ESCUELA DE TRABAJO SOCIAL

ESTADISTICA I
REGRESIÓN Y CORRELACIÓN
Cálculo de “r”
FACILITADOR: Dr. Cayetano Rosales
Auxiliar: Floridalma Martínez
Semestre II. 2022
Agenda pedagógica
a) Cálculo de la “r”

b) Prueba de hipótesis
En donde:
𝑛 ∑ 𝑥𝑦−∑ 𝑥∑𝑦
r=
𝑛 ∑ 𝑥 2 −(∑𝑥)2 ∗ 𝑛 ∑ 𝑦 2 −(∑𝑦)2

r= Regresión
𝑛 𝑥𝑦 = Se multiplica el número de datos con la sumatoria de XY
∑𝑥∑𝑦 = Se multiplica la sumatoria de X con la sumatoria de Y
Se calcula la raíz cuadrada a:
𝑛 𝑥2 = Se multiplica el número de datos con la sumatoria de 𝒙𝟐
(∑𝑥)2 = La sumatoria de X se eleva al cuadrado

* 𝑛 𝑦2 = Se multiplica el número de datos con la sumatoria de 𝒚𝟐

(∑𝑦)2 = La sumatoria de y se eleva al cuadrado
¿En donde empezar la
operatoria? 𝑛 ∑ 𝑥𝑦−∑ 𝑥∑𝑦
r=
𝑛 ∑ 𝑥 2 −(∑𝑥)2 ∗ 𝑛 ∑ 𝑦 2 −(∑𝑦)2
1ro. se calcula la raíz cuadrada de la variable x:
𝑛 𝑥 2 − (∑𝑥)2

Luego, la raíz cuadrada de la variable y:

𝑛 𝑦 2 − (∑𝑦)2

Le sigue el numerador
Por ultimo la división
𝑎
𝑛 𝑥𝑦 − 𝑥∑𝑦
r=
𝑏
Forma de interpretar el coeficiente de correlación, r:

-1.00 = Correlación negativa perfecta

-0.90 = Correlación negativa muy fuerte
-0.75 = Correlación negativa considerable
-0.50 = Correlación negativa media
-0.25 = Correlación negativa débil
0.00 = No existe correlación alguna entre las variables.

0.10 = Correlación positiva muy débil

o.25 = Correlación positiva débil
0.50 = Correlación positiva media
0.75 = Correlación positiva considerable
0.90 = Correlación positiva muy fuerte
1.00 = Correlación positiva perfecta.
Hernández Sampieri, R., Fernández Collado, C., & Baptista Lucio, P. (2016). p. 304-305
Cálculo del Coeficiente “r” de Pearson
Un profesional de TS, estudia el tiempo de conectividad a internet al día, con la
edad a un grupo de niño de una localidad. Los datos se presentan a continuación:
𝑛 ∑ 𝑥𝑦−∑ 𝑥∑𝑦
r=
X Y Xy x2 y2 𝑛 ∑ 𝑥 2 −(∑𝑥)2 ∗ 𝑛 ∑ 𝑦 2 −∑𝑦 2
13 1 13 169 1 5

14 1 14 196 1 4

15 2 30 225 4 10 442 −(154)(28) 3

15 3 45 225 9 r= 2
10 2386 −(154)2 ∗ 10 90 −28)2 1
15 3 45 225 9
0
16 4 64 256 16 12 13 14 15 16 17 18
16 4 64 256 16 108 108
16 3 48 256 9 r= r=
144∗ 116 129.24
17 3 51 289 9
17 4 68 289 16
154 28 442 2386 90
r = 0.84

R/ Según el coeficiente de Pearson r =0.84, demuestra que existe una relación positiva considerable entre
la variable edad de los adolescentes y las horas conectadas con internet al día.
Ejercicio 1
En un estudio, el consumo de agua realizaron un equipo de profesionales de TS con 8 comunidades del municipio X
relacionado al consumo de agua en los hogares. Las variables y = litros de agua consumidos por habitantes y x precio por
m3 de agua, los resultados de se presenta en el siguiente cuadro.

