Calculadora de correlación de rangos de Spearman

Calculadora de correlación de rangos de Spearman

Popular AI Skill PRO

Ingresar cálculo

Fórmula

ρ=1−6∑i=1ndi2n(n2−1)di=R(Xi)−R(Yi)\rho = 1 - \frac{6 \sum_{i=1}^{n} d_i^{2}}{n\,(n^{2}-1)} \qquad d_i = R\!\left({{\text{X}_i}}\right) - R\!\left({{\text{Y}_i}}\right)
Ver los pasos del cálculo (1)
  1. ρ de Spearman (Pearson sobre rangos, con empates)

    ρ=∑(Rx,i−R‾x)(Ry,i−R‾y)∑(Rx,i−R‾x)2∑(Ry,i−R‾y)2Rx=R(X),Ry=R(Y)\rho = \frac{\sum (R_{x,i}-\bar{R}_x)(R_{y,i}-\bar{R}_y)}{\sqrt{\sum (R_{x,i}-\bar{R}_x)^{2}\;\sum (R_{y,i}-\bar{R}_y)^{2}}}\qquad R_x = R\!\left(\text{X}\right),\; R_y = R\!\left(\text{Y}\right)

    Cuando hay empates, ρ es la correlación de Pearson de los rangos promedio. R(X) y R(Y) son los vectores de rangos, y las barras indican sus medias.

Estadísticas de uso

Publicidad

Resultados

Correlación de rangos de Spearman (ρ)
1
De −1 (inverso perfecto) a +1 (concordancia perfecta)
Número de pares (n) 5
Σd² (suma de las diferencias de rango al cuadrado) 0

Informar de un error en esta página

¿Qué es la correlación de rangos de Spearman?

El coeficiente de correlación de rangos de Spearman (\(\rho\), «rho») mide la fuerza y la dirección de una relación monótona entre dos variables. A diferencia de la correlación de Pearson, trabaja con los rangos de los datos en lugar de con los valores originales, de modo que no presupone que la relación sea lineal ni que los datos sigan una distribución normal. \(\rho\) varía entre −1 (orden inverso perfecto), pasando por 0 (sin asociación monótona), hasta +1 (concordancia perfecta).

Tres pequeños diagramas de dispersión que muestran una relación monótona creciente, monótona decreciente y sin relación de rangos
La \(\rho\) de Spearman mide relaciones monótonas: positiva (\(\rho\) cerca de +1), negativa (\(\rho\) cerca de -1) y nula (\(\rho\) cerca de 0).

Cómo usar esta calculadora

Introduce tus dos series de datos en las casillas X e Y, separando los valores con comas o espacios. Ambas listas deben tener el mismo número de elementos (los valores sobrantes de la lista más larga se ignoran). Pulsa calcular para obtener \(\rho\), el número de pares (\(n\)) y Σd², la suma de las diferencias de rango al cuadrado.

La fórmula explicada

Cuando los datos no presentan rangos empatados, \(\rho\) se calcula así:

$$\rho = 1 - \frac{6 \sum d_i^{2}}{n\,(n^{2}-1)} \qquad d_i = R\!\left(\text{X}_i\right) - R\!\left(\text{Y}_i\right)$$

Primero se asigna un rango a cada variable por separado (el valor más pequeño = rango 1). Para cada par, \(d\) es la diferencia entre su rango en X y su rango en Y. Se eleva al cuadrado cada \(d\), se suman todos y se sustituyen en la fórmula. Cuando hay empates, este atajo introduce un sesgo, por lo que la calculadora cambia automáticamente a la correlación de Pearson equivalente sobre los rangos, usando rangos promedio para los valores empatados.

Publicidad
Diagrama que muestra dos columnas de datos convirtiéndose en columnas de rangos y la diferencia d al cuadrado
Cada valor de X e Y se clasifica por rangos; \(d\) es la diferencia de rangos y Σd² alimenta la fórmula.

Ejemplo resuelto

Tomemos X = 10, 20, 30, 40, 50 e Y = 12, 24, 33, 44, 55. Ambas series aumentan a la vez, así que cada una tiene los rangos 1, 2, 3, 4, 5. Cada \(d = 0\), por lo que Σd² = 0 y $$\rho = 1 - \frac{6 \times 0}{5 \times 24} = \mathbf{1}$$ una relación monótona positiva perfecta.

Interpretación de tu resultado de ρ de Spearman

La ρ de Spearman mide qué tan bien la relación entre dos variables puede describirse mediante una función monótona, es decir, una que de forma consistente sube o de forma consistente baja. Va de −1 a +1.

Signo frente a magnitud. El signo indica la dirección. Un ρ positivo significa que los rangos más altos de X tienden a ir acompañados de rangos más altos de Y. Un ρ negativo significa que los rangos más altos de X tienden a ir acompañados de rangos más bajos de Y. La magnitud \(|\rho|\) indica la fuerza de la asociación monótona, sea cual sea su dirección. ρ = −0.80 es tan fuerte como ρ = +0.80.

