay empates, su expresión es ρ = 1 - 6·Σdᵢ²/(n·(n² - 1)), donde dᵢ es la diferencia entre los rangos de X y de Y del individuo i. Toma valores entre -1 y 1 y vale 1 cuando el orden de las dos variables coincide exactamente (relación monótona creciente perfecta, aunque no sea lineal). Es, por tanto, una medida de asociación monótona. Existe además el coeficiente τ de Kendall, también basado en rangos, que mide la concordancia entre pares de observaciones. Estos coeficientes son más robustos que el de Pearson, aunque con datos cuantitativos y relación lineal este último es más informativo.

Cuarteto de Anscombe: por qué hay que representar los datos

El cuarteto de Anscombe, propuesto por el estadístico Francis Anscombe en 1973, está formado por cuatro conjuntos de datos con prácticamente los mismos estadísticos resumen (la misma media de X y de Y, las mismas varianzas, una correlación de aproximadamente 0,816 y la misma recta de regresión, y ≈ 3 + 0,5x), pero con diagramas de dispersión completamente distintos: uno con relación lineal razonable, otro con relación claramente curva, otro con una relación lineal perfecta alterada por un solo valor atípico y otro en el que casi todas las abscisas son iguales y una sola observación determina la recta. Su enseñanza es doble: los estadísticos numéricos no sustituyen la inspección visual del diagrama de dispersión, y un solo punto influyente puede condicionar el coeficiente de correlación y la recta de regresión. De ahí la recomendación metodológica de representar siempre los datos antes de calcular y de examinar los residuos después.

Factores que alteran el coeficiente de correlación

El valor de r depende de aspectos que no siempre se tienen presentes. Los valores atípicos pueden aumentar o reducir drásticamente r, sobre todo en muestras pequeñas. La restricción del rango de una de las variables (por ejemplo, estudiar la relación entre la nota de acceso y el rendimiento universitario solo con los alumnos admitidos) reduce el valor de r respecto al de la población completa. La mezcla de subpoblaciones heterogéneas puede producir una correlación aparente que no existe dentro de cada grupo, o incluso invertir su signo: es la paradoja de Simpson, según la cual una tendencia observada en cada subgrupo puede desaparecer o invertirse al agrupar los datos. También conviene recordar la falacia ecológica: una correlación calculada con datos agregados (medias por regiones, por ejemplo) no tiene por qué cumplirse a nivel de individuos. Por último, con pocos datos pueden obtenerse valores de r elevados por azar (con n = 2 siempre r = ±1), por lo que, fuera del nivel elemental, la interpretación de r se acompaña de un contraste de hipótesis, que se basa en el estadístico t = r·√(n - 2)/√(1 - r²) con n - 2 grados de libertad.

Modelos de ajuste no lineales frecuentes y su linealización

Además de los modelos exponencial (y = a·bˣ) y potencial (y = a·xᵇ) ya vistos, los modelos más usados en Secundaria y Bachillerato son el logarítmico (y = a + b·ln x), que se linealiza con el cambio de variable X' = ln x; el hiperbólico (y = a + b/x), con X' = 1/x; el parabólico (y = a + bx + cx²), que se ajusta por mínimos cuadrados con dos variables explicativas, x y x²; y el exponencial de base e (y = a·e^(bx)), con ln y = ln a + b·x. En cada caso se transforma la variable, se ajusta una recta por mínimos cuadrados y se deshace la transformación. Para elegir entre varios modelos se compara el coeficiente de determinación calculado en cada uno (teniendo en cuenta que el r² de un modelo linealizado se refiere a las variables transformadas) y se examina el diagrama de dispersión y el de residuos, prefiriendo siempre el modelo más sencillo que ajuste razonablemente bien. En un ejemplo de crecimiento exponencial, ln y frente a x se alinea sobre una recta cuya pendiente es ln b, de modo que b = e^(pendiente) es el factor de crecimiento por unidad de x. Con esta técnica se ajustan fenómenos como el crecimiento de poblaciones, la capitalización de capitales y la desintegración radiactiva.

