Ayudantía 11

Vista previa del material en texto

AYUDANTIA 11
21 de junio
Una correlación corresponde a una relación entre dos
variables sin que haya causalidad, es decir, una no
depende de la otra sino que ambas varían en conjunto (co-
varianza)
Se utilizan para evaluar la relación entre 2 variables.
CORRELACIONES
CORRELACIÓN 
DE 
PEARSON
(r de Pearson)
Estudia la relación entre dos variables continuas.
Las variables deben tener distribución normal.
Se representa con la letra r. Ésta tiene valores entre -1 a 1:
1 = hay correlación positiva perfecta
0 = no hay correlación
-1 = hay correlación negativa perfecta
Significancia
Como hemos visto, los valores para los análisis de estadística diferencial
pueden o no ser significativos.
Sometemos a prueba nuestra hipótesis nula (esta es que no existe una
correlación entre las variables estudiadas).
Obtenemos un p-valor, si éste es <0.05 entonces se rechaza la hipótesis nula y
podemos afirmar que sí existe una correlación entre ambas variables (esta sería
nuestra hipótesis alternativa).
En la correlación de Pearson este valor se calcula a partir de la tabla de
distribución t.
*
*
*
*
Ejemplo clases
*
* cor.test(data$Estatura, data$Largo, method="pearson")
ggplot(data, aes(Estatura, Largo))+geom_point()
 Studio
Resultados
En nuestra interpretación de los resultados obtenidos debemos reportar
siempre los valores de r y p-value.
*
“Podemos decir que existe una correlación positiva fuerte entre
las variables estatura y largo de húmero con un r=0.67, la cual es
significativa con un p-valor de 0.03”
 
“Existe una correlación positiva fuerte entre las variables estatura
y largo de húmero y es significativa (r=0.67, p-value=0.03)”
CORRELACIÓN 
DE 
SPEARMAN
(r )s
Estudia la relación entre dos variables categóricas ordinales,
es decir, de rangos o intervalos.
Al igual que la correlación de Pearson, ésta puede o no ser
significativa, según el p-valor obtenido en el análisis.
Es un coeficiente de correlación de orden de rango.
Se representa con la letra r . Ésta tiene valores entre -1 a 1:
1 = hay correlación positiva perfecta
0 = no hay correlación
-1 = hay correlación negativa perfecta
s
*
* cor.test(data$Productividad, data$Aldeas, method="spearman")
ggplot(data, aes(Productividad, Aldeas))+geom_point()
 Studio
Resultados
En nuestra interpretación de los resultados obtenidos debemos reportar
siempre los valores de r y p-value.*
“Podemos decir que existe una correlación de orden de rango positiva
fuerte entre las variables productividad de suelo y número de aldeas por
km2 con un rs=0.93, la cual es significativa con un p-valor de 0.000”
“Existe una correlación de orden de rango positiva fuerte entre las
variables productividad de suelo y número de aldeas por km2 y es
significativa (rs =0.93, p-value=0.000)”
s
GRACIAS