¿Qué es el coeficiente de correlación de

Pearson?
El Coeficiente de Correlación de Pearson es una medida de la correspondencia o relación lineal
entre dos variables cuantitativas aleatorias. En palabras más simples se puede definir como un
índice utilizado para medir el grado de relación que tienen dos variables, ambas cuantitativas.

Teniendo dos variables, la correlación facilita que se hagan estimaciones del valor de una de
ellas, con conocimiento del valor de la otra variable.

Este coeficiente es una medida que indica la situación relativa de los sucesos respecto a las dos
variables, es decir, representa la expresión numérica que indica el grado de correspondencia o
relación que existe entre las 2 variables. Estos números varían entre límites de +1 y -1.

¿Cómo se calcula?
Para contar con una guía que permita:

 Establecer la variación contigua de las dos variables

 Comparar los distintos casos entre sí

Para ello se hace uso del coeficiente de correlación de Pearson, definido como la covarianza
que se da entre dos variables tipificadas y se calcula con la siguiente expresión:

¿Cómo ese interpreta el coeficiente de

correlación de Pearson?
Su dimensión indica el nivel de asociación entre las variables.

 Cuando es menor a cero (r < 0) Se dice que hay correlación negativa: Las variables se
correlacionan en un sentido inverso.

A valores altos en una de las variables, le suelen corresponder valores bajos en la otra variable
y viceversa. Cuánto el valor esté más próximo a -1 dicho coeficiente de correlación más
evidente será la covariación extrema.
Si r= -1 se habla de correlación negativa perfecta, la cual supone una determinación absoluta
entre ambas variables, en sentido directo coexiste una relación lineal perfecta de pendiente
negativa.

 Cuando es mayor a cero (r > 0) Se dice que hay correlación positiva: Ambas variables
se correlacionan en un sentido directo.

A valores altos en una de las variables, le corresponden valores altos en la otra variable e
igualmente en una situación inversa sucede con los valores bajos. Cuánto más próximo a +1 se
encuentre el coeficiente de correlación más evidente será la covariación.

Si r = 1 Se habla de correlación positiva perfecta, la cual supone una determinación absoluta

entre las variables, en sentido directo coexiste una relación lineal perfecta de pendiente
positiva).

 Cuando es igual a cero (r = 0) Se dice que las variables están incorrectamente

relacionadas, no puede es posible establecer algún sentido de covariación.

No existe relación lineal, pero esto no implica necesariamente que las variables sean
independientes, pudiendo existir relaciones no lineales entre las variables.

Cuando las dos variables son independientes se dice que no están correlacionadas, aunque el
resultado de reciprocidad no es necesariamente cierto.

Para concluir se puede decir que se ve más difícil de lo que resulta ser, sobre todo si se cuenta
con tecnología avanzada, pues hoy día existen múltiples programas que facilitan esta labor de
cálculo e interpretación del coeficiente de Pearson.

Prueba “t” de Student

La prueba "t" de Student es un tipo de estadística deductiva. Se utiliza para determinar si hay una
diferencia significativa entre las medias de dos grupos. Con toda la estadística deductiva,
asumimos que las variables dependientes tienen una distribución normal. Especificamos el nivel
de la probabilidad (nivel de la alfa, nivel de la significación, p) que estamos dispuestos a aceptar
antes de que cerco datos (p < .05 es un valor común se utiliza que).

Cuando la diferencia entre dos promedios de la población se está investigando, se utiliza una
prueba t. Es decir que se utiliza cuando deseamos comparar dos medias (las cuentas se deben
medir en una escala de intervalo o de cociente). Utilizaríamos una prueba t si deseamos comparar
el logro de la lectura de hombres y de mujeres. Con una prueba t, tenemos una variable
independiente y una dependiente. La variable independiente (género en este caso) puede
solamente tener dos niveles (varón y hembra). Si la independiente tuviera más de dos niveles,
después utilizaríamos un análisis de la variación unidireccional (ANOVA).

