CAPITULO II: MEDIDAS DE RELACION

Pinto, A., y Pernalete, N.(2003). Estadística con aplicaciones de

procesadores . Universidad de Carabobo. Valencia. Venezuela.

Es bueno saber que cuando se trabaja con un grupo de datos, con una sola variable este caso se
denominan distribuciones unidimensionales, pero existen momentos en los cuales se hace
necesario el estudio de dos distribuciones correspondientes a un mismo grupo de registro, es
decir parejas de datos; pero cuando ocurre este caso se denominan distribuciones
bidimensionales por lo tanto vienen en forma conjunta: en algunos otros momentos
corresponden a más variables y se denominan multidimensionales.

Uno de los aspectos más interesantes de la estadística es el estudio de la relación entre dos o
más fenómenos representados por las variables, de allí que se presenta un concepto muy
interesante y es el concepto de correlación.

Correlación
Se define como la relación concomitante entre dos variables, por lo tanto expresa lo que
ocurre en una variable ocurre o no en la otra y esto se expresa a través del coeficiente de
correlación.

Coeficiente de correlación
Consiste en la expresión cuantitativa del grado de relación existente entre por lo menos dos
variables, dicho coeficiente presenta dos partes una que se refiere al sentido y otra a la
magnitud. Existe diferentes tipos de coeficientes y la selección de cada uno de ellos dependerá
de la escala de medida y de la naturaleza de la variable y la relación lineal o no de la
distribución bidimensional.

Tipos de Correlación
Cuando las variables se intercorrelacionan se pueden presentar varios tipos de correlación,
seguiremos las correlaciones que se pueden representar mediante una línea recta la correlación
existente, y son a saber:
 Correlación Positiva, se dice cuando a los cambios que ocurren en una variable se
dan en el mismo sentido en la otra, si es un aumento en una variable se da un aumento
en la otra y viceversa.

Fig. 6.1 Nube de puntos para Matemática y Física

 La correlación positiva puede ser perfecta, lo cual indica que las unidades estadísticas que
ocupan las primeras posiciones en una variable también ocupan primeras posiciones en la
otra y viceversa. (Existe una colinealidad)
 Correlación Negativa, se dice cuando los cambios que ocurren en una variable se
dan en sentido contrario en la otra, si se da un aumento en una variable se da una
disminución en la otra o viceversa.

Fig. 6.2. Nube de puntos para Tiempo y Rapidez de lectura

Al igual que la correlación positiva, la correlación negativa puede ser perfecta lo cual
significa que las unidades estadísticas que ocupan primeras posiciones en una variable
ocupan últimas posiciones en la otra y viceversa. (Existe colinealidad entre los puntos)

 Correlación Nula, se dice cuando las variables no se intercorrelacionan, por lo tanto

son independientes una de la otra.

Fig. 6.3. Nube de puntos para Educación Física y Rapidez de lectura

Una forma expedita para ver como se representan gráficamente la intercorrelación de las
variables es mediante un gráfico denominado nube de puntos o diagrama de dispersión, él
de manera gráfica nos señala la correlación y su tendencia de acuerdo a la concentración de los
datos. (son los gráficos anteriores)

Construcción de Diagrama de Dispersión con Excel

Primeramente, construyes tu base de datos, posteriormente sombreas las variables de interés (en
mi caso, sombreo Notas. Estad y Notas. Química., tal cual como puedes observar en la
figura 6.4.

Figura 6.4. Base de datos.

Después haces Clic en Insertar y luego seleccionas donde dice Gráficos, Dispersión
(la primera opción)

Figura 6.5.

De esta manera se obtiene el siguiente gráfico:

Figura 6.6. Diagrama de Dispersión de las Calificaciones de obtenidas en Estadística y

Química

En el presente caso, hago Clic sobre la gráfica para poder trabajar en ella, tal cual como se
observa en la figura anterior, cuestión que se nota a través de los círculos que están a los lados.
Ahora deseo colocarle la identificación a cada Eje, pero para ello hago Clic en la opción que
dice Agregar elementos de gráfico (Ver figura 6.6, en el margen superior izquierdo de la
hoja de cálculo), luego se despliega un menú y selecciono la opción que dice Títulos del eje, y
primero selecciono Horizontal primario y posteriormente lo hago con Vertical primario.
Asimismo, elimino el título principal que dice “Notas Química”
Figura 6.7. Herramientas para complementar el gráfico.

