Universidad Nacional

Jorge Basadre Grohmann

Facultad de Ciencias Jurídicas y
Empresariales
Escuela Profesional de
Administración

CURSO : TALLER DE TESIS (PROYECTO)

PROFESOR : Dr. Lucio Guanilo Gómez

AÑO DE ESTUDIOS : 5–B

TEMA : PRUEBAS ESTADISTICAS

INTEGRANTES

- Aracelly Meiling, Pilco Gutierrez 2016- 105009

- Maribel Milagros, Poma Llanqui 2015-105015

- Reyna, Pacoticona Quenta 2008 31842

TACNA – PERÚ
2020
 INTRODUCCION

En el siguiente trabajo trata sobre las Correlaciones: Tau-b-Kendall, Pearson, Spearm. Donde se dará a

conocer algunos conceptos, formulas y ejemplos aplicados al programa SPSS.

El coeficiente de correlación de Pearson se utiliza para estudiar la relación (o correlación) entre dos

variables aleatorias cuantitativas (escala mínima de intervalo); por ejemplo, la relación entre el peso y la

altura.

El coeficiente de correlación de Spearman (Rho) es una prueba no paramétrica que mide la asociación o

interdependiente entre dos variables discretas medidas, al menos de una ellas, en escala ordinal.

Este coeficiente de correlación es una medida no paramétrica de asociación para variables ordinales y

muestras pequeñas, el signo del coeficiente indica la dirección de la relación, los valores posibles van de

-1 a 1, de tal modo que los mayores valores absolutos indican relaciones más fuertes (Genest y

Nelešhová, 2009).
 COEFICIENTE DE CORRELACIÓN LINEAL DE PEARSON

El coeficiente de correlación de Pearson, pertenece a la estadística descriptiva o análisis

exploratorio de datos, aplicada al estudio de la relación de dos variables continuas, si la asociación

entre los elementos no es lineal, entonces el coeficiente no se encuentra representado

adecuadamente.

Características

• El coeficiente de correlación de Pearson puede tomar valores entre -1 y 1.

• La correlación de una variable con ella misma siempre es igual a 1.

• El valor 0 indica ausencia de variación lineal, pero NO si la variación es de tipo no lineal.

(Ver ejemplo en el apartado de relaciones no lineales).(3.1 Coeficiente de Pearson, 2020,

p. 3)

• La escala de medida debe ser una escala de intervalo o relación.

• Las variables deben estar distribuida de forma aproximada.

• La asociación debe ser lineal.

• No debe haber valores atípicos en los datos.

Uso de coeficiente de correlación de Pearson

• El coeficiente de correlación de Pearson se utiliza para estudiar la relación (o correlación)

entre dos variables aleatorias cuantitativas (escala mínima de intervalo); por ejemplo, la

relación entre el peso y la altura.

• Es una medida que nos da información acerca de la intensidad y la dirección de la relación.

En otras palabras, se trata de un índice que mide el grado de covariación entre distintas

variables relacionadas linealmente.

3
 • Debemos tener clara la diferencia entre relación, correlación o covariación entre dos

variables (= variación conjunta) y causalidad (también llamada pronóstico, predicción o

regresión), ya que son conceptos diferentes.(Mitjana, 2017)

Interpretación del coeficiente de correlación de Pearson

El coeficiente de correlación de Pearson comprende valores entre el -1 y el +1. Así, dependiendo

de su valor, tendrá un significado u otro.

Si el coeficiente de correlación de Pearson es igual a 1 o a -1, podemos considerar que la

correlación que existe entre las variables estudiadas es perfecta.

Si el coeficiente es mayor que 0, la correlación es positiva (“A más, más, y a menos menos). En

cambio, si es menor que 0 (negativo), la correlación es negativa (“A más, menos, y a menos, más).

Finalmente, si el coeficiente es igual a 0, sólo podemos afirmar que no hay relación lineal entre las

variables, pero puede haber algún otro tipo de relación.

Consideraciones

El coeficiente de correlación de Pearson aumenta si aumenta la variabilidad de X y/o Y (las

variables), y disminuye en el caso contrario. Por otro lado, para afirmar si un valor es alto o

bajo, debemos comparar nuestros datos con otras investigaciones con las mismas variables y en

circunstancias parecidas.