ANOVA

El análisis de varianza (ANOVA) es una herramienta de análisis utilizada en

las estadísticas que divide la variabilidad agregada encontrada dentro de un
conjunto de datos en dos partes: factores sistemáticos y factores
aleatorios. Los factores sistemáticos tienen una influencia estadística en el
conjunto de datos, pero los factores aleatorios no. Los analistas utilizan el
análisis de la prueba de varianza para determinar el resultado que las
variables independientes tienen sobre la variable dependiente en medio de
un estudio de regresión.
El análisis de la varianza permite contrastar la hipótesis nula de que las medias de K poblaciones (K >2) son
iguales, frente a la hipótesis alternativa de que por lo menos una de las poblaciones difiere de las demás en
cuanto a su valor esperado. Este contraste es fundamental en el análisis de resultados experimentales, en
los que interesa comparar los resultados de K 'tratamientos' o 'factores' con respecto a la variable
dependiente o de interés.

El análisis de la prueba de varianza es el paso inicial en el análisis de los

factores que afectan a un conjunto de datos determinado. Una vez
finalizado el análisis de la prueba de varianza, un analista realiza pruebas
adicionales sobre los factores metódicos que contribuyen de manera
mensurable a la inconsistencia del conjunto de datos. El analista utiliza el
análisis de los resultados de la prueba de varianza en una prueba f para
generar datos adicionales que se alinean con los modelos de regresión
propuestos.

La prueba permite la comparación de más de dos grupos al mismo tiempo

para determinar si existe una relación entre ellos. La prueba analiza
múltiples grupos para determinar los tipos entre y dentro de las muestras.
Por ejemplo, un investigador podría evaluar a los estudiantes de varias
universidades para ver si los estudiantes de una de las universidades
superan sistemáticamente a los demás. Además, un investigador de I+D
podría probar dos procesos diferentes de creación de un producto para ver
si uno de ellos es mejor que el otro en términos de rentabilidad.

Cómo usar ANOVA

El tipo de ejecución de ANOVA depende de varios factores. Se aplica
cuando los datos necesitan ser experimentales. El análisis de la varianza se
emplea si no se tiene acceso a un software estadístico que permita
computar ANOVA a mano. Es fácil de usar y se adapta mejor a muestras
pequeñas. Con muchos diseños experimentales, los tamaños de muestra
tienen que ser los mismos para las diversas combinaciones de niveles de
factor.

El análisis de las varianzas es útil para probar tres o más variables. Es

similar a múltiples pruebas T de dos muestras. Sin embargo, produce
menos errores de tipo I y es apropiado para una serie de problemas.
ANOVA agrupa las diferencias comparando las medias de cada grupo e
incluye la distribución de la varianza en diversas fuentes. Se utiliza con
sujetos, grupos de prueba, entre grupos y dentro de grupos.

Tipos de ANOVA
Existen dos tipos de análisis de varianza: unidireccional (o unidireccional) y
bidireccional. Unidireccional o bidireccional se refiere al número de
variables independientes en su prueba de Análisis de varianza. Un ANOVA
unidireccional evalúa el impacto de un factor único en una variable de
respuesta única. Determina si todas las muestras son iguales. El ANOVA
unidireccional se utiliza para determinar si existen diferencias
estadísticamente significativas entre las medias de tres o más grupos
independientes (no relacionados).

Un ANOVA bidireccional es una extensión del ANOVA unidireccional. Con

una variable unidireccional, tiene una variable independiente que afecta a
una variable dependiente. Con un ANOVA de dos vías, hay dos
independientes. Por ejemplo, un ANOVA bidireccional permite a una
empresa comparar la productividad de los trabajadores basándose en dos
variables independientes, por ejemplo, el salario y el conjunto de
habilidades. Se utiliza para observar la interacción entre los dos factores.
Prueba el efecto de dos factores al mismo tiempo.