También haciendo Clic en el menú Diseño puedes activar la opción Agregar elementos de
gráfico y trabajar sobre este. Otro elemento que se debe presentar, es la Línea de tendencia, la
cual representa la tendencia hacia la cual está orientada la Nube de puntos, es para saber si la
relación entre las variables es negativa o positiva; eso dependerá de la pendiente de la línea
recta. Para esto, seleccione Agregar elemento de gráfico, luego la opción Línea de
tendencia y finalmente la alternativa que dice Lineal.

Figura 6.8.
Figura 6.9. Diagrama de dispersión de las calificaciones obtenidas por un grupo de estudiantes
en las asignaturas Estadística Aplicada a la Educación y Química.

Coeficiente de Correlación Producto de los Momentos de Pearson.

Es el coeficiente que se utiliza cuando las variables que se intercorrelacionan son continuas, esto
significa que han sido medidas en escala de intervalos o razones. Este coeficiente es lineal y
paramétrico, por lo tanto, solo puede ser utilizado cuando exista una pareja de variables
correspondiente a una misma muestra, ya que hace es comparar la covarianza existente entre
ellas. Como hemos señalado la correlación en perfecta, positiva o negativa, cuando se dan los
criterios, pero en el resto de las situaciones exceptuando cuando las variables sean
independientes se dará la existencia de una tendencia y en este caso se necesita determinar el
valor del coeficiente de correlación para saber la cuantía de la intercorrelación de las variables.
El Coeficiente de Pearson se simbolizará así rxy , para la determinación del mismo se puede
utilizar de forma manual cualquiera de las siguientes fórmulas:

rxy

z x * zy
n
Otras fórmulas son también de fácil uso son
Fórmula de los desvíos Fórmula de las puntuaciones originales

rxy   x* r 
 N  XY  ( X )(Y )
 
y
 x2 *  y 2 xy
N  X 2  ( X )2 N  Y 2  ( Y )2
Los paquetes estadísticos asumen para su uso, la fórmula de las puntuaciones originales. Para
interpretar el coeficiente de correlación de Pearson asumiremos la siguiente tabla:
rxy Grado de relación
0 Nula
 0,01 a  0,20 Muy baja o despreciable
 0,21 a  0,40 Baja o leve
 0,41 a  0,60 Media o sustancial
 0,61 a  0,80 Alta o importante
 0,81 a  0,99 Muy alta
1 Perfecta
Es sumamente importante saber que esta escala es solamente una sugerencia
no es un dogma, ya que su interpretación esta sujeta a un conjunto de factores que influyen
sobre el valor del coeficiente de correlación.

Por ejemplo si existe un coeficiente de correlación entre dos variables, talla y peso, de 0,80
(rxy = 0,80), para interpretarlo debemos establecer algunas consideraciones iniciales como
son el sentido, positiva, el grado de relación alta, pero no es perfecta por lo tanto es una
tendencia, diríamos entonces Correlación imperfecta positiva de tipo alto lo cual indica una
alta tendencia a que quienes posean una alta talla tienden a tener un alto peso y viceversa
quienes tenga una talla baja tienden a tener un peso bajo. Es necesario aclarar que la correlación
no implica necesariamente causalidad, o sea que una variable es producto de la otra.

Para la utilización del coeficiente de correlación de Pearson debemos considerar que se

cumplen los siguientes supuestos:
a. Cada para de datos es independiente de los demás.
b. Las dos variables a correlacionar son continuas.
c. La relación existente entre ellas es rectilínea.

Ejemplo.
En la Facultad de Ciencias de la Educación de la Universidad de Carabobo, la profesora Aura
Aguilar durante el Curos de Nivelación 2020, en medio de la pandemia; aplicó el primer y
segundo parcial de Estadística Aplicada a la Educación, a los diez estudiantes inscritos del turno
de la tarde, obteniéndose las siguientes calificaciones:
Calificación del Calificación del
Estudiante
primer parcial (X) segundo parcial (Y)
A 19 18
B 17 15
C 16 17
D 15 15
E 13 14
F 10 12
G 09 10
H 08 07
I 07 06
J 05 06
Determine e interprete el grado de relación que pudiese existir entre las calificaciones
obtenidas entre el primer parcial y segundo parcial de Estadística Aplicada a la Educación.

