Covarianza y correlación de Pearson

Estadística descriptiva y correlacional

Mg. Andrés Burga León
Objetivos
• Conocer el modelo lineal para describir la relación entre dos variables
cuantitativas.
• Interpretar la covarianza como una medida de asociación entre dos variables
cuantitativas.
• Conocer el formato APA para presentar una matriz de varianzas y covarianzas.
• Interpretar el coeficiente de correlación de Pearson como una medida de
asociación entre dos variables cuantitativas.
• Conocer los supuesto para el cálculo del coeficiente de correlación de Pearson.
Medidas de asociación: variables cuantitativas
• Buscan describir relaciones entre variables, dando por lo menos información
sobre la fuerza de dicha relación (Chen y Popovich, 2002).
• Matemáticamente, las relaciones entre variables presentan diversos tipos,
según la función utilizada como modelo.
• Los datos empíricos casi nunca muestran relaciones perfectas. Hay siempre
un error, los datos no “ocurren” siguiendo de manera perfecta una función
matemática.
• ¿Cuánto se parecen los datos empíricos a los modelos teóricos?
Diagrama de dispersión

Figura 1

Diagrama de Dispersión de las Puntuaciones en los Test de Matemática y Comprensión

Relación lineal: Y’ = a + bX + e

directa / positiva inversa / negativa nula

La covarianza

• Se aplica a variables de intervalo o razón.

• Promedio de los productos cruzados (para población de divide entre
N):

σ𝑛𝑖=1 𝑋𝑖 − 𝑋ത 𝑌𝑖 − 𝑌ത
𝑆𝑋𝑌 =
𝑛−1

• valores positivos: relación lineal directa

• valores negativos: relación lineal inversa
• valor igual a cero: relación lineal nula

Rodriguez, 2007
La covarianza

• En algunos textos se usa COVxy, APA no tiene una especificación

sobre la manera de abreviar la covarianza.
• No hay máximo o mínimo estable, combina las unidades de medida
de las variables.
• No puede interpretarse la fuerza de la relación.
• La covarianza de una variable consigo misma es su varianza.

Rodriguez, 2007
La covarianza

• Centrar en la media (punto de gravedad)

- + - +

+ -
+ -
La covarianza, ejemplo de cálculo 1

x x−x y y−y (x − x)(y − y)

1 -4.5 1 -4.5 20.25
2 -3.5 2 -3.5 12.25
3 -2.5 3 -2.5 6.25
4 -1.5 4 -1.5 2.25
5 -0.5 5 -0.5 0.25
6 0.5 6 0.5 0.25
7 1.5 7 1.5 2.25
8 2.5 8 2.5 6.25
9 3.5 9 3.5 12.25
10 4.5 10 4.5 20.25
x = 5.5 y = 5.5 σ(x − x)(y − y) = 82.5
sxy = 8.25
La covarianza, ejemplo de cálculo 1

x x−x y y−y (x − x)(y − y)

12 -5.4 32 3.8 -20.5
13 -4.4 30 1.8 -7.9
13 -4.4 31 2.8 -12.3
15 -2.4 30 1.8 -4.3
17 -0.4 29 0.8 -0.3
19 1.6 28 -0.2 -0.3
20 2.6 27 -1.2 -3.1
21 3.6 26 -2.2 -7.9
22 4.6 25 -3.2 -14.7
22 4.6 24 -4.2 -19.3
x = 17.4 y = 28.2 σ(x − x)(y − y) = -90.6
sxy = -9.06
Matriz de varianzas y covarianzas
Tabla 1

Varianzas y Covarianzas de los Cinco Grandes Factores de Personalidad

Medida 1 2 3 4 5

1. Neuroticismo 8.56

2. Extraversión 9.45 7.34

3. Apertura a la experiencia 8.34 8.30 6.32

4. Agradabilidad 7.08 8.23 8.34 6.78

5. Control -8.19 9.27 9.01 7.66 7.62

Coeficiente de correlación de Pearson

• Se le conoce también como correlación producto-momento y

establece máximo y mínimo al utilizar variables cuyas varianzas no
cambian, es decir, puntuaciones estándar:
σ𝑛𝑖=1 𝑍𝑋𝑖 𝑍𝑌𝑖
𝑟𝑋𝑌 =
𝑛
• Es más usual presentar la formula considerando la covarianza:
𝑆𝑋𝑌
𝑟𝑋𝑌 =
𝑆𝑋 𝑆𝑌

Chen y Popovich, 2002.

Coeficiente de correlación de Pearson

• Las variables deben ser cuantitativas y medidas por lo menos en

una escala de intervalo.
• No es necesario que ambas variables tengan la misma escala de
medida.
• La relación entre ambas variables se presume lineal.

Chen y Popovich, 2002.

Propiedades
• Varía entre -1 y 1.
• Tipo de asociación (directa o inversa): signo.
• Fuerza de la asociación : valor absoluto.
• Si sx o sy = 0, r es indeterminado.
• La correlación de una variable consigo misma es igual a uno.
• Las transformaciones lineales con “b” positivo no la alteran. Un “b” negativo
sólo cambia el signo.
• MUY IMPORTANTE: no implica causalidad, solo asociación entre variables.

Chen y Popovich, 2002.

Propiedades

• r2 expresa la proporción de varianza común compartida entre dos

variables.
• Se le conoce también como coeficiente de determinación.

𝑟𝑋𝑌 = 0 𝑟𝑋𝑌 = .71 𝑟𝑋𝑌 = .98

2 2
2
𝑟𝑋𝑌 =0 𝑟𝑋𝑌 = .50 𝑟𝑋𝑌 =.96

Chen y Popovich, 2002.

Estimen el coeficiente de correlación

• http://www.istics.net/Correlations/

• http://www.rossmanchance.com/applets/
GuessCorrelation.html

• http://guessthecorrelation.com/
Interpretación

Tabla 2

Interpretación del Coeficiente de Correlación de Pearson, en Valor Absoluto, según Davis (1971)

r categoría
1.00 Perfecta
.70 - .99 Muy alta
.50 - .69 Sustancial
.30 - .49 Moderada
.10 - .29 Baja
.01 - .09 Insignificante
Interpretación

Tabla 3

Interpretación del Coeficiente de Correlación de Pearson (valor absoluto) Como una

Medida del Tamaño del Efecto Según Cohen (1996)

r r2 categoría
.5 .25 Grande
.3 .09 Mediano
.1 .01 Pequeño
Interpretación

Tabla 4

Interpretación del Coeficiente de Correlación de Pearson (valor absoluto) Como

una Medida del Tamaño del Efecto Según Ferguson (2009)

r r2 categoría
.8 .64 Grande
.5 .25 Mediano
.2 .04 Pequeño
Referencias
American Psychological Association (2009). Publication manual of the American
Psychological Association, (6a ed.). Autor.
Chen, P. & Popovich, P. (2002). Correlation: parametric and nonparametric measures.
Sage University Paper Series on Quantitative Applications in the Social Sciences, n°
07-139. SAGE.
Davis. J.A. (1971). Elementarv survey analvsis. Prentice-Hall.
Nicol, A.A. & Pexman, P. M. (2010). Presenting your findings. A practical guide for
creating tables. American Psychological Association.
Rodriguez, W. (2007). Covariance. En N. J. Salkind, Encyclopedia of measurement and
statistics (Vol. I, pp. 194-195). SAGE.