Actividad 5

INSTITUTO SUPERIOR DE EDUCACIÓN PÚBLICO “L A SALLE” URUBAMBA
Especialización en Informática para Docentes de EBR
RELACION ENTRE VARIABLES EN SPSS v17
Elemento de Capacidad
 Analizar e interpretar los resultados de la relación

existente entre variables procesados en SPSS
v17.
Contenidos:
1. Correlación Lineal.
2. Regresión Lineal.
Ing. Walther Ccorahua Hancco

HIAI 97
5. RELACION ENTRE VARIABLES EN SPSS v17
En la estadística, los términos correlación y regresión, parecen verse muy complicados

y hasta desconocidos para ciertas personas no entendidas. Sin embargo las ideas
básicas que están implicadas en estos términos son tan sencillas que casi todos las
utilizamos en la vida diaria. Observemos con cuidado las siguientes expresiones:
“A mayor altura, mayor será el golpe de la caída”.

“Cuanto mayor tiempo practiques, mejor será tu dominio”.
“Así como viene, se va”.
“Si más veces estudias, más aprenderás”.
“Cuanto más edad tienes, más experiencia tienes”
Todas estas frases tienen en común una idea que las relaciona, ellas implican la relación
de dos variables: la magnitud de una se ve dependiendo de la magnitud de la otra. En la
estadística se sabe que una de las variables depende o es dependiente de la otra, es
decir que tenemos una variable dependiente y otra variable independiente. En las frases
u oraciones también encontramos la idea de que cuando una de las variables se
incrementa, la otra también lo hace; esta idea en la estadística se conoce como
correlación directa o positiva, esto significa que la relación que tienen las variables es
directamente proporcional.
Ahora veamos otras oraciones de uso muy general en la vida diaria:
“Quien mucho abarca, poco aprieta”.

“A buen entendedor, pocas palabras”.
“Lo mejor viene en empaque pequeño”.
“No por mucho correr se llega más temprano”.
“Los últimos, son los primeros”.
También en estas oraciones o frases podemos identificar dos variables relacionadas, una
es dependiente y otra independiente. Pero la relación que se manifiesta es de una forma
diferente, el incremento de una variable significa la disminución de la otra. Este tipo de
relación entre dos variables en la estadística se conoce como correlación inversa o
negativa.
Estas ideas de correlación entre dos variables, no se limitan a entender solamente las
oraciones vistas, sino que es de utilidad para entender otras realidades existentes en
distintos campos del conocimiento como es el ámbito educativo. Podemos encontrar
muchas relaciones de los tipos observados en el quehacer educativo y nos nacen
interrogantes como:
 ¿Cuál es la relación del tiempo de estudio de un alumno con su rendimiento

académico?

HIAI 98

 ¿Cuál es la relación entre el nivel nutritivo del alumno y su desempeño escolar?
 ¿Qué relación existe entre la cantidad de horas de sueño con el tiempo de
atención en clases?
 ¿Qué relación existe entre la edad y el nivel aprendizaje?
Sin duda podemos percibir que en todas estas interrogantes se halla inmerso el tema de
la correlación, en cualquiera de las formas que esta se presente.
Con estas ideas básicas sobre la correlación pasaremos a definirla propiamente.
1. Correlación Lineal.- Es la tendencia de dos variables a estar relacionadas en una

forma definida, en donde una de las variables depende de la otra.
Aunque existen situaciones en las que no preocupa mucho conocer cuál es la variable
dependiente o independiente, nos interesa saber la distribución conjunta de dos
variables, donde cada una de ellas se encuentra normalmente distribuida. Dicha
distribución se conoce como distribución normal bivariada. El coeficiente de
correlación “r” es la mejor estimación de este tipo de distribución.
Cuando encontramos situaciones de correlación nos interesa conocer que tan

estrechamente relacionadas se encuentran las variables, o saber si la relación es real
o fue producto de la casualidad; para lograr esto debemos conocer una medida de de
la estrechez de la relación entre dos variables, y esta estrechez de la relación la
podemos medir a través del Coeficiente de Correlación, representado por la letra
“r”. En seguida podemos interpretar esta relación consultando las tablas de
probabilidad.
1.1. Cálculo de la Correlación Lineal.- Existen muchas fórmulas que nos pueden
permitir hallar la correlación lineal, pero no es la intención conocer todas en esta
oportunidad, por ello utilizaremos las más conocidas y sencillas:
[ ( X  X )(Y  Y )]2 N  XY    X  Y 

r 
2
b
[ ( X  X ) 2  (Y  Y ) 2 ] N  X   X 
2 2
r2 
[ N  XY  ( X )( Y )]2
a
 Y  X   X  XY 
2
[ N  X 2  ( X ) 2 ][ N  Y 2  ( Y ) 2 ] N  X    X 
2 2