Solución: Haciendo uso de los elementos que constituyen la fórmula de las puntuaciones
originales, se tiene:
Estudiante (X) (Y) 2 X *Y
X Y
2

A 19 18 (19) =361
2
(18) =324
2
342
B 17 15 289 225 255
C 16 17 256 289 272
D 15 15 225 225 225
E 13 14 169 196 182
F 10 12 100 144 120
G 09 10 81 100 90
H 08 07 64 49 56
I 07 06 49 36 42
J 05 06 25 36 30
n = 10 ∑X = 119 ∑Y = 120
X 2
Y 2
1624  X *Y 1614
1=619
Aplicando la fórmula para datos directos, se tiene:
N  XY  ( X )(Y )
rxy 
N  X 2
 ( X )2 N Y 2
 (Y )2 
(10) * (1614)  (119)(120)
rxy 
(10) * (1619)  (119)2
 * (10) * (1624)  (120)2



(16140 14280)
rxy 
(16190 14161)*(16240 14400)

(1860)
rxy  rxy  (1860) rxy  (1860)
(2029)*(1840) 3733360 1932,19

rxy  0,96

Interpretación: 0,96 significa que existe una correlación positiva, imperfecta y muy alta entre
las calificaciones obtenidas en la aplicación del primer y segundo parcial en la asignatura
Estadística Aplicada a la Educación durante el curso de Nivelación del 2019; lo cual indica que
los estudiantes que obtuvieron altas calificaciones en el primer parcial, tienden a obtener altas
calificaciones en el segundo parcial de una manera muy alta, y los alumnos que obtuvieron
calificaciones bajas en el primer parcial tienden a obtener bajas calificaciones en el segundo
parcial de una forma muy alta.

Cálculo del Coeficiente de Correlación de Pearson por Excel

Para iniciar el procedimiento, primero se construye la base de dato en Excel, como lo muestra la
Figura 6.10.

Figura 6.10. Base de datos. Calificaciones obtenidas por un grupo de diez (10) estudiantes en el
primer y segundo parcial de Estadística Aplicada a la Educación.
Posteriormente, en la barra de herramientas donde está la “Sumatoria”, se hace un
Clic y se abre un menú (Ver Figura 6.11)

Figura 6.11.

Haciendo Clic en la opción “Más Funciones” aparece el siguiente cuadro de dialogo:

Figura 6.12.
En este sentido, donde dice “Seleccionar una categoría” busque la opción “Estadística” y
luego selecciona Coeficiente de Correlación (COEF.DE.CORREL, el cual es el coeficiente
de correlación de Pearson) y luego realice otro Clic en “Aceptar”; para que luego aparezca el
siguiente cuadro (Ver Figura 6.13)

Figura 6.13.

Allí, debe sombrear los valores que constituyen a la primera variable para que llenen
el rango de celdas de la Matriz 1. (Ver Figura 6.14).

Figura 6.14. Rango de celdas de valores para la Matriz 1.

Luego, se procede a realizar el mismo procedimiento en la Matriz 2, siempre y cuando esté allí el
cursor y se haya registrado bien la información en la Matriz 1.

Figura 6.15. Rango de celda de valores de la matriz 2.

Finalmente, completado todo este proceso, haga Clic en “Aceptar” y obtendrá el resultado
final como se puede ver en la Figura 6.16.

Figura 6.16. Resultado del Coeficiente de Correlación de Pearson.

Nota:

Compare el valor obtenido a través de la herramienta Excel con el valor obtenido con la
aplicación de la fórmula manualmente. Este resultado para efectos estadísticos, debe ser
interpretado como se hizo anteriormente.

Asimismo, se le informa que en ese mismo procedimiento también está la opción de

PEARSO, que representa otra alternativa para determinar dicho coeficiente; en sí es otra
opción.
Regresión y Predicción

Como tratamos anteriormente el coeficiente de correlación es un resumen del gráfico de

dispersión o nube de puntos entre las variables objeto de estudio, pero la diferencia entre
regresión y correlación esta en que la primera trata de prever la variable dependiente en función
de los valores de la variable dependiente, en consecuencia si cambiamos el papel de las
variables cambiará también la ecuación de regresión , ya que la recta de regresión se adapta a las
unidades de las variable que desea predecir, sin embargo la recta es la misma independiente del
orden de las variables, por lo tanto describen como varía la media de una variable en función de
la otra y de una dispersión que es la desviación típica residual.