Bandas orientativas para |ρ| (solo convenciones; varían según el campo, y algunas disciplinas usan criterios más estrictos o más flexibles):

|ρ| Etiqueta habitual
0.00–0.19 Muy débil
0.20–0.39 Débil
0.40–0.59 Moderada
0.60–0.79 Fuerte
0.80–1.00 Muy fuerte
  • La correlación no implica causalidad. Un ρ alto muestra que dos variables se mueven juntas en rango. No muestra que una cause la otra. Una tercera variable o una coincidencia podrían explicar el patrón.
  • El tamaño de la muestra importa. Con un n pequeño, un ρ aparentemente grande puede surgir fácilmente por azar. Con un n grande, incluso un ρ muy pequeño puede ser estadísticamente significativo. Para juzgar la significancia se necesita una prueba aparte, por ejemplo la tabla de valores críticos de abajo o un valor p.
  • ρ = 0 no significa que no haya relación. Solo significa que no hay una tendencia monótona. Una relación en forma de U u otra relación no monótona puede producir un ρ cercano a 0, así que grafica también tus datos.

Valores críticos de ρ de Spearman

La tabla muestra valores críticos bilaterales estándar seleccionados de ρ de Spearman, tomados de tablas publicadas habitualmente, para los niveles de significancia α = 0.05 y α = 0.01. Un guion indica que ningún valor puede alcanzar ese nivel con ese tamaño de muestra.

n (pares) α = 0.05 α = 0.01
5 1.000 —
6 0.886 1.000
7 0.786 0.929
8 0.738 0.881
9 0.700 0.833
10 0.648 0.794
12 0.591 0.777
15 0.521 0.654
20 0.447 0.570
30 0.362 0.467

Cómo usarla: busca tu n y compara \(|\rho|\) con el valor crítico. Si \(|\rho|\) es igual o mayor que él, rechaza la hipótesis nula de ausencia de asociación a ese nivel. Si es menor, no puedes rechazar la hipótesis nula.

Muestras más grandes: para n mayores que los de la tabla, se suele usar una aproximación con t:

$$t = \rho\,\sqrt{\frac{n-2}{1-\rho^{2}}}$$

Compara t con una distribución t de Student con \(n-2\) grados de libertad. Para n muy pequeños son preferibles las tablas exactas, y los rangos empatados hacen que cualquiera de estas pruebas sea aproximada.

Publicidad

Paso a paso: cómo asignar rangos con empates a mano

  1. Ordena cada variable por separado de menor a mayor. Haz X e Y de forma independiente.
  2. Asigna posiciones de 1 a n en el orden ordenado. El valor más pequeño recibe la posición 1.
  3. Promedia las posiciones de los empates. Los valores empatados reciben cada uno el promedio de las posiciones que ocupan. Por ejemplo, dos valores empatados en el 2.º y 3.er lugar reciben ambos \((2+3)/2 = 2.5\). El siguiente valor recibe entonces el rango 4.
  4. Empareja los rangos para que cada observación tenga su rango de X y su rango de Y.
  5. Calcula ρ. Sin empates, halla \(d_i = R(X_i) - R(Y_i)\), eleva al cuadrado y suma para obtener \(\sum d_i^2\), y luego usa \(\rho = 1 - \dfrac{6\sum d_i^{2}}{n(n^{2}-1)}\). Con empates, el atajo solo es aproximado, así que calcula en su lugar la r de Pearson sobre los pares de rangos.

Ejemplo corto con un empate. Toma X = 5, 8, 8, 12 e Y = 2, 4, 3, 9.

  • Rangos de X: 5 → 1; los dos 8 ocupan las posiciones 2 y 3, así que cada uno recibe 2.5; 12 → 4. Rangos: 1, 2.5, 2.5, 4.
  • Rangos de Y (sin empates): 2 → 1, 4 → 3, 3 → 2, 9 → 4. Rangos: 1, 3, 2, 4.
  • Ambas medias de rangos son 2.5. Desviaciones de X: −1.5, 0, 0, 1.5. Desviaciones de Y: −1.5, 0.5, −0.5, 1.5.
  • \(\sum xy = 2.25 + 0 + 0 + 2.25 = 4.5\), \(S_{xx} = 2.25+0+0+2.25 = 4.5\), \(S_{yy} = 2.25+0.25+0.25+2.25 = 5\).
  • $$\rho = \frac{4.5}{\sqrt{4.5 \times 5}} = \frac{4.5}{\sqrt{22.5}} \approx$$ 0.9487

Esto indica una asociación monótona positiva muy fuerte. Con n = 4, sin embargo, la muestra es demasiado pequeña para ser significativa a los niveles habituales.

Preguntas frecuentes

¿Qué significa \(\rho = 0\)? No existe ninguna tendencia monótona; a medida que X crece, Y no sube ni baja de forma consistente.

¿En qué se diferencia de la r de Pearson? Pearson mide la asociación lineal sobre los valores originales; Spearman mide la asociación monótona sobre los rangos, lo que la hace robusta frente a valores atípicos y a relaciones no lineales (pero ordenadas).

¿Cuántos datos necesito? Hacen falta como mínimo 2 pares para calcular \(\rho\), pero cuantos más pares tengas, más fiable será la estimación de la asociación.

Última actualización:

Lo más popular en Matemáticas y Estadísticas

Ver todas las calculadoras de Matemáticas y Estadísticas