HIAI 99
[ N  XY  ( X )( Y )]2
r
[ N  X 2  ( X ) 2 ][ N  Y 2  ( Y ) 2 ]
N  XY  ( X )( Y )
r
[ N  X 2  ( X ) 2 ][ N  Y 2  ( Y ) 2 ]
Ejemplo:
En este ejemplo vamos a utilizar la última fórmula, es decir la siguiente:
N  XY  ( X )( Y )
r
[ N  X 2  ( X ) 2 ][ N  Y 2  ( Y ) 2 ]
Esto por razones de ser la más confiable. Entonces en el ejemplo analizaremos la

relación que puede existir entre las alturas de los padres con las alturas de los
hijos, para ello mostramos la información ordenada y ya semiprocesada de la
siguiente forma:
Altura del padre Altura del hijo

X Y X2 XY Y2
65 68 4225 4420 4624
63 66 3969 4158 4356
67 68 4489 4556 4624
64 65 4096 4160 4225
68 69 4624 4692 4761
62 66 3844 4092 4356
70 68 4900 4760 4624
66 65 4356 4290 4225
68 71 4624 4828 5041
67 67 4489 4489 4489
69 68 4761 4692 4624
71 70 5041 4970 4900
 X 800  Y 811 X 2
53,418  XY 54,107 Y 2
54,849
En la tabla ya se tienen calculados la sumatoria de X, de Y, de X2, de XY y de Y2;

esto nos facilitará entender mejor los procesos. Asimismo se conoce que N es
igual a 12 en este caso y se refiere al número de pares que se van a analizar.

HIAI 100

Ahora reemplazando en la fórmula tenemos:
(12)(54,107)  (800)(811)
r
(12)(53,418)  (800) (12)(54,849)  (811) 
2 2
De donde el valor final de “r” será:
r = 0.702652
Este valor se interpreta tomando en cuenta lo siguiente:
Cuando el valor de “r” es positivo, significa que la correlación existente entre

las dos variables evaluadas es positiva o directa; es decir que a un
incremento de la variable independiente, hay incremento de la variable
dependiente y viceversa.
Cuando el valor de “r” es negativo, significa que la correlación existente entre

las dos variables evaluadas es negativa o inversa; es decir que a una
disminución de la variable independiente, hay incremento de la variable
dependiente y viceversa.
Entonces según el valor de r = 0.702652, encontramos que la correlación entre la

altura del padre con la altura del hijo es positiva o directa.
Ahora interpretaremos analizando según lo siguiente:
Cuando el valor de “r” se acerca a “1” ó “-1”, significa que la correlación

existente es alta entre las dos variables evaluadas.
Cuando el valor de “r” se acerca a “0” ó “-0”, significa que la correlación

existente es baja entre las dos variables evaluadas.
Si el valor de “r” esta cerca de “0.5” ó “-0.5”, significa que la correlación

existente es media entre las dos variables evaluadas.
Por lo visto, según el resultado de r = 702652, podemos indicar que la correlación

existente entre las variables es alta.
A pesar de haber realizado ya estas interpretaciones, no se puede precisar con

claridad si la correlación es o no estadísticamente significativa; para ello se
precisa hacer la comparación con los valores de la tabla de Valores del
Coeficiente de Correlación r.

