PARDO CAPITULO 03 – CONTRASTE DE HIPÓTESIS

El objetivo del análisis de datos es el de extraer conclusiones de tipo general partiendo de pocos datos particulares
(de las propiedades de la población x la info contenida en una muestra).
INFERENCIA ESTADISTICA: El santo de lo concreto (muestra) a lo general (población).
CONTRASTE DE HIPÓTESIS (prueba de significación o prueba estadística): procesos mediante el cual se
trata de comprobar si lo que se afirma sobre una propiedad de la población puede sostenerse con la información
de la muestra disponible. Método de toma de decisiones, mantener o rechazar lo que se cree de esa población
dentro del método científico.
El contrastar las opciones dentro de un problema de conocimiento (que surgen de conocimiento ya existente), la
solución previsional de este problema de conocimiento toma forma de afirmación directamente verificable (no se
especulativos al poder hacer una contrastación empírica) estableciendo una forma operativa del comportamiento
de la/s variable/s.
HIPÓTESIS CIENTIFICA: es la afirmación verificable del conocimiento del problema (sobre la variable).
Contraste de Hipótesis: proceso de verificación de la hipótesis utilizado por la ciencia empírica.
3.1 lógica del contraste de hipótesis
1° paso: formular estadísticamente la hipótesis científica que se va a contrastar. Es decir, transformar un hipo
científica en una Hipo Estadística
2°paso: buscar evidencia empírica relevante para poder informar si la hipótesis que se estableció es o no
sostenible. Si extraigo de una muestra de la población un resultado similar al de la distribución poblacional que
la hipótesis propone puede decirse que es compatible con los datos empíricos. Si yo propongo que no hay ≠ entre
inteligencia de hombres y mujeres, al comparar las medias de dos muestras de individuos debería haber similitud
en las mismas.
3°paso: regla de decisión que debe establecerse en términos de probabilidad. La necesidad de trabajar con muestra
y no poblaciones (ya que no se puede la totalidad de individuos) nos obliga a establecer reglas para decidir en
términos de probabilidad. SI EL RESULTADO DE LA MUESTRA OBSERVADA ES MUY POCO PROBABLE, SUPONIENDO QUE LA
HIPOTESIS ES CORRECTA, SE LA CONSIDERA INCOMPATIBLE CON LOS DATOS. SI EL RESULTADO MUESTRAL ES
PROBABLE, SUPONIENDO QUE NUESTA HIPO ES CORRECTA, CONSIDERAMOS A LA MISMA COMO COMPATIBLE CON LOS
DATOS,
UN CONTRASTE DE HIPÓTESIS es un proceso de decisión en el que una hipótesis formulada en términos
estadísticos es puesta en relación con los datos empíricos para determinar si es o no compatible con ellos

3.1.1 Las hipótesis estadísticas

Hipótesis estadística; afirmación sobre una o mas distribuciones de probabilidad, afirmación sobre la forma de
las distribuciones de probabilidad, o sobre el valor de parámetros de las distribuciones. HIPOTESIS
ESTADISTICAS suelen estar REPRESENTADAS por la letra H seguida de la afirmación que da contenido a la
hipótesis.
HIPOTESIS ESTADISTICA HIPOTESIS CIENTIFICA
Una hipótesis estadística surge partiendo de una La científica proporciona la base para formular la
científica sin que exista una correspondencia exacta estadística, pero no son la misma cosa
Se refiere a un aspecto de una distribución de Se refiere a un aspecto de la realidad
probabilidad
Existen muchas formas ≠ de expresar estadísticamente una hipótesis científica correcta
El primer paso para verificar una hipótesis es formular en términos estadísticos la afirmación que contiene la
hipótesis científica que se va a verificar.
El contraste de hipótesis se basa en
 Ho hipótesis nula H1hipotesis alternativa
*Hipótesis que se somete a contraste *Hipótesis que niega a la nula
*Suele ser una afirmación concreta sobre la distribución de *Incluye todo lo que excluye la nula
probabilidad o sobre el valor de algún parámetro de la
distribución.
*Suele ser exacta, algo igual a algo *Suele ser inexacta, algo es ≠ < o > a algo
EL SIGNO IGUAL solo = (exacta) o acompañado ≥ ≤
(inexacta) SIEMPRE VA EN LA NULA
Ambas son exhaustivas y mutuamente exclusivas, si una es verdadera la otra es necesariamente falsa
≠ CONTRASTE BILATERAL o bidireccional
< o > CONTRASTE UNILATERAL o unidireccional (derecho o izquierdo si es mayor o menor)
3.1.2 Los supuestos
Para que la hipo estadística pueda predecir el resultado de la muestra con cierta exactitud se debe establecer
completamente la distribución de la población a trabajar, por ejemplo, una distribución normal con parámetros
establecidos, o una binomial que establece el tamaño de la muestra SON HIPOTESIS SIMPLES si no
especifican completamente son COMPUESTAS
Al no quedar establecido algo (n mu media o desvío) se debe estableces un CONJUNTO DE SUPUESTOS que
sumados a la hipótesis nos permiten especifica por completo la distribución poblacional de referencia.
Para contrastar una hipótesis donde se quiere saber si mu=30 o mu≠30, teniendo en cuenta que tan cercano a 30
debe ser el numero para saber si es =se tomara una regla de decisiones asociadas a una probabilidad, como en
este caso desconocemos sigma seguimos con el modelo de transformación T de Student con n= -1 grados de
libertad (por ejemplo)

