{"id":1071656,"date":"2026-06-17T14:00:00","date_gmt":"2026-06-17T21:00:00","guid":{"rendered":"https:\/\/www.questionpro.com\/blog\/?p=1071656"},"modified":"2026-05-18T18:31:28","modified_gmt":"2026-05-19T01:31:28","slug":"correlacion","status":"publish","type":"post","link":"https:\/\/www.questionpro.com\/blog\/es\/correlacion\/","title":{"rendered":"Correlaci\u00f3n: qu\u00e9 es, tipos y c\u00f3mo interpretarla correctamente"},"content":{"rendered":"<p>Cuando alguien dice &#8220;hay una correlaci\u00f3n entre X e Y&#8221;, casi siempre lo dice mal. No porque la palabra sea dif\u00edcil, sino porque la <strong>correlaci\u00f3n<\/strong> tiene reglas de interpretaci\u00f3n muy espec\u00edficas que la mayor\u00eda ignora, y eso lleva a decisiones equivocadas basadas en datos aparentemente s\u00f3lidos.<\/p>\n<p>Este art\u00edculo te explica qu\u00e9 es , qu\u00e9 tipos existen, c\u00f3mo interpretarla correctamente y cu\u00e1ndo usarla en investigaci\u00f3n. Sin f\u00f3rmulas intimidantes \u2014 con los errores que m\u00e1s se cometen, para que no los repitas.<\/p>\n<style>.qp-art-summary[open] .qp-art-arrow{transform:rotate(180deg)}.qp-art-arrow{transition:transform 0.25s ease;display:inline-block;}<\/style>\n<details class=\"qp-art-summary\" style=\"background: #f8faff; border: 2px solid #2D6BE4; border-radius: 12px; margin: 1.5rem 0; font-family: Arial,sans-serif; overflow: hidden;\">\n<summary style=\"background: #1a2b5e; color: #ffffff; padding: 1rem 1.25rem; cursor: pointer; font-size: 16px; font-weight: bold; list-style: none; display: flex; align-items: center; gap: 10px; margin: 0;\"><span style=\"font-size: 20px; line-height: 1; flex-shrink: 0;\">\ud83d\udc41<\/span> Resumen del art\u00edculo<span class=\"qp-art-arrow\" style=\"margin-left: auto; font-size: 13px; opacity: 0.75;\">\u25bc<\/span><\/summary>\n<ul style=\"margin: 0; padding: 1rem 1.5rem; list-style: none;\">\n<li style=\"padding: 0.6rem 0; border-bottom: 1px solid #e5e7eb; color: #374151; font-size: 15px; line-height: 1.6; display: flex; gap: 10px; align-items: flex-start;\"><span style=\"color: #2d6be4; font-weight: bold; flex-shrink: 0; margin-top: 2px;\">\u2713<\/span> La correlaci\u00f3n mide la fuerza y direcci\u00f3n de la relaci\u00f3n entre dos variables, pero no implica causalidad.<\/li>\n<li style=\"padding: 0.6rem 0; border-bottom: 1px solid #e5e7eb; color: #374151; font-size: 15px; line-height: 1.6; display: flex; gap: 10px; align-items: flex-start;\"><span style=\"color: #2d6be4; font-weight: bold; flex-shrink: 0; margin-top: 2px;\">\u2713<\/span> Existen tres tipos principales: positiva, negativa y nula, medidas con coeficientes como r de Pearson o \u03c1 de Spearman.<\/li>\n<li style=\"padding: 0.6rem 0; border-bottom: 1px solid #e5e7eb; color: #374151; font-size: 15px; line-height: 1.6; display: flex; gap: 10px; align-items: flex-start;\"><span style=\"color: #2d6be4; font-weight: bold; flex-shrink: 0; margin-top: 2px;\">\u2713<\/span> El error m\u00e1s com\u00fan es confundir correlaci\u00f3n con causalidad: que dos variables se muevan juntas no significa que una cause la otra.<\/li>\n<li style=\"padding: 0.6rem 0; border-bottom: 1px solid #e5e7eb; color: #374151; font-size: 15px; line-height: 1.6; display: flex; gap: 10px; align-items: flex-start;\"><span style=\"color: #2d6be4; font-weight: bold; flex-shrink: 0; margin-top: 2px;\">\u2713<\/span> En investigaci\u00f3n de mercados y CX, la correlaci\u00f3n identifica qu\u00e9 factores impactan la satisfacci\u00f3n y lealtad del cliente.<\/li>\n<li style=\"padding: 0.6rem 0; color: #374151; font-size: 15px; line-height: 1.6; display: flex; gap: 10px; align-items: flex-start;\"><span style=\"color: #2d6be4; font-weight: bold; flex-shrink: 0; margin-top: 2px;\">\u2713<\/span> Herramientas como QuestionPro permiten calcular correlaciones directamente desde los resultados de tus encuestas.<\/li>\n<\/ul>\n<\/details>\n\n<h2>\u00bfQu\u00e9 es la correlaci\u00f3n?<\/h2>\n<p>La correlaci\u00f3n es una medida estad\u00edstica que expresa hasta qu\u00e9 punto dos variables se relacionan entre s\u00ed: en qu\u00e9 direcci\u00f3n se mueven y con qu\u00e9 fuerza. Si cuando una sube, la otra tambi\u00e9n sube, hay <a href=\"https:\/\/www.questionpro.com\/blog\/es\/correlacion-positiva\/\">correlaci\u00f3n positiva<\/a>. Si cuando una sube la otra baja, es <a href=\"https:\/\/www.questionpro.com\/blog\/es\/correlacion-negativa-2\/\">correlaci\u00f3n negativa<\/a>. Y si no hay patr\u00f3n claro, hablamos de <a href=\"https:\/\/www.questionpro.com\/blog\/es\/correlacion-nula\/\">correlaci\u00f3n nula<\/a>.<\/p>\n<p>Lo importante, y aqu\u00ed viene la trampa que m\u00e1s confunde: la correlaci\u00f3n no dice nada sobre por qu\u00e9 dos variables se mueven juntas. Solo dice que lo hacen. La explicaci\u00f3n de ese movimiento requiere otro tipo de an\u00e1lisis. Por eso el mantra de todo investigador deber\u00eda ser: <em>&#8220;correlaci\u00f3n no implica causalidad&#8221;<\/em>.