Para representar las relaciones de diferentes variables que combinan linealmente, podemos utilizar

la llamada matriz de varianzas-covarianzas o la matriz de correlaciones; en la diagonal de la

primera nos encontraremos con valores de la varianza, y en la de la segunda nos encontraremos

con unos (la correlación de una variable consigo misma es perfecta, =1).

4
Coeficiente elevado al cuadrado

Cuando elevamos al cuadrado el coeficiente de correlación de Pearson, su significado cambia, e

interpretamos su valor en relación a los pronósticos (indica causalidad de la relación). Es decir, en

este caso, puede tener cuatro interpretaciones o significados:

1. Varianza asociada

Indica la proporción de la varianza de Y (una variable) asociada a la variación de X (la otra

variable). Por lo tanto, sabremos que "1-coeficiente Pearson al cuadrado" = "proporción de

la varianza de Y que no está asociada a la variación de X".

2. Diferencias individuales

Si multiplicamos el coeficiente de correlación de Pearson x100, nos estará indicando el %

de las diferencias individuales en Y que están asociadas / dependen de / son explicadas por

las variaciones o diferencias individuales en X. Por lo tanto, "1-coeficiente Pearson al

cuadrado x 100" = % de las diferencias individuales en Y que no está asociado / depende

de / es explicado por las variaciones o diferencias individuales en X.

3. Índice de reducción del error

El coeficiente de correlación de Pearson elevado al cuadrado también puede interpretarse

como un índice de la reducción de error en los pronósticos; es decir, se trataría de la

proporción del error cuadrático medio eliminado usando Y’ (la recta de regresión,

elaborada a partir de los resultados) en vez de la media de Y como pronóstico. En este caso

también se multiplicaría el coeficiente x 100 (indica el %).

5
 Por lo tanto, "1-coeficiente Pearson al cuadrado" = error que se sigue cometiendo al usar

la recta de regresión en vez de la media (siempre multiplicado x 100 = indica el %).

4. Índice de aproximación de los puntos

Finalmente, la última interpretación del coeficiente de correlación de Pearson elevado al

cuadrado indicaría la aproximación de los puntos a la recta de regresión comentada.

Cuando mayor sea el valor del coeficiente (más cercano a 1), más se aproximarán los

puntos a Y’ (a la recta).

Tipos de representaciones gráficas

Estas representaciones gráficas se denominan diagramas de dispersión, que constituyen nubes de

puntos donde representamos los pares de valores de X e Y para cada uno de los sujetos y los

representamos en un eje de coordenadas.

a) Relación lineal positiva. Motivación y rendimiento

6
 b) Relación lineal negativa.

Tiempo en una tarea y numero de errores

c) Ausencia de relación lineal.

Estatura e Inteligencia

Para interpretar el coeficiente de correlación utilizamos la siguiente escala

7
 Tabla 1
Escala de correlación
Valor Significado
-1 Correlación negativa grande y perfecta
-0,9 a -0,99 Correlación negativa muy alta
-0,7 a -0,89 Correlación negativa alta
-0,4 a -0,69 Correlación negativa moderada
-0,2 a -0,39 Correlación negativa baja
-0,01 a -0,19 Correlación negativa muy baja
0 Correlación nula
0,01 a 0,19 Correlación positiva muy baja
0,2 a 0,39 Correlación positiva baja
0,4 a 0,69 Correlación positiva moderada
0,7 a 0,89 Correlación positiva alta
0,9 a 0,99 Correlación positiva muy alta
1 Correlación positiva grande y perfecta

Destaquemos que este tipo de relación, bien positiva o negativa en que los puntos forman una línea

perfecta son situaciones que no se dan nunca en relaciones reales entre variables psicológicas; sólo

podemos considerarlo como un modelo ideal.

a) Para datos no agrupados se calcula aplicando la siguiente ecuación:

Ejemplo ilustrativo:

Con los datos sobre las temperaturas en dos días diferentes en una ciudad, determinar el tipo de

correlación que existe entre ellas mediante el coeficiente de PEARSON.