LOS SUPUETOS de un contraste de hipótesis son un conjunto de afirmaciones que necesitamos establecer
(sobre la población de partida y sobre la muestra utilizada) para conseguir determinar la distribución de
probabilidad en la que se basara nuestra decisión sobre Ho

Algunos supuestos son mas restrictivos/exigentes que otros. EL INCUMPLIMIENTO de uno o varios
SUPUESTOS puede invalidar el contraste o llevar a una decisión errónea.
3.1.3 El estadístico de contraste

Un ESTADÍSTICO DE CONTRASTE es un resultado muestral que cumple la doble condición de:

-Proporcionar info empírica relevante sobre la afirmación propuesta en la Ho (h nula)
-Poseer una distribución muestral conocida

3.1.4 La regla de decisión

Es el criterio que se utiliza para decidir si la Ho/nula debe ser o no rechazada. El criterio esta basado en la
partición de la distribución muestral del estadístico de contraste en dos zonas mutuamente exclusivas; La Zona
de RECHAZO y La Zona de ACEPTACIÓN.
 Zona de RECHAZO o zona CRITICA
Área de la distribución muestral que corresponde a
los valores del estadístico de contraste que están
alejados de la afirmación establecida en Ho
Es muy poco probable que ocurran si Ho es
verdadera como se supone.
Su PROBABILIDAD es alfa (alfa es un valor al que
se llamó en caps. anteriores también nivel de
significación o nivel de riesgo)
Zona de ACEPTACION
Área de la distribución muestral que corresponde a
los valores del estadístico de contraste próximos a la
afirmación que establece Ho
Área correspondiente a los valores del estadístico de
contraste que es probable que ocurra de ser Ho
verdadero como se supone.
Su PROBABILIDAD es 1 – α (uno menos alfa en
caps. anteriores se lo llamo nivel de confianza

Definidas las zonas de rechazo y aceptación, La REGLA DE DECISIÓN consiste en

RECHAZAR Ho si el estadístico de contraste toma un valor perteneciente a la zona de rechazo o critica

MANTENER Ho si el estadístico de contraste toma un valor perteneciente a la zona de aceptación

Se rechaza la hipótesis: cuando el valer del estadístico de contraste cae en la zona critica, se rechaza xq significa
que el valor tomado por el estadístico de contraste se aleja demasiado de la predicción que establece esa
hipótesis, ES DECIR que, si la hipótesis planteada fuera verdadera, el estadístico de contraste no debería haber
tomado ese valor, y como el estadístico si toma ese valor, la conclusión más razonable será que la hipótesis
planteada no es verdadera.
El TAMAÑO DE LAS ZONAS de rechazo y aceptación se determinan fijando el valor de α, es decir fijando el
nivel de significación con el que se desea trabajar (α es la probabilidad que se considera como bastante chica
para que los valores con esta probabilidad o menos no ocurran en Ho verdadera. α es establecida de
forma arbitraria, pero suele ser 0.01 y 0.05 (ósea me da el 99% o 95% de “eficacia”)
la forma en la que se va a dividir la distribución muestra en
zona de rechazo y zona de aceptación depende si el contraste
es BILATERA o UNILATERAL.
La zona critica estará situada donde puedan aparecer valores
muestrales incompatibles con Ho (es decir apuntan en contra
de Hi. La zona critica debe recoger los valores muestrales que
vayan en la dirección y tambien los que vayan en la direccion

lo será tanto si mu v es mayor que mu m

o si mu v es menor que mu m (la zona critica
recoge ambas posibilidades)
3.1.5 La
decisión
1°
planteada la
hipótesis
2°
formulados
los
supuestos
3° definido el estadístico de contraste y su distribución muestral
4° establecida la regla de decisión
5°obtener una muestra aleatoria de tamaño n 6° calcular el estadístico de contraste 7°tomar una decisión