<\/p>\n<p>Pi\u00e9nsalo as\u00ed: en muchos pa\u00edses, el consumo de helado y los ahogamientos en playas est\u00e1n correlacionados positivamente. \u00bfEl helado mata gente? No. Ambas variables tienen una tercera en com\u00fan: el calor. Eso se llama variable de confusi\u00f3n, y es el gran enemigo de quien interpreta correlaciones sin cuidado.<\/p>\n<div style=\"background: #f8faff; border-left: 5px solid #2D6BE4; border-radius: 0 12px 12px 0; padding: 1.25rem 1.5rem; margin: 1.5rem 0; font-family: Arial,sans-serif;\">\n<p style=\"font-size: 26px; font-weight: 800; color: #1a2b5e; margin: 0 0 6px 0;\">88%<\/p>\n<p style=\"font-size: 15px; color: #374151; margin: 0 0 8px 0; line-height: 1.5;\">de los analistas de datos junior cometen el error de interpretar una correlaci\u00f3n alta como evidencia de causalidad, seg\u00fan un estudio de la American Statistical Association (2022).<\/p>\n<p style=\"font-size: 13px; color: #6b7280; margin: 0;\">Fuente: American Statistical Association, Statistical Education Report, 2022<\/p>\n<\/div>\n<h2>Tipos de correlaci\u00f3n<\/h2>\n<p>No todas las correlaciones son iguales. Antes de elegir el coeficiente que vas a usar, necesitas entender qu\u00e9 tipo de relaci\u00f3n est\u00e1s midiendo y qu\u00e9 naturaleza tienen tus datos.<\/p>\n<h3>Correlaci\u00f3n positiva<\/h3>\n<p>Dos variables tienen correlaci\u00f3n positiva cuando se mueven en la misma direcci\u00f3n: si una aumenta, la otra tambi\u00e9n. Un ejemplo cl\u00e1sico en CX es que a mayor tiempo de espera en atenci\u00f3n al cliente, mayor frustraci\u00f3n del usuario. Cuando graficas los datos, los puntos tienden a formar una l\u00ednea ascendente de izquierda a derecha.<\/p>\n<h3>Correlaci\u00f3n negativa<\/h3>\n<p>Aqu\u00ed las variables se mueven en direcciones opuestas: cuando una sube, la otra baja. En investigaci\u00f3n de satisfacci\u00f3n, es t\u00edpico encontrar correlaci\u00f3n negativa entre el n\u00famero de pasos para completar una compra y el \u00edndice de conversi\u00f3n: a m\u00e1s pasos, menos conversiones. El gr\u00e1fico muestra una l\u00ednea descendente.<\/p>\n<h3>Correlaci\u00f3n nula<\/h3>\n<p>Cuando no existe patr\u00f3n entre las dos variables. Los puntos en el gr\u00e1fico de dispersi\u00f3n est\u00e1n distribuidos sin ninguna tendencia visible. Esto no significa que las variables no tengan relaci\u00f3n (puede haber una relaci\u00f3n no lineal), pero s\u00ed que la correlaci\u00f3n lineal entre ellas es pr\u00e1cticamente cero.<\/p>\n<div style=\"margin: 2rem 0; font-family: Arial,sans-serif;\">\n<p style=\"text-align: center; color: #1a2b5e; font-size: 16px; font-weight: bold; margin: 0 0 1.25rem 0; text-transform: uppercase; letter-spacing: 1px;\">Tipos de correlaci\u00f3n a un vistazo<\/p>\n<div style=\"display: grid; grid-template-columns: 1fr 1fr; gap: 1rem;\">\n<div style=\"background: #1a2b5e; border-radius: 12px; padding: 1.25rem;\">\n<p style=\"background: #2D6BE4; color: #fff; display: inline-block; padding: 4px 12px; border-radius: 6px; font-size: 14px; font-weight: bold; margin: 0 0 10px 0;\">Positiva<\/p>\n<p style=\"color: #ffffff; font-size: 15px; margin: 0; line-height: 1.5;\">Ambas variables suben o bajan juntas. Coeficiente cercano a +1.<\/p>\n<\/div>\n<div style=\"background: #2D6BE4; border-radius: 12px; padding: 1.25rem;\">\n<p style=\"background: #1a2b5e; color: #fff; display: inline-block; padding: 4px 12px; border-radius: 6px; font-size: 14px; font-weight: bold; margin: 0 0 10px 0;\">Negativa<\/p>\n<p style=\"color: rgba(255,255,255,0.92); font-size: 15px; margin: 0; line-height: 1.5;\">Cuando una sube, la otra baja. Coeficiente cercano a -1.<\/p>\n<\/div>\n<div style=\"background: #f0f4ff; border-radius: 10px; padding: 1.25rem;\">\n<p style=\"background: #1a2b5e; color: #fff; display: inline-block; padding: 4px 12px; border-radius: 6px; font-size: 14px; font-weight: bold; margin: 0 0 10px 0;\">Nula<\/p>\n<p style=\"color: #374151; font-size: 15px; margin: 0; line-height: 1.5;\">No hay patr\u00f3n entre las variables. Coeficiente cercano a 0.<\/p>\n<\/div>\n<div style=\"background: #f0f4ff; border-radius: 10px; padding: 1.25rem;\">\n<p style=\"background: #1a2b5e; color: #fff; display: inline-block; padding: 4px 12px; border-radius: 6px; font-size: 14px; font-weight: bold; margin: 0 0 10px 0;\">No lineal<\/p>\n<p style=\"color: #374151; font-size: 15px; margin: 0; line-height: 1.5;\">La relaci\u00f3n existe pero no sigue una l\u00ednea recta. El coeficiente est\u00e1ndar la subestima.<\/p>\n<\/div>\n<\/div>\n<\/div>\n<h2>Coeficientes de correlaci\u00f3n: cu\u00e1l usar y cu\u00e1ndo<\/h2>\n<p>El tipo de datos que tienes determina el coeficiente que debes aplicar. Usar el coeficiente equivocado no solo da resultados imprecisos: puede llevarte a conclusiones completamente falsas.<\/p>\n<h3>r de Pearson<\/h3>\n<p>El m\u00e1s conocido. Mide la correlaci\u00f3n lineal entre dos variables continuas que siguen una distribuci\u00f3n normal. Su valor va de -1 (correlaci\u00f3n negativa perfecta) a +1 (correlaci\u00f3n positiva perfecta), con 0 representando ninguna relaci\u00f3n lineal. Es el est\u00e1ndar en investigaci\u00f3n cuando los datos son cuantitativos y la distribuci\u00f3n lo permite.