Y abX
El poder de predicción de las variables lo determinamos partiendo de la ecuación de la recta
mostrada en la fórmula anterior, que ahora se adecuara, para la estimación, mediante las
siguientes ecuaciones de predicciones

Estimación de X en función de Y Estimación de Y en función de X

 
X  axy  bxy *Y Y  ayx  byx * X
Es necesario señalar también la existencia del coeficiente de determinación rxy2 que es el
cuadrado del coeficiente de correlación. Este indica la proporción de la variación en la
variable dependiente que es explicada por la variable independiente.
A modo de ejemplo, podemos predecir con dicha ecuación el valor en la variable denominada
nota1 de acuerdo al valor que se plantee de puntos, para ello utilizaremos la siguiente
información: a= 10,7628 b= 0,175325 y X= 12 puntos, posteriormente aplicamos la fórmula:

Y abX

nota1 10,7628  0,175325(12) 12,8667

Fig. 6.17 Gráfico de la recta de regresión

Lo cual significa que el estudiante que haya obtenido 12 puntos en la variable nota1 obtendría
12,87 puntos en la otra variable; si la relación fuera perfecta esta predicción sería absolutamente
cierta, no habría error, pero como el coeficiente de correlación no fue igual a uno (1) se está
cometiendo un error de estimación igual a 3, 66, su fórmula de cálculo es
 est  s 1 (r)2
Donde la letra s, es la desviación típica de la variable dependiente.

Para efecto de seguir ejemplificando la clase imagine lo siguiente:

a) Considere que un estudiante obtuvo 14 puntos en la aplicación del primer parcial de

Estadística Aplicada a la Educación durante el curso de Nivelación 2020 con la
profesora Aura Aguilar (Ver tabla anterior). Estime la calificación más probable
que obtendría este estudiante en el segundo examen parcial.

Solución:
Se considera que este estudiante obtuvo en X= 14 puntos, y lo que se quiere saber cuánto debe
obtener en Y. Luego tenemos que:
 X  Y
 ( X Y )  b X
 2

( X  Y )  n
 yx b yx

2

Y abX ayx
 X
2 ( X)
Debemos saber que Y

es la ecuación de X  n
abX
la línea recta “Y” en función de “X”, donde “a” representa a la ordenada en el origen y “b” es la
pendiente de la recta que se busca crear. Aplicando las fórmulas anteriores se tiene:

b y
x
(119)  1614 
1614
(120) 
b yx 1428,0 b y
 0,9167
 10 x
2  1619 
(119) 1416,1
1619 
10

a 1614  (0,9167) 
x
y

(1619) a yx
 1,0912
119

Sustituyendo los valores de “a” y de “b” estructuramos la recta:

  
Y ab(X Y 1,09120,9167(X Y 1,09120,9167(14)
) )


donde Y  113,925
Interpretación: 13,92 puntos, es la calificación más probable de un estudiante en el segundo
parcial de estadística aplicada a la educación, si se sabe que obtuvo 14 puntos en el primer
parcial.

b) En caso contrario, considere que un estudiante obtuvo 04 puntos en la aplicación del

segundo parcial de Estadística Aplicada a la Educación durante el curso de
Nivelación 2020 con la profesora Aura Aguilar (Ver tabla anterior). En relación a esto,
estime la calificación más probable que obtendría este estudiante en el Primer
examen parcial.

Aplicaremos las siguientes fórmulas:

 X  Y

( X Y)
2
X  axy  bxy * (Y  ( X Y )  
Y b  n
) a  xy
x

( Y )
2

b
y
2
xy
Y 
n
Y

Donde:

(119)  (120)
1614 
b xy 
10
(120) 2 b x
186
 184 b xy
 1,0108
1624  y
10

a 1614  (1,0108) 
y
x

(1624) a xy
 0,2294
120


Sustituyendo en X  axy  bxy * (Y nos queda:
)


X  0,2294  1,0108 *(04)

X Puntos
3,81

Interpretación: 03,81puntos, es la calificación más probable de un estudiante en el primer

parcial de estadística aplicada a la educación, si se sabe que obtuvo 04 puntos en el segundo
parcial.
Regresión y Predicción a través de Excel.