HIAI 101
Antes de buscar los valores en la tabla, es preciso saber con qué grados de
libertad trabajaremos. Nosotros estamos evaluando 12 pares de datos, y para
efecto de buscar los valores utilizaremos como grados de libertad a 10, es decir al
número total de pares le restamos -2. Se explica este hecho porque se pierde un
grado de libertad al momento de realizar el cálculo de la media y el otro se pierde
con el cálculo de la regresión.
Ahora con el valor de 8 grados de libertad buscamos en la tabla:
Valores del coeficiente de Correlación r

Probabilidad de obtener un valor tan grande o mayor
Grados de 0.1 0.05 0.01 0.001
Libertad 10% 5% 1% 0.10%
1 0.9879 0.9969 0.9999 1.0000
2 0.9000 0.9500 0.9900 0.9990
3 0.8054 0.8783 0.9587 0.9912
4 0.7293 0.8114 0.9172 0.9741
5 0.6694 0.7545 0.8745 0.9507
6 0.6215 0.7067 0.8343 0.9249
7 0.5822 0.6664 0.7977 0.8982
8 0.5494 0.6319 0.7646 0.8721
9 0.5214 0.6021 0.7348 0.8471
10 0.4973 0.5760 0.7079 0.8233
11 0.4762 0.5529 0.6835 0.8010
12 0.4575 0.5324 0.6614 0.7800
13 0.4409 0.5139 0.6411 0.7603
14 0.4259 0.4973 0.6226 0.7420
15 0.4124 0.4821 0.6055 0.7246
16 0.4000 0.4683 0.5897 0.7084
17 0.3887 0.4555 0.5751 0.6932
18 0.3783 0.4438 0.5614 0.6787
19 0.3687 0.4329 0.5487 0.6652
20 0.3598 0.4227 0.5368 0.6524
25 0.3233 0.3809 0.4869 0.5974
30 0.2960 0.3494 0.4487 0.5541
35 0.2746 0.3246 0.4182 0.5189
40 0.2573 0.3044 0.3932 0.4896
45 0.2428 0.2875 0.3721 0.4684
50 0.2306 0.2732 0.3541 0.4433
60 0.2108 0.2500 0.3248 0.4078
70 0.1954 0.2319 0.3017 0.3799
80 0.1829 0.2172 0.2830 0.3568
90 0.1726 0.2050 0.2673 0.3375
100 0.1638 0.1946 0.2540 0.3211

HIAI 102

Entonces los valores de la tabla son al 5% = 0.6319 y al 1% = 0.7646. Ahora toca
hacer la evaluación del valor de “r” con estos valores tabulares de la siguiente
forma:
Si el valor obtenido de “r” supera al valor tabular en el nivel del 5%,

entonces diremos que la correlación entre las variables es significativa.
Si el valor obtenido de “r” supera al valor tabular en el nivel del 1%,

entonces diremos que la correlación entre las variables es altamente
significativa.
Veamos cual es el nivel de significación de “r”:
Comparando con el valor al nivel del 5%, observamos que: el “r” obtenido es
0.702652 y el “r” tabular es 0.6319, entonces hallamos que el “r” obtenido es
mayor al “r” tabular en el nivel del 5%, por lo tanto la correlación entre las
variables es significativa.
En seguida comparamos con el valor al nivel del 1%, observamos que: el “r”
obtenido es 0.702652 y el “r” tabular es 0.7646, entonces hallamos que el “r”
obtenido es menor al “r” tabular en el nivel del 1%, por lo tanto la correlación entre
las variables no llega a ser altamente significativa.
EN CONCLUSIÓN: por el resultado hallado del coeficiente de correlación “r =

0.702652” decimos que la correlación es positiva o directa al ser positiva, en
el nivel alto por estar cercano a “1” y es significativa al superar el “r” tabular
en el nivel del 5%.
1.2. Cálculo de la Correlación Lineal en SPSS v17.- Utilizando el SPSS v17,

lógicamente resulta más fácil obtener los resultados, no obstante no es posible
realizar interpretaciones si no conocemos a cabalidad el significado de cada uno
de los resultados obtenidos.
Para hallar el coeficiente de correlación “r” en el SPSS v17, se deben seguir los
siguientes pasos:
 Crear las variables X e Y, tomando en consideración que la variable X es

independiente y la variable Y es dependiente, luego introducimos los datos
como se ve en la figura siguiente. Tomaremos el mismo ejemplo analizado
manualmente o con el MS Excel, para calcular con el SPSS v17.

HIAI 103
 En seguida nos dirigimos al menú Analizar, luego a la opción Correlaciones

y en seguida hacemos clic en la opción Bivariadas…
 A continuación se nos muestra una ventana en la cual trasladamos del

recuadro izquierdo al recuadro derecho las variables a analizar su coeficiente
de correlación, en este caso las variables X y la variable Y. Seguidamente
activamos la opción de coeficiente de correlación Pearson, la prueba de
significación Bilateral y hacemos clic en Aceptar.

