2. Coeficientes de correlación de pearson y
de sperman
Coeficiente de correlación de Karl Pearson Dado dos variables, la correlación
permite hacer estimaciones del valor de una de ellas conociendo el valor de la
otra variable. Los coeficientes de correlación son medidas que indican la
situación relativa de los mismos sucesos respecto a las dos variables, es decir,
son la expresión numérica que nos indica el grado de relación existente entre
las 2 variables y en qué medida se relacionan. Son números que varían entre
los límites +1 y -1. Su magnitud indica el grado de asociación entre las
variables; el valor r = 0 indica que no existe relación entre las variables; los
valores (1 son indicadores de una correlación perfecta positiva (al crecer o
decrecer X, crece o decrece Y) o negativa (Al crecer o decrecer X, decrece o
crece Y).
3. Usos
• Identifica el dependiente variable que se probará entre dos observaciones derivadas
independientemente. Uno de los requisitos es que las dos variables que se comparan deben
observarse o medirse de manera independiente para eliminar cualquier resultado sesgado. Para
cantidades grandes de información, el cálculo puede ser tedioso. Reporta un valor de correlación
cercano a 0 como un indicador de que no hay relación linear entre las dos variables. Reporta un
valor de correlación cercano al 1 como indicador de que existe una relación linear positiva entre
las dos variables. Un valor mayor a cero que se acerque a 1 da como resultado una mayor
correlación positiva entre la información. Reporta un valor de correlación cercano a -1 como
indicador de que hay una relación linear negativa entre las dos variables. Interpreta el coeficiente
de correlación de acuerdo con el contexto de los datos particulares. El valor de correlación es
esencialmente un valor arbitrario que debe aplicarse de acuerdo con las variables que se
comparan. Determina la importancia de los resultados. Esto se logra con el uso del coeficiente de
correlación, grados de libertad y una tabla de valores críticos del coeficiente de correlación. Los
grados de libertad se calculan como el número de las dos observaciones menos 2.
4. Coeficiente de correlación de sperman
• El coeficiente de correlación de Sperman es menos sensible que el de
Pearson para los valores muy lejos de lo esperado. En este ejemplo: Pearson
= 0.30706 Sperman = 0.76270 En estadística, el coeficiente de correlación de
Sperman, ρ (ro) es una medida de la correlación (la asociación o
interdependencia) entre dos variables aleatorias continuas. Para calcular ρ,
los datos son ordenados y reemplazados por su respectivo orden.
5. Usos
• Para aplicar el coeficiente de correlación de Sperman se requiere que las variables estén medidas al
menos en escala ordinal, es decir, de forma que las puntuaciones que las representan puedan ser
colocadas en dos series ordenadas. A veces, este coeficiente es denominado por la letra griega ρs (rho),
aunque cuando nos situamos en el contexto de la Estadística Descriptiva se emplea la notación rs La
fórmula de cálculo para rs puede derivarse de la utilizada en el caso de rxy; bastaría aplicar el
coeficiente de correlación de Pearson a dos series de puntuaciones ordinales, compuestas cada una de
ellas por la n primeros números naturales A partir de un conjunto de n puntuaciones, la fórmula que
permite el cálculo de la correlación entre dos variables X e Y, medidas al menos en escala ordinal, es la
siguiente: Donde d es la distancia existente entre los puestos que ocupan las puntuaciones
correspondientes a un sujeto i cuando estas puntuaciones han sido ordenadas para X y para Y. El
coeficiente de correlación de Sperman se encuentra siempre comprendido entre los valores -1 y 1. Es
decir, -1 < rs < 1. Cuando todos los sujetos se sitúan en el mismo puesto para la variable X y para la
variable Y, el valor de rs es 1. Si ocupan valores opuestos, es decir, al primer sujeto en X le corresponde
el último lugar en Y, al segundo en X le corresponde el penúltimo en Y, etc., entonces el valor de rs es -1.
6. Ventajas y desventajas
• Coeficiente de correlación de Pearson ventajas y desventajas Ventajas: Cuando en
el fenómeno estudiado las dos variables son cuantitativas se usa el coeficiente de
correlaciones de Pearson. Es llamado así en homenaje a Karl Pearson. Las dos
variables son designadas por X e Y. Desventajas: El valor 0 representa falta de
correlación. Cuando las variables X e Y son independientes, el numerador se anula y
el coeficiente de correlación poblacional tiene el valor cero. En cambio una
correlación nula no implica la independencia de variables.
7. • Coeficiente de correlación de SPERMAN ventajas y desventajas Ventajas: - Al ser
Sperman una técnica no paramétrica es libre de distribución probabilística (2, 5, 9). - Los
supuestos son menos estrictos. Es robusto a la presencia de outliers (es decir permite
ciertos desvíos del patrón normal). - La manifestación de una relación causa-efecto es
posible sólo a través de la comprensión de la relación natural que existe entre las variable
y no debe manifestarse sólo por la existencia de una fuerte correlación (1, 5). Ejemplo:
Con base en la información de las 44 truchas y ante el no cumplimiento de los supuestos
del coeficiente de correlación de Pearson se aplicó la técnica no paramétrica de Sperman
dando como resultado la siguiente salida.
• Desventajas: Indicándonos asociaciones negativas o positivas respectivamente, 0 cero,
significa no correlación pero no independencia. La tau de Kendall es un coeficiente de
correlación por rangos, inversiones entre dos ordenaciones de una distribución normal
bivariante. Aplicar usos de enfoques Pearson y enfoque Sperman a problemas
estadísticos.
8. Usos de enfoque Pearson y usos de
enfoque sperman
• Usos de enfoques Pearson: Métodos Estadísticos para Investigadores”. Desde entonces,
el contraste de Hipótesis es considerado uno de los métodos de inferencia estadística de
utilización obligada en casi todas las disciplinas. Si bien hoy en día los estudiantes de
Estadística aprenden a testear hipótesis aplicando una secuencia de pasos más o menos
estandarizada, es importante recordar que no estamos ante una teoría unificada, sino
ante la amalgama de los estudios sistemáticos realizados separadamente por Fisher por
un lado y Neyman y Pearson por el otro. Fisher desarrolló su teoría que denominó
Pruebas de Significación y Neyman y Pearson las llamadas Pruebas de Hipótesis. Desde
1930, fecha en que aparecieron los trabajos de NP., la teoría de los tests de hipótesis fue
dominada por el paradigma de la decisión. Esto ha llevado al estado actual de cosas en el
cual predomina la teoría de Neyman-Pearson como modelo ó esquema de razonamiento
para la toma decisiones, pero la práctica estadística en la investigación, aplicando los
mismos procedimientos, interpreta los datos como evidencia para validar teorías.
9. • Usos de enfoque Sperman: Enfoque psicométrico de los factores de la
inteligencia (Sperman, Catell, Thurstone). El enfoque psicométrico utiliza
técnicas de análisis factorial con la idea de descubrir las diferencias individuales
de la inteligencia entre las personas. Para ello se recurre al uso de los tests de
inteligencia. Sperman distingue dos factores: el factor “G” y el factor “S”. El “G”
es la inteligencia general (común a la mayoría de las personas). El “S” son las
habilidades específicas de la inteligencia (verbal, numérica, espacial, etc.)