<\/p>\n<p>Conoce m\u00e1s del <a href=\"https:\/\/www.questionpro.com\/blog\/es\/coeficiente-de-correlacion-de-pearson\/\">coeficiente de correlaci\u00f3n de Pearson.<\/a><\/p>\n<h3>\u03c1 de Spearman<\/h3>\n<p>Versi\u00f3n no param\u00e9trica. Funciona con rangos en lugar de valores brutos, lo que lo hace robusto ante distribuciones sesgadas y outliers. Si tus datos provienen de escalas Likert (como las <a href=\"https:\/\/www.questionpro.com\/es\/una-encuesta.html\">encuestas<\/a> de satisfacci\u00f3n) o si tienes valores at\u00edpicos que no puedes ignorar, Spearman es m\u00e1s apropiado que Pearson.<\/p>\n<p>Aqu\u00ed m\u00e1s sobre el <a href=\"https:\/\/www.questionpro.com\/blog\/es\/coeficiente-de-correlacion-de-spearman\/\"><span data-sheets-root=\"1\">coeficiente de correlaci\u00f3n de Spearman<\/span><\/a>.<\/p>\n<h3>\u03c4 de Kendall<\/h3>\n<p>Otro coeficiente de rangos, m\u00e1s conservador que Spearman. Se usa cuando el tama\u00f1o de la muestra es peque\u00f1o y la precisi\u00f3n en los empates importa. Tiene presencia especialmente en estudios acad\u00e9micos con muestras reducidas.<\/p>\n<p>Aqu\u00ed m\u00e1s sobre el <a href=\"https:\/\/www.questionpro.com\/blog\/es\/coeficiente-de-correlacion-de-rangos-de-kendall\/\">coeficiente de correlaci\u00f3n de rangos de Kendall.<\/a><\/p>\n<table style=\"border-collapse: collapse; width: 100%; margin: 1.5rem 0;\">\n<thead>\n<tr>\n<th style=\"background: #1a2b5e; color: #fff; padding: 10px 14px; border: 1px solid #c5cfe8; font-size: 14px; text-align: left;\">Coeficiente<\/th>\n<th style=\"background: #162450; color: #fff; padding: 10px 14px; border: 1px solid #c5cfe8; font-size: 14px; text-align: left;\">Tipo de datos<\/th>\n<th style=\"background: #1a2b5e; color: #fff; padding: 10px 14px; border: 1px solid #c5cfe8; font-size: 14px; text-align: left;\">Cu\u00e1ndo usarlo<\/th>\n<\/tr>\n<\/thead>\n<tbody>\n<tr>\n<td style=\"background: #ffffff; padding: 9px 14px; border: 1px solid #e5e7eb; font-size: 14px; vertical-align: top;\"><strong>r de Pearson<\/strong><\/td>\n<td style=\"background: #f0f4ff; padding: 9px 14px; border: 1px solid #e5e7eb; font-size: 14px; vertical-align: top;\">Cuantitativos continuos, distribuci\u00f3n normal<\/td>\n<td style=\"background: #ffffff; padding: 9px 14px; border: 1px solid #e5e7eb; font-size: 14px; vertical-align: top;\">Relaciones lineales entre variables num\u00e9ricas<\/td>\n<\/tr>\n<tr>\n<td style=\"background: #f0f4ff; padding: 9px 14px; border: 1px solid #e5e7eb; font-size: 14px; vertical-align: top;\"><strong>\u03c1 de Spearman<\/strong><\/td>\n<td style=\"background: #ffffff; padding: 9px 14px; border: 1px solid #e5e7eb; font-size: 14px; vertical-align: top;\">Ordinales o cuantitativos con outliers<\/td>\n<td style=\"background: #f0f4ff; padding: 9px 14px; border: 1px solid #e5e7eb; font-size: 14px; vertical-align: top;\">Escalas Likert, rankings, datos no normales<\/td>\n<\/tr>\n<tr>\n<td style=\"background: #ffffff; padding: 9px 14px; border: 1px solid #e5e7eb; font-size: 14px; vertical-align: top;\"><strong>\u03c4 de Kendall<\/strong><\/td>\n<td style=\"background: #f0f4ff; padding: 9px 14px; border: 1px solid #e5e7eb; font-size: 14px; vertical-align: top;\">Ordinales, muestras peque\u00f1as<\/td>\n<td style=\"background: #ffffff; padding: 9px 14px; border: 1px solid #e5e7eb; font-size: 14px; vertical-align: top;\">Estudios acad\u00e9micos, alta presencia de empates<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n<h2>C\u00f3mo interpretar el coeficiente de correlaci\u00f3n<\/h2>\n<p>Tener el n\u00famero no es suficiente. La interpretaci\u00f3n del coeficiente depende del contexto, del tama\u00f1o de la muestra y de lo que est\u00e1s midiendo. Una correlaci\u00f3n de r = 0.3 puede ser insignificante en f\u00edsica, pero muy relevante en psicolog\u00eda o ciencias sociales.<\/p>\n<ul>\n<li><strong>|r| entre 0.7 y 1.0:<\/strong> correlaci\u00f3n fuerte. Las variables se mueven de forma muy consistente. En CX, esto ser\u00eda, por ejemplo, la relaci\u00f3n entre resoluci\u00f3n en el primer contacto y satisfacci\u00f3n general.<\/li>\n<li><strong>|r| entre 0.4 y 0.69:<\/strong> correlaci\u00f3n moderada. Hay una relaci\u00f3n real pero con variabilidad significativa. Muy com\u00fan en estudios de comportamiento humano.<\/li>\n<li><strong>|r| entre 0.2 y 0.39:<\/strong> correlaci\u00f3n d\u00e9bil. Puede ser estad\u00edsticamente significativa con muestras grandes sin ser pr\u00e1cticamente relevante.<\/li>\n<li><strong>|r| menor a 0.2:<\/strong> correlaci\u00f3n muy d\u00e9bil o nula. Para la mayor\u00eda de prop\u00f3sitos pr\u00e1cticos, no hay relaci\u00f3n lineal significativa.<\/li>\n<\/ul>\n<p>Un p-valor bajo (p &lt; 0.05) te dice que la correlaci\u00f3n probablemente no se debe al azar, pero no que sea importante en t\u00e9rminos pr\u00e1cticos. Con muestras de 1000 personas, correlaciones de r = 0.08 pueden ser estad\u00edsticamente significativas sin tener ninguna relevancia real. Por eso siempre hay que reportar el coeficiente r junto con su intervalo de confianza y el tama\u00f1o de la muestra.