La decisión se toma siempre con respecto a Ho, rechazándola o manteniéndola en base al valor tomado por el
estadístico de contraste y las condiciones de la regla de decisión: SE RECHAZA Ho si el estadístico de contraste
cae en zona critica, SE MANTIENE Ho si el estadístico de contraste cae en zona de aceptación.
Una decisión en el contraste de hipótesis consiste en rechazar o mantener Ho:
-si la rechazamos, afirmamos que esta hipo es falsa, afirmando que la probabilidad α de equivocarnos que
conseguimos probar en esta hipótesis es falsa.
-si la mantenemos, no afirmamos que se prueba la veracidad de la hipótesis, sino que afirmamos que no tenemos
evidencia empírica suficiente para rechazarla y puede ser considerada como compatible.

MANTENER una hipótesis nula, significa RECHAZAR una hipótesis nula, significa
con ello, que la hipótesis es compatible con con ello, que consideramos probado que
los datos esta hipótesis es falsa

Ya que Hi es de naturaleza tan inespecífica, es raro poder afirmar que la misma no es verdadera, y todo lo que se
desvíe un poco de Ho es parte de Hi, por lo que al mantener Ho se puede estar manteniendo algunos valores de
Hi, por lo que se MANTIENE O RECHAZA Ho, pero NUNCA que SE ACEPTA COMO VERDADERA.

La posibilidad de caer en falacias de afirmación del consecuente nos advierte la importancia de decidir como
plantear la hipótesis nula y alternativa en un contraste concreto
█para determinar que una afirmación sobre x cosa es FALSA, esta afirmación debe se planteada como Hipo Nula
(al rechazarla podemos concluir que es falsa)
█para determinar que una afirmación es VERDADERA, a esta se la plantea como Hipo Alternativa, así, al
rechazar la hipótesis nula es a favor de la alternativa (ya que la alternativa es la negación de la nula).

3.2 Errores de tipo I y II

Ya que el contraste de hipótesis consiste en rechazar o mantener Ho, Ho puede ser verdadera y mantenerla
(pudiendo ser falsa y cometer un error al mantenerla) o ser falsa y rechazarla (pudiendo ser verdadera y errar al
rechazarla)
ERROR DE TIPO I ERROR DE TIPO II
Rechazar Ho siendo en realidad esta verdadera Mantener una Ho que en realidad es falsa
La probabilidad de cometer este error es α alfa La probabilidad de cometer este error es β beta
1-α = probabilidad de tomar la decisión correcta 1-β = probabilidad de tomar la decisión correcta
cuando Ho es verdadera cuando Ho es falsa
La probabilidad de cometer un error de tipo I con La probabilidad de cometer un error de tipo II con
nuestra decisión es conocida, ya que el valor de α lo nuestra decisión es desconocida, depende en concreto
fija el propio investigador de la verdadera Hi, el valor de α y el tamaño del error
típico de la distribución muestral que se usó en el
contraste

Los valores de α y β se relación de forma inversa, a mayor β menor α y viceversa

 La distribución muestral de la media tiene parámetros μ y  / √n
disminuyendo  (desviación típica de la población) o aumentando n (tamaño de la muestra) se consigue
disminuir el error típico de la distribución muestral de la media (aumentar n es lo más fácil de las dos opciones
para reducir la probabilidad de cometer un error del tipo II)
la probabilidad de cometer un error de tipo I la determina el investigador al ser el que determina el valor de alfa,
para disminuir la probabilidad de error de tipo I se suele establecer valores pequeños de alfa (0.05 o 0.001), y
sabiendo que a menor alfa mayor es el beta, reducir de forma arbitraria alfa no representa LA solución. Lo más
razonable sería razonar cuál de los dos errores es mas grave en cada situación, disminuyéndolo a costo del otro.
Cuando no quiera cometer un error de tipo II es conveniente seleccionar un alfa alto 0.1 o 0.2 (por ende, beta
bajo). También, teniendo en cuenta de lo que depende el valor de beta, lo más sencillo de modificar es el tamaño
muestral de n (solución eficaz).