De igual modo como se procedió con el cálculo del Coeficiente de Pearson, se debe iniciar en
este apartado de la misma forma. Considerando la base de datos elaborada en la hoja de Excel
(Ver Figura 6.10), proceda a seleccionar “Sumatoria”, luego la opción “Más funciones”, de
este modo se presenta un cuadro de dialogo donde debes ubicarte en “Seleccionar una
función” y seleccionar “ESTIMACION.LINEAL”, luego haces Clic en “Aceptar”.(Ver
Figura 6.18)

Figura 6.18.

Así aparece en nuevo cuadro denominado “Argumentos de función”, donde se tienen que
llenar los rangos de celda tanto para la variable “X” y la variable “Y”. Esto se hace
sombreando cada serie de datos ubicados en cada columna. (Ver Figura 6.19)

Figura 6.19.
En este sentido se hace presente el coeficiente “a” y la pendiente “b” valores señalados con la
línea azul en la figura anterior; componentes de la recta de regresión “Y” en función de “X”

Y ab(X )

Y 1,09120,9167(X )
Se aclara que en la herramienta Excel, la ecuación de la recta Y en función de X se presenta de
la forma Y= m*(X) + b que es lo mismo decir Y= b + m*(X); a modo de comparación y
asociación de acuerdo a los resultados obtenidos tanto manualmente como por Excel se tiene
que


Y ab(X )
Y = b + m*(X)

Donde a = b= 1,091 y b=m=0,9167

ESTIMACIÓN DIRECTA “Y” EN FUNCIÓN DE “X”.

Para efecto de estimar una puntuación en “Y” conociendo cuanto obtuvo un estudiante en la
variable “X” de forma directa, se procede del siguiente modo: después de seleccionar la flecha
en “Sumatoria”, “Más funciones", nos ubicamos en la opción de “Tendencia” y hacemos
Clic en “Aceptar”. (Ver Figura 6.20)

Figura 6.20.

Nos aparece otro cuadro, donde se tienen que llenar los rangos de celda tanto para “Y” como
para la variable “X” tal cual como se hizo anteriormente. Ahora bien, si se sabe que un
estudiante obtuvo 14 puntos en el primer examen parcial (X=14 puntos) ¿Cuántos
puntos debe obtener ese estudiante en el segundo parcial?. En la Figura 6.21, una vez llenados
los rangos de celda para cada variable, se coloca la calificación obtenida por estudiante (X=14
punto) donde dice “Nueva_matriz_X” y posteriormente pulsas “Aceptar”
Figura 6.21.

Puedes notar, que antes de hacer Clic en “Aceptar” en la parte inferior de ese cuadro se
presenta el resultado esperado el cual está señalado con la flecha azul; es decir Y=13,92 puntos.
Finalmente debes interpretar este resultado.

ESTIMACIÓN DIRECTA “X” EN FUNCIÓN DE “Y”.

Ahora aplicamos el caso contrario, si se desea estimar la calificación que pudiese obtener un
estudiante en el primer parcial (X=? puntos) de estadística aplicada sabiendo que obtuvo 04
punto en el segundo parcial, la ecuación de estimación estaría

dada por:
X  axy  bxy * (Y )

Para llenar los rangos de la celda de “Y” de acuerdo a la Figura 6.22, con el cursor en ese primer
rectángulo donde dice “Conocido_Y”, usted se va a la base de datos en Excel, sombrea los
valores correspondientes a la variable “X”, y después se realiza con los valores de “Y”

Figura 6.22.
Observe, que en ese mismo cuadro nos presenta ya el valor estimado, de forma directa, lo que
queda es hacer Clic en Aceptar y ese valor se reflejara en una celda de la hoja de cálculo de
Exel. (X= 3,81 puntos). Interpretar.

Coeficiente de Correlación Ordinal de Spearman (rs)

Cuando las diferencias de los datos con respecto a un rasgo en particular y que no puede
medirse directamente sino mediante una escala ordinal, se utiliza el coeficiente de correlación
ordinal de Spearman, el cual es no paramétrico y se deriva del coeficiente de correlación de
Pearson, mide la diferencia entre los rangos. Su fórmula es la siguiente:
6 d2
r 1 
s
n(n2 1)
Donde d es la diferencia de los rangos entre las variables y n el número de los pares de medidas.
(d = X – Y)

El coeficiente de correlación de Spearman no es más que un caso particular del de Pearson, por
lo tanto tomaremos para su interpretación la misma escala.