HIAI 104
 Luego se nos muestra el visor de resultados en el cual observaremos los

resultados del proceso.

HIAI 105

 Ahora solamente nos toca interpretar los resultados. Como se puede apreciar
en el visor de resultados, se ha marcado el coeficiente de correlación hallado
y es igual a 0.703, similar al que hemos hallado manualmente (r = 0.702652).
Interpretando este resultado vemos que es positivo, lo que significa que la
correlación es positiva o directa, también vemos que es cercano a la
unidad, por lo que la correlación existente entre las variables es alta.
Si comparamos con los valores tabulares al nivel del 5% (0.6319) y al nivel del
1% (0.7646), observamos que el “r” obtenido solamente supera al valor del “r”
tabular en el nivel del 5%, por lo tanto la correlación entre las variables es
significativa.
Sin embargo la tabla de correlación del visor de resultados del SPSS v17 ya
nos está indicando que existe correlación significativa al nivel del 5%.
Correlaciones
X Y
*
X Correlación de Pearson 1 ,703
Sig. (bilateral) ,011
N 12 12
*
Y Correlación de Pearson ,703 1
Sig. (bilateral) ,011
N 12 12
*. La correlación es significante al nivel 0,05 (bilateral).

HIAI 106

Hasta ahora no hemos utilizado ni mencionado el término de regresión. ¿Qué significa
regresión? En pocas palabras, regresión es la cantidad de cambio de una variable
asociada a un cambio único de otra variable. Pareciera que existe confusión con la idea
o concepto de correlación, pero es bueno hacer notar lo siguiente: “La correlación se
refiere al hecho de que dos variables se encuentran relacionadas y a la estrechez o
grado de dicha relación; pero la regresión se refiere a la naturaleza de la relación”.
Volviendo a analizar algunas frases de la vida diaria veremos cómo percibimos la idea de
la regresión:
“Un centavo ahorrado es un centavo ganado”.

“Más vale pájaro en mano que ciento volando”.
“Un hecho vale más que mil palabras”.
“Más vale perder un minuto en la vida que la vida en un minuto”.
Con certeza podemos notar que todas estas frases implican la correlación existente entre
dos variables, pero también notamos que van más allá y nos dicen en términos numéricos
cómo están relacionadas ambas variables. Considerando estas frases u oraciones de
manera literal, podemos construir una tabla:
Variable Variable Ecuación de Coeficiente de

Independiente (X) Dependiente (Y) regresión regresión
Centavos ahorrados Centavos ganados Y=X 1
Pájaros en mano Pájaros volando Y = 100X 100
Hecho Palabras Y = 1000X 1000
Minuto Vida Y = αX α
Normalmente se identifica con “X” a la variable independiente y con “Y” a la variable

dependiente.
La tercera columna de la tabla tiene como título Ecuación de regresión. En las celdas
correspondientes tiene ecuaciones que corresponden a ecuaciones de rectas. Se conoce
que la ecuación de la recta es:
Y  a  bX
Donde “a” recibe el nombre de intercepto, puesto que cuando X = 0, tendremos Y = a.

cuando a = 0, la recta pasa por el origen de las coordenadas.
El símbolo “b” se denomina pendiente, puesto que determina la inclinación de la recta.

Resulta fácil apreciar que “b” es la cantidad de cambio de Y, asociada a un cambio
unitario de X; y ésta es exactamente la forma en que hemos definido la regresión. Por lo
tanto, resulta lógico denominar a “b” como Coeficiente de Regresión.

HIAI 107

Hasta el momento sólo hemos determinado la estrechez de la relación, no hemos
aprendido acerca de cómo las dos variables están relacionadas.
1.3. Regresión Lineal.- Si suponemos que la relación es lineal, es decir, que se

describe mejor mediante una línea recta, el problema se reduce a encontrar la
línea recta en particular que se ajusta más estrechamente a los datos. Si
pusiéramos los datos en un gráfico, resulta obvio que no se puede construir
ninguna línea recta que pase a través de todos los puntos, no importa qué recta
construyamos diversos puntos se desviarán de dicha recta. Medimos la variación
entre un solo conjunto de observaciones y obtenemos la suma de cuadrados de
las desviaciones de la media. Luego, parece lógico medir la variación de una
recta, obteniendo la suma de cuadrados de las desviaciones de la recta.
Utilizando esta medida como el criterio para la exactitud del ajuste, trataremos de
encontrar la línea recta que hará la suma de cuadrados de las desviaciones tan
pequeña como sea posible.
La solución al problema resulta muy sencilla. En términos de desviaciones de las