8
 X 18 17 15 16 14 12 9 15 16 14 16 18 SX =180

Y 13 15 14 13 9 10 8 13 12 13 10 8 SY= 138

Solución:

Se calcula la media aritmética

Se llena la siguiente tabla:

9
 Se aplica la fórmula:

Existe una correlación moderada

b) Para datos agrupados, el coeficiente de Correlación de Pearson se calcula aplicando la

siguiente fórmula:

Donde

n = número de datos.

f = frecuencia de celda.

fx = frecuencia de la variable X.

fy = frecuencia de la variable Y.

dx = valores codificados o cambiados para los intervalos de la variable X, procurando que

al intervalo central le corresponda dx = 0, para que se hagan más fáciles los cálculos.

dy = valores codificados o cambiados para los intervalos de la variable X, procurando que

al intervalo central le corresponda dy = 0, para que se hagan más fáciles los cálculos.

Ejemplo ilustrativo:

Con los siguientes datos sobre los Coeficientes Intelectuales (X) y de las calificaciones en una

prueba de conocimiento (Y) de 50 estudiantes

N° de estudiante X Y N° de estudiante X Y

10
1 76 28 26 88 40
2 77 24 27 88 31
3 78 18 28 88 35
4 79 41 29 88 26
5 79 43 30 89 30
6 80 45 31 89 24
7 80 34 32 90 18
8 81 18 33 90 11
9 82 40 34 90 15
10 82 35 35 91 38
11 83 30 36 92 34
12 83 21 37 92 31
13 83 22 38 93 33
14 83 23 39 93 35
15 84 25 40 93 24
16 84 11 41 94 40
17 84 15 42 96 35
18 85 31 43 97 36
19 85 35 44 98 40
20 86 26 45 99 33
21 86 30 46 100 51
22 86 24 47 101 54
23 86 16 48 101 55
24 87 20 49 102 41
25 88 36 50 102 45

1) Elaborar una tabla de dos variables

2) Calcular el coeficiente de correlación

Solución:

1) En la tabla de frecuencias de dos variables, cada recuadro de esta tabla se llama

una celda y corresponde a un par de intervalos, y el número indicado en cada celda se

llama frecuencia de celda. Todos los totales indicados en la última fila y en la última

columna se llaman totales marginales o frecuencias marginales, y corresponden,

respectivamente, a las frecuencias de intervalo de las distribuciones de frecuencia

separadas de la variable X y Y.

11
Para elaborar la tabla se recomienda:

- Agrupar las variables X y Y en un igual número de intervalos.

- Los intervalos de la variable X se ubican en la parte superior de manera horizontal

(fila) y en orden ascendente.

- Los intervalos de la variable Y se ubican en la parte izquierda de manera vertical

(columna) y en orden descendente.

Para elaborar los intervalos se procede a realizar los cálculos respectivos:

En la variable X:

En la variable Y:

12
Nota: Para la variable X se tomará un ancho de intervalo igual a 5 y para la variable Y un

ancho de intervalo igual a 8 para obtener un número de intervalos igual a 6 para cada

variable.

Contando las frecuencias de celda para cada par de intervalos de las variables X y Y se

obtiene la siguiente tabla de frecuencias de dos variables:

Interpretación:

- El número 5 es la frecuencia de la celda correspondiente al par de intervalos 86-

90 en Coeficiente Intelectual y 19-26 en Calificación obtenida en la prueba de

conocimiento.

- El número 8 en la fila de fx es el total marginal o frecuencia marginal del intervalo

76-80 en Coeficiente Intelectual.

- El número 14 en la columna de fy es el total marginal o frecuencia marginal del

intervalo 35-42 en Calificación obtenida en la prueba de conocimiento.

13
 - El número 50 es total de frecuencias marginales y representa al número total de

estudiantes.

2) Realizando los cálculos respectivos se obtiene la siguiente tabla:

Nota:

Los números de las esquinas de cada celda en la anterior tabla representan

el producto f·dx·dy, así por ejemplo, para obtener el número el número -8 de los intervalos

76-80 en X y 43-50 en Y se obtiene multiplicando 2·(-2)·(2) = -8. Para obtener el número

6 de los intervalos 96-100 en X y 51-58 en Y se obtiene multiplicando 1·2·3 = 6.

Los números de la última columna (24, -2, 7, 0, 5 y 12) se obtienen sumando los números

de las esquinas en cada fila, así, por ejemplo, para obtener el número 24 se suma 6 + 18 =

24.