Como señalábamos en el coeficiente de correlación de Pearson, es la misma identificación de

los elementos, y su interpretación es con la misma escala.

Ejemplo

Suponga que al final del primer lapso escolar, la maestra Leysy Velásquez de sexto grado de
educación primaria ordena a sus estudiantes de acuerdo a su puntualidad y su responsabilidad,
que dando los mismos de la siguiente manera:

Ordenes en Ordenes en
Estudiantes Puntualidad Responsabilidad
(X) (Y)
A 3 6
B 7 10
C 1 3
D 4 2
E 9 7
F 2 1
G 8 9
H 5 4
I 6 5
J 10 8

De acuerdo a la naturaleza de las variables, determine e interprete el grado se relación existente

entre la puntualidad y la responsabilidad.

Solución:
Como los estudiantes recibieron por parte de la maestra en ambas variables su ubicación
(ordenes), se debe aplicar el coeficiente de Correlación de Spearman, ya que ambas
variables son Ordinales.
 Ordenes en Ordenes en
Estudiantes Puntualidad Responsabilidad d  (X  Y) 2
(X) (Y) d
A 3 6 (3-6) = -3 (-3)2=9
B 7 10 (7-10) = -3 9
C 1 3 (1-3) -2 4
D 4 2 +2 4
E 9 7 +2 4
F 2 1 +1 1
G 8 9 -1 1
H 5 4 +1 1
I 6 5 +1 1
J 10 8 +2 4

d 2
 38
Aplicando la fórmula respectiva, se tiene:
6d 2
r 1
s
n(n2 1)

rs  1 6 *(38)
 10 * (102
1)

6 *(38)
rs  1
10 * (100

1)

228
r 1
s
990

rs  1 0,23

rs  0,77

Interpretación: Este coeficiente de correlación se interpreta igual que el Coeficiente de

Correlación de Pearson, considerando la naturaleza de las variables. 0,77 indica que existe una
correlación alta o importante, imperfecta y positiva entre los órdenes obtenidos por los
estudiantes en Puntualidad y Responsabilidad; lo que significa que de una manera alta los
estudiantes que obtuvieron los primeros lugares en Puntualidad, tienden a mantener los
primeros lugares en Responsabilidad, y los alumnos que obtuvieron los últimos lugares en
Puntualidad tienden de una manera importante a mantener los últimos lugares en
Responsabilidad.
Otro Ejemplo.

En este ejemplo, se tienen dos variables continuas que fueron transformadas o tipificadas a
ordenes o posiciones y sus pares ordenados no deben superar los veinte casos, para poder
aplicar el coeficiente de Correlación de Spearman.

Un grupo de quince (15) estudiantes presentaron las pruebas de lapso de Física y Química de
noveno grado de educación media, obteniendo las siguientes calificaciones:

Estudiante A B C D E F G H I J K L M N O
Física (X) 10 08 15 17 06 09 13 11 15 10 07 14 19 08 11
Química (Y) 12 10 12 19 05 10 12 10 15 09 05 15 20 07 10

Si las calificaciones se transforman en ordenes, será valido establecer que los estudiantes que
obtienen las primeras posiciones en física tienen las últimas posiciones en química. Interprete.

Solución:
Como se induce a transformar las calificaciones a ordenes, entonces al estudiante que obtuvo
la más alta calificación (19 puntos) se le asigna el rango o posición 1, a la segunda más alta
(17 puntos), se le asigna el lugar 2; y así sucesivamente. En este tipo de problema aparecen los
empates, es decir alumnos que obtuvieron una misma nota. Para resolver esta situación entonces
se promedian los ordenes o posiciones, como por ejemplo; en Física hay dos (2) quince (15)
cuyos lugares corresponden al tercer lugar y cuarto lugar, entonces para promediar estos
ordenes se hace 3+4/2 = 7/2 = 3,5; esto quiere decir que al estudiante C y I, le corresponde el
lugar 3,5 por tener empate ya que ambos sacaron 15 puntos; y así se hace con el resto de los
posibles empates.

