TAREA 1. Coeficiente de Pearson y Series de tiempo.

Sedano Ponce Mónica Celeste 13/feb/2022

INTRODUCCION

Previo a introducirnos en el modelo de regresión lineal, que se refiere a la naturaleza de la interacción

entre diversas cambiantes, pasaremos a exponer el estadístico usado para medir el tamaño de la
interacción (supuestamente lineal) entre dichas cambiantes. Tiene sentido darle un procedimiento aparte
por su trascendencia y las sucesivas referencias que ofreceremos durante este escrito. Comenzaremos su
desarrollo, por causas de simplicidad, para la situación especial de 2 cambiantes.

DESARROLLO

El coeficiente de correlación de Pearson, creado para cambiantes cuantitativas (escala mínima de

intervalo), es un índice que mide el nivel de covariación entre diversas cambiantes en relación
linealmente. Adviértase que mencionamos "cambiantes en relación linealmente". Esto quiere decir que
puede haber cambiantes poderosamente en relación, sin embargo no de manera lineal, en cuyo caso no
proceder a aplicarse la correlación de Pearson. Ejemplificando, la interacción entre la ansiedad y el
rendimiento tiene forma de U invertida; por igual, si relacionamos población y tiempo la interacción va
a ser de manera exponencial. En dichos casos (y en otros muchos) no es correcto usar la correlación de
Pearson. Insistimos en este punto, que parece olvidarse con cierta frecuencia.

El coeficiente de correlación de Pearson es un índice de simple ejecución e, por igual, de simple

interpretación. Mencionemos, antes que nada, que sus valores absolutos oscilan entre 0 y 1. En otras
palabras, si poseemos 2 cambiantes X e Y, y definimos el coeficiente de correlación de Pearson entre
estas 2 cambiantes como r xy entonces:

Hemos detallado los términos "valores absolutos" debido a que realmente si se contempla el símbolo el
coeficiente de correlación de Pearson oscila entre –1 y +1. Sin embargo ha de indicarse que el tamaño de
la interacción viene especificada por el costo numérico del coeficiente, reflejando el símbolo la
dirección de tal costo. En este sentido, tan intenso es una interacción de +1 como de -1. En el primer
caso la interacción es perfecta positiva y en el segundo perfecta negativa. Pasamos luego a desarrollar
algo más dichos conceptos.

Mencionamos que la correlación entre 2 cambiantes X e Y es perfecta positiva una vez que exactamente
en el tamaño que se incrementa una de ellas se incrementa la otra. Esto ocurre una vez que la interacción
entre las dos cambiantes es funcionalmente precisa. Difícilmente ocurrirá en psicología, empero es
 TAREA 1. Coeficiente de Pearson y Series de tiempo.
Sedano Ponce Mónica Celeste 13/feb/2022
recurrente en los ciencias físicas donde los fenómenos se ajustan a leyes conocidas, Ejemplificando, la
interacción entre espacio y tiempo para un móvil que se desplaza a rapidez constante. Gráficamente la
interacción ser del tipo:

Se plantea que la interacción es perfecta negativa una vez que exactamente en el tamaño que se
incrementa una variable reduce la otra. Igual que en la situación anterior esto ocurre para interrelaciones
funcionales precisas, propio de las ciencias físicas. Ejemplificando, la interacción entre presión y
volumen se adapta a esta situación. El gráfico que muestra la interacción podría ser del tipo:

En los fenómenos humanos, poderosamente cargados de elementos aleatorios, no acostumbran ser viable
implantar interacciones funcionales precisas. Dado un cierto costo en la variable X no encontraremos
uno y solo un exclusivo costo en la variable Y. Ejemplificando, si relacionamos horas de análisis con el
rendimiento académico obtendremos más grande rendimiento a más grande sabiduría, sin embargo va a
ser fundamentalmente imposible saber con precisión la puntuación que obtendrá un individuo para unas
horas determinadas. Dado un cierto número de individuos con un mismo número de horas,
ejemplificando 10, no todos obtendrán exactamente la misma puntuación en rendimiento. Unos
obtendrán más o menos en funcionalidad de otras cambiantes, como por ejemplo motivación o
personalidad. Si relacionásemos las dos cambiantes dada una muestra de sujetos tendríamos un gráfico
de las próximas propiedades:

Se observa que para un mismo costo en sabiduría hay diferentes probables valores en rendimiento.
Hablamos de una correlación positiva sin embargo no perfecta. Este grupo de aspectos, nombrado
diagrama de dispersión o nube de aspectos tiene interés como primera toma de contacto para conocer la
naturaleza de la interacción entre 2 cambiantes. Si tal nube es oblonga -apunta a una recta- y ascendente
como es la situación que nos ocupa, es susceptible de aplicarse el coeficiente lineal de Pearson. El
grosor de la nube da una determinada iniciativa del tamaño de la correlación; cuanto más estrecha menor
va a ser el margen de alteración en Y para los valores de X, y por consiguiente, más correcto los
pronósticos, lo cual involucra una más grande correlación.

Se observa que a más grande proporción de alcohol ingerida menor material recordado. Igual que antes
no puede establecerse con precisión el nivel de memorización en funcionalidad del alcohol ingerido,
aunque está claro la tendencia que existe.
 TAREA 1. Coeficiente de Pearson y Series de tiempo.
Sedano Ponce Mónica Celeste 13/feb/2022
Al final, si la nube de aspectos adopta una configuración más o menos redondeada de tal forma que no
logre especificarse ningún tipo de interacción, estamos con una correlación nula. Supongamos que
relacionásemos peso con sabiduría. Obtendríamos el siguiente gráfico:

Se observa que los individuos con poco peso obtienen en sabiduría tanto puntuaciones bajas como
medias o altas. Lo mismo ocurre con personas de peso elevado. No puede establecerse, puesto que,
ningún tipo de interacción. Las dos cambiantes son independientes entre sí; la alteración de una de ellas
no influye para nada en la alteración de la otra.

CONCLUSIONES

Podemos decir que el coeficiente de correlación es el tamaño específico que cuantifica la magnitud de la
interacción lineal entre 2 cambiantes en un estudio de correlación. En los informes de correlación, este
coeficiente se simboliza con la r. se utiliza 2 cambiantes, la fórmula compara la distancia de cada dato
puntual en interacción a la media de la variable y usa esta comparación para decirnos hasta qué punto la
relación en medio de las cambiantes se adapta a una línea imaginaria trazada entre los datos. A esto nos
referimos una vez que mencionamos que la correlación revisa las interrelaciones lineales y cuáles son
las restricciones de la correlación solamente tiene relación con ambas cambiantes dadas y no aporta
información acerca de las interrelaciones más allá de los datos variados. Esta prueba no puede identificar
valores atípicos en los datos (y por consiguiente dichos sesgan los resultados) y tampoco puede
identificar de manera correcta las interacciones curvilíneas.