Ir al contenido
σestadistica.ar

estadistica.ar · Enciclopedia de Estadística en españolhttps://estadistica.ar/conceptos/correlacion-de-spearman

M03 · BivariadaIntermedioProcedimiento

Correlación de Spearman

La correlación calculada sobre los puestos en vez de los valores: robusta a atípicos, válida con ordinales y capaz de detectar relaciones no lineales.

Por Jorge Luis Montivero, Licenciado en Estadística · Mu3Sigma

1 · Qué es

La correlación de Spearman es la correlación de Pearson calculada sobre los puestos —el orden— en lugar de los valores originales.

ρ=rpuestos\rho = r_{\text{puestos}}

La letra griega puede confundir: en otras entradas, ρ\rho es la correlación de Pearson en la población. Por eso muchos textos escriben la de Spearman como rsr_s. Acá se mantiene ρ\rho, que es lo que muestran los programas.

Correlación de Spearman: la alternativa no paramétrica a Pearson · video, 3:22

Cuando no hay empates, existe una fórmula abreviada:

ρ=1−6∑di2n(n2−1)\rho = 1 - \frac{6\sum d_i^{2}}{n(n^{2}-1)}

donde did_i es la diferencia de puestos de cada caso. Con empates —que es lo habitual— hay que usar la definición general, y los puestos repetidos se reemplazan por el promedio de las posiciones que ocuparían. La abreviada pasa a ser una aproximación, que se aleja más cuanto más empates hay: en la EPH, con 14.212 casos y apenas 96 valores distintos de horas, da 0,413 en lugar de 0,411; en una escala Likert de cinco puntos la diferencia es mayor.

2 · Qué gana con eso

Detecta cualquier relación monótona, no solo la lineal. Si yy crece siempre que xx crece, aunque sea con una curva, Spearman da 1 y Pearson no. Da 1 solo si el orden es perfecto: un caso fuera de orden ya lo baja.

Es robusta a los valores extremos. Un ingreso de veinte millones pasa a ser “el puesto más alto”, igual que uno de tres millones: su peso desmesurado desaparece. En la EPH, sacar los diez ingresos más altos de 14.212 lleva a Pearson de 0,249 a 0,284; a Spearman, de 0,411 a 0,410. Lo que sí la afecta es un caso fuera de orden, y con pocos casos, uno solo pesa mucho.

Funciona con variables ordinales. Escalas Likert, niveles educativos, grados de severidad: todo lo que tenga orden pero no distancias interpretables.

No cambia si se transforma una variable de manera monótona. Tomar logaritmos, raíces o elevar al cuadrado valores positivos no altera el orden, así que no altera ρ\rho. Pearson, en cambio, da un número distinto con cada transformación.

No exige normalidad.

3 · El mecanismo, con seis casos

Antigüedad en el puesto y salario mensual de seis personas, donde la quinta gana mucho más que el resto:

AntigüedadSalarioPuesto de xxPuesto de yyddd2d^2
21801100
426023−11
52203211
83004400
121.50056−11
303406511
4
ρ=1−6×46(36−1)=0,886\rho = 1 - \frac{6 \times 4}{6(36-1)} = 0{,}886

Y sobre los mismos seis pares, Pearson da 0,176.

0 500 1.000 1.500 el salario de 1.500 0 10 20 30 En valores: Pearson = 0,176 1 2 3 4 5 6 1 2 3 4 5 6 En puestos: Spearman = 0,886 Antigüedad (horizontal) y salario (vertical); a la derecha, el puesto de cada uno
En valores, un solo salario aplasta a los demás contra el piso y Pearson da 0,176. En puestos, el orden casi perfecto queda a la vista y Spearman da 0,886.Fuente: Los seis casos de la tabla.

Si se toman logaritmos del salario, Pearson sube a 0,308 —la transformación ayuda pero no alcanza— y Spearman sigue siendo 0,886, exactamente el mismo número. Esa insensibilidad es la propiedad que define al coeficiente.

Lo que deja a ρ\rho por debajo de 1 no es el salario de 1.500, sino los dos pares fuera de orden. Uno es el último caso: 30 años de antigüedad, mucho más que el resto, y un salario menor que el de 12 años.

4 · El ejemplo de la EPH

MedidaValor
Pearson sobre los valores0,249
Spearman0,411
Pearson sobre log⁡(ingreso)\log(\text{ingreso})0,431

La diferencia entre 0,249 y 0,411 es grande, y es informativa: dice que la relación entre horas e ingreso es monótona pero no lineal, y que la asimetría extrema del ingreso estaba castigando a Pearson.

Son casos de la muestra, sin ponderar. Con el ponderador de ingresos (PONDIIO), Spearman da 0,416 y Pearson 0,260: la lectura es la misma. El intervalo de confianza del 95 % de ρ\rho va de 0,396 a 0,425.

Con una variable ordinal de verdad, el nivel educativo (de sin instrucción a universitario completo), y el ingreso: Spearman da 0,326 y Pearson 0,247. Pearson trata la distancia entre “primario completo” y “secundario incompleto” como si fuera un número; Spearman solo usa el orden.

5 · Qué pierde

Descarta la información de las distancias. Entre el primer y el segundo puesto puede haber un peso o un millón: Spearman no lo distingue.