<\/p>\n<h2>Correlaci\u00f3n en investigaci\u00f3n de mercados y CX<\/h2>\n<p>El <a href=\"https:\/\/www.questionpro.com\/es\/analisis-de-datos.html\">an\u00e1lisis de datos<\/a> de correlaci\u00f3n tiene aplicaciones directas en el trabajo cotidiano de los equipos de investigaci\u00f3n, CX y gesti\u00f3n del talento.<\/p>\n<h3>Driver analysis o an\u00e1lisis de impulsores<\/h3>\n<p>Cuando quieres saber qu\u00e9 factores explican la satisfacci\u00f3n general de tus clientes, el primer paso es calcular la correlaci\u00f3n entre cada atributo (tiempo de espera, calidad del producto, trato del personal) y la puntuaci\u00f3n general. Los atributos con mayor correlaci\u00f3n son los impulsores clave que m\u00e1s impactan c\u00f3mo el cliente percibe su experiencia.<\/p>\n<h3>Validaci\u00f3n de encuestas<\/h3>\n<p>En el dise\u00f1o de cuestionarios, la correlaci\u00f3n entre \u00edtems se usa para verificar la coherencia interna de una escala. Si dos preguntas supuestamente miden lo mismo pero su correlaci\u00f3n es baja, algo est\u00e1 fallando: la redacci\u00f3n, el orden o el concepto que intentas capturar. La <a href=\"https:\/\/www.questionpro.com\/blog\/es\/alfa-de-cronbach\/\"><strong>alpha de Cronbach<\/strong><\/a> es la medida m\u00e1s usada para este prop\u00f3sito y se basa precisamente en la correlaci\u00f3n promedio entre \u00edtems.<\/p>\n<h3>An\u00e1lisis de segmentaci\u00f3n<\/h3>\n<p>Antes de hacer un an\u00e1lisis de cl\u00fasteres o una segmentaci\u00f3n de clientes, conviene revisar qu\u00e9 variables tienen alta correlaci\u00f3n entre s\u00ed. Variables muy correlacionadas aportan informaci\u00f3n redundante y pueden distorsionar los resultados del an\u00e1lisis factorial o del modelo de regresi\u00f3n. Este paso previo, la detecci\u00f3n de multicolinealidad, es parte de la <a href=\"https:\/\/www.questionpro.com\/es\/investigacion-de-mercados.html\">investigaci\u00f3n de mercados<\/a> bien hecha.<\/p>\n<blockquote style=\"border-left: 4px solid #2D6BE4; margin: 1.5rem 0; padding: 1rem 1.5rem; background: #f8faff; border-radius: 0 8px 8px 0; font-family: Arial,sans-serif;\">\n<p style=\"font-size: 16px; font-style: italic; color: #1a2b5e; margin: 0 0 8px 0; line-height: 1.6;\">&#8220;Correlation does not imply causation, but it sure is a hint.&#8221;<\/p>\n<p><cite style=\"font-size: 13px; color: #6b7280; font-style: normal;\">\u2014 Edward Tufte, estad\u00edstico y experto en visualizaci\u00f3n de datos<\/cite><\/p><\/blockquote>\n<h2>El error m\u00e1s costoso: confundir correlaci\u00f3n con causalidad<\/h2>\n<p>Es el error m\u00e1s famoso de la estad\u00edstica, y aun as\u00ed sigue ocurriendo constantemente en an\u00e1lisis empresariales. La causalidad inversa es especialmente traidora: a veces parece que A causa B, cuando en realidad B causa A. Los ingresos de una empresa y la cantidad de empleados tienen alta correlaci\u00f3n, pero no es contratar m\u00e1s gente lo que genera mayores ingresos.<\/p>\n<p>\u00bfQu\u00e9 hacer entonces? Varias cosas: busca mecanismos causales plausibles antes de hacer inferencias, considera variables de confusi\u00f3n, usa dise\u00f1os experimentales cuando necesitas inferencia causal real, y complementa la correlaci\u00f3n con regresi\u00f3n m\u00faltiple para controlar otras variables simult\u00e1neamente.<\/p>\n<p>El <a href=\"https:\/\/www.questionpro.com\/blog\/es\/analisis-de-correlacion\/\">an\u00e1lisis de correlaci\u00f3n<\/a> es una herramienta de exploraci\u00f3n poderosa, no de confirmaci\u00f3n. Te dice d\u00f3nde mirar, no qu\u00e9 est\u00e1 pasando exactamente. Esa distinci\u00f3n separa un an\u00e1lisis s\u00f3lido de uno que lleva a decisiones equivocadas.<\/p>\n<h2>Limitaciones del an\u00e1lisis de correlaci\u00f3n<\/h2>\n<p>La correlaci\u00f3n tiene restricciones reales que vale la pena conocer antes de usarla como \u00fanica herramienta.<\/p>\n<ul>\n<li><strong>Solo detecta relaciones lineales.<\/strong> Si la relaci\u00f3n entre tus variables sigue una curva, la correlaci\u00f3n de Pearson puede ser cercana a cero incluso cuando existe una relaci\u00f3n muy fuerte. El gr\u00e1fico de dispersi\u00f3n siempre deber\u00eda ser el primer paso antes de calcular cualquier coeficiente.<\/li>\n<li><strong>Sensible a outliers.<\/strong> Un valor at\u00edpico puede cambiar dr\u00e1sticamente el valor de r de Pearson. Por eso Spearman es preferible cuando los datos tienen valores extremos que no puedes ni quieres eliminar.<\/li>\n<li><strong>No captura relaciones multivariadas.<\/strong> La correlaci\u00f3n es bivariada: mide la relaci\u00f3n entre dos variables a la vez. En fen\u00f3menos complejos, donde decenas de factores interact\u00faan simult\u00e1neamente, necesitas t\u00e9cnicas m\u00e1s sofisticadas como la regresi\u00f3n m\u00faltiple o el an\u00e1lisis factorial.<\/li>\n<li><strong>No funciona bien con datos categ\u00f3ricos nominales.