- (-1 leq r leq +1 )
- Para una asociación positiva, (r> 0 ), para una asociación negativa (r <0 ), si no hay relación (r = 0 )
- Cuanto más cercano (r ) es 0 cuanto más débil es la relación y más cerca de +1 o -1, más fuerte es la relación (por ejemplo, (r = -. 88 ) es una relación más fuerte que (r = +. 60 )); El signo de la correlación proporciona solo dirección
- La correlación está libre de la unidad; Las variables (x ) y (y ) no necesitan estar en la misma escala (por ejemplo, es posible calcular la correlación entre la altura en centímetros y peso en libras)
- No importa qué variable etiqueta como (x ) y cuál etiqueta como (y ). La correlación entre (x ) y (y ) es igual a la correlación entre (y ) y (x ).
La siguiente tabla puede servir como guía al evaluar los coeficientes de correlación
Al probar la importancia estadística de la relación entre dos variables cuantitativas, utilizaremos el procedimiento de prueba de hipótesis de cinco pasos:
Para usar las variables de Pearson, ambas variables deben ser cuantitativas y la relación entre (x ) y (y ) debe ser lineal
Minitab le dará el valor p para una prueba de dos colas (es decir, (h_a: rho neq 0 )). Si está realizando una prueba de una cola, deberá dividir el valor p en la salida por 2.
Si (p leq alpha ) rechaza la hipótesis nula, hay evidencia de una relación en la población.
¿Qué es un cuadro de correlación?
Use los siguientes pasos para crear una matriz de correlación para este conjunto de datos que muestra las asistencias promedio, los rebotes y los puntos para ocho jugadores de baloncesto:
- Haga clic en la pestaña Analizar.
- Haga clic en Correlerar.
- Haga clic en Bivariado.
Cada variable en el conjunto de datos se mostrará inicialmente en el cuadro de la izquierda:
- Haga clic en la pestaña Analizar.
- Haga clic en Correlerar.
- Haga clic en Bivariado.
Una vez que haga clic en Aceptar, aparecerá la siguiente matriz de correlación:
La matriz de correlación muestra las siguientes tres métricas para cada variable:
- Haga clic en la pestaña Analizar.
- Haga clic en Correlerar.
- Haga clic en Bivariado.
¿Qué es un cuadro correlacional?
Se usó DIC para medir la tensión de campo completo sobre la superficie lateral de la muestra. Es un sistema de medición de deformación 3D óptico sin contacto. La medición de dos cámaras de dispositivos acopladas a carga podría identificar contornos de superficie tridimensionales y la distribución de deformación de la superficie teniendo en cuenta el desplazamiento en la dirección de profundidad. La medición de DIC puede reconocer las características de la superficie de un objeto en las imágenes de la cámara digital y asigna coordenadas a los píxeles de la imagen. Luego, DIC Medición registra imágenes adicionales durante la carga del objeto y compara las imágenes digitales y calcula la deformación de las características del objeto en función de la primera imagen (es decir, estado no conformado del objeto). El mecanismo de trabajo detallado se presenta en el manual del usuario [45].
A pesar de que la medición de la técnica DIC se ha utilizado en mecánicos y campos de la industria [46-48] en los últimos años, la precisión para medir la deformación de nuestros especímenes requería verificación. Se probó una muestra de referencia y la deformación y la tensión se registraron mediante medición tradicional y medición de DIC como se muestra en la Fig. 12.3, y luego la comparación del desarrollo de deformación registrado por esos dos métodos se muestra en la figura 12.4. El acuerdo de estas curvas valida la precisión de la medición de DIC y la ventaja de la medición de DIC también es evidente debido a su gran rango de deformación en comparación con el medidor de deformación.
DIC es una técnica óptica sin contacto para medir la tensión y el desplazamiento. Se pueden obtener datos experimentales de campo completo de deformaciones estructurales de alta velocidad. Es un proceso sin contacto y es bueno para materiales flexibles.
La técnica implica el uso de cámaras digitales que registran una serie de imágenes de una superficie en la que se aplica un patrón de moteado aleatorio (Fig. 6.155). Dentro del software DIC, el patrón de moteos se mapea para calcular la forma deformada, lo que permite la derivación de las desviaciones y las cepas del objeto investigado. El uso de dos cámaras en la configuración estéreo permite la deformación tanto en el plano normal a la cámara como fuera del plano, es decir, 3D DIC. Banks et al. [6.171] Describa una evaluación de DIC para su uso como una técnica experimental para cuantificar la deformación y el acoplamiento de curvas para un hidrofoil compuesto bajo carga de fluido.