Estudiante X Y d  (X  Y)
0 0 2

A 10 12 X9,5 Y6 (9,5 - 6) = 3,5 d

12,25
B 08 10 12,5 9,5 (12,5 – 9,5) =3 9
C 15 12 3,5 6 -2,5 6,25
D 17 19 2 2 0,0 0,0
E 06 05 15 14,5 0,5 0,25
F 09 10 11 9,5 1,5 2,25
G 13 12 6 6 0,0 0,0
H 11 10 7,5 9,5 -2 4
I 15 15 3,5 3,5 0,0 0,0
J 10 09 9,5 12 -2,5 6,25
K 07 05 14 14,5 -0,5 0,25
L 14 15 5 3,5 1,5 2,25
M 19 20 1 1 0.0 0,0
N 08 07 12,5 13 -0,5 0,25
O 11 10 7,5 9,5 -2 4

d 2
 47
Al igual que el procedimiento anterior, se tiene:
 6
d
2

r 1
s
n(n2 1)

rs  1 6 *(47)
 15 * (152
1)

rs  1 282
 3360

rs  1 0,08
rs  0,92

Interpretación: 0,92 indica que existe una correlación imperfecta, positiva y muy alta entre
los órdenes obtenidos por los alumnos en las asignaturas Física y Química, en función de las
calificaciones. Esto quiere decir lo siguiente, los estudiantes que obtuvieron las primeras
posiciones en Física tienden a mantener sus primeras posiciones en química de una manera muy
alta, asimismo los estudiantes que obtuvieron los últimos lugares en Física tienden a obtener los
últimos lugares en Química de una manera muy alta. (Recuerde que las variables fueron
transformadas o dicotomizadas ordenes)

Coeficiente de Correlación Biserial Puntual (rbp)

Se utiliza para determinar el grado de relación existente entre una variable de naturaleza
continua (escala de intervalo o razones) y otra variable de naturaleza dicótoma o dicotómica es
decir por su naturaleza se divide en solo_ dos categorías
_
o modalidades.

rbp X p X q p * q
 s *

Donde:

X : Media en la variable continua (X) de los que se les asignó el código “1” en (Y) . X q
:
p

Media en la variable continua (X) de los que se les asignó el código “0” en (Y). s: desviación
típica de la variable continua.
p: proporción de estudiantes que han obtenido el código “1” en Y q:
proporción de estudiantes que han obtenido el código “o” en Y.

fp
p n fq
q n

Aunque el paquete estadístico (SPSS) no permite determinar dicho coeficiente, se pueden

obtener los elementos para aplicar manualmente la fórmula mediante el siguiente proceso:

Ejemplo
Se desea obtener la correlación que existe entre el peso de 20 alumnos y el sexo, de acuerdo a la
siguiente tabla:
 Estudiantes Peso (X) Sexo (Y)
A (72) 1
B (69) 1 Varones (p) = 1 n = 11
C 65 0 Hembras (q) = 0 n=9
D (73) 1
E 58 0
F 64 0
G 62 0
H (67) 1
I (79) 1
J 70 0
K (65) 1
L (77) 1
M 59 0
N (68) 1
Ñ (70) 1
O (76) 1
P 71 0
Q 57 0
R 59 0
S (63) 1

Sustituyendo los valores en la fórmula, el procedimiento es el siguiente:

779
p 
X 11
X p
 70,81 Varones

565
X q
9 Hembras
X q

62,77

S (t )
 6,45

fp
p n
11
p  20 p  0,55

9
q q  0,45
20
Aplicando:
_ _

rb X p X q p * q
p  s *
 rbp  (1,2465) *(0,4975)

rbp  0,62

Interpretación: 0,62 indica que existe una correlación imperfecta, positiva y alta entre el sexo y
los respectivos pesos de los estudiantes. Esto quiere decir que los varones en promedio ( X p
 70,81Kg) son más pesados que las hembras en promedio ( X q  62,77Kg)

Fórmula alternativa

_ _
p
rbp  X p  X t q
s 
t

rbp
70,81  67,20
 0,55

6,45 0,45

rbp  (0,5597)  (1,106)

rbp  0,62
Ejercicios.
1. A continuación se presentan una serie de coeficientes de correlación entre dos
asignaturas: Biología y Química, interprete cada uno de ellos.
a. r = 0,41 b. r = -0,72 c. r = 0
d. r = 1,00 e. r = - 1,00 e. r = 0,50

2. Se presentará una serie de variables indique y explique el tipo de coeficiente de

correlación más adecuado.
a. Tamaño de una persona y calificaciones.
b. calificaciones y peso.
c. Tiempo en dos competencias, 100 y 200 metros planos.
d. calificaciones en una prueba y sexo.