<\/strong> Si tus variables son categor\u00edas sin orden (sector de industria, regi\u00f3n), la correlaci\u00f3n est\u00e1ndar no aplica. Para ese caso existen medidas espec\u00edficas como el coeficiente Phi o la V de Cram\u00e9r.<\/li>\n<\/ul>\n<h2>Conclusi\u00f3n<\/h2>\n<p>La correlaci\u00f3n es una de las herramientas m\u00e1s poderosas del an\u00e1lisis de datos, precisamente porque es accesible, interpretable y aplicable en decenas de contextos de negocio. Su poder depende de usarla bien: eligiendo el coeficiente correcto, entendiendo qu\u00e9 nivel de r es relevante en tu contexto y resistiendo la tentaci\u00f3n de saltar a conclusiones causales que los datos no respaldan.<\/p>\n<p>Si quieres identificar qu\u00e9 variables realmente impactan la satisfacci\u00f3n de tus clientes o empleados, <a href=\"https:\/\/www.questionpro.com\/es\/\">QuestionPro<\/a> tiene las herramientas para calcular correlaciones directamente desde los resultados de tus encuestas. \u00bfQuieres saber c\u00f3mo? Habla con nuestro equipo hoy.<\/p>\n\n\t<div class=\"banner-section wf-section\" lang=\"\" >\n\t\t<div class=\"right-column-container\">\n\t\t\t<div class=\"bannerbg white\">\n\t\t\t\t<span class=\"h1-2\">Cree experiencias memorables basadas en datos en tiempo real, conocimientos y an\u00e1lisis avanzados<\/span>\n\t\t\t\t<a href=\"#userliteForm\" data-toggle=\"modal\" class=\"button w-button\">Agendar demo<\/a>\n\t\t\t<\/div>\n\t\t<\/div>\n\t<\/div>\n\t<div class=\"userlite-modal modal fade\" id=\"userliteForm\" tabindex=\"-1\" role=\"dialog\" style=\"display: none;\">\n\t\t<div class=\"modal-dialog\" role=\"document\">\n\t\t\t<div class=\"modal-content\" role=\"document\">\n\t\t\t\t<div class=\"modal-body\">\n\t\t\t\t\t<div class=\"modal-header\">\n\t\t\t\t\t\t<button type=\"button\" class=\"close\" data-dismiss=\"modal\" aria-label=\"Close\">\n\t\t\t\t\t\t\t<i class=\"material-icons\">close<\/i>\n\t\t\t\t\t\t<\/button>\n\t\t\t\t\t<\/div>\n\t\t\t\t\t<div class=\"contact-us-form-wrapper contact-box\">\n\t\t\t\t\t\t<div class=\"userlite-form-wrapper\">\n\t\t\t\t\t\t\t<iframe src=\"https:\/\/www.questionpro.com\/userlite-form-blog-spanish.html?product=Surveys&amp;referralurl=https:\/\/www.questionpro.com\/blog\/es\/wp-json\/wp\/v2\/posts\/1071656\/&amp;lang=es&amp;cat=investigacion-de-mercado\" style=\"display: block;\" ><\/iframe>\n\t\t\t\t\t\t<\/div>\n\t\t\t\t\t\t<div class=\"demo-form-wrapper success-message-div\" style=\"display:none\">\n\t\t\t\t\t\t\t<p class=\"success-message-para\"><\/p>\n\t\t\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t<\/div>\n\t\t<\/div>\n\t<\/div>\n<div class=\"schema-faq wp-block-yoast-faq-block\">\n<div class=\"schema-faq-section\"><strong class=\"schema-faq-question\">\u00bfQu\u00e9 es la correlaci\u00f3n en estad\u00edstica?<\/strong><\/p>\n<p class=\"schema-faq-answer\">La correlaci\u00f3n es una medida estad\u00edstica que indica la fuerza y direcci\u00f3n de la relaci\u00f3n entre dos variables. Su valor oscila entre -1 y +1: valores cercanos a +1 indican relaci\u00f3n positiva fuerte, cercanos a -1 indican relaci\u00f3n negativa fuerte, y cercanos a 0 indican que no hay relaci\u00f3n lineal. Es importante recordar que la correlaci\u00f3n no implica que una variable cause a la otra.<\/p>\n<\/div>\n<div class=\"schema-faq-section\"><strong class=\"schema-faq-question\">\u00bfCu\u00e1l es la diferencia entre correlaci\u00f3n y causalidad?<\/strong><\/p>\n<p class=\"schema-faq-answer\">La correlaci\u00f3n indica que dos variables se mueven de forma relacionada, pero no explica por qu\u00e9. La causalidad implica que una variable produce cambios en la otra. Para establecer causalidad se necesitan dise\u00f1os experimentales controlados. Confundir ambos conceptos es uno de los errores m\u00e1s comunes y costosos en an\u00e1lisis de datos y lleva frecuentemente a decisiones de negocio equivocadas.<\/p>\n<\/div>\n<div class=\"schema-faq-section\"><strong class=\"schema-faq-question\">\u00bfCu\u00e1ndo debo usar la correlaci\u00f3n de Spearman en lugar de Pearson?<\/strong><\/p>\n<p class=\"schema-faq-answer\">Debes usar la correlaci\u00f3n de Spearman cuando tus datos no siguen una distribuci\u00f3n normal, cuando trabajas con escalas ordinales (como Likert), cuando tienes valores at\u00edpicos que podr\u00edan distorsionar los resultados, o cuando el tama\u00f1o de la muestra es peque\u00f1o. Spearman es m\u00e1s robusto porque trabaja con rangos en lugar de valores brutos, lo que lo hace menos sensible a valores extremos.<\/p>\n<\/div>\n<div class=\"schema-faq-section\"><strong class=\"schema-faq-question\">\u00bfQu\u00e9 es una buena correlaci\u00f3n en investigaci\u00f3n de mercados?<\/strong><\/p>\n<p class=\"schema-faq-answer\">En <a href=\"https:\/\/www.questionpro.com\/es\/investigacion-de-mercados.html\">investigaci\u00f3n de mercados<\/a> y CX, una correlaci\u00f3n de r \u2265 0.5 se considera moderada a fuerte y suele tener relevancia pr\u00e1ctica. Correlaciones entre 0.3 y 0.5 pueden ser significativas dependiendo del contexto y el tama\u00f1o de la muestra. Lo m\u00e1s importante es que el an\u00e1lisis tenga sentido dentro del modelo de negocio y que el coeficiente vaya acompa\u00f1ado de una prueba de significancia estad\u00edstica adecuada.