• Saltar al contenido principal
  • Skip to secondary menu
  • Saltar a la barra lateral principal
  • Saltar al pie de página
  • Inicio
  • Secciones
    • Ciencia de datos
    • Criptografía
    • Herramientas
    • Machine Learning
    • Noticias
    • Opinión
    • Productividad
    • Programación
      • JavaScript
      • Julia
      • Matlab
      • Python
      • R
  • Programación
    • JavaScript
    • Julia
    • Matlab
    • Python
    • R
  • Laboratorio
    • Estadística
      • Calculadora del Tamaño Muestral en Encuestas
      • Calculadora de estadísticos descriptivos
      • Test de normalidad
      • Calculadora de contrastes de hipotesis
      • Calculadora de tamano del efecto
      • Simulador de Regresión Lineal con Ruido
      • Descenso de gradiente
      • Visualizador de PCA
      • Visualizador de Series Temporales
      • Simulador de Regresión Logística
      • Matriz de confusión e informe de clasificación
      • Visualizador de fronteras de decisión
      • Simulador de K-Means
      • Número Óptimo de Clusters
      • Simulador de DBSCAN
      • Detector de la Ley de Benford
      • Ajuste de Curvas
      • Calculadora de Matrices
    • Probabilidad
      • Calculadora de Probabilidad de Distribuciones
      • Problema del cumpleaños
      • Calculadora de Probabilidades de Lotería
      • Simulador del Problema de Monty Hall
      • La aguja de Buffon
      • Simulador de la Estrategia Martingala
      • Simulador de Cadenas de Markov
    • Finanzas
      • Calculadora de Préstamos e Hipotecas
      • Conversor TIN ↔ TAE
      • Calculadora DCA con ajuste por inflación
      • Comparador de tarifas de luz 2.0TD
      • Calculadora XIRR con Flujos Irregulares
      • Simulador FIRE (Financial Independence, Retire Early)
      • Frontera Eficiente
    • Negocios
      • CLV
      • Scoring
    • Herramientas
      • Formateador / Minificador de JSON
      • Conversor CSV ↔ JSON
      • Consultar CSV con SQL en el navegador
      • Extractor de tickets (OCR)
      • Comparador y Formateador de Texto y JSON
      • Formateador y Tester de Expresiones Regulares
      • Inspector de JWT
      • Generador y verificador de hashes
      • Calculadora HMAC
      • Codificador / Decodificador Base64 y URL
      • Conversor de bases numericas
      • Conversor de Timestamp Unix
      • Conversor de colores
      • Generador de UUIDs
      • Editor de expresiones cron
      • Conversor de unidades
    • Juegos
      • Tres en Raya
      • Nim con Q-Learning
    • Más
      • Método D’Hondt
      • Generador de Contraseñas Seguras
  • Noticias
  • Boletín
  • Contacto
  • Tienda
    • Libros
    • Equipamiento de oficina
    • Equipamiento en movilidad

Analytics Lane

Ciencia e ingeniería de datos aplicada

  • Ciencia de datos
  • Machine Learning
  • IA Generativa
  • Python
  • Pandas
  • NumPy
  • R
  • Excel

La correlación de Pearson

Estadística

mayo 17, 2024 Por Daniel Rodríguez Deja un comentario
Tiempo de lectura: 4 minutos

La correlación de Pearson es una medida estadística que evalúa la relación lineal entre dos variables continuas. Su valor puede variar entre -1 y 1, donde -1 indica una correlación negativa perfecta, 0 ninguna correlación, y 1 una correlación positiva perfecta. Siendo una herramienta fundamental en el campo de la estadística para determinar la fuerza y la dirección de la asociación entre variables.

Base matemática

La fórmula para calcular la correlación de Pearson, a la que generalmente se le denomina con la letra r, se basa en la desviación estándar de las variables respecto al valor de sus medias y sus productos cruzados. Matemáticamente, se define mediante la siguiente expresión: r = \frac{\sum_{i=1}^{n} (x_i - \bar{x})(y_i - \bar{y})}{\sqrt{\sum_{i=1}^{n} (x_i - \bar{x})^2}\sqrt{\sum_{i=1}^{n} (y_i - \bar{y})^2}}, donde:

  • x_i y y_i son los valores individuales de las variables.
  • \bar{x} y \bar{y} son las medias de las variables x e y, respectivamente.
  • n es el número de observaciones.

Interpretación de los resultados

El resultado del coeficiente de correlación, r, es un valor que puede variar entre -1 y 1. Un valor de 1 indica una correlación positiva perfecta, -1 indica una correlación negativa perfecta y 0 indica la ausencia de correlación lineal. A partir de lo que se puede concluir:

  • Correlación positiva: Si el coeficiente de correlación de Pearson es mayor que cero, indica que a medida que una variable aumenta, la otra también tiende a aumentar.
  • Correlación negativa: Si el coeficiente es menor que cero, sugiere que a medida que una variable aumenta, la otra tiende a disminuir.
  • Sin correlación: Un valor cercano a cero significa que no hay una relación lineal aparente entre las variables.