Interpretación de los parámetros de la recta de regresión y de la predicción

En la recta ŷ = a + b·x, la pendiente b se interpreta como la variación media de Y por cada unidad de aumento de X, medida en las unidades de Y por unidad de X (por ejemplo, euros por metro cuadrado o puntos de nota por hora de estudio). La ordenada en el origen a es el valor predicho de Y para x = 0, que solo tiene interpretación real cuando x = 0 pertenece al rango de los datos o tiene sentido en el contexto (el precio base de una vivienda sin metros cuadrados carece de él). Al predecir hay que comprobar tres condiciones: que el coeficiente de correlación sea suficientemente alto (en la práctica, que r² sea elevado), que el diagrama de dispersión justifique el modelo lineal y que el valor de x esté dentro del rango observado o muy cerca de él. Si no se cumplen, la predicción no es fiable. Además, la predicción de un valor individual es menos precisa que la predicción del valor medio de Y para un x dado, porque a la incertidumbre del ajuste se suma la variabilidad individual alrededor de la recta, medida por el error típico de estimación.

Errores típicos en los ejercicios de regresión y correlación

Entre los errores más frecuentes destacan los siguientes. Confundir la recta de Y sobre X con la de X sobre Y, utilizando la primera para estimar x a partir de y. Calcular b como σₓᵧ/σᵧ² en lugar de σₓᵧ/σₓ² (el denominador es la varianza de la variable explicativa). Interpretar r como un porcentaje de variabilidad explicada, cuando ese papel corresponde a r². Pensar que r = 0,5 indica una relación el doble de fuerte que r = 0,25 (la proporción de variabilidad explicada pasa del 6,25 % al 25 %, cuatro veces más). Olvidar que r mide únicamente la asociación lineal y calcularlo sin mirar el diagrama de dispersión. Extrapolar muy lejos del rango de datos. Deducir causalidad de una correlación elevada. No comprobar la coherencia de los signos de σₓᵧ, r, b y b'. Dar a r un valor fuera del intervalo [-1, 1], síntoma seguro de error aritmético. Usar la recta de regresión de dos variables medidas en unidades distintas sin indicar las unidades de b.