Arab et al. [6.172] Use DIC como parte de sus mediciones de deflexión de un hidroil compuesto compuesto compuesto. Giovannetti et al. [6.173] Describa el desarrollo de métodos para la medición dinámica de las láminas compuestas en un túnel de viento, utilizando PIV y DIC (Fig. 6.156). Un ejemplo, de [6.173], de un vórtice de punta de cobertizo usando PIV se da en la figura 6.157. Dichas técnicas permiten que el comportamiento de interacción de la estructura del fluido se entienda mejor, por ejemplo, cómo la forma deformada y la velocidad a la que cambia se relaciona con las fuerzas instantáneas de elevación y arrastre generadas por la lámina.
¿Qué es la correlación?
La correlación es una medida estadística que expresa la medida en que dos variables están relacionadas linealmente (lo que significa que cambian juntos a una velocidad constante). Es una herramienta común para describir relaciones simples sin hacer una declaración sobre causa y efecto.
El coeficiente de correlación de la muestra, R, cuantifica la resistencia de la relación. Las correlaciones también se prueban para la significación estadística.
La correlación no puede mirar la presencia o el efecto de otras variables fuera de las dos que se exploran. Es importante destacar que la correlación no nos dice sobre la causa y el efecto. La correlación tampoco puede describir con precisión las relaciones curvilíneas.
Las correlaciones son útiles para describir relaciones simples entre los datos. Por ejemplo, imagine que está mirando un conjunto de datos de campamentos en un parque de montaña. Desea saber si existe una relación entre la elevación del campamento (qué tan alto es la montaña) y la temperatura promedio de alta en el verano.
Para cada campamento individual, tiene dos medidas: elevación y temperatura. Cuando compara estas dos variables en su muestra con una correlación, puede encontrar una relación lineal: a medida que aumenta la elevación, la temperatura cae. Están correlacionados negativamente.
Describimos las correlaciones con una medida libre de unidad llamada coeficiente de correlación que varía de -1 a +1 y se denota por R. La significación estadística se indica con un valor p. Por lo tanto, las correlaciones generalmente se escriben con dos números clave: r = y p =.
¿Cómo interpretar un cuadro de correlación?
Para comenzar, haga clic en Analizar -> Correlerar -> Bivariado.
Esto traerá el cuadro de diálogo Correlaciones bivariadas.
Hay dos cosas que debes hacer aquí. El primero es mover las dos variables de interés (es decir, las dos variables que desea ver si están correlacionadas) en el cuadro de variables a la derecha. Puede hacerlo arrastrando y dejando caer (o usando el botón de flecha en el medio).
La otra cosa es garantizar que «Pearson» se seleccione bajo coeficientes de correlación.
También puede seleccionar «Correlaciones significativas de marcar», aunque esto es opcional.
Lo primero que puede notar sobre el resultado es que es una matriz 2 × 2. Esto significa que, en efecto, obtiene dos resultados para el precio de uno, porque obtiene el coeficiente de correlación de puntaje y tiempo transcurrido, y el coeficiente de correlación de tiempo transcurrido y puntaje (que es el mismo resultado, obviamente).
El primero es el valor de Pearson ‘R, es decir, el coeficiente de correlación. Esa es la figura de correlación de Pearson (dentro de la caja roja cuadrada, arriba), que en este caso es .094.
La R de Pearson varía entre +1 y -1, donde +1 es una correlación positiva perfecta, y -1 es una correlación negativa perfecta. 0 significa que no hay correlación lineal en absoluto.
Nuestra cifra de .094 indica una correlación positiva muy débil. Cuanto más tiempo pase la gente haciendo la prueba, mejor probablemente hagan, pero el efecto es muy pequeño.
También estamos interesados en el valor de significancia de 2 colas, que en este caso es <.000 (dentro del ovalado rojo, arriba). El valor alfa estándar es .05, lo que significa que nuestra correlación es muy significativa, no solo una función del error de muestreo aleatorio, etc.
Artículos Relacionados:
- Mapa de correlación: cómo encontrar el mejor lugar para tu negocio
- Aprende a identificar los diferentes tipos de correlación en tu estadística
- Ejemplo de correlación: aprenda a calcular la relación entre dos variables
- ¿Qué es el análisis de correlación y cómo puede mejorar tu estrategia de marketing?
- Cómo crear una matriz de correlación en Excel