Es importante destacar que la correlación de Pearson sólo mide relaciones lineales. Por lo tanto, si las variables tienen una relación no lineal, el coeficiente de Pearson puede no ser un indicador fiable.

Shallow copy vs Deep copy en Python: la mutación inesperada
En Analytics Lane
Shallow copy vs Deep copy en Python: la mutación inesperada

Aplicaciones de la correlación de Pearson

La correlación de Pearson se utiliza en diversos campos como la economía, la psicología, la biología y otros. Algunas de las aplicaciones más destacadas de esta medida estadística en los diferentes campos son:

  1. Economía: analizar la relación entre variables macroeconómicas como el PIB, la inflación, el desempleo y otros indicadores económicos. Permitiendo a los economistas comprender cómo diferentes factores impactan en la economía de un país y cómo se relacionan entre sí.
  2. Psicología: estudiar la relación entre diferentes variables psicológicas, como el nivel de estrés y el rendimiento académico, la autoestima y la satisfacción laboral, entre otros. Proporcionando información valiosa sobre cómo estas variables afectan el comportamiento de las personas.
  3. Biología: comprender la relación entre variables biológicas, como la temperatura y la tasa de crecimiento de una especie, la concentración de nutrientes y el desarrollo de un organismo, entre otros. Ayudando a los biólogos a comprender los patrones y procesos en los sistemas biológicos.
  4. Medicina: entender la relación entre diferentes factores de riesgo y enfermedades, como el tabaquismo y el cáncer de pulmón, la ingesta de azúcar y la diabetes, entre otros. Permitiendo a los médicos identificar factores de riesgo y desarrollar estrategias de prevención y tratamiento.
  5. Ingeniería: analizar la relación entre variables en diferentes sistemas, como la temperatura y la resistencia de un material, la velocidad del viento y la producción de energía eólica, entre otros. Facilitando a los ingenieros a optimizar el diseño y funcionamiento de sistemas complejos.

Ejemplo de uso de la correlación de Pearson en Python

A modo de ejemplo, se puede usar la correlación de Pearson para analizar la relación entre el rendimiento de dos acciones del mercado financiero: Apple (AAPL) y Microsoft (MSFT). Usando para ello datos históricos de los precios de cierre de ambas acciones. A partir de los cuales se puede calcular la correlación y determinar si existe una relación entre el rendimiento de ambos. Algo que se puede hacer con el siguiente código.

import pandas as pd
import yfinance as yf

# Obtener datos históricos de precios de cierre de acciones de Apple y Microsoft
start_date = '2020-01-01'
end_date = '2024-01-01'

aapl = yf.download('AAPL', start=start_date, end=end_date)['Adj Close']
msft = yf.download('MSFT', start=start_date, end=end_date)['Adj Close']

# Crear un DataFrame con los precios de cierre de ambas acciones
df = pd.DataFrame({'AAPL': aapl, 'MSFT': msft})

# Calcular la correlación de Pearson entre los rendimientos de ambas acciones
correlation = df['AAPL'].corr(df['MSFT'])

print("Correlación de Pearson entre AAPL y MSFT:", correlation)
Correlación de Pearson entre AAPL y MSFT: 0.9392217886519254

En este ejemplo, se usa la biblioteca yfinance para obtener desde Yahoo Finance los datos históricos de los precios de cierre de las acciones de Apple (AAPL) y Microsoft (MSFT) desde el 1 de enero de 2020 hasta el 1 de enero de 2024. Para crear un DataFrame con ambos precios. A partir de este DataFrame, se calcula la correlación de Pearson entre los rendimientos de ambas acciones usando para ello el método corr() de Pandas.

El resultado obtenido es de 0,939, lo que indica una alta correlación positiva.

Conclusiones

La correlación de Pearson es una medida estadística versátil que se utiliza en una amplia gama de campos para analizar la relación entre variables y obtener información útil para la toma de decisiones. Midiendo las relaciones lineales entres diferentes variables. Su aplicación va desde la economía y la psicología hasta la biología, la medicina y la ingeniería, proporcionando una base sólida para la investigación y el análisis en diferentes disciplinas.

Imagen de Ina Hoekstra en Pixabay

¿Te ha parecido de utilidad el contenido?

¡Puntúalo entre una y cinco estrellas!

Puntuación promedio 0 / 5. Votos emitidos: 0

Ya que has encontrado útil este contenido...

¡Síguenos en redes sociales!

¡Siento que este contenido no te haya sido útil!

¡Déjame mejorar este contenido!

