Probabilidades y Estadística Descriptiva e Inferencial · III Medio · Inferencia Estadística y Toma de Decisiones · 4.º Período

Correlación y regresión lineal

Análisis de la relación entre dos variables cuantitativas mediante diagramas de dispersión. Ajuste de modelos de regresión lineal simple para predecir valores y evaluar la fuerza de la asociación.

En resumen:La correlación y la regresión lineal permiten a los estudiantes de III Medio explorar relaciones entre variables y realizar predicciones. Bajo los OA 1 y 3, los jóvenes aprenden a identificar si dos fenómenos están vinculados (como las horas de estudio y el rendimiento académico) y a modelar esa relación mediante una línea recta. En Chile, este análisis es clave para entender temas como la relación entre el crecimiento económico y el consumo de energía, o entre la altitud y la biodiversidad.

• Objetivos de Aprendizaje (OA)
• OA 1
• OA 3

Acerca de este tema

La correlación y la regresión lineal permiten a los estudiantes de III Medio explorar relaciones entre variables y realizar predicciones. Bajo los OA 1 y 3, los jóvenes aprenden a identificar si dos fenómenos están vinculados (como las horas de estudio y el rendimiento académico) y a modelar esa relación mediante una línea recta. En Chile, este análisis es clave para entender temas como la relación entre el crecimiento económico y el consumo de energía, o entre la altitud y la biodiversidad.

Un aspecto crítico de este tema es la distinción entre correlación y causalidad. Los estudiantes deben aprender que el hecho de que dos variables se muevan juntas no significa que una cause la otra. Esta es una de las lecciones más importantes para el consumo crítico de noticias y estudios científicos. Además, el cálculo del coeficiente de determinación (R²) les permite evaluar qué tan bueno es su modelo para explicar la realidad.

El aprendizaje activo, mediante la recolección de datos propios y el uso de herramientas de ajuste de curvas, permite que los estudiantes vean la 'mejor línea' aparecer entre sus datos. Esto transforma una fórmula de mínimos cuadrados en una herramienta visual y predictiva poderosa.

Preguntas Clave

1. ¿Por qué la correlación no implica necesariamente causalidad?
2. ¿Cómo encontramos la recta que mejor se ajusta a nuestros datos empíricos?
3. ¿Qué nos dice el coeficiente de determinación sobre nuestro modelo predictivo?

Cuidado con estas ideas erróneas

Idea errónea común

Asumir que un coeficiente de correlación de 0 significa que no hay ninguna relación entre las variables.

Qué enseñar en su lugar

Solo significa que no hay una relación *lineal*. Las variables podrían tener una relación curva (cuadrática, por ejemplo). Mostrar gráficos con formas de 'U' ayuda a visualizar que el coeficiente r solo mide la 'rectitud' de la relación.

Idea errónea común

Extrapolar predicciones mucho más allá del rango de los datos observados.

Qué enseñar en su lugar

Muchos estudiantes creen que el modelo lineal sigue para siempre. Es vital discutir ejemplos donde la relación cambia (como el crecimiento humano, que se detiene) para entender los límites de la predicción.

Ideas de aprendizaje activo

Resolución Colaborativa de Problemas

Investigación Colaborativa: El Cuerpo Humano

Los estudiantes miden su estatura y el largo de su brazo. Crean un diagrama de dispersión en la sala y usan un hilo para encontrar visualmente la recta que mejor se ajusta, antes de calcularla con software.

50 min·Grupos pequeños

Paseo por la Galería

Correlaciones Espurias

Se muestran gráficos de variables que están altamente correlacionadas pero no tienen relación causal (ej. consumo de queso y títulos de ingeniería). Los estudiantes deben proponer explicaciones creativas y discutir por qué la correlación no implica causalidad.

40 min·Parejas

Juego de Simulación

Prediciendo el Futuro

Usando datos históricos del precio del pan o del dólar en Chile, los grupos crean un modelo de regresión lineal para predecir el valor del próximo mes. Luego comparan su predicción con el dato real y analizan el error.

55 min·Grupos pequeños

Preguntas frecuentes

¿Qué mide el coeficiente de correlación de Pearson (r)?

Mide la fuerza y la dirección de la relación lineal entre dos variables cuantitativas. Su valor oscila entre -1 y 1, donde 1 es una relación positiva perfecta, -1 es una relación negativa perfecta y 0 indica ausencia de relación lineal.

¿Por qué la correlación no implica causalidad?

Porque dos variables pueden estar correlacionadas debido a una tercera variable oculta (variable de confusión) o simplemente por azar. Para establecer causalidad se requieren experimentos controlados, no solo la observación de una asociación estadística.

¿Cómo ayuda el aprendizaje activo a entender la regresión lineal?

Al permitir que los estudiantes manipulen los puntos en un gráfico y vean cómo la recta de regresión cambia dinámicamente, ellos desarrollan una intuición sobre el impacto de los valores atípicos y la importancia del ajuste. La discusión sobre casos reales de predicción hace que el concepto sea relevante y práctico.

¿Qué es el coeficiente de determinación (R²)?

Es un valor entre 0 y 1 que indica la proporción de la variabilidad de la variable dependiente que es explicada por el modelo de regresión. Un R² alto sugiere que el modelo se ajusta bien a los datos y es útil para hacer predicciones precisas.