# Guía para el Análisis de Correlación

### Proyecto ROCE — «¿Te paralizan las pantallas?»
Programación didáctica de Matemáticas · 3.º ESO · Aprendizaje Basado en Proyectos (ABP)

---

## 1. La gran pregunta

> **¿Usar el móvil más tiempo nos hace ser más sedentarios?**

**Hipótesis de partida:** *«A más pantallas, menos pasos y peor descanso.»*

Sois investigadores del **Observatorio ROCE**. Vuestro trabajo es comprobar, con datos
reales tomados por vosotros mismos, si esa hipótesis se cumple.

---

## 2. Las variables

| Variable | Descripción | Cómo se mide |
|----------|-------------|--------------|
| `horas_pantalla` | Horas de uso de pantallas al día | Ajustes del móvil / «Tiempo de uso» |
| `pasos_diarios` | Número de pasos al día | App de salud del móvil o pulsera |
| `cansancio` | Sensación de cansancio ese día | Respuesta Sí / No |

Durante **14 días** cada estudiante anota estos tres valores. Se calcula la **media por alumno**
y se vuelca todo a una hoja de cálculo (Google Sheets o Excel) siguiendo el formato de la plantilla.

---

## 3. Estadística descriptiva (paso a paso)

1. **Medidas de centralización** de cada variable:
   - Media: `=PROMEDIO(rango)`
   - Mediana: `=MEDIANA(rango)`
   - Moda: `=MODA(rango)`
2. **Medidas de dispersión**:
   - Rango = máximo − mínimo
   - Varianza: `=VAR(rango)`
   - Desviación típica: `=DESVEST(rango)`
3. **Histograma** de `horas_pantalla` y de `pasos_diarios`.
4. **Diagrama de caja (box plot)**: útil para ver la mediana, los cuartiles y, sobre todo, los **valores atípicos (outliers)**.

---

## 4. Detección de valores atípicos (outliers)

Un outlier es un dato que se aleja mucho del resto. En el diagrama de caja aparecen como puntos
fuera de los «bigotes».

En el **dataset demo** hay dos casos claros:

- **Alumno 008** → 13 h de pantalla y solo 1.200 pasos → perfil **muy sedentario**.
- **Alumno 013** → 1,5 h de pantalla y 18.500 pasos → perfil **muy activo**.

Preguntas para debatir en clase: ¿Debemos eliminar los outliers? ¿Qué historia cuentan?
¿Un solo dato puede cambiar la media?

---

## 5. Relación entre las dos variables (correlación)

1. Construid un **diagrama de dispersión** (scatter): `horas_pantalla` en el eje X, `pasos_diarios` en el eje Y.
2. Observad la nube de puntos: ¿tiene forma de línea descendente?
3. Calculad el **coeficiente de correlación**: `=COEF.DE.CORREL(horas; pasos)`

**Cómo interpretar el resultado:**

| Valor de r | Interpretación |
|-----------|----------------|
| cercano a **−1** | correlación negativa fuerte (a más pantallas, muchos menos pasos) |
| cercano a **0**  | no hay relación aparente |
| cercano a **+1** | correlación positiva fuerte |

En el dataset demo, **r ≈ −0,93**: una correlación **negativa muy fuerte**. Confirma la hipótesis.

> ⚠️ **Correlación no es causalidad.** Que dos variables vayan juntas no demuestra que una
> cause la otra. Es una de las ideas más importantes de la alfabetización estadística.

---

## 6. Cansancio y pantallas

Cruzad la columna `cansancio` con `horas_pantalla`. En el dataset demo, **todas** las respuestas
«Sí» corresponden a días con **más de 5 horas** de pantalla. ¿Coincidencia o patrón?

---

## 7. Inferencia entre centros (la red ROCE)

Comparad la media de vuestra clase con la de otros centros de la red ROCE.
¿Vuestro grupo usa más o menos pantallas que la media? Esto introduce la idea de **muestra**
frente a **población** y el porqué de compartir datos abiertos entre centros.

---

## 8. Entregable final

- **Informe de bienestar** del grupo con vuestras conclusiones y gráficos.
- **Vídeo de 1 minuto** resumiendo el hallazgo principal.
- Exposición en el **Congreso ROCE** de aula.

---

*Recurso del TFM «Aprendizaje de análisis de datos estadísticos mediante ABP. Programación para
Matemáticas de 3.º ESO», de Iván de Ramón Ibáñez (MAES, UNIR).*