medias de X e Y, la ecuación de la recta más apropiada es:
  XY 
y X
X2 
 
  XY 
La expresión   es el coeficiente de regresión, puesto que indica el cambio
X2 
 
estimado de “y”, para un cambio unitario de “x”. Esto se ajusta a nuestra definición
de regresión, y ya hemos denominado b al coeficiente de regresión, de modo que
ahora podemos decir:
b
 XY
X 2
A esta ecuación de “b” debemos denominarlo “el coeficiente de regresión de Y

sobre X” y utilizar el símbolo byx.
La ecuación de la recta presentada antes, podemos replantearlo en términos de

las observaciones en sí mismas, en vez de términos de desviaciones de las
medias.
Quedaría así: (Y  Y )  b( X  X ) ,

HIAI 108

Que puede resumirse así: Y  (Y  b X )  bX
De donde: Y  b X  a , la ecuación puede escribirse como: Y = a + bX, que es la

forma intercepto – pendiente de la ecuación de la recta.
Ahora veamos en nuestro ejemplo inicial de correlación, cómo se aplican estas

fórmulas:
Altura del padre Altura del hijo

X Y X2 XY Y2
65 68 4225 4420 4624
63 66 3969 4158 4356
67 68 4489 4556 4624
64 65 4096 4160 4225
68 69 4624 4692 4761
62 66 3844 4092 4356
70 68 4900 4760 4624
66 65 4356 4290 4225
68 71 4624 4828 5041
67 67 4489 4489 4489
69 68 4761 4692 4624
71 70 5041 4970 4900
 X 800 Y 811 X 2
53,418  XY 54,107 Y 2
54,849
X 66.667
Y 67.583
 XY 54,107.00
X 2
53,418.00
b
 XY 1.012898
X 2
Ahora sustituimos en la ecuación:
Y  (Y  b X )  bX
Y  67.583  (1.012898)(66.667)  (1.01298) X
Y  0.05613  1.01298 X

HIAI 109

Esta ecuación puede expresarse de la siguiente manera: “Iniciando con una altura
base de 0.05613 pulgadas, cada incremento unitario (en la altura del padre) está
asociado con un incremento promedio de 1.01298 pulgadas del altura en los
hijos”.
Comparemos ahora los valores de Y observados con los valores estimados (Y’),
basados en la ecuación de regresión.
Altura del Altura del Y  0.05613  1.01298X

padre hijo
X Y Y' d=Y-Y' d2
65 68 65.895 2.105 4.430
63 66 63.869 2.131 4.540
67 68 67.921 0.079 0.006
64 65 64.882 0.118 0.014
68 69 68.934 0.066 0.004
62 66 62.856 3.144 9.882
70 68 70.960 -2.960 8.760
66 65 66.908 -1.908 3.641
68 71 68.934 2.066 4.269
67 67 67.921 -0.921 0.848
69 68 69.947 -1.947 3.790
71 70 71.973 -1.973 3.891
 X 800  Y 811  Y ' 811 
d 0 d 2 44
a= 0.056782
b= 1.012898
Verificamos que los datos ajustados en Y’, son los datos que se alinean a la
ecuación de la recta.
Podemos comprobar que estos datos están bien ajustados porque la sumatoria
de Y y la sumatoria de Y’ tienen exactamente el mismo resultado (811), además
la sumatoria de las diferencias (Y – Y’) dan una valor de “0”, con lo que queda
demostrado y comprobado que los datos están correctamente ajustados.
Esta información nos sirve para que podamos hacer proyecciones o inferencias a
partir de la ecuación, siempre que tengamos valores para la variable
independiente X.

