Estadística para la Psicología
2022
PSI-190
Clase Nº 7
Coeficientes de Correlación
Correlación de Pearson
Conceptualización
Correlación
• Analizaremos el comportamiento de una
variable en función de otra
• Se buscará determinar el grado de
asociación que existe entre dos o más
variables
• Es importante evaluar la asociación o
relación de variables pues es un
antecedente para conocer si existe
causalidad
Considere los siguientes ejemplos:
1. ¿Usted cree que existe relación entre las
horas que un niño pasa frente a la televisión y
su capacidad de lectura?
2. ¿Existirá relación entre la Inteligencia y las
notas en la Universidad?
3. ¿Estará asociado el nivel de satisfacción de
un trabajador con el sueldo recibido?
4. ¿Tendrá relación el tiempo que demora un
trabajador en llegar a su trabajo y su nivel de
producción?
• En todas las preguntas mencionadas se puede realizar
una investigación para conocer la respuesta
• Para poder responder estas preguntas es necesario en
primera instancia Medir cada variable
Por ejemplo usted
debería
La idea es que usted en
su investigación deberá
medir a TODOS los
sujetos en ambas
variables
• Por lo general se trabaja con correlaciones entre
dos variables, como se apreciaba en cada
ejemplo mencionado
• Para conocer el grado de asociación entre dos
variables se debe realizar un cálculo que
relaciona los puntajes obtenidos por cada sujeto
con los puntajes que los mismos sujetos
obtienen en la otra variable
• De esta manera dependiendo del Tipo de
Variable y el nivel de Medición de las variables a
correlacionar se encontrarán distintos
COEFICIENTES DE CORRELACIÓN
• Considere la siguiente tabla resumen:
Coeficiente de Notación Variable
Correlación Estadística Nivel de Medición
Pearson ρxy 2 variables cuantitativas – intervalo o
razón con una relación lineal
Spearman ρs 2 variables ordinales en categorías
Kendall ρτ 2 variables ordinales en categorías
Punto Biserial ρpb 1 variable cuantitativa medida en
intervalo y otra dicotómica real
Biserial ρb 1 variable cuantitativa medida en
intervalo y otra dicotómica artificial
Fi o Phi ρΦ 2 variables dicotómicas reales
Tetracórico ρt 2 variables dicotómicas artificial
Contingencia ρC 2 variables policotómicas
Eta ηx.y 2 variables cuantitativas de intervalo
o razón con una relación No Lineal
Independiente del Coeficiente de correlación
ocupado los resultados a obtener entregarán un
valor que irá desde -1 a 1, pasando por 0 (cero)
Correlación Negativa Correlación Positiva
-1 0 1
Correlación
negativa perfecta Ausencia de Correlación positiva
Correlación perfecta
• Generalmente las relaciones entre
variables se representan gráficamente
• La representación gráfica utilizada es un
DISPERSOGRAMA
• El Dispersograma ubica pares de datos
(de cada sujeto) en dos variables una para
cada eje (x, y)
• El gráfico representará una serie de
puntos que asocian los puntajes de cada
sujeto en estas dos variables
• Considere la siguiente base de datos que
representa las notas de 9 alumnos en dos
pruebas
• Luego observe el gráfico de Dispersión
Alumno Prueba 1 Prueba 2
(variable x) (variable y)
1 5,2 5,3
2 5,4 5,6
3 5,8 6,0
4 4,9 5,8
5 6,2 5,4
6 6,0 6,1
7 5,1 5,6
8 4,8 5,4
9 5,3 5,6
6,2
(6,0 , 6,1)
6,0
5,8
5,6 (5,4 , 5,6)
5,4
PRUEBA2
(5,2 , 5,3)
5,2
4,6 4,8 5,0 5,2 5,4 5,6 5,8 6,0 6,2 6,4
PRUEBA1
• En el Dispersograma anterior se muestran
las notas de 9 sujetos
• Cada punto en la gráfica representa a un
sujeto
• Específicamente representa la nota en la
prueba 1 (x) y la nota en la prueba 2 (y)
• Generalmente a estas gráficas de puntos
se le asocia una recta que resume el
comportamiento de la variable
• Mire los siguientes gráficos que
representan 3 tipos de correlación
-1: Correlación Negativa Perfecta
0: Ausencia de Correlación
1: Correlación positiva Perfecta
Correlación de Pearson
• El coeficiente de correlación más utilizado es el coeficiente de
correlación de Pearson
• Se utiliza cuando se busca evaluar la relación de dos variables
cuantitativas
• Las variables deben tener un nivel de medición de intervalo o
razón
• Las variables deben tener una relación lineal
• El proceso de contraste sigue los 5 pasos vistos hasta el
momento: Hipótesis Científica, Hipótesis Estadísticas, Contrate
Estadístico, Decisión Estadística, Conclusión Estadística
• El proceso aplica para los distintos coeficientes de correlación
• Iniciemos con las Hipótesis
PASO 1: Redactar Hipótesis
Hipótesis Correlacionales
1. Bidireccionales
Estas hipótesis expresan la existencia o no existencia de
correlación.