Ideas clave para el examen — memoriza esto

  • Variable bidimensional (X,Y): pares (xᵢ,yᵢ) observados sobre los mismos individuos; se representa en tabla de doble entrada o diagrama de dispersión.
  • El diagrama de dispersión es el diagnóstico visual previo obligado: revela si la relación es lineal, curvilínea o inexistente antes de calcular nada.
  • Distribuciones marginales (cada variable por separado, sumando filas/columnas) frente a condicionadas (una variable fijando un valor de la otra, indicio de dependencia si cambian).
  • Covarianza σₓᵧ=Σxᵢyᵢfᵢⱼ-x̄ȳ: signo indica sentido de la relación, pero su magnitud depende de las unidades (no es comparable entre parejas de variables).
  • Coeficiente de correlación de Pearson r=σₓᵧ/(σₓσᵧ), acotado entre -1 y 1, adimensional; mide SOLO relación lineal, insensible a relaciones no lineales fuertes.
  • r=1/-1: correlación perfecta (puntos exactamente sobre una recta); r=0: ausencia de correlación lineal (no implica independencia total).
  • Correlación no implica causalidad: variable de confusión, causalidad inversa o correlación espuria son las tres alternativas a una relación causal real.
  • Recta de Y sobre X (ŷ=a+bx, b=σₓᵧ/σₓ², minimiza residuos verticales) y recta de X sobre Y (x̂=a'+b'y, b'=σₓᵧ/σᵧ², minimiza residuos horizontales) son distintas salvo r=±1.
  • Ambas rectas de regresión pasan siempre por el punto (x̄,ȳ), centro de gravedad de la nube de puntos.
  • El ángulo entre las dos rectas de regresión decrece con |r|: 0° si r=±1 (coinciden), 90° si r=0 (perpendiculares).
  • Método de mínimos cuadrados: minimiza Σ(yᵢ-ŷᵢ)²; da lugar a un sistema de ecuaciones normales con solución cerrada (Gauss/Legendre, s. XIX).
  • Coeficiente de determinación r²: proporción de la variabilidad de Y explicada por el modelo lineal en X; más intuitivo y comunicable que r.
  • La bondad del ajuste se valora con r² y con el análisis de residuos; un patrón sistemático en los residuos delata que la relación real no es lineal.
  • Relaciones exponenciales (y=ab^x) y potenciales (y=ax^b) se linealizan tomando logaritmos antes de aplicar mínimos cuadrados.
  • Interpolar (predecir dentro del rango de datos observado) es fiable; extrapolar (fuera del rango) conlleva un riesgo de error mucho mayor.
  • Covarianza, r y las pendientes b y b' de ambas rectas comparten siempre el mismo signo — comprobación rápida de errores de cálculo.
  • Covarianza σₓᵧ=Σxᵢyᵢ/N - x̄ȳ; r=σₓᵧ/(σₓσᵧ); b=σₓᵧ/σₓ²; b'=σₓᵧ/σᵧ²; a=ȳ-b·x̄. Ejemplo tipo: pares (1,2),(2,3),(3,5),(4,4),(5,6) → σₓᵧ=1,8; r=0,9; ŷ=1,3+0,9x.
  • Relaciones útiles: b=r·σᵧ/σₓ, b'=r·σₓ/σᵧ, b·b'=r², r=±√(b·b') con el signo común de b y b'. El producto b·b' siempre está entre 0 y 1.
  • Dadas las dos rectas, las medias (x̄,ȳ) son la solución del sistema formado por ellas, y r=±√(b·b'). Para identificar cuál es Y/X se exige b·b' ≤ 1.
  • r es invariante ante cambios de unidad y de origen: r(aX+b,cY+d)=signo(ac)·r(X,Y). La covarianza, en cambio, sí depende de las unidades: Cov(aX+b,cY+d)=ac·Cov(X,Y).
  • Independencia ⇒ covarianza y r nulos; el recíproco es falso (y=x² con x simétrica respecto a 0 da r=0 con dependencia funcional exacta).
  • Σ residuos = 0; varianza explicada = r²σᵧ²; varianza residual = (1-r²)σᵧ²; error típico de estimación = σᵧ√(1-r²).
  • Regresión a la media (Galton, 1886): consecuencia de |r|<1; Pearson formalizó el coeficiente de correlación en la década de 1890; mínimos cuadrados: Legendre (1805) y Gauss (1809).
  • Spearman: correlación de Pearson de los rangos; ρ=1-6Σd²/(n(n²-1)) sin empates; mide asociación monótona, robusta ante atípicos.
  • Cuarteto de Anscombe (1973): cuatro conjuntos con r≈0,816 y la misma recta pero gráficos distintos → hay que representar siempre los datos.
  • Paradoja de Simpson y falacia ecológica: la tendencia puede invertirse al agrupar subpoblaciones, y una correlación entre agregados no se traslada necesariamente a individuos.
  • Restringir el rango de una variable reduce r; con n pequeño r puede ser alto por azar (n=2 ⇒ r=±1). Contraste elemental: t=r√(n-2)/√(1-r²) con n-2 grados de libertad.
  • Linealizaciones: y=a+b·ln x → X'=ln x; y=a+b/x → X'=1/x; y=a·e^(bx) → ln y lineal en x; y=a·xᵇ → ln y lineal en ln x. El r² obtenido se refiere a las variables transformadas.
  • Interpretación: b son unidades de Y por unidad de X; a solo tiene sentido si x=0 es plausible; r=0,5 explica el 25 % de la variabilidad, no el 50 %.
Ver el esquema con tus propios subrayados →

Ponte a prueba

12 preguntas sobre este tema, en orden aleatorio. Sin registro, sin límite de intentos.