14
Los números de la última fila (0, 5, 0, 2, 12 y 27) se obtienen sumando los números de las

esquinas en cada columna, así, por ejemplo, para obtener el número 27 se suma 18 + 6 + 3

= 27.

Para obtener último número de la última fila se obtiene sumando los resultados de la última

fila (46=0+5+0+2+12+27), y tiene que ser igual al último número de la última columna

como comprobación que los cálculos de la tabla han sido correctos.

Observando los datos en la tabla anterior se reemplaza los valores en la ecuación del

Coeficiente de Correlación de Pearson para datos agrupados se obtiene:

Existe una correlación positiva moderada

15
 COEFICIENTE DE CORRELACIÓN DE SPEARMAN

Según Tomás-Sábado, (2009), “el coeficiente de correlación de Spearman (Rho) es una prueba

no paramétrica que mide la asociación o interdependiente entre dos variables discretas medidas, al

menos de una ellas, en escala ordinal”.

Según (Fernan, A. M., 1996 citado por Pedroza & Dicovskyi, (2007), el coeficiente de

correlación de Spearman, es una variante del coeficiente de correlación de Pearson (R), esta

variante consiste en que, en lugar de medir el grado de asociación lineal a partir de los propios

calores de las variables, se mide a partir de la asignación de rango de valores ordenados. En ese

sentido el coeficiente de correlación de Spearman, es una medida también adecuada en el caso de

las variables en escala ordinal (variables de Likert). Por lo demás, sus valores se interpretan

exactamente igual al del coeficiente de Pearson(R), con valores que oscilan entre -1 y +1. Los

valores próximos a 1 indican una correlación fuerte y positiva, mientras que los valores próximos

a -1 indica una correlación fuerte y negativa. Los valores próximos a 0 indican que no hay

correlación lineal.

¿Cuándo utilizar la correlación de Spearman?

Según Rial Boubeta & Varela Mallou,(2014), plantea una lista de las situaciones en las que su

uso es interesante

1. Cuando se trabaja con variables cuasi-cualitaivas.

2. Cuando trabaja con variables cuantitativas (intervalo o razón), pero que no siguen una

distribución normal.

3. Cuando se trabaja con muestras muy pequeñas (n > 30).

16
 4. Cuando no se asume necesariamente una relación lineal entre las variables estudiadas.

La fórmula habitual para el cálculo de rho es la siguiente:

6 ∑ 𝑑2 𝑖
𝑅ℎ𝑜 = 1 −
𝑛3 − 𝑛
Donde 𝑑 2 𝑖 es el cuadrado de la diferencia entre el rango ocupado por el sujeto i en las dos
variables objeto de análisis.

Tabla 2
Interpretación del coeficiente de correlación de Spearman
Valor de Rho Significado
-1 Correlación negativa grande y perfecta
-0.9 a -0.99 Correlación negativa muy alta
-0.7 a -0.89 Correlación negativa alta
-0.4 a -0.69 Correlación negativa moderada
-0.2 a -0.39 Correlación negativa muy baja
-0.01 a -0.19 Correlación negativa baja
0 Correlación nula
0.01 a 0.19 Correlación positiva muy baja
0.2 a 0.39 Correlación positiva baja
0.4 a 0.69 Correlación positiva moderada
0.7 a 0.89 Correlación positiva alta
0.9 a 0.99 Correlación positiva muy alta
1 Correlación positiva grande y perfecta

Nota: elaborado por: Martínez Rebollar, A., & Campos Francisco, W.. (2015). Correlación entre
Actividades de Interacción Social Registradas con Nuevas Tecnologías y el grado de Aislamiento Social en
los Adultos Mayores. Revista mexicana de ingeniería biomédica, 36(3), 181-
191. [Link]

17
¿Como realizar un análisis de correlación con el programa SPSS?

Según Bernal Morell, (2014) nos explica los pasos para realizar una correlación con el

programa SPSS.

✓ Primero: tenemos que definir en la hoja de recogida de daos las variables cuantitativas

continuas.

✓ Segundo, comprobar la normalidad de ambas variables.

✓ Tercero, ejecutar el análisis. Para ello hacer clic en analizar → en correlaciones→ en

bivariadas. En la ventana de correlación de variables introducir ambas variables en la

casilla de variables y señalar la pestaña de “Pearson” (si distribución normal) o “Spearman”

(si la distribución no es normal).

