El coeficiente de correlación cuantifica qué tan estrechamente se mueven juntas dos variables. Un valor cercano a +1 significa que suben y bajan al unísono; cerca de −1 significa que una sube mientras la otra baja; cerca de 0 significa que no hay patrón lineal. Usado en ciencia, finanzas, medicina e investigación social, este único número resume relaciones que de otro modo requerirían un análisis complejo.
Pearson r — Midiendo la Asociación Lineal
Pearson r se calcula dividiendo la covarianza de X e Y por el producto de sus desviaciones estándar, produciendo un valor adimensional entre −1 y +1. Un r positivo significa que X e Y tienden a aumentar juntos; un r negativo significa que se mueven en direcciones opuestas; r = 0 significa que no hay relación lineal. El valor absoluto indica la fuerza: |r| ≥ 0.70 suele llamarse fuerte en ciencias sociales (aunque los físicos pueden requerir |r| ≥ 0.99). Pearson r mide solo relaciones lineales — una curva perfecta en forma de U entre X e Y puede producir r = 0 aunque la relación sea matemáticamente exacta. El Cuarteto de Anscombe (1973) ilustró esto con cuatro conjuntos de datos que comparten r ≈ 0.816 pero se ven completamente diferentes en un diagrama de dispersión. Por eso visualizar tus datos con un diagrama de dispersión siempre debe acompañar al valor numérico de r, y por eso la calculadora muestra un diagrama de dispersión junto con el coeficiente.
Spearman ρ — Correlación de Rangos Robusta
El ρ (rho) de Spearman calcula el Pearson r de los datos transformados en rangos. En lugar de usar los valores brutos de X e Y, los convierte en sus rangos (1º, 2º, 3º…) y correlaciona esos rangos. Esto hace que Spearman ρ sea robusto frente a los valores atípicos — un valor bruto extremo solo se convierte en el rango más alto o más bajo, no en un número extremo que domina el cálculo. También es válido para datos ordinales donde conoces el orden pero no las magnitudes precisas, como las respuestas de una escala Likert (totalmente en desacuerdo a totalmente de acuerdo) o las clasificaciones de competencias. Spearman también detecta relaciones monótonas pero no lineales: si Y siempre aumenta cuando X aumenta pero no a una tasa constante, Spearman ρ será 1.0 aunque Pearson r pueda estar muy por debajo de 1.0. Compara ambos valores en la calculadora: una gran discrepancia entre Pearson r y Spearman ρ típicamente señala valores atípicos influyentes, una relación no lineal o datos ordinales tratados como continuos — todas situaciones donde Pearson r da una imagen engañosa y Spearman ρ es la medida más confiable.
Intervalos de Confianza y la Transformación z de Fisher
Pearson r tiene una distribución muestral sesgada, especialmente cuando la correlación poblacional verdadera está cerca de ±1, donde la distribución se vuelve altamente asimétrica. La transformación z de Fisher convierte r en z' = 0.5 × ln[(1+r)/(1−r)], que se distribuye aproximadamente de forma normal con error estándar 1/√(n−3), independientemente del valor de correlación verdadero. Esta normalidad permite construir intervalos de confianza de forma directa: calcula el intervalo en el espacio z usando los cuantiles normales estándar, luego retransforma ambos límites a la escala de r. Un IC del 95% para r = 0.80 con n = 30 podría abarcar [0.62, 0.90] — un rango notablemente amplio, que revela que 30 puntos de datos dan solo una estimación tosca de la correlación poblacional verdadera. Con n = 100, el mismo r = 0.80 produce un IC más estrecho de aproximadamente [0.71, 0.87]. Por eso es esencial reportar el tamaño de la muestra junto con r: un r = 0.50 con n = 10 es esencialmente ininterpretable, mientras que r = 0.50 con n = 500 es altamente informativo y estadísticamente estable. La transformación z de Fisher también se usa para probar si dos correlaciones medidas en grupos diferentes difieren significativamente, comparando sus valores z' mediante una prueba normal estándar.
Valores Atípicos y su Influencia en Pearson r
Un único valor atípico extremo puede cambiar drásticamente Pearson r porque la fórmula involucra desviaciones al cuadrado respecto a la media, lo que amplifica desproporcionadamente los puntos distantes. Un conjunto de datos con 19 puntos agrupados cerca de r = 0 pero un punto de apalancamiento distante puede mostrar r = 0.90 — el valor atípico domina por completo el cálculo, ocultando el verdadero patrón en el grueso de los datos. Esta calculadora marca los puntos con residuos estandarizados más allá de ±2.5σ como posibles valores atípicos, mostrados como triángulos rojos en el diagrama de dispersión. Cuando hay valores atípicos presentes, siempre compara Pearson r con Spearman ρ: una gran discrepancia (|r_Pearson − r_Spearman| > 0.15) señala que el valor atípico es influyente y los resultados deben interpretarse con cautela. Antes de actuar sobre esa discrepancia, investiga si el valor atípico representa un error de captura de datos, un artefacto de medición o un evento del mundo real genuinamente raro. Eliminar valores extremos válidos puramente para mejorar la apariencia de r es una forma de manipulación de datos que sesga las conclusiones — el enfoque científicamente correcto es reportar el análisis tanto con como sin el valor atípico, explicar la diferencia y dejar que los lectores juzguen su importancia por sí mismos.
La Correlación No Es Causalidad
El principio más importante al interpretar la correlación es que la asociación no implica causalidad. Dos variables pueden estar correlacionadas por varias razones: X causa Y directamente, Y causa X (causalidad inversa), una tercera variable Z causa ambas (confusión), o la correlación es puramente coincidental y estadísticamente espuria dado que se prueban suficientes variables simultáneamente. El ejemplo clásico es que las ventas de helado y las muertes por ahogamiento están positivamente correlacionadas a lo largo de los meses de verano — ambas son impulsadas por el clima cálido, que es la verdadera causa común. Otro: los países con más televisores per cápita tienden a tener mayor esperanza de vida, pero comprar un televisor no prolonga la vida; ambos se correlacionan con la riqueza nacional. Establecer causalidad requiere un diseño experimental controlado — idealmente ensayos controlados aleatorizados — o métodos rigurosos de inferencia causal observacional como las variables instrumentales o las diferencias en diferencias. La correlación es un poderoso punto de partida para generar y priorizar hipótesis, pero no puede, por sí sola, probar causa y efecto. Usa siempre el valor p y el intervalo de confianza para evaluar si una correlación es estadísticamente distinguible del azar antes de pasar a la interpretación causal, y diseña siempre estudios de seguimiento para descartar factores de confusión antes de sacar conclusiones de política o clínicas.