3.3 Potencia de un contraste

Se suele priorizar minimizar los errores de tipo I, pero asignar valores bajos a alfa descuidando el beta no es lo
único que se puede hacer
POTENCIA (1 – β) de un contraste es la probabilidad de rechazar una hipótesis nula que en realidad es falsa
Con potencia nos referimos a la capacidad del contraste para detectar que una Ho/nula es falsa
La potencia (1 – β) aumenta cuando la probabilidad de cometer error tipo II (β) disminuye

3.4 Nivel critico y tamaño del efecto

Habiendo definido el nivel de significación alfa como la probabilidad de cometer error tipo I (rechazo Ho cuando
en realidad es verdadera) podemos entender el NIVEL DE SIGNIFICACIÓN como el RIESGO MAXIMO
que estamos dispuestos a asumir al rechazar la hipótesis correcta.
Alfa se determina antes del contraste para que no influya en la decisión final, pero esto puede tener inconvenientes
como:
-La decisión sobre Ho puede que dependa solo del nivel de significación que establecimos (ej. si α =0.01 podemos
decidir mantener una hipótesis y a la vez rechazarla si α = 0.05.
-Decidir Ho como falsa o no, no nos da información sobre el grado en que la evidencia muestral es incompatible
con la hipótesis (puede ser por mucho o por demasiado poco y no podemos diferenciar)
NIVEL CRITICO (simbolizado por p) al nivel de significación más pequeño al que una
hipótesis nula puede ser rechazada con el estadístico de contraste obtenido.
Es la probabilidad asociada al estadístico de contraste (en contraste unilateral es la asociada a
los valores mayores o menores dependiendo si es derecho o izquierdo, si es bilateral el nivel
 critico es la probabilidad asociada a los valores ten alejados de Ho como, al menos, el
estadístico de contraste
NIVEL CRITICO se obtiene DESPUES de efectuar el CONTRASTE (a ≠ del Nivel de Significación que es
antes)

Otra forma de tomar decisiones es basada en el nivel critico

Si el nivel crítico tiene un valor pequeño se Si el nivel critico es grande se MANTIENE Ho
RECHAZA Ho
Acá de nuevo esta la arbitrariedad de que es pequeño y que es grande, pero tiene mejor salida que a priori darle
un valor a alfa
La utilización del nivel crítico p en lugar del nivel de significación α nos ayuda a tomar una decisión sobre Ho,
además que informa sobre el grado de compatibilidad o discrepancia existe entre la evidencia muestral observada
y Ho (un nivel critico de 0.7 puede demostrarnos que la hipo planteada es verdadera, mientras que un nivel del
0.05 nos indica que es poco compatible Ho ya que solo encontraremos ese valor en 5 de cada 100 contrastes, y
un valor de 0.000001 nos indica en 1 de cada millón.
El nivel critico al estar relacionado con beta es sensible al n. por lo que, si el resto permanece constante, el valor
del estadístico de contraste es más extremo (se aleja de lo que predijo Ho) cuanto mayor sea el tamaño de n.
cuando el nivel critico tiende a 0, indica gran discrepancia entre Ho y el estadístico de contraste a medida que n
va aumentado (relacionado con el hecho de que la potencia tiende a 1 a medida que n aumenta)
TAMAÑO DEL EFECTO
Tamaños de muestras grandes nos pueden llevar a considerar estadísticamente significativas
discrepancias chicas
Tamaños de muestra chicos nos pueden llevar a considerar insignificantes discrepancias teóricamente
relevantes.
Esto demuestra que es conveniente acompañar la decisión de un contraste con algún índice paras de
proporcionarnos info concreta sobra la decisión tomada.