✓ Cuarto, en la hoja de resultados obtenemos una tabla de correlaciones (de Pearson o

Spearman) con el valor de la correlación y la significación estadística. Si la significación

es <0.05, se rechaza la H0 (H0= no hay correlación) y podemos decir que existe una

correlación entre ambas (positiva o negativa en función del signo)

18
 TAU-B DE KENDALL

Es una medida no paramétrica de asociación para variables ordinales o de rangos que tiene en

consideración los empates. El signo del coeficiente indica la dirección de la relación y su valor

absoluto indica la magnitud de la misma, de tal modo que los mayores valores absolutos indican

relaciones más fuertes. Los valores posibles van de -1 a 1, pero un valor de -1 o +1 sólo se puede

obtener a partir de tablas cuadradas.

Coeficiente de Correlación por Rangos de Kendall

Este coeficiente de correlación es una medida no paramétrica de asociación para variables

ordinales y muestras pequeñas, el signo del coeficiente indica la dirección de la relación, los

valores posibles van de -1 a 1, de tal modo que los mayores valores absolutos indican relaciones

más fuertes (Genest y Nelešhová, 2009). Como el índice de correlación de Spearman y el Tau-b

de Kendall son medidas libres de margen de dependencia, no hay perdida de generalidad,

asumiendo que los pares aleatorios bajo considera-ción tienen márgenes uniformes en la unidad

del intervalo.

Tau-a

La prueba estadística Tau indica la fuerza de asociación de las tabulaciones cruzadas. Ambas

variables tienen que ser ordinales. Tau-a no hará ningún ajuste ante empates.

La estadística Tau-b, a diferencia de Tau-a, hace ajustes ante empates. Los valores de Tau-b varían

de −1 (asociación negativa al 100% o inversión perfecta) a +1 (asociación positiva al 100% o

acuerdo perfecto). Un valor de cero indica la ausencia de asociación.

19
El coeficiente Kendall Tau-b se define como:

Cuando se estudia la relación entre variables cualitativas de tipo ordinal se debe utiliza el

coeficiente de correlación de rangos de Kendall (1938), denominado (tau) de Kendall, del cual

existen dos variantes tau-b y tau-c; además su aplicación tiene sentido si las variables objeto de

estudio no poseen una distribución poblacional conjunta normal; es decir, si se requiere determinar

el grado de asociación lineal entre dos variables cuantitativas pero las mismas no siguen un

comportamiento normal, será preferible estimar este indicador mediante el coeficiente de Kendall.

Como este indicador está basado en rangos y no en los datos originales, su estimación requiere que

los valores de la variable ordinal sean transformados en rangos, este coeficiente se ve poco afectado

ante la presencia de un número pequeño de valores atípicos (extremos) en la muestra estudiada,

adaptándose bien en aquellas variables que reportan moderadas asimetrías en torno a la relación

general.

20
Una característica notable del coeficiente de Kendall es que reporta valores más bajos con respecto

a los coeficientes de Spearman y Pearson, en aquellas situaciones donde se analiza las asociaciones

lineales con la misma intensidad (sin la presencia de valores atípicos); por ejemplo, se presentan

casos donde fuertes correlaciones son reportadas por Spearman y Pearson, digamos al menos 0,90,

mientras Kendall lo reportaría alrededor de 0,70. Este resultado no se puede traducir como si el

coeficiente de Kendall es menos preciso que los otros dos, sino que tau se determina a partir de

valores ranqueados, e inclusive reporta la misma tendencia en datos con distribución monótonas

no lineales, en comparación con Spearman. Según Siegel y Castellan (1998, pag. 285, 287), para

determinar el coeficiente de correlación de Kendall en una muestra de tamaño n pares de datos,

tomados de dos variables aleatorias digamos X e Y, el cual se denota por Txy, se utiliza la expresión

de la Tabla 1.

21
El coeficiente Txy de Kendall varía de -1 a +1. Como se puede notar se realizan un total de n(n-

1)/2 posibles comparaciones de n pares de datos, en consecuencia si todos los valores de Y se

incrementan junto con los valores de X, entonces S= n(n-1)/2 de tal manera que TXY = +1, por el

contrario si todos los valores Y decrecen con el incremento de los valores de X, entonces S= -n(n-

1)/2 y por