Diagrama de dispersión
x y xy 𝒙𝟐 𝒚𝟐 R/ Según el coeficiente
220
48 200 9600 2304 40000 de Pearson r =-0.88,
50 163 8150 2500 26569 200
demuestra que existe
53 174 9222 2809 30276 180 una relación negativa
59 171 10089 3481 29241 160 fuerte entre la variable
64 183 11712 4096 33489 precio por m3 de agua
140
95 134 12730 9025 17956
con el consumo.
145 114 16530 21025 12996 120

166 125 20750 27556 15625 100

680 1264 98783 72796 206152 39 59 79 99 119 139 159 179

𝑛 ∑ 𝑥𝑦−∑ 𝑥∑𝑦 8 98783 −(680∗1264)

r= 𝑛 ∑ 𝑥 2 −∑𝑥 2 ∗ 𝑛 ∑ 𝑦 2 −∑𝑦 2
r=
8 72796 −(680)2 ∗ 8 206152 −(1264)2
−69256
r= r=
−69256
r = −0.881
119968∗ 51520 78617.75
Ejercicio 2
Una muestra de 13 estudiantes se registró la estatura y el peso, según la siguiente tabla. Determinar la
relación.
Estatura Peso
1.25 125
1.35 128
1.5 140
1.42 135
1.33 120
1.48 150
1.35 128
1.5 152
1.42 135
1.42 135
1.33 120
1.48 150
1.35 128
 Una muestra de 13 estudiantes se registró la estatura y el peso, según la siguiente tabla. Determinar la
relación.
𝑛 ∑ 𝑥𝑦−∑ 𝑥∑𝑦
Estatura Peso XY x2 y2 r=
1.25 125 156.25 1.56 15625 𝑛 ∑(𝑥)2 −(∑𝑥)2 ∗ 𝑛 ∑ 𝑦 2 −∑(𝑦)2
1.35 128 172.80 1.82 16384
1.5 140 210.00 2.25 19600
1.42 135 191.70 2.02 18225
13 2450.95 −(18.18∗1746)
r=
1.33 120 159.60 1.77 14400
1.48 150 222.00 2.19 22500
1.35 128 172.80 1.82 16384 13 25.5 −(18.18)2 ∗ 13 235956 −(1746)2
1.5 152 228.00 2.25 23104
1.42 135 191.70 2.02 18225
1.42 135 191.70 2.02 18225 120.07
1.33 120 159.60 1.77 14400 r=
1.48
1.35
150 222.00
128 172.80
2.19
1.82
22500
16384
0.9876∗ 18912
18.18 1746 2450.95 25.50 235956
120.07
r= r = 0.89
134.67

R/ Según el coeficiente de Pearson r =0.89, demuestra que existe una relación positiva entre la
variable estatura con la variable peso.
Uso del Excel para el cálculo correlacional
a) Análisis de datos

R/ Según el coeficiente de Pearson r =-0.88, demuestra

que existe una relación negativa fuerte entre la variable
precio por m3 de agua con el consumo.
Uso del Excel para el cálculo correlacional

b) Función coeficiente de correlación

-0.88

R/ Según el coeficiente de Pearson r =-0.88, demuestra que existe una relación

negativa fuerte entre la variable precio por m3 de agua con el consumo.
Es decir, mientras más sube el precio, se reduce la demanda de consumo.
SPSS es un software popular entre los usuarios de
Windows, es utilizado para realizar la captura y
análisis de datos para crear tablas y gráficas con
data ...

SPSS (acrónimo en inglés de Statistical Package for the

Social Sciences [Paquete Estadístico para las Ciencias
Sociales]) es un programa estadístico informático que
originalmente se usaba únicamente en las
investigaciones de las ciencias sociales y en las ciencias
aplicadas

Es uno de los programas estadísticos más conocidos teniendo en cuenta su

capacidad para trabajar con grandes bases de datos y una sencilla interfaz
para la mayoría de los análisis.
Uso del SPSS para el cálculo correlacional
b) Habilitar SPSS e importar datos
c) Revisar en vista de variables

a) Tener la base de datos

en Excel
d) Habilitar herramienta de análisis e) Exportar las variables al campo de análisis

f) Elegir coeficiente de correlación y prueba

de significancia
 g) Resultados

h) Editar resultados y
exportar

Correlaciones
Precio Consumo
1 -.881**
Correlación de Pearson
Precio
Sig. (bilateral) .004
N 8 8
-.881** 1
Correlación de Pearson
Consumo
Sig. (bilateral) .004
N 8 8
h) Analizar resultado **. La correlación es significativa al nivel 0,01 (bilateral).

R/ Según el coeficiente de Pearson r = -0.88, demuestra que existe una relación

negativa fuerte entre la variable precio por m3 de agua con el consumo.
Es decir, mientras más sube el precio, se reduce la demanda de consumo.
 Prueba de hipótesis estadístico
Criterio El conjunto de datos
¿Cumple una distribución normal?
P-valor,> 0.05 . P-valor,< 0.05 .
Pruebas Paramétricas. Pruebas No Paramétricas.

-T de Student para muestras -U Mann Whitney

independientes -T de Wilconxon
-Correlación de Spearman
-T de Studentr para muestras
pareadas -Kruxkall Wallis
-Correlación de Pearson -Chi cuadrado
-Mc. Nemar
-ANOVA
Hipótesis a contrastar
H0: Los datos analizados sigue una distribución normal.
H1: Los datos analizados no sigue una distribución normal.