3.5 Contrastes Bilaterales y Unilaterales

Bilaterales: el investigador o bien no sabe previamente sobre la dirección que pueden producir resultados
incompatibles con Ho, o, considera importante que los resultados sean incompatibles con Ho para cualquiera de
los dos lados (+o-)
Las hipótesis formuladas no contienen ninguna predicción sobre la dirección en la que se puede producir un
resultado muestral incompatible con la afirmación establecida en Ho, lo que se refleja en Hi con el signo de ≠
Unilaterales: Cuando el investigador desea comprobar si el valor del parámetro aumento/disminuyo, si un
grupo supera o no a otro en alguna variable, o si dos variables están relacionadas, etc.
El investigador tiene una idea previa sobre la dirección en la que se producen los resultados muestrales
incompatibles con Ho, o lo relevante solo es que se muestre incompatibles los resultados en alguna de las dos
direcciones
Hipótesis con predicción concreta sobre la dirección en la que se puede producir un resultado muestral
incompatible con la afirmación establecida, Hi esta reflejada con signos < y >
 PARDO CAPITULO 04 – CONTRASTE DE HIPÓTESIS sobre medias

4.1 Contraste de hipótesis sobre una media

Es útil para tomar decisiones del verdadero valor poblacional que corresponde a la media de una variable. Se sabe
que al extraer una muestra aleatoria de n tamaño de una población normal N (μ,) y calculamos la media Ypalito,
esta media es un estadístico distribuido normalmente N ( μ, /√n)
El teorema central del limite nos permite saber que, aunque se desconozca la forma de la población, el
estadístico Ypalito (la media muestral) tiende a distribuirse normalmente a medida que el tamaño de n aumenta
Estas circunstancias plantean, con distribución normal N (0, I)
La distribución normal estandarizada nos deja conocer las probabilidades asociadas a los
diferentes valore de Ypalito

Pero puede ser que incluso μ y  sean desconocidas y se deba hacer la transformación T
 4.1.2 Suponiendo varianzas iguales
Raramente la investigación nos da medias poblacionales desconocidas con varianzas conocidas, por lo general
las varianzas suelen ser desconocidas por lo que la distribución muestral de Ypalito i – Y palito ii también va a
ser desconocido, por lo que se hará un supuesto de igualdad de varianzas o HOMOCEDASTIVIDAD
Si todas las varianzas son iguales solo necesitamos calcular una (varianza es desvió al cuadrado = ²)
Todos unos cuadros con ecuaciones y bla bla bla…… el procedimiento que se describe es la PRUEBA T
SOBRE LA ≠ DE MEDIAS es presentado para comparar las medias de dos grupos independientes. Pero para
que T se distribuya según el método t de Student, es necesario que sean las poblaciones normales, con n
 razonablemente grandes e iguales o similares para que la varianza que se estima igual no sea incorrecta
ACA ESTA EL PUNTO 4.2 QUE NO FIGURA EN EL PROGRAMA

4.3 Contraste de hipótesis sobre dos medias relacionadas

Practica de contraste entre nuevo y viejo tratamiento, pero en UN MISMO GRUPO DE SUJETOS que es
evaluado dos veces, las puntuaciones están relacionadas xq pertenecen a los mismos sujetos, por lo que
podemos transformar las puntuaciones en diferencias Di = Yi2– Yi1, Di informa el cambio entre las
puntuaciones de cada para (i2 nuevas – i1 primeras) si las dos puntuaciones son iguales Di = 0 cuando
segunda i2 sea mayor que la primera i1 puntuación Di > 0 y al revés. La única variable que trabajamos acá es la
media, y hay una única población, la de las diferencias
Contraste de hipótesis sobre dos medias relacionadas resumen del procedimiento
 BOTELLA CAPITULO 8 – CORRELACION LINEAL
Algo importante es descubrir la relación entre variables por ejemplo si el fracaso escolar es mas probable en
determinados entornos, si determinado estilo de vida fomenta la depresión, etc. La observación de relaciones
claras y estables entre las variables ayuda a comprender fenómenos y explicar los mismos pudiendo indicar
eficaces vías de intervención en la situación.
Esta relación desde un punto de vista matemático son funciones con conceptos teóricos e ideales, muy utilizado
en las ciencias exactas (la velocidad de caída de un objeto es en función a su altura, la intensidad de corriente en
función al conductor, etc.) pero en las ciencias sociales no encuentran relaciones deterministas, sino conjunto de
observaciones que se manifiestas de cierta manera, y nos preguntamos si estas (que reflejan la relación entre
variables) se parecen a algún modelo teórico para poder concluir que dicho modelo explica bien la relación.
Nos centramos acá, en estudiar las relaciones lineales, observar y cuantificar las relaciones lineales entre dos
variables, y los índices de asociación que se van a describir solo se explican a variables de intervalo.