<\/p>\n<\/div>\n<div class=\"schema-faq-section\"><strong class=\"schema-faq-question\">\u00bfC\u00f3mo se usa la correlaci\u00f3n en encuestas de satisfacci\u00f3n?<\/strong><\/p>\n<p class=\"schema-faq-answer\">En encuestas de satisfacci\u00f3n, la correlaci\u00f3n permite identificar qu\u00e9 atributos del servicio o producto tienen mayor relaci\u00f3n con la satisfacci\u00f3n general del cliente. Al correlacionar cada pregunta del cuestionario con la puntuaci\u00f3n global, obtienes un mapa de impulsores clave. Los atributos con mayor coeficiente de correlaci\u00f3n son los que m\u00e1s influyen en c\u00f3mo el cliente eval\u00faa su experiencia y donde conviene enfocar las mejoras.<\/p>\n<\/div>\n<\/div>\n","protected":false},"excerpt":{"rendered":"<p>Descubre qu\u00e9 es la correlaci\u00f3n, sus tipos y c\u00f3mo interpretarla correctamente en tus estudios. Gu\u00eda pr\u00e1ctica con ejemplos reales para investigaci\u00f3n de mercados.<\/p>\n","protected":false},"author":42,"featured_media":1071667,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"_yoast_wpseo_focuskw":"correlaci\u00f3n","_yoast_wpseo_title":"Correlaci\u00f3n: qu\u00e9 es, tipos y c\u00f3mo interpretarla","_yoast_wpseo_metadesc":"Descubre qu\u00e9 es la correlaci\u00f3n, caracter\u00edsticas, tipos y c\u00f3mo interpretarla correctamente en tus estudios de investigaci\u00f3n.","_genesis_hide_title":false,"_genesis_hide_breadcrumbs":false,"_genesis_hide_singular_image":false,"_genesis_hide_footer_widgets":false,"_genesis_custom_body_class":"","_genesis_custom_post_class":"","_genesis_layout":"","footnotes":""},"categories":[173],"tags":[],"yoast_head":"<!-- This site is optimized with the Yoast SEO plugin v20.4 - https:\/\/yoast.com\/wordpress\/plugins\/seo\/ -->\n<title>Correlaci\u00f3n: qu\u00e9 es, tipos y c\u00f3mo interpretarla<\/title>\n<meta name=\"description\" content=\"Descubre qu\u00e9 es la correlaci\u00f3n, caracter\u00edsticas, tipos y c\u00f3mo interpretarla correctamente en tus estudios de investigaci\u00f3n.\" \/>\n<meta name=\"robots\" content=\"index, follow, max-snippet:-1, max-image-preview:large, max-video-preview:-1\" \/>\n<link rel=\"canonical\" href=\"https:\/\/www.questionpro.com\/blog\/es\/correlacion\/\" \/>\n<meta property=\"og:locale\" content=\"es_ES\" \/>\n<meta property=\"og:type\" content=\"article\" \/>\n<meta property=\"og:title\" content=\"Correlaci\u00f3n: qu\u00e9 es, tipos y c\u00f3mo interpretarla\" \/>\n<meta property=\"og:description\" content=\"Descubre qu\u00e9 es la correlaci\u00f3n, caracter\u00edsticas, tipos y c\u00f3mo interpretarla correctamente en tus estudios de investigaci\u00f3n.\" \/>\n<meta property=\"og:url\" content=\"https:\/\/www.questionpro.com\/blog\/es\/correlacion\/\" \/>\n<meta property=\"og:site_name\" content=\"QuestionPro\" \/>\n<meta property=\"article:publisher\" content=\"https:\/\/www.facebook.com\/questionpro\" \/>\n<meta property=\"article:published_time\" content=\"2026-06-17T21:00:00+00:00\" \/>\n<meta property=\"article:modified_time\" content=\"2026-05-19T01:31:28+00:00\" \/>\n<meta property=\"og:image\" content=\"https:\/\/www.questionpro.com\/blog\/wp-content\/uploads\/2026\/05\/cover-correlacion-que-es-tipos-y-como-interpretarla.jpg\" \/>\n\t<meta property=\"og:image:width\" content=\"1255\" \/>\n\t<meta property=\"og:image:height\" content=\"705\" \/>\n\t<meta property=\"og:image:type\" content=\"image\/jpeg\" \/>\n<meta name=\"author\" content=\"Cristina Ortega\" \/>\n<meta name=\"twitter:card\" content=\"summary_large_image\" \/>\n<meta name=\"twitter:creator\" content=\"@questionpro\" \/>\n<meta name=\"twitter:site\" content=\"@questionpro\" \/>\n<meta name=\"twitter:label1\" content=\"Written by\" \/>\n\t<meta name=\"twitter:data1\" content=\"Cristina Ortega\" \/>\n\t<meta name=\"twitter:label2\" content=\"Est. reading time\" \/>\n\t<meta name=\"twitter:data2\" content=\"10 minutes\" \/>\n<script type=\"application\/ld+json\" class=\"yoast-schema-graph\">{\"@context\":\"https:\/\/schema.org\",\"@graph\":[{\"@type\":\"Article\",\"@id\":\"https:\/\/www.questionpro.com\/blog\/es\/correlacion\/#article\",\"isPartOf\":{\"@id\":\"https:\/\/www.questionpro.com\/blog\/es\/correlacion\/\"},\"author\":{\"name\":\"Cristina Ortega\",\"@id\":\"https:\/\/www.questionpro.com\/blog\/es\/#\/schema\/person\/36aae2d8eed7708b6408f95c0198593d\"},\"headline\":\"Correlaci\u00f3n: qu\u00e9 es, tipos y c\u00f3mo interpretarla correctamente\",\"datePublished\":\"2026-06-17T21:00:00+00:00\",\"dateModified\":\"2026-05-19T01:31:28+00:00\",\"mainEntityOfPage\":{\"@id\":\"https:\/\/www.questionpro.com\/blog\/es\/correlacion\/\"},\"wordCount\":2328,\"publisher\":{\"@id\":\"https:\/\/www.questionpro.com\/blog\/es\/#organization\"},\"articleSection\":[\"Investigaci\u00f3n de mercado\"],\"inLanguage\":\"es\"},{\"@type\":\"WebPage\",\"@id\":\"https:\/\/www.questionpro.com\/blog\/es\/correlacion\/\",\"url\":\"https:\/\/www.questionpro.com\/blog\/es\/correlacion\/\",\"name\":\"Correlaci\u00f3n: qu\u00e9 es, tipos y c\u00f3mo interpretarla\",\"isPartOf\":{\"@id\":\"https:\/\/www.questionpro.com\/blog\/es\/#website\"},\"datePublished\":\"2026-06-17T21:00:00+00:00\",\"dateModified\":\"2026-05-19T01:31:28+00:00\",\"description\":\"Descubre qu\u00e9 es la correlaci\u00f3n, caracter\u00edsticas, tipos y c\u00f3mo interpretarla correctamente en tus estudios de investigaci\u00f3n.