En su lenguaje no marcan una orientación de la relación entre las
variables
No expresan si la relación es de tipo positiva o negativa
Ej1. “Existe relación entre el Clima Laboral y los Niveles de Estrés
de los Trabajadores de la Municipalidad de NNNN”
Ej2. “Las variables Trabajo colaborativo y satisfacción académica
no están asociadas”
2. Unidireccionales:
Estas hipótesis sí marcan la tendencia de la
relación
Se dividen en:
2.1 Unidireccionales Positivas, marcan una
relación positiva o directa
Ej. Aumenta – Aumenta
Disminuye – Disminuye
Ejemplo 1:
“Mayores niveles de motivación se asocian a
altos niveles de Productividad”
Ejemplo 2:
“Menor asistencia a clases se asocia a resultados
más bajos en las evaluaciones”
2.2 Unidireccionales Negativas, marcan una relación
negativa o inversa
Ej. Disminuye – Aumenta
Aumenta – Disminuye
Ejemplo 1
“Mayores niveles de Depresión se relacionan con
menores niveles de Interacción Social”
Ejemplo 2
“Mientras menor es la remuneración recibida,
mayor es el nivel de insatisfacción laboral”
PASO 2: Redactar Hipótesis Estadísticas
Para las Bidireccionales
Primer Ejemplo:
1. Hipótesis
“Existe relación entre el Clima Laboral y los Niveles de Estrés
de los Trabajadores de la Municipalidad de NNNN”
2. Hipótesis Estadísticas
Ho: ρxy=0
Ha: ρxy≠0*
Para las Bidireccionales
Segundo Ejemplo
1. Hipótesis
“Las variables Trabajo colaborativo y satisfacción académica
no están asociadas”
2. Hipótesis Estadísticas
Ho: ρxy=0*
Ha: ρxy≠0
Nota: Si bien es una posibilidad,
no se ocupan hipótesis con esta
estructura “No hay correlación”.
Se hipotetiza la presencia de
relación.
Para las Unidireccionales
Primer Ejemplo
Unidireccionales Positivas
1. Hipótesis
“Mayores niveles de motivación se asocian a altos
niveles de Productividad”
2. Hipótesis Estadísticas
Ho: ρxy=0
Ha: ρxy>0*
Para las Unidireccionales
Segundo Ejemplo
Unidireccionales Positivas
1. Hipótesis
“Menor asistencia a clases se asocia a resultados
más bajos en las evaluaciones”
2. Hipótesis Estadísticas
Ho: ρxy=0
Ha: ρxy>0*
Para las Unidireccionales
Tercer Ejemplo
Unidireccionales Negativas
1. Hipótesis
“Mayores niveles de Depresión se relacionan con
menores niveles de Interacción Social”
2. Hipótesis Estadísticas
Ho: ρxy=0
Ha: ρxy<0*
Para las Unidireccionales
Cuarto Ejemplo
Unidireccionales Negativas
1. Hipótesis
“Mientras menor es la remuneración recibida,
mayor es el nivel de insatisfacción laboral”
2. Hipótesis Estadísticas
Ho: ρxy=0
Ha: ρxy<0*
PASO 3: Contraste Estadístico
El Contraste Estadístico consiste en el Cálculo del Coeficiente de Correlación de
Pearson
El resultado del cálculo (SPSS) nos entrega un valor que va entre -1 (Correlación
negativa perfecta) y 1 (correlación positiva perfecta)
Para interpretar el valor consideraremos: Dirección y Fuerza (o intensidad) de la
relación
1. Dirección
- Positiva cuando Pearson (r) tiene signo positivo (sin signo en salida SPSS)
- Negativa cuando Pearson (r) tiene signo negativo (signo en SPSS)
2. Fuerza
– Muy Fuerte cuando Pearson ≥ 0,8
– Fuerte cuando Pearson esta entre 0,6 y 0,79
– Media cuando Pearson está entre 0,4 y 0,59
– Baja o inexistente cuando Pearson es menor a 0,4
Veamos algunos ejemplos:
1. rxy = -0.59
2. rxy = 0.85
3. rxy = 0.05
4. rxy = -0.21
5. rxy = -0.78
6. rxy = 0.65
En SPSS el output será así:
PASO 4: Decisión Estadística
Recordar que las Decisiones Estadísticas posibles son 2:
Aceptar la Hipótesis Nula
Cuando Acepto la Hipótesis Nula, No Existe una Relación estadísticamente significativa entre
las variables
Rechazar la Hipótesis Nula
Cuando Rechazo la Hipótesis Nula, Existe una Relación estadísticamente significativa entre
las variables
Se acepta o rechaza la hipótesis nula considerando el nivel de significación estadística