8.2 Representación gráfica de una relación

Los procedimientos para saber si hay relación lineal también deben discriminar los tres tipos de relaciones
existentes
Se dice que dos variables Ye X mantienen una relación lineal DIRECTA cuando los valores altos de una
tienen emparejados valore altos de la otra, los medios de una los de la otra y los bajos de una los de las otras
Se dice de dos variables Y e X mantienen una relación lineal INVERSA cuando a valores altos de una
tienden a estar emparejados con valores bajos de la otra y viceversa, los intermedios de ambas se emparejan
La inspección de los pares de valores que indiquen relación lineal NULA entre las variables cuando no hay
emparejamiento sistemático entre ellas en función a sus valores
Al graficar estos valores relacionados linealmente o no en tablas podremos obtener diagramas de dispersión

8.3 Cuantificación de una relación lineal

Relación inversa PUNTAJE NEGATIVOS
Relación directa PUTNAJE POSITIVOS
Relación nula tendiente al cero
El valor absoluto de los valores es mayor a mas
acusada sea la tendencia a la linealidad (más
próximos al 1 o -1)

El índice de la relación lineal se llama COVARIANZA (puede definirse también como el promedio de
productos cruzados de las puntuaciones directas menos el producto de las medias) la covarianza carece de
valores máximos y mínimos, estables y comunes en todos los casos (todo es muy relativo como para saber si es
mucho poco o que tan cerca del cero esta un numero)
COEFICIENTE DE CORRELACIÓN DE PEARSON: Al usar las puntuaciones típicas las varianzas no
cambian al modificar por ejemplo las unidades de medida (km a yardas, litro a decímetro cubico etc.) la
puntuación típica tiene de varianza siempre 1.
Representado por la letra r, es un promedio de productos cruzados per de puntuaciones típicas (no las
diferenciales como la cuasivarianza)
En la fórmula 8.5
- la correlación entre dos variables siempre tendrá el mismo signo que la covarianza (xq el denominador es la
desviación típica que siempre es positiva)
-si la desviación típica de alguna de las variables es cero, la correlación es inmediata, ya que se dividiría por
cero (puntos en perfecta línea recta)

8.3.1 Propiedades del Coeficiente de correlación de Pearson

*el CCP no puede valer más de +1 ni menos de -1 (La covarianza no nos permite valorar al no tener estables
ni máximo ni mínimo). La máxima correlación entre dos variables se obtiene cuando las puntuaciones en ambas
variables son equivalentes.
*haciendo transformaciones lineales de una o las dos variables, y las constantes que multiplican son
positivas, no se altera la Correlación de Pearson, si las dos constantes multiplicadoras son negativas también
mantienen el valor de r, y si uno es – y el otro + , la correlación es igual en valor absoluto, pero con signo
cambiado

8.3.2 Valoración e interpretación de una correlación

A tener en cuenta a la hora de valorar e interpretar el CdeC es
CUANTIA SENTIDO
Grado en que la relación entre las Tipo de relación, lo cercano al celo indica una correlación lineal baja o
dos variables queda bien descrita en nula, una positiva indica una relación lineal directa, una correlación
el índice r negativa indica una relación lineal inversa
(cuanto mas cerca del cero menos apropiada es hacer una correlación
lineal, NO NECESARIAMENTE no hay relación entre variables, sino
que no se da de forma lineal)

FIABILIDAD DEL TEST se suele administrar la prueba dos veces en el lapso corto (1sem x ej.) y se halla la
correlación entre las puntuaciones obtenidas ambas veces. Se debe desconfiar de test con índices de fiabilidad
menores a los que se establezcan para cada caso/área de estudio
La CORRELACION NO ES CAUSALIDAD no malinterpretar, una no causa la otra, se dan si ser causales

8.3.3 La matriz de correlaciones

Estudios que miden conjuntos de variables, cuantifican las relaciones lineales y los relacionan pueden incluir los
valores de la investigación en una MATRIZ DE CORRELACIONES: tabla con tantas filas y columnas como
variables, donde se aprecia la correlación entre variables donde se cruzan sus respectivas filas/columna
Matriz triangular superior si presentan valores en las posiciones superiores a la diagonal principal
Matriz triangular inferior si presentan valores en las posiciones inferiores a la diagonal principal