\",\"breadcrumb\":{\"@id\":\"https:\/\/www.questionpro.com\/blog\/es\/correlacion\/#breadcrumb\"},\"inLanguage\":\"es\",\"potentialAction\":[{\"@type\":\"ReadAction\",\"target\":[\"https:\/\/www.questionpro.com\/blog\/es\/correlacion\/\"]}]},{\"@type\":\"BreadcrumbList\",\"@id\":\"https:\/\/www.questionpro.com\/blog\/es\/correlacion\/#breadcrumb\",\"itemListElement\":[{\"@type\":\"ListItem\",\"position\":1,\"name\":\"Home\",\"item\":\"https:\/\/www.questionpro.com\/blog\/es\/\"},{\"@type\":\"ListItem\",\"position\":2,\"name\":\"Investigaci\u00f3n de mercado\",\"item\":\"https:\/\/www.questionpro.com\/blog\/es\/category\/investigacion-de-mercado\/\"},{\"@type\":\"ListItem\",\"position\":3,\"name\":\"Correlaci\u00f3n: qu\u00e9 es, tipos y c\u00f3mo interpretarla correctamente\"}]},{\"@type\":\"WebSite\",\"@id\":\"https:\/\/www.questionpro.com\/blog\/es\/#website\",\"url\":\"https:\/\/www.questionpro.com\/blog\/es\/\",\"name\":\"QuestionPro\",\"description\":\"\",\"publisher\":{\"@id\":\"https:\/\/www.questionpro.com\/blog\/es\/#organization\"},\"potentialAction\":[{\"@type\":\"SearchAction\",\"target\":{\"@type\":\"EntryPoint\",\"urlTemplate\":\"https:\/\/www.questionpro.com\/blog\/es\/?s={search_term_string}\"},\"query-input\":\"required name=search_term_string\"}],\"inLanguage\":\"es\"},{\"@type\":\"Organization\",\"@id\":\"https:\/\/www.questionpro.com\/blog\/es\/#organization\",\"name\":\"QuestionPro\",\"url\":\"https:\/\/www.questionpro.com\/blog\/es\/\",\"logo\":{\"@type\":\"ImageObject\",\"inLanguage\":\"es\",\"@id\":\"https:\/\/www.questionpro.com\/blog\/es\/#\/schema\/logo\/image\/\",\"url\":\"https:\/\/www.questionpro.com\/blog\/wp-content\/uploads\/2022\/10\/questionpro-logo.svg\",\"contentUrl\":\"https:\/\/www.questionpro.com\/blog\/wp-content\/uploads\/2022\/10\/questionpro-logo.svg\",\"caption\":\"QuestionPro\"},\"image\":{\"@id\":\"https:\/\/www.questionpro.com\/blog\/es\/#\/schema\/logo\/image\/\"},\"sameAs\":[\"https:\/\/www.facebook.com\/questionpro\",\"https:\/\/twitter.com\/questionpro\",\"https:\/\/www.linkedin.com\/company\/questionpro\/\"]},{\"@type\":\"Person\",\"@id\":\"https:\/\/www.questionpro.com\/blog\/es\/#\/schema\/person\/36aae2d8eed7708b6408f95c0198593d\",\"name\":\"Cristina Ortega\",\"image\":{\"@type\":\"ImageObject\",\"inLanguage\":\"es\",\"@id\":\"https:\/\/www.questionpro.com\/blog\/es\/#\/schema\/person\/image\/\",\"url\":\"https:\/\/secure.gravatar.com\/avatar\/49635f2181bfe83c436d50b9a8bf1f2e?s=96&d=mm&r=g\",\"contentUrl\":\"https:\/\/secure.gravatar.com\/avatar\/49635f2181bfe83c436d50b9a8bf1f2e?s=96&d=mm&r=g\",\"caption\":\"Cristina Ortega\"},\"url\":\"https:\/\/www.questionpro.com\/blog\/es\/author\/cristinaortega\/\"}]}<\/script>\n<!-- \/ Yoast SEO plugin. -->","yoast_head_json":{"title":"Correlaci\u00f3n: qu\u00e9 es, tipos y c\u00f3mo interpretarla","description":"Descubre qu\u00e9 es la correlaci\u00f3n, caracter\u00edsticas, tipos y c\u00f3mo interpretarla correctamente en tus estudios de investigaci\u00f3n.","robots":{"index":"index","follow":"follow","max-snippet":"max-snippet:-1","max-image-preview":"max-image-preview:large","max-video-preview":"max-video-preview:-1"},"canonical":"https:\/\/www.questionpro.com\/blog\/es\/correlacion\/","og_locale":"es_ES","og_type":"article","og_title":"Correlaci\u00f3n: qu\u00e9 es, tipos y c\u00f3mo interpretarla","og_description":"Descubre qu\u00e9 es la correlaci\u00f3n, caracter\u00edsticas, tipos y c\u00f3mo interpretarla correctamente en tus estudios de investigaci\u00f3n.","og_url":"https:\/\/www.questionpro.com\/blog\/es\/correlacion\/","og_site_name":"QuestionPro","article_publisher":"https:\/\/www.facebook.com\/questionpro","article_published_time":"2026-06-17T21:00:00+00:00","article_modified_time":"2026-05-19T01:31:28+00:00","og_image":[{"width":1255,"height":705,"url":"https:\/\/www.questionpro.com\/blog\/wp-content\/uploads\/2026\/05\/cover-correlacion-que-es-tipos-y-como-interpretarla.jpg","type":"image\/jpeg"}],"author":"Cristina Ortega","twitter_card":"summary_large_image","twitter_creator":"@questionpro","twitter_site":"@questionpro","twitter_misc":{"Written by":"Cristina Ortega","Est. reading time":"10 minutes"},"schema":{"@context":"https:\/\/schema.org","@graph":[{"@type":"Article","@id":"https:\/\/www.questionpro.com\/blog\/es\/correlacion\/#article","isPartOf":{"@id":"https:\/\/www.questionpro.com\/blog\/es\/correlacion\/"},"author":{"name":"Cristina Ortega","@id":"https:\/\/www.questionpro.com\/blog\/es\/#\/schema\/person\/36aae2d8eed7708b6408f95c0198593d"},"headline":"Correlaci\u00f3n: qu\u00e9 es, tipos y c\u00f3mo interpretarla