Sesión 7

Análisis de
Correlación

“Tiene por misión, la formación de la persona humana,

y el fortalecimiento de la identidad cultural de la
nación, fundado con el conocimiento científico y
tecnológico, en correspondencia con el desarrollo
humano sostenible.”

Agosto 2010

Mg. Miriam Mattos

 Contenido
Los análisis de Correlación mostrará:
 La fuerza de la relación entre variables
 La naturaleza de la relación entre las variables

Análisis de correlación
Determinar el grado de relación entre
las variables
 Relación Causal de Variables

A. Variable Independiente. Son variables controladas por el investigador y

tendrán efectos o influencia sobre otras variables. Cumple el papel de causa de
algún efecto. Se le denotará con la letra X

B. Variable Dependiente. Son variables que cambian por la influencia de la

variable independiente. Cumple el papel de efecto causa. Esto significa que
las variaciones en la variable independiente repercutirán en variaciones en la
variable dependiente. Se le denotará con la letra Y.

Ejemplos:
i) El Grado de instrucción alcanzado por las personas influye en su salario
percibido mensualmente.
ii) El clima organizacional influye en el rendimiento y desarrollo del talento
humano en un entidad.
 ANÁLISIS DE CORRELACIÓN

Definición. La correlación es el método empleado para determinar el

grado de asociación o relacionamiento entre las variables que se estudian

Tipos de Correlación. Atendiendo al relacionamiento entre las variables

X e Y podemos tener:

a) Correlación Directa o Positiva. Cuando las variables X e Y presentan

variaciones en un mismo sentido, esto es, para mayores valores de X
corresponde mayores valores de Y.
b) Correlación Inversa o Negativa. Cuando las variaciones de X e Y son
en sentidos contrarios, esto es, para mayores valores de X corresponden
menores valores de Y.
c) Sin correlación. Cuando no existe ningún tipo de relacionamiento entre
las variables.
 DIAGRAMA DE DISPERSIÓN
Se utiliza para graficar la relación entre dos variables X e Y, consiste
en una nube de puntos que indicará si existe o no correlación
dependiendo de la tendencia de la tendencia de los puntos.

20
Var. Dependiente (Y)

15
25

Var. Dependiente (Y)

10 20
6
15

Var. Dependiente (Y)

5
5
10
0 4
0 5 10 15 5 3
Var. Independiente (X)
0 2
0 10 20 30
1
Var. Independiente (X)
Correlación 0
0 10 20
Positiva Var. Independiente (X)

(Directa) Correlación
Negativa
(Inversa) Sin
Correlación
Ejemplo 1:
Los siguientes datos representan los años de experiencia profesional y el ingreso
anual (en miles de soles) para un conjunto de servidores públicos:

Años de
experiencia Ingreso Diagrama de Dispersión
5 40 100
90
15 40
80
24 90 70
16 70 60
19 60 Ingreso 50
40
3 20
30
6 30 20
12 30 10
27 70 0
0 5 10 15 20 25 30
13 50
Años de Experiencia

Observando el gráfico podemos decir los años de experiencia y el ingreso

anual tienen una correlación Directa o Positiva.
Coeficiente de Correlación
Es un número que indica el grado de asociación entre las
variables. Se denota con «r» y se calcula con la siguiente formula:

n
 xi yi  nxy
r i 1
 n x 2  nx 2   n y2  ny 2 
 i   i 
 i 1   i 1 

El coeficiente r es un número comprendido entre -1 y +1

-1 ≤ r ≤ +1

Si r < 0  Existe relación inversa o negativa entre las variables

Si r < 0  Existe relación directa o positiva entre las variables

r = 0  No existe relación lineal entre las variables  Variables no correlacionadas

 Niveles de Correlación

El siguiente diagrama resume el análisis del coeficiente de correlación entre

dos variables:

Para una mejor interpretación de r , podemos agregar que :

• Valores de r cercanos a 1 , se traduce en una alta relación directa
• Valores de r cercanos a -1 , se traduce en una alta relación inversa
• Valores de r cercanos a 0 , se traduce en una baja relación lineal entre las
variables, la cual será directa si r > 0 , y será inversa si r < 0 .
Ejemplo:
Del ejemplo1 hallar el coeficiente de correlación
Años de
N° Experiencia(X) Ingreso(Y)
XY X2 Y2
1 5 40 200 25 1600
2 15 40 600 225 1600
3 24 90 2160 576 8100
4 16 70 1120 256 4900
5 19 60 1140 361 3600 n  10
6 3 20 60 9 400
7 6 30 180 36 900 x  4.4
8 12 30 360 144 900
9 27 70 1890 729 4900 y  64.5
10 13 50 650 169 2500
Total 44 645 8360 2530 29400
∑X ∑Y ∑XY ∑ X2 ∑ Y2

n
 xi yi  nxy
i 1 8360  10  4.4  64.5
r   0.859

n
xi2  nx 2

n
yi2  ny 2  2530  10  4.4  29400  10  64.5 
2 2

i 1 i 1

Interpretación: Como r=0.859, existe una correlación positiva fuerte

entre los años de experiencia y el ingreso.
Ejemplo:
En la tabla siguiente se indica la edad (en años) y la conducta agresiva (medida
en una escala de cero a 10) de 10 niños.
Conducta
Niños Edad agresiva
XY X2 Y2
1 6 9 54 36 81
2 6.7 6 40.2 44.89 36
3 6.4 7 44.8 40.96 49
4 7 8 56 49 64 10
5 7.4 7 51.8 54.76 49
6 7.9 4 31.6 62.41 16 75/10=7.5
7 8 2 16 64 4
49/10=4.9
8 8.2 3 24.6 67.24 9
9 8.5 2 17 72.25 4
10 8.9 1 8.9 79.21 1
Total 75 49 344.9 570.72 313
∑X ∑Y ∑XY ∑ X2 ∑ Y2

344.9 – 10*7.5*4.9 =-0.92

√570.72-10*7.5*7.5 √313-10*4.9*4.9

Interpretación: Como r=-0.93, existe una correlación negativa fuerte

entre la edad y la conducta agresiva.
Gracias…