3. Un coeficiente de correlación de 0,80 ¿representa el doble de relación que uno de 0,40.?

4. A continuación se presentan datos correspondientes a cincuenta alumnos de la Facultad

de Ciencias de la Educación, para los cuales se realizará una investigación cuasi-
experimental, donde las variables de identifican de la siguiente manera: Columna 1:
Identificación de los alumnos.
Columna 2: Modalidad de Ingreso (CNU, PIA: Prueba Interna de Admisión).
Columna 3: Sexo (M: Masculino, F: Femenino).
Columna 4: Edad cumplida Columna
5: Rango en Disciplina Columna 6:
Rango en Puntualidad.
Columna 7: Calificaciones primer lapso.
Columna 8: Calificación en resolución de problemas.
Columna 9: Calificación en trabajo de investigación.
Columna 10: Respuesta a la pregunta Nº 5 de la resolución de problemas.

1 2 3 4 5 6 7 8 9 10
Juan CNU M 21 4 5 10 11 18 C
María PIA F 23 3 4 16 15 18 C
Ramón PIA M 24 7 8 16 17 14 C
Antonio CNU M 21 11 9 18 14 19 C
Ana PIA F 23 5 3 13 15 16 C
Leysy PIA F 23 12 13 11 13 14 C
Nancy PIA F 22 17 17 10 12 18 C
Claudia CNU F 23 9 10 15 16 15 I
Xiomara PIA F 22 18 19,5 19 19 19 I
José PIA M 23 1 2 15 18 15 I
Dixon PIA M 22 10 13 16 18 17 I
Carmen CNU F 22 2 1 17 17 17 I
Mirian CNU F 22 19 18 16 15 13 I
Violeta PIA F 21 13 11 14 10 15 I
Argelia PIA F 24 22 23 09 11 14 I
Héctor PIA M 23 16 13 10 12 14 I
Samuel CNU M 25 20 19,5 08 09 12 C
Nohemi PIA F 27 8 6 09 08 15 I
Beatriz PIA F 22 21 21 16 17 11 I
Margarita PIA F 24 14 15 16 18 16 C
Bárbara CNU F 23 23 22 13 11 13 C
Francisco PIA M 21 6 7 09 09 15 C
Gustavo PIA M 25 15 16 12 14 16 C
a. Elabore los diagramas de dispersión de y señale gráficamente el tipo de correlación:
X: Primer lapso Y: Resolución de problemas
X: Primer lapso Y: Trabajo de investigación
X: Resolución de problemas Y: Trabajo de investigación
b. Determine si es cierto a que mayor puntuación en las variables identificadas con X en
el literal a, existe una alta tendencia a obtener las mayores puntuaciones en las variables
identificadas con Y.
c. Determine si es cierto a que mayor edad se obtiene mayor nota en el primer lapso.
d. Determine cuál será la puntuación probable en el primer lapso de un alumno que haya
obtenido 15 puntos en el trabajo de investigación, y cual seria su error de estimación.
Grafique dicha recta de estimación.
e. Determine el grado de relación entre la resolución de problemas y el trabajo de
investigación
f. Determine si es cierto el responder correctamente el ítem Nº 5 indica una alta tendencia
a obtener las mejores calificaciones.
g. Cual será el grado de relación existente entre la edad y el sexo.
h. Si las calificaciones del primer lapso y las obtenidas en el trabajo de investigación se
transforman a Ordenes, obtenga la relación existente entre esas dos variables
i. Determine, si es cierto que los estudiantes que tienen los primeros lugares en Disciplina
obtuvieron los últimos lugares en Puntualidad.
j. Estime la calificación mas probable en el trabajo de investigación, si se sabe que un
estudiante logró 06 puntos resolución de problemas. Grafique la recta de estimación
obtenida.