Matemática · IV Medio · Estadística Descriptiva Avanzada · 2do Semestre

Correlación y Regresión Lineal Simple

Los estudiantes analizan la relación entre dos variables cuantitativas utilizando el coeficiente de correlación y la regresión lineal.

• Objetivos de Aprendizaje (OA)
• OA MAT 4oM: Probabilidad y Estadística
• OA MAT 4oM: Modelamiento Matemático

Acerca de este tema

La correlación y regresión lineal simple ayudan a los estudiantes de IV Medio a analizar la relación entre dos variables cuantitativas. El coeficiente de correlación de Pearson, r, mide la fuerza y dirección de esa relación lineal: valores cercanos a 1 indican correlación positiva fuerte, cercanos a -1 negativa fuerte, y 0 ausencia de relación lineal. La regresión lineal genera la ecuación y = mx + b, donde m es la pendiente y b la ordenada al origen, para predecir valores de una variable según la otra. Este enfoque resalta que la correlación no implica causalidad, un principio esencial para evitar interpretaciones erróneas.

En las Bases Curriculares de MINEDUC, este tema se integra en Estadística Descriptiva Avanzada del segundo semestre, alineado con los objetivos de Probabilidad y Estadística (OA MAT 4°M) y Modelamiento Matemático. Los estudiantes trabajan con gráficos de dispersión, interpretan datos reales como consumo de agua y temperatura o rendimiento escolar y horas de estudio, desarrollando habilidades para modelar fenómenos cotidianos y tomar decisiones informadas.

El aprendizaje activo beneficia este tema porque los conceptos son abstractos y dependen de patrones en datos. Actividades prácticas con mediciones propias, software como GeoGebra y discusiones grupales hacen visibles las relaciones lineales, fortalecen la intuición estadística y mejoran la capacidad para cuestionar causalidad.

Preguntas Clave

1. ¿Cómo se cuantifica la fuerza y dirección de la relación lineal entre dos variables?
2. ¿Por qué la correlación no implica causalidad?
3. ¿Cómo se utiliza la regresión lineal para predecir el valor de una variable a partir de otra?

Objetivos de Aprendizaje

• Calcular el coeficiente de correlación de Pearson (r) para cuantificar la fuerza y dirección de la relación lineal entre dos variables cuantitativas.
• Interpretar el valor del coeficiente de correlación (r) en el contexto de datos reales, distinguiendo entre correlación fuerte, débil y nula.
• Determinar la ecuación de la recta de regresión lineal simple (y = mx + b) a partir de un conjunto de datos y explicar el significado de la pendiente (m) y la ordenada al origen (b).
• Utilizar la ecuación de regresión lineal para predecir el valor de una variable dependiente basándose en el valor de una variable independiente.
• Criticar afirmaciones que confunden correlación con causalidad, explicando por qué la asociación entre dos variables no garantiza una relación causa-efecto.

Antes de Empezar

Representación de Datos (Tablas y Gráficos)

Por qué: Es fundamental que los estudiantes manejen la lectura e interpretación de tablas de datos y la construcción y análisis de gráficos (barras, líneas, circulares) para poder trabajar con gráficos de dispersión y tablas de datos numéricos.

Funciones Lineales

Por qué: Comprender la pendiente y la ordenada al origen de una función lineal es esencial para entender y aplicar la ecuación de la recta de regresión lineal.

Promedio y Medidas de Tendencia Central

Por qué: El cálculo de la recta de regresión y la interpretación de la correlación a menudo se basan en conceptos relacionados con promedios y la dispersión de los datos.

Vocabulario Clave

Coeficiente de Correlación de Pearson (r)	Medida estadística que cuantifica la fuerza y dirección de la relación lineal entre dos variables cuantitativas. Varía entre -1 (correlación lineal negativa perfecta) y +1 (correlación lineal positiva perfecta), con 0 indicando ausencia de relación lineal.
Recta de Regresión Lineal Simple	Ecuación de la forma y = mx + b que representa la mejor aproximación lineal a la relación entre dos variables, utilizada para predecir el valor de 'y' (variable dependiente) a partir del valor de 'x' (variable independiente).
Pendiente (m)	En la recta de regresión, representa el cambio promedio en la variable dependiente (y) por cada unidad de cambio en la variable independiente (x).
Ordenada al Origen (b)	En la recta de regresión, es el valor predicho de la variable dependiente (y) cuando la variable independiente (x) es igual a cero.
Gráfico de Dispersión	Representación gráfica de datos que utiliza puntos para mostrar la relación entre dos variables cuantitativas. Permite visualizar patrones, tendencias y la posible existencia de una relación lineal.

Cuidado con estas ideas erróneas

Idea errónea común

La correlación alta siempre indica causalidad.

Qué enseñar en su lugar

La correlación mide asociación lineal, no causa-efecto; factores externos pueden influir. Discusiones grupales con ejemplos reales como número de bomberos y daños por fuego ayudan a los estudiantes a diferenciar mediante debate activo y análisis compartido.

Idea errónea común

Si r es cercano a 0, no hay relación alguna.