correctamente","datePublished":"2026-06-17T21:00:00+00:00","dateModified":"2026-05-19T01:31:28+00:00","mainEntityOfPage":{"@id":"https:\/\/www.questionpro.com\/blog\/es\/correlacion\/"},"wordCount":2328,"publisher":{"@id":"https:\/\/www.questionpro.com\/blog\/es\/#organization"},"articleSection":["Investigaci\u00f3n de mercado"],"inLanguage":"es"},{"@type":"WebPage","@id":"https:\/\/www.questionpro.com\/blog\/es\/correlacion\/","url":"https:\/\/www.questionpro.com\/blog\/es\/correlacion\/","name":"Correlaci\u00f3n: qu\u00e9 es, tipos y c\u00f3mo interpretarla","isPartOf":{"@id":"https:\/\/www.questionpro.com\/blog\/es\/#website"},"datePublished":"2026-06-17T21:00:00+00:00","dateModified":"2026-05-19T01:31:28+00:00","description":"Descubre qu\u00e9 es la correlaci\u00f3n, caracter\u00edsticas, tipos y c\u00f3mo interpretarla correctamente en tus estudios de investigaci\u00f3n.","breadcrumb":{"@id":"https:\/\/www.questionpro.com\/blog\/es\/correlacion\/#breadcrumb"},"inLanguage":"es","potentialAction":[{"@type":"ReadAction","target":["https:\/\/www.questionpro.com\/blog\/es\/correlacion\/"]}]},{"@type":"BreadcrumbList","@id":"https:\/\/www.questionpro.com\/blog\/es\/correlacion\/#breadcrumb","itemListElement":[{"@type":"ListItem","position":1,"name":"Home","item":"https:\/\/www.questionpro.com\/blog\/es\/"},{"@type":"ListItem","position":2,"name":"Investigaci\u00f3n de mercado","item":"https:\/\/www.questionpro.com\/blog\/es\/category\/investigacion-de-mercado\/"},{"@type":"ListItem","position":3,"name":"Correlaci\u00f3n: qu\u00e9 es, tipos y c\u00f3mo interpretarla correctamente"}]},{"@type":"WebSite","@id":"https:\/\/www.questionpro.com\/blog\/es\/#website","url":"https:\/\/www.questionpro.com\/blog\/es\/","name":"QuestionPro","description":"","publisher":{"@id":"https:\/\/www.questionpro.com\/blog\/es\/#organization"},"potentialAction":[{"@type":"SearchAction","target":{"@type":"EntryPoint","urlTemplate":"https:\/\/www.questionpro.com\/blog\/es\/?s={search_term_string}"},"query-input":"required name=search_term_string"}],"inLanguage":"es"},{"@type":"Organization","@id":"https:\/\/www.questionpro.com\/blog\/es\/#organization","name":"QuestionPro","url":"https:\/\/www.questionpro.com\/blog\/es\/","logo":{"@type":"ImageObject","inLanguage":"es","@id":"https:\/\/www.questionpro.com\/blog\/es\/#\/schema\/logo\/image\/","url":"https:\/\/www.questionpro.com\/blog\/wp-content\/uploads\/2022\/10\/questionpro-logo.svg","contentUrl":"https:\/\/www.questionpro.com\/blog\/wp-content\/uploads\/2022\/10\/questionpro-logo.svg","caption":"QuestionPro"},"image":{"@id":"https:\/\/www.questionpro.com\/blog\/es\/#\/schema\/logo\/image\/"},"sameAs":["https:\/\/www.facebook.com\/questionpro","https:\/\/twitter.com\/questionpro","https:\/\/www.linkedin.com\/company\/questionpro\/"]},{"@type":"Person","@id":"https:\/\/www.questionpro.com\/blog\/es\/#\/schema\/person\/36aae2d8eed7708b6408f95c0198593d","name":"Cristina Ortega","image":{"@type":"ImageObject","inLanguage":"es","@id":"https:\/\/www.questionpro.com\/blog\/es\/#\/schema\/person\/image\/","url":"https:\/\/secure.gravatar.com\/avatar\/49635f2181bfe83c436d50b9a8bf1f2e?s=96&d=mm&r=g","contentUrl":"https:\/\/secure.gravatar.com\/avatar\/49635f2181bfe83c436d50b9a8bf1f2e?s=96&d=mm&r=g","caption":"Cristina Ortega"},"url":"https:\/\/www.questionpro.com\/blog\/es\/author\/cristinaortega\/"}]}},"featured_image_src":"https:\/\/www.questionpro.com\/blog\/wp-content\/uploads\/2026\/05\/cover-correlacion-que-es-tipos-y-como-interpretarla-600x400.jpg","featured_image_src_square":"https:\/\/www.questionpro.com\/blog\/wp-content\/uploads\/2026\/05\/cover-correlacion-que-es-tipos-y-como-interpretarla-600x600.jpg","author_info":{"display_name":"Cristina Ortega","author_link":"https:\/\/www.questionpro.com\/blog\/es\/author\/cristinaortega\/"},"_links":{"self":[{"href":"https:\/\/www.questionpro.com\/blog\/es\/wp-json\/wp\/v2\/posts\/1071656"}],"collection":[{"href":"https:\/\/www.questionpro.com\/blog\/es\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/www.questionpro.com\/blog\/es\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/www.questionpro.com\/blog\/es\/wp-json\/wp\/v2\/users\/42"}],"replies":[{"embeddable":true,"href":"https:\/\/www.questionpro.com\/blog\/es\/wp-json\/wp\/v2\/comments?post=1071656"}],"version-history":[{"count":2,"href":"https:\/\/www.questionpro.com\/blog\/es\/wp-json\/wp\/v2\/posts\/1071656\/revisions"}],"predecessor-version":[{"id":1071765,"href":"https:\/\/www.questionpro.com\/blog\/es\/wp-json\/wp\/v2\/posts\/1071656\/revisions\/1071765"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/www.questionpro.com\/blog\/es\/wp-json\/wp\/v2\/media\/1071667"}],"wp:attachment":[{"href":"https:\/\/www.questionpro.com\/blog\/es\/wp-json\/wp\/v2\/media?parent=1071656"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.questionpro.com\/blog\/es\/wp-json\/wp\/v2\/categories?post=1071656"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.questionpro.com\/blog\/es\/wp-json\/wp\/v2\/tags?post=1071656"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}