Kolmogorov-Smirnov Shapiro - Wilks

Autores
Para muestra grande (n ≥ 30) Para muestra pequeña (n < 30)
50 50
Criterio.

Si p > 0.05 Se acepta la hipótesis nula

Si p < 0.05 Se rechaza la hipótesis nula de manera significativa
Si p < 0.01 Se rechaza la hipótesis nula de manera altamente
significativa.
Tipo de Prueba de hipótesis

Correlación: Entre dos variables en donde se pretende saber el grado de

asociación que tienen, se relacionan o no se relacionan. Ejemplo curso I,
curso II.
Relacionadas: Se utiliza para evaluar una misma variable, se usa
el mismos instrumento al inicio y al final. Con la misma muestra, en
tiempos diferentes. Ejemplo: Pre test y post test

Independiente: Se aplica para dos muestras diferentes, para establecer cuál de

las dos muestras es mejor.
Prueba de hipótesis para correlación
Coeficiente de correlación apropiados según la escala de medida
de las variables.
Escala de medida Coeficiente Símbolo
Variable I Variable II
Intervalo/razón Intervalo/razón Correlación de Pearson r
Intervalo/razón Ordinal Correlación de Spearman p
Eta, Point - biseral, Coeficiente
Intervalo/razón Nominal biseral n, 𝑟𝑝𝑏 , 𝑟𝑏
Ordinal Ordinal Gamma, Kendall's Tau -, t
Correlación de Spearman,
Ordinal Nominal Kendall's Tau p, t
Coeficiente Phi, Coeficiente de
contingencia, Coeficiente V de
Cramer, Coeficiente de incerteza,
Ordinal Nominal Coeficiente Lambda 0, C. 0𝑐 , -, -
Aplicación del método correlacional

Rendimiento académico en Matemáticas I y II

con estudiantes de Licenciatura en Trabajo
Social, USAC
Propósito
El propósito de la investigación es analizar la relación existente entre el
rendimiento de Matemáticas I y Matemáticas II, con los estudiantes de... Esta
investigación se ubica dentro del paradigma positivista, enfoque cuantitativo
con diseño descriptivo correlacional, se utilizó para determinar la
consistencia de una relación mutua por pares con el rendimiento académico.

Se midieron las notas de los cursos según el acta final de los cursos
Matemáticas I y II de las secciones A y B, para determinar hasta donde son
comunes las dos variables.
Objetivo General

Determinar la relación del rendimiento académico en Matemáticas I con

Matemáticas II con los estudiantes que cursaron los dos cursos de forma
secuencial en la Escuela de Trabajo Social de la Universidad de San Carlos de
Guatemala en el año 20xx.

Hipótesis de investigación

Existe relación positiva entre las notas de los estudiantes que aprobaron los
cursos de Matemática I y Matemáticas II en forma correlativa en la Escuela de
Trabajo Social de la Universidad de San Carlos de Guatemala en el año 20xx.
METODO

El diseño metodológico se inicia describiendo los enfoques de investigación cuantitativa, finalmente, se

explican las técnicas e instrumentos que se utilizó para recoger la información.

Para el desarrollo del trabajo se utilizó la investigación cuantitativa, corriente que se inspira en el
positivismo.

Como señala Monje, C (2019) al decir:

Su propósito es buscar explicación a los fenómenos estableciendo regularidades en los

mismos, esto es, hallar leyes generales que explican el comportamiento social. Con esta
finalidad la ciencia debe valerse exclusivamente de la observación directa, de la
comprobación y la experiencia. El conocimiento debe fundarse en el análisis de los hechos
reales, de los cuales debe realizar una descripción lo más neutra, lo más objetiva y lo más
completa posible. P. 11
Técnicas Cuantitativas

Para Ñaupas. H, Mejía, E. Novoa , E y Villagómez, A, (2011) señalan:

Son aquellas que se refieren a magnitudes o cantidades y que se expresan mediante

números, fórmulas, algoritmos numéricos como: determinar el universo y hallar la muestra
representativa mediante el muestreo, las técnicas del tratamiento estadístico, que
comprende técnicas matemáticas-estadísticas como: el procesamiento de datos, reducción
de datos (estadística descriptiva) o de análisis estadísticos, como los análisis paramétricos y
los no paramétricos (estadística inferencial). P. 126

En las técnicas cuantitativas permitieron sustentar la información recabada cuantitativamente, con

ello se logó tener una visión más amplia del fenómeno en cuestión.
METODO

El estudio se enmarca en un estudio cuantitativo, mediante el empleo del diseño no experimental de

tipo correlacional.

Con ellos se determinó el grado de asociación entre la memoria de trabajo y las calificaciones en la
asignatura de matemáticas de los estudiantes de educación básica primaria.