Pregunta 1 de 120 aciertos

Dos variables cumplen y = x², con valores de x simétricos respecto a 0 (-2, -1, 0, 1, 2). ¿Qué ocurre con su coeficiente de correlación de Pearson?

Preguntas frecuentes

¿De qué trata el Tema 62 de Secundaria?

Este tema traslada el análisis estadístico del estudio de una única variable (temas 57 a 61) al estudio conjunto de dos variables observadas simultáneamente sobre los mismos individuos, desarrollando las herramientas —covarianza, coeficiente de correlación, rectas de regresión— que permiten cuantificar el grado de asociación lineal entre ambas y realizar predicciones de una a partir de la otra. Es un tema con fuerte componente de cálculo, muy propicio para supuestos prácticos con tablas de doble entrada, y con una exigencia conceptual añadida: distinguir con precisión entre correlación y causalidad, y entre el ajuste estadístico de un modelo y su capacidad real de predicción, cuestiones de gran relevancia tanto matemática como de pensamiento crítico ante datos.

¿Qué hay que memorizar del Tema 62 para el examen?

Variable bidimensional (X,Y): pares (xᵢ,yᵢ) observados sobre los mismos individuos; se representa en tabla de doble entrada o diagrama de dispersión. El diagrama de dispersión es el diagnóstico visual previo obligado: revela si la relación es lineal, curvilínea o inexistente antes de calcular nada. Distribuciones marginales (cada variable por separado, sumando filas/columnas) frente a condicionadas (una variable fijando un valor de la otra, indicio de dependencia si cambian). Covarianza σₓᵧ=Σxᵢyᵢfᵢⱼ-x̄ȳ: signo indica sentido de la relación, pero su magnitud depende de las unidades (no es comparable entre parejas de variables). Coeficiente de correlación de Pearson r=σₓᵧ/(σₓσᵧ), acotado entre -1 y 1, adimensional; mide SOLO relación lineal, insensible a relaciones no lineales fuertes. r=1/-1: correlación perfecta (puntos exactamente sobre una recta); r=0: ausencia de correlación lineal (no implica independencia total). Correlación no implica causalidad: variable de confusión, causalidad inversa o correlación espuria son las tres alternativas a una relación causal real. Recta de Y sobre X (ŷ=a+bx, b=σₓᵧ/σₓ², minimiza residuos verticales) y recta de X sobre Y (x̂=a'+b'y, b'=σₓᵧ/σᵧ², minimiza residuos horizontales) son distintas salvo r=±1. Ambas rectas de regresión pasan siempre por el punto (x̄,ȳ), centro de gravedad de la nube de puntos. El ángulo entre las dos rectas de regresión decrece con |r|: 0° si r=±1 (coinciden), 90° si r=0 (perpendiculares). Método de mínimos cuadrados: minimiza Σ(yᵢ-ŷᵢ)²; da lugar a un sistema de ecuaciones normales con solución cerrada (Gauss/Legendre, s. XIX). Coeficiente de determinación r²: proporción de la variabilidad de Y explicada por el modelo lineal en X; más intuitivo y comunicable que r. La bondad del ajuste se valora con r² y con el análisis de residuos; un patrón sistemático en los residuos delata que la relación real no es lineal. Relaciones exponenciales (y=ab^x) y potenciales (y=ax^b) se linealizan tomando logaritmos antes de aplicar mínimos cuadrados. Interpolar (predecir dentro del rango de datos observado) es fiable; extrapolar (fuera del rango) conlleva un riesgo de error mucho mayor. Covarianza, r y las pendientes b y b' de ambas rectas comparten siempre el mismo signo — comprobación rápida de errores de cálculo. Covarianza σₓᵧ=Σxᵢyᵢ/N - x̄ȳ; r=σₓᵧ/(σₓσᵧ); b=σₓᵧ/σₓ²; b'=σₓᵧ/σᵧ²; a=ȳ-b·x̄. Ejemplo tipo: pares (1,2),(2,3),(3,5),(4,4),(5,6) → σₓᵧ=1,8; r=0,9; ŷ=1,3+0,9x. Relaciones útiles: b=r·σᵧ/σₓ, b'=r·σₓ/σᵧ, b·b'=r², r=±√(b·b') con el signo común de b y b'. El producto b·b' siempre está entre 0 y 1. Dadas las dos rectas, las medias (x̄,ȳ) son la solución del sistema formado por ellas, y r=±√(b·b'). Para identificar cuál es Y/X se exige b·b' ≤ 1. r es invariante ante cambios de unidad y de origen: r(aX+b,cY+d)=signo(ac)·r(X,Y). La covarianza, en cambio, sí depende de las unidades: Cov(aX+b,cY+d)=ac·Cov(X,Y). Independencia ⇒ covarianza y r nulos; el recíproco es falso (y=x² con x simétrica respecto a 0 da r=0 con dependencia funcional exacta). Σ residuos = 0; varianza explicada = r²σᵧ²; varianza residual = (1-r²)σᵧ²; error típico de estimación = σᵧ√(1-r²). Regresión a la media (Galton, 1886): consecuencia de |r|<1; Pearson formalizó el coeficiente de correlación en la década de 1890; mínimos cuadrados: Legendre (1805) y Gauss (1809). Spearman: correlación de Pearson de los rangos; ρ=1-6Σd²/(n(n²-1)) sin empates; mide asociación monótona, robusta ante atípicos. Cuarteto de Anscombe (1973): cuatro conjuntos con r≈0,816 y la misma recta pero gráficos distintos → hay que representar siempre los datos. Paradoja de Simpson y falacia ecológica: la tendencia puede invertirse al agrupar subpoblaciones, y una correlación entre agregados no se traslada necesariamente a individuos. Restringir el rango de una variable reduce r; con n pequeño r puede ser alto por azar (n=2 ⇒ r=±1). Contraste elemental: t=r√(n-2)/√(1-r²) con n-2 grados de libertad. Linealizaciones: y=a+b·ln x → X'=ln x; y=a+b/x → X'=1/x; y=a·e^(bx) → ln y lineal en x; y=a·xᵇ → ln y lineal en ln x. El r² obtenido se refiere a las variables transformadas. Interpretación: b son unidades de Y por unidad de X; a solo tiene sentido si x=0 es plausible; r=0,5 explica el 25 % de la variabilidad, no el 50 %.