asociado a la correlación, según la siguiente regla:
Aceptar la Hipótesis Nula:
Cuando la significación (sig) es mayor o igual a .05 (sig≥ .05)
Rechazar la Hipótesis Nula
Cuando la significación (sig) es menor a .05 (sig< .05)
Veamos algunos ejemplos:
1. sig = .049
Decisión Estadística:
2. sig = .51
Decisión Estadística:
3. sig = .000
Decisión Estadística:
4. sig = .95
Decisión Estadística:
5. sig = .02
Decisión Estadística:
En SPSS el output será así:
PASO 5: Conclusión Estadística
Las Conclusiones Estadísticas dependen del paso anterior (Decisión
Estadística) y son 2: Existe Relación, o No Existe Relación
Recordar:
Aceptar la Hipótesis Nula
Cuando Acepto la Hipótesis Nula, No Existe una Relación estadísticamente
significativa entre las variables
Rechazar la Hipótesis Nula
Cuando Rechazo la Hipótesis Nula, Existe una Relación estadísticamente
significativa entre las variables
Este es el paso más importante y el que finalmente se incorpora en un
reporte, informe o trabajo de investigación
Ejemplo 1:
Los resultados de la presente investigación confirman la hipótesis planteada,
en tanto existe una relación estadísticamente significativa (p< .05)
entre el nivel de ansiedad y el nivel de estrés de los estudiantes. La
imagen presentada más abajo, nos muestra que la relación es positiva y
fuerte (r= .678) de manera que mayores niveles de ansiedad se
asocian a mayores niveles de estrés y viceversa.
En un informe, no es necesario pegar la
tabla, solamente usamos los datos y
podríamos pegar un gráfico de relación,
llamado Dispersiograma
Ejemplo 2:
Los resultados de la presente investigación, tal como se observa en el gráfico
1, permiten indicar que no es efectiva la relación entre autoestima y
depresión en estudiantes universitarios (r=- .153, p= .204).
Gráfico 1. Autoestima y Depresión
EJEMPLO COMPLETO 1
1. Hipótesis
“Existe relación entre el clima laboral y el nivel de compensaciones recibido por los trabajadores de
un Hospital Público de la Región Metropolitana de Santiago”
2. Hipótesis Estadísticas
Ho: ρxy=0
Ha: ρxy≠0*
3. Contraste Estadístico
4. Decisión Estadística
Se rechaza la hipótesis nula con una significación estadística menor a 5% (p= .000)
5. Decisión Estadística
Es efectivo que existe una relación estadísticamente significativa entre el clima laboral y el nivel de
compensaciones recibido por los trabajadores de un Hospital Público de la Región
Metropolitana de Santiago (r= .596, p= .000).
EJEMPLO COMPLETO 2
1. Hipótesis
“Mientras mejor es el ambiente académico, mejor es la calidad de vida de los estudiantes de
Universidades Privadas de la Región Metropolitana”
2. Hipótesis Estadísticas
Ho: ρxy=0
Ha: ρxy>0*
3. Contraste Estadístico
4. Decisión Estadística
Se rechaza la hipótesis nula con una significación estadística menor a 5% (p= .001)
5. Conclusión Estadística
Es efectivo que existe una relación positiva y estadísticamente significativa entre el ambiente
académico y la calidad de vida de los estudiantes de Universidades Privadas de la Región
Metropolitana. Sin embargo, la relación es de muy baja intensidad (r= .195, p= .001).
EJEMPLO EN UN REPORTE
4. Resultados Gráfico 1. Satisfacción y Motivación académica
4.1. Relación entre Satisfacción y Motivación
Académica
Hipótesis
“Existe relación entre el nivel de Satisfacción
Académica y el nivel de Motivación
Académica de los Estudiantes de
Educación Secundaria de los Colegios
Municipales de La Florida”
Los resultados de la presente investigación
indican que efectivamente existe una
relación positiva y estadísticamente
significativa entre el nivel de Satisfacción
y Motivación Académica de los
Estudiantes de Educación Secundaria de
los Colegios Municipales estudiados
(r= .39, p= .001). Sin embargo, la