En la fase cuantitativa se analizó la notas final de los estudiantes de matemáticas I y Matemáticas

II de las secciones A y B.

Con estos datos cuantitativos permitieron sustentar la información para tener una visión más amplia sobre
el rendimiento académico de los estudiantes de Trabajo Social.

A continuación, se describe el tipo de instrumento utilizado para la medición de las variables.

RESULTADOS Y DISCUSIÓN

Una vez finalizadas la revisión de la población en matemática I y II y luego se realizó el análisis de las notas del
último periodo académico del año para corroborar que el rendimiento.
Operacionalización de la hipótesis de trabajo
Las hipótesis de investigación se transforman en hipótesis estadísticas, nulas y alternativas. Se puede formar
cuando los datos del estudio que se van a recolectar y analizar para aprobar o desaprobar la hipótesis.

Prueba de hipótesis

H0: Existe relación positiva entre las notas de los estudiantes que aprobaron los cursos de Matemática I y
Matemáticas II en forma correlativa en la Escuela de Trabajo Social de la Universidad de San Carlos de
Guatemala en el año 20xx.

H1: No existe relación positiva entre las notas de los estudiantes que aprobaron los cursos de Matemática I y
Matemáticas II en forma correlativa en la Escuela de Trabajo Social de la Universidad de San Carlos de
Guatemala en el año 20xx.
P-valor, correlación de Pearson, r:
…
0.10 = Correlación positiva muy débil
o.25 = Correlación positiva débil
0.50 = Correlación positiva media
0.75 = Correlación positiva considerable
0.90 = Correlación positiva muy fuerte
1.00 = Correlación positiva perfecta.
Hernández Sampieri, R., Fernández Collado, C., & Baptista Lucio, P.
(2016). p. 304-305
0 = nula
0.01 - 0.19 = muy baja
0.20 - 0.39 = baja
0.40 - 0.59 = moderada
0.60 - 0.79 = Alta
0.80 - 0.99 = muy alta
1.00 = perfecta.
 RESULTADOS Y DISCUSIÓN

Se calcula el coeficiente “r”, para medir el grado de asociación entre las variables.

MI MII Se están comparando los valores de la

MI Correlación de Pearson 1 0.455**
misma variable.
Sig. (bilateral) 0.000
N 1047 1047
MII Correlación de Pearson 0.455** 1
Sig. (bilateral) 0.000
N 1047 1047
**. La correlación es significativa al nivel 0,01 (bilateral).

Si el significancia es mayor que 0.05, indica que no existe relación entre las
variables.

Si es igual o menor que 0.05, indica que hay relación significativa entre las
variables.

Si es igual o menor que 0.01, indica que hay relación muy significativa entre las
variables.
 MI MII Muy significativo
MI Correlación de Pearson 1 0.455**
Sig. (bilateral) 0.000
N 1047 1047
MII Correlación de Pearson 0.455** 1
Sig. (bilateral) 0.000
N 1047 1047
**. La correlación es significativa al nivel 0,01 (bilateral).

Con el valor estadísticos r de Pearson que es de 0.46, esta correlación es muy significativa. Se
puede confirmar con un 99% de confianza, que en el ámbito de estudio hay una correlación
moderada. El estadístico de “r” evidencia una marcada asociación, al tomar en cuenta la serie de
factores externos que entran en juego en la carrera de Trabajo Social, los resultados establecen
que las notas obtenidas en los cursos de Matemáticas I y II, dado que el valor de Sig. (bilateral es
de 0.000, que se encuentra por debajo del 0.01 requerido.

Además, el coeficiente es +/-, indica que la relación de la variable ….., tiene relación ....
RESULTADOS Y DISCUSIÓN

Se calcula el coeficiente “r”, para medir el grado de asociación entre las variables y se
interpretan los resultados obtenidos

Según el análisis a través del coeficiente de correlación de Spearman, Tabla No. … indica una correlación baja
directa y significativa para …, se observa una correlación .... Además, el coeficiente es +/-, indica que la relación
de la variable ….., tiene relación ....
CONCLUSIONES

A partir del análisis de las calificaciones en la asignatura de Matemáticas I y Matemáticas II, que al aplicar el
análisis de correlación con la herramienta Análisis de datos de Excel se obtuvo un coeficiente te correlación
de ...

Los alumnos al cursar los cursos de Matemáticas I como prerrequisitos demostraban mejor rendimiento
en matemáticas II.

Con estos datos estadísticos, se confirma la importancia de que el alumno debe llevar las materias en forma
secuencial, cumpliendo con los llamados prerrequisitos, para garantizar las habilidades matemáticas, con ello
garantizar un mayor rendimiento del alumno y esto conllevaría a centrar en la realidad al alumno, haciéndole
ver que es importante que apruebe la materia base antes de cursar la materia secuencial superior.