Qué enseñar en su lugar

r=0 indica ausencia de relación lineal, pero puede haber no lineal. Actividades de exploración con gráficos en parejas permiten visualizar curvas ocultas y ajustar modelos, corrigiendo esta visión limitada.

Idea errónea común

La recta de regresión predice perfectamente cualquier valor.

Qué enseñar en su lugar

La recta minimiza errores promedio, pero predicciones tienen incertidumbre según r². Prácticas con intervalos de confianza en grupos pequeños hacen tangible la variabilidad residual.

Ideas de aprendizaje activo

Enseñanza entre Pares: Datos corporales y correlación

Los estudiantes miden alturas y pesos de compañeros en pares. Calculan el coeficiente r con calculadora gráfica o Excel, grafican la dispersión y discuten la fuerza de la relación. Finalmente, comparan resultados con la clase.

35 min·Parejas

Grupos pequeños: Regresión con datos deportivos

Cada grupo selecciona datos públicos de goles vs. tiros en fútbol chileno. Ajustan la recta de regresión en software, predicen valores y evalúan el ajuste con r². Presentan hallazgos y limitaciones.

50 min·Grupos pequeños

Clase completa: Simulación de causalidad

Proyecta ejemplos espurios como helados y ahogados. La clase vota por causalidad, calcula r y discute por qué correlación no implica causa. Registra conclusiones en pizarra compartida.

25 min·Toda la clase

Individual: Predicciones personales

Cada estudiante elige dos variables de su vida diaria, recolecta 15 datos, calcula regresión y predice un valor futuro. Comparte en foro virtual para retroalimentación.

20 min·Individual

Conexiones con el Mundo Real

• Economistas y analistas financieros utilizan la correlación y regresión para estudiar la relación entre variables como el precio de las acciones y los indicadores económicos, o el gasto en publicidad y las ventas de un producto, para tomar decisiones de inversión y estrategia.
• En agronomía, se aplica la regresión lineal para predecir el rendimiento de cultivos (variable dependiente) en función de la cantidad de fertilizante o agua utilizada (variables independientes), optimizando así las prácticas agrícolas y los recursos.
• Profesionales de la salud pública analizan la correlación entre factores de riesgo (ej. tabaquismo) y la incidencia de enfermedades (ej. cáncer de pulmón) para diseñar campañas de prevención y políticas de salud más efectivas.

Ideas de Evaluación

Verificación Rápida

Presente a los estudiantes un gráfico de dispersión con una nube de puntos claramente lineal (positiva o negativa). Pida que calculen el coeficiente de correlación (r) usando una calculadora o software y que interpreten su valor en una frase. Luego, solicite que determinen la ecuación de la recta de regresión y expliquen qué significa la pendiente en el contexto del gráfico.

Pregunta para Discusión

Plantee el siguiente escenario: 'Se observa una alta correlación positiva entre la venta de helados y el número de ahogamientos en verano. ¿Significa esto que comer helado causa ahogamientos?'. Guíe la discusión para que los estudiantes identifiquen la variable oculta (temperatura) y expliquen por qué la correlación no implica causalidad, utilizando ejemplos concretos.

Boleto de Salida

Entregue a cada estudiante un par de variables (ej. horas de estudio y nota en un examen). Pida que formulen una hipótesis sobre la posible relación lineal, que predigan cómo sería el coeficiente de correlación (positivo, negativo, cercano a 0) y que escriban una posible ecuación de regresión lineal que describa esta relación. Deben justificar brevemente su predicción.

Preguntas frecuentes

¿Qué mide exactamente el coeficiente de correlación de Pearson?

El coeficiente r mide la fuerza y dirección de la relación lineal entre dos variables cuantitativas, variando de -1 a +1. Valores absolutos altos indican dispersión ajustada a una recta; el signo muestra si es positiva o negativa. En clase, úsalo con gráficos de dispersión para interpretar datos reales como ingresos y gasto en educación en Chile.

¿Cómo se interpreta la ecuación de regresión lineal simple?

La ecuación y = mx + b indica que por cada unidad en x, y cambia m unidades; b es el valor de y cuando x=0. Estudiantes la usan para predecir, como tiempo de estudio y nota final. Enfatiza límites: solo para rangos de datos observados y relaciones lineales.

¿Por qué la correlación no implica causalidad en regresión?

La correlación detecta asociaciones, pero no prueba que x cause y; puede haber variables confusoras o coincidencia. Ejemplos como ventas de protector solar y casos de quemaduras ilustran esto. Enseña con debates: ¿horas de TV causan obesidad o hay factores comunes? Fortalece pensamiento crítico.

¿Cómo el aprendizaje activo ayuda a enseñar correlación y regresión lineal?

Actividades como recolectar datos propios y graficar en GeoGebra hacen abstracto lo concreto, visualizando patrones lineales. Discusiones en grupos corrigen mitos como causalidad automática, mientras proyectos con datos chilenos locales conectan al contexto real. Esto aumenta retención en 30-50% según estudios, fomenta colaboración y modelamiento autónomo.