Dime, ¿cómo puedo mejorar este contenido?

Publicaciones relacionadas

  • Shallow copy vs Deep copy en Python: la mutación inesperada
  • Cómo Proyectar Cuándo Alcanzarás la Independencia Financiera
  • Analytics Lane lanza la versión 1.5 del laboratorio con un extractor de tickets por OCR y consultas SQL sobre CSV en el navegador
  • Cómo Saber si una Diferencia Significativa es Importante
  • Curiosidad: “Wi-Fi” no significa “Wireless Fidelity”
  • Cómo Explorar un Dataset antes de Modelar
  • Cómo Elegir el Test de Hipótesis Correcto para tus Datos
  • Tuplas vs Listas en Python: parecen lo mismo, pero no
  • Guía Completa para Usar el Panda Planner: Tu Camino hacia la Productividad y el Bienestar

Publicidad

Publicado en: Ciencia de datos Etiquetado como: Estadística

Interacciones con los lectores

Deja una respuesta Cancelar la respuesta

Tu dirección de correo electrónico no será publicada. Los campos obligatorios están marcados con *

I accept the Terms and Conditions and the Privacy Policy

Este sitio usa Akismet para reducir el spam. Aprende cómo se procesan los datos de tus comentarios.

Barra lateral principal

Suscríbete a nuestro boletín

Suscríbete al boletín semanal para estar al día de todas las publicaciones.

Política de Privacidad

Analytics Lane en redes sociales

  • Amazon
  • Bluesky
  • Facebook
  • GitHub
  • Instagram
  • Mastodon
  • Pinterest
  • RSS
  • Telegram
  • Tumblr
  • Twitter
  • YouTube

Publicidad

Entradas recientes

Guía Completa para Usar el Panda Planner: Tu Camino hacia la Productividad y el Bienestar

noviembre 19, 2026 Por Daniel Rodríguez

Noticias

Analytics Lane lanza la versión 1.5 del laboratorio con un extractor de tickets por OCR y consultas SQL sobre CSV en el navegador

noviembre 18, 2026 Por Daniel Rodríguez

Cómo Explorar un Dataset antes de Modelar

noviembre 17, 2026 Por Daniel Rodríguez

Publicidad

Es tendencia

  • Gráficos de barras en Matplotlib publicado el julio 5, 2022 | en Python
  • Identificar y eliminar duplicados en Excel publicado el marzo 13, 2019 | en Herramientas
  • Número óptimo de clústeres con Silhouette e implementación en Python publicado el junio 23, 2023 | en Ciencia de datos
  • Insertar minigráficos en Excel publicado el junio 8, 2022 | en Herramientas
  • Creación de gráficos de barras y gráficos de columnas con Seaborn publicado el julio 18, 2023 | en Python

Publicidad

Lo mejor valorado

4.9 (24)

Seleccionar filas y columnas en Pandas con iloc y loc

4.6 (16)

Archivos JSON con Python: lectura y escritura

4.4 (14)

Ordenación de diccionarios en Python mediante clave o valor

4.7 (13)

Operaciones de filtrado de DataFrame con Pandas en base a los valores de las columnas

4.9 (11)

Pandas: Cambiar los tipos de datos en los DataFrames

Comentarios recientes

  • Daniel Rodríguez en Curiosidad: La Paradoja de Simpson, o por qué no siempre debes fiarte de los promedios
  • Hatepi en Curiosidad: La Paradoja de Simpson, o por qué no siempre debes fiarte de los promedios
  • Daniel Rodríguez en Los récords con asterisco, o la épica del titular sin contexto – El bestiario de los indicadores económicos absurdos (parte 8 y final)
  • Juan en Los récords con asterisco, o la épica del titular sin contexto – El bestiario de los indicadores económicos absurdos (parte 8 y final)
  • bif en JSON en bases de datos: cuándo es buena idea y cuándo no

Publicidad


Footer

Analytics Lane

  • Acerca de Analytics Lane
  • Boletín de noticias
  • Contacto
  • Libros
  • Lo más popular
  • Noticias
  • Tienda
  • Tiendas afiliadas

Secciones

  • Ciencia de datos
  • Criptografía
  • Herramientas
  • Machine Learning
  • Opinión
  • Productividad
  • Programación
  • Reseñas

Sobre de Analytics Lane

En Analytics Lane tratamos de explicar los principales conceptos de la ciencia e ingeniería de datos con un enfoque práctico. Los principales temas tratados son ciencia de datos, ingeniería de datos, inteligencia artificial, machine learning, deep learning y criptografía. Además, también se habla de los principales lenguajes de programación y herramientas utilizadas por los científicos e ingenieros de datos.

Copyright © 2018-2026 Analytics Lane ·Términos y condiciones ·Política de Cookies ·Política de Privacidad ·Herramientas de privacidad ·Contacto