Mapa de Calor de Correlación

Ve cada correlación por pares de un vistazo — rojo significa relación, azul significa relación inversa

Un mapa de calor de correlación es una matriz donde cada celda muestra la r de Pearson entre dos columnas numéricas. El color hace que los patrones resalten al instante: las celdas rojas (r cerca de +1) significan que las dos variables suben juntas; las celdas azules (r cerca de -1) significan que una sube cuando la otra baja; las celdas blancas/pálidas (r cerca de 0) significan que no hay relación lineal.

Esta herramienta carga un conjunto de datos de muestra de 30 personas con Age, Height, Weight, Score e Income. Height y Weight están correlacionadas intencionalmente (~0.7); Age e Income están moderadamente correlacionadas (~0.6); Score es independiente del resto. Haz clic en Vincular Datos para construir el mapa de calor y ver qué pares están realmente relacionados.

Pega cualquier CSV numérico de múltiples columnas para construir un mapa de calor de correlación con tus propios datos.

Temas relacionados

Calculadora de RegresiónCreador de Diagrama de DispersiónCalculadora de Estadísticas
¿Qué es un mapa de calor de correlación?
Un mapa de calor de correlación es una cuadrícula donde las filas y columnas representan variables, y cada celda muestra el coeficiente de correlación de Pearson r entre ese par. Los colores codifican la intensidad y dirección: colores cálidos (rojo/naranja) para correlación positiva, colores fríos (azul) para negativa y neutro (blanco) para cerca de cero.
¿Qué es la r de Pearson y qué significan sus valores?
La r de Pearson va de -1 a +1. r = +1 es una relación lineal positiva perfecta (cuando X aumenta, Y siempre aumenta proporcionalmente). r = -1 es una relación inversa perfecta. r = 0 significa que no hay relación lineal — aunque puede existir una relación no lineal. Como guía aproximada: |r| > 0.7 = fuerte, 0.4–0.7 = moderada, < 0.4 = débil.
¿Qué significa r = 0 — significa que no hay relación?
r = 0 significa que no hay relación lineal. Dos variables pueden tener una fuerte relación no lineal (por ejemplo, en forma de U) y aun así producir r ≈ 0. Siempre combina el mapa de calor con diagramas de dispersión para comprobar curvas o grupos que la r de Pearson pasa por alto.
¿Cuándo debo usar un mapa de calor de correlación?
Los mapas de calor son más útiles cuando tienes 3 o más columnas numéricas y quieres encontrar rápidamente qué pares vale la pena investigar más. Son un primer paso estándar en el análisis exploratorio de datos (AED) antes de construir modelos de regresión — ayudan a detectar multicolinealidad y predictores interesantes.
¿La correlación implica causalidad?
No. Una alta correlación entre dos variables solo significa que se mueven juntas en este conjunto de datos — no que una cause la otra. Las ventas de helado y las tasas de quemaduras solares están altamente correlacionadas (ambas aumentan en verano), pero ninguna causa la otra. Establecer causalidad requiere experimentos controlados o métodos cuidadosos de inferencia causal.
¿Por qué la diagonal siempre es 1.0?
La diagonal de una matriz de correlación muestra la correlación de cada variable consigo misma, que siempre es un +1 perfecto. Esto es esperado y normal — simplemente confirma que la matriz es correcta.