Es menos potente si la relación realmente es lineal y los datos son normales. En ese escenario, Pearson aprovecha mejor la información.

No se interpreta como r2r^2. El cuadrado de ρ\rho no es la proporción de variabilidad explicada de los valores: es la variación compartida entre los puestos, que es otra cosa.

No sirve para predecir. Sobre los puestos no se construye una recta útil: si lo que hace falta es una ecuación, hay que volver a los valores —transformados si es necesario— y usar regresión.

6 · Valor p e intervalo

Con muestras chicas, el valor p sale de la distribución exacta: todas las formas posibles de ordenar los puestos. Con muestras grandes se usa una aproximación. Los programas no siempre eligen igual, y con pocos casos la diferencia importa. Con los seis casos de arriba:

CálculoValor p
Exacto (R, cor.test)0,033
Aproximación t (Python, stats.spearmanr)0,019

La aproximación da casi la mitad. R usa el exacto cuando no hay empates y hay menos de 1.290 casos; si hay empates, avisa que no puede y pasa a la aproximación. En Python, el exacto sale con una prueba de permutaciones (ver el código al final).

Para el intervalo de confianza se usa la transformación de Fisher, como en Pearson, pero con varianza 1,06/(n−3)1{,}06/(n-3) en lugar de 1/(n−3)1/(n-3).

7 · Cuándo usar cada una

SituaciónMedida
Cuantitativas, relación lineal, sin atípicosPearson
Al menos una variable ordinalSpearman
Relación monótona curvaSpearman
Atípicos que no se pueden justificar sacarSpearman
Distribuciones muy asimétricasSpearman, o Pearson sobre logaritmos
Muestra chica con empatesKendall

La tau de Kendall mide algo parecido, pero en otra escala: suele dar bastante menos. En los seis casos, τ=0,733\tau = 0{,}733 contra ρ=0,886\rho = 0{,}886; en la EPH, 0,296 contra 0,411. No se comparan entre sí como si fueran el mismo número.

8 · Errores frecuentes

  • Interpretar ρ2\rho^2 como proporción de variabilidad explicada.
  • Usar la fórmula abreviada con muchos empates. Da un valor aproximado, que se aleja más cuanto más empates hay.
  • Numerar los empates en vez de promediarlos, a mano o con rank(x, ties.method = "first").
  • Confiar en el valor p aproximado con pocos casos.
  • Elegir la medida según cuál da más alto.
  • Usar Spearman con variables nominales. Sin orden no hay puestos: ahí va V de Cramér.
  • Esperar que cambie al transformar la variable. No cambia: esa es la idea.
  • Creer que resuelve la causalidad. No cambia nada en ese plano.
  • Olvidar que solo detecta relaciones monótonas. Una U sigue dando cerca de cero.

9 · En el software

# R
cor(x, y, method = "spearman")
cor.test(x, y, method = "spearman")     # con valor p

# Equivalencia: es Pearson sobre los rangos
cor(rank(x), rank(y))                   # idéntico

cor.test da el valor p exacto si no hay empates y hay menos de 1.290 casos; con empates avisa y usa la aproximación.

# Python
from scipy import stats
rho, p = stats.spearmanr(x, y)          # p por aproximación t

# Con pocos casos, el p exacto por permutaciones
res = stats.permutation_test((x,), lambda a: stats.spearmanr(a, y)[0],
                             permutation_type="pairings")
res.pvalue

# pandas
datos[["x", "y"]].corr(method="spearman")
Excel:    no tiene función propia. Con x en A2:A7 e y en B2:B7:
          puestos  =JERARQUIA.MEDIA(A2; $A$2:$A$7; 1)   (y lo mismo para y)
          rho      =COEF.DE.CORREL(C2:C7; D2:D7)        sobre los puestos
          JERARQUIA.MEDIA promedia los empates; JERARQUIA.EQV no
SPSS:     Analizar › Correlacionar › Bivariadas › marcar Spearman

Herramientas de este tema

Seguir leyendo

Cómo citar: Montivero, J. L. (2026). Correlación de Spearman. estadistica.ar. https://estadistica.ar/conceptos/correlacion-de-spearman

estadistica.ar es gratuita y sin publicidad. Si te sirvió, podés invitar un cafecito por transferencia al alias mu3sigma. Asesoramiento estadístico, encuestas y capacitaciones: m3s.pro · WhatsApp +54 9 383 499-7929.

Cómo citar esta entrada

APA (7.ª edición)

Montivero, J. L. (2026). Correlación de Spearman. estadistica.ar. https://estadistica.ar/conceptos/correlacion-de-spearman

BibTeX

@misc{estadistica_ar_correlacion_de_spearman,
  author       = {Montivero, Jorge Luis},
  title        = {{Correlación de Spearman}},
  year         = {2026},
  howpublished = {\url{https://estadistica.ar/conceptos/correlacion-de-spearman}},
  note         = {estadistica.ar. Consultado el \today},
  urldate      = {2026-11-10}
}

Última actualización: 10 de noviembre de 2026. El contenido está bajo licencia CC BY-NC-SA 4.0: se puede reutilizar citando la fuente y sin fines comerciales.