HIAI 110

1.4. Calculo de la Regresión Lineal en el SPSS v17.- Una vez que hemos entendido
el concepto y la interpretación de la regresión lineal, nos es más fácil comprender
lo que hallará el SPSS.
Para hallar la regresión lineal en el SPSS v17, se realizan los siguientes pasos:
 Con los mismos datos del ejemplo anterior de las alturas de padres e hijos,
solamente nos queda ir al menú Analizar, luego a la opción Regresión y
luego hacer clic en la opción Lineales…
 En la ventana que aparece, se elige la variable dependiente (Y) y se traslada

del recuadro izquierdo al recuadro superior derecho a la casilla que
corresponde a la variable Dependientes:, luego se elige la variable
independiente (X) del recuadro izquierdo y se traslada al recuadro inferior
derecho a la casilla que corresponde a la variable Independientes: En seguida
hacemos clic en Aceptar.
 A continuación el SPSS nos muestra el visor de resultados en el cual

observamos los resultados de la regresión lineal.

HIAI 111
El SPSS v17 ha obtenido los resultados, y los valores de “a” y de “b” no son
los mismos que los hallados manualmente, sin embargo al momento de
comprobar encontramos que las aproximaciones y los totales de Y y Y’ son
iguales.
Veamos los valores de:
a = 35.825
b = 0.476
Con estos datos la ecuación quedaría así:
Y  35.825  0.476 X
Al momento de proyectar los valores de Y’, tenemos:

HIAI 112

Altura del Altura del
SPSS Y  35 . 825  0 . 476 X
padre hijo
X Y Y' d=Y-Y' d2
65 68 66.765 1.235 1.525
63 66 65.813 0.187 0.035
67 68 67.717 0.283 0.080
64 65 66.289 -1.289 1.662
68 69 68.193 0.807 0.651
62 66 65.337 0.663 0.440
70 68 69.145 -1.145 1.311
66 65 67.241 -2.241 5.022
68 71 68.193 2.807 7.879
67 67 67.717 -0.717 0.514
69 68 68.669 -0.669 0.448
71 70 69.621 0.379 0.144
 X 800  Y 811  Y ' 811  d 0 d 2
20
Como en el caso anterior comprobamos que los totales de la sumatoria de Y y

la sumatoria de Y’, son los mismos (811); además que la suma de Y – Y’,
también da “0”, con lo que queda demostrado que la proyección o estimación
hecha con los valores del SPSS es válido.

HIAI 113

TRABAJO PRÁCTICO
1. HALLAR E INTERPRETAR LA CORRELACIÓN ENTRE LAS SIGUIENTES

VARIABLES
a) Crear el siguiente archivo de datos:
 Nombre del archivo: Corre
Nombre Edad Peso Promedio

Juan 15 45 15
Ramiro 16 48 12
Ana 17 42 11
Martha 13 43 17
Felio 14 46 16
Yeni 15 52 12
Juliana 13 57 16
Mauro 14 46 16
Renato 16 49 12
Hernan 14 35 17
Gina 13 48 19
German 18 48 10
 A continuación ingrese los datos correctamente.

 Halle la correlación entre las variables Edad (variable X) y Promedio (variable
Y). Guarde el archivo de resultados como: Corre.spv
 Luego haga las interpretaciones respectivas en un archivo de Word y guarde
con el nombre de: Interpretación Corre
 Halle la correlación entre las variables Peso (variable X) y Promedio (variable
Y). y guarde los resultados en el mismo archivo de resultados del caso anterior;
asimismo haga las interpretaciones del caso en el mismo archivo de las
interpretaciones hechas anteriormente.
 Halle la correlación entre las variables Edad (variable X) y Peso (variable Y). y
guarde los resultados en el mismo archivo de resultados de los casos
anteriores; haga las interpretaciones y guárdelos en el mismo archivo de las
interpretaciones hechas anteriormente.

HIAI 114

2. HALLAR E INTERPRETAR LA REGRESION LINEAL.
 Con la misma información del caso 1, realice la regresión lineal tomando en
cuenta las variables Edad (X) y Promedio (Y). Repita el proceso con las
variables Peso (X) y Promedio (Y); vuelva calcular con las variables Edad (X) y
Peso(Y). Guarde el archivo de resultados con el nombre: Regresión
 Diseñe la fórmula lineal con los resultados del SPSS y realice las
interpretaciones respectivas; guarde las interpretaciones en el mismo archivo
de Word del primer trabajo.
ACTIVIDADES
1. TAREA:
 Procesar e interpretar estadísticamente los resultados de la investigación grupal, y
con ello realizar las conclusiones del caso para la presentación final del informe de
investigación.
En la plataforma virtual.
2. FORO:
 El participante opina en un FORO virtual sobre el siguiente tema:
¿Cómo se puede utilizar los resultados de la correlación y regresión lineal en
la investigación educativa?
3. CORREO:
 Enviar consultas al correo del docente, sobre cualquier duda en relación al tema.
E- mail: wcwalther@gmail.com