¿Hay preguntas de test de este tema exacto?

Sí, 12 preguntas tipo test sobre este tema, en el apartado "Ponte a prueba" de esta misma página. Sin registro y sin límite de intentos.

¿De dónde sale el temario de este tema?

Del índice oficial de BOE núm. 226, de 21 de septiembre de 1993, páginas 27400 a 27438 (Orden de 9 de septiembre de 1993, del Ministerio de Educación y Ciencia, BOE-A-1993-23257), Anexo III — cuestionario específico (Parte A) de la especialidad Matemáticas del Cuerpo de Profesores de Enseñanza Secundaria (Temario oficial estatal de referencia — especialidad Matemáticas (Cuerpo de Profesores de Enseñanza Secundaria)).

Fuentes de este desarrollo

  • F. Galton, "Regression towards mediocrity in hereditary stature", Journal of the Anthropological Institute, 1886
  • K. Pearson, trabajos sobre correlación y regresión (década de 1890), origen del coeficiente de correlación producto-momento
  • A.-M. Legendre, "Nouvelles méthodes pour la détermination des orbites des comètes" (1805), y C. F. Gauss, "Theoria motus corporum coelestium" (1809), método de mínimos cuadrados
  • F. J. Anscombe, "Graphs in Statistical Analysis", The American Statistician, 27 (1973)
  • Real Decreto 217/2022, de 29 de marzo (ESO), y Real Decreto 243/2022, de 5 de abril (Bachillerato) — Matemáticas, sentido estocástico

Mientras tanto, practica con tests gratis de Secundaria.

Empieza gratis ahora