HIAI 115

Actividad 5

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Actividad 5

Uploaded by

Copyright:

Available Formats

INSTITUTO SUPERIOR DE EDUCACIÓN PÚBLICO “L A SALLE” URUBAMBA

Especialización en Informática para Docentes de EBR

RELACION ENTRE VARIABLES EN SPSS v17

 Analizar e interpretar los resultados de la relación

Ing. Walther Ccorahua Hancco

Especialización en Informática para Docentes de EBR

5. RELACION ENTRE VARIABLES EN SPSS v17

En la estadística, los términos correlación y regresión, parecen verse muy complicados

“A mayor altura, mayor será el golpe de la caída”.

Ahora veamos otras oraciones de uso muy general en la vida diaria:

“Quien mucho abarca, poco aprieta”.

 ¿Cuál es la relación del tiempo de estudio de un alumno con su rendimiento

Ing. Walther Ccorahua Hancco

Especialización en Informática para Docentes de EBR

Con estas ideas básicas sobre la correlación pasaremos a definirla propiamente.

1. Correlación Lineal.- Es la tendencia de dos variables a estar relacionadas en una

Cuando encontramos situaciones de correlación nos interesa conocer que tan

[ ( X  X )(Y  Y )]2 N  XY    X  Y 

Ing. Walther Ccorahua Hancco

Especialización en Informática para Docentes de EBR

En este ejemplo vamos a utilizar la última fórmula, es decir la siguiente:

Esto por razones de ser la más confiable. Entonces en el ejemplo analizaremos la

Altura del padre Altura del hijo

En la tabla ya se tienen calculados la sumatoria de X, de Y, de X2, de XY y de Y2;

Ing. Walther Ccorahua Hancco

Especialización en Informática para Docentes de EBR

De donde el valor final de “r” será:

Este valor se interpreta tomando en cuenta lo siguiente:

Cuando el valor de “r” es positivo, significa que la correlación existente entre

Cuando el valor de “r” es negativo, significa que la correlación existente entre

Entonces según el valor de r = 0.702652, encontramos que la correlación entre la

Ahora interpretaremos analizando según lo siguiente:

Cuando el valor de “r” se acerca a “1” ó “-1”, significa que la correlación

Cuando el valor de “r” se acerca a “0” ó “-0”, significa que la correlación

Si el valor de “r” esta cerca de “0.5” ó “-0.5”, significa que la correlación

Por lo visto, según el resultado de r = 702652, podemos indicar que la correlación

A pesar de haber realizado ya estas interpretaciones, no se puede precisar con

Ing. Walther Ccorahua Hancco

Especialización en Informática para Docentes de EBR

Ahora con el valor de 8 grados de libertad buscamos en la tabla:

Valores del coeficiente de Correlación r

Ing. Walther Ccorahua Hancco

Especialización en Informática para Docentes de EBR

Si el valor obtenido de “r” supera al valor tabular en el nivel del 5%,

Si el valor obtenido de “r” supera al valor tabular en el nivel del 1%,

Veamos cual es el nivel de significación de “r”:

EN CONCLUSIÓN: por el resultado hallado del coeficiente de correlación “r =

1.2. Cálculo de la Correlación Lineal en SPSS v17.- Utilizando el SPSS v17,

 Crear las variables X e Y, tomando en consideración que la variable X es

Ing. Walther Ccorahua Hancco

Especialización en Informática para Docentes de EBR

 En seguida nos dirigimos al menú Analizar, luego a la opción Correlaciones

 A continuación se nos muestra una ventana en la cual trasladamos del

Ing. Walther Ccorahua Hancco

Especialización en Informática para Docentes de EBR

 Luego se nos muestra el visor de resultados en el cual observaremos los

Ing. Walther Ccorahua Hancco

Especialización en Informática para Docentes de EBR

Sig. (bilateral) ,011

Sig. (bilateral) ,011

*. La correlación es significante al nivel 0,05 (bilateral).

Ing. Walther Ccorahua Hancco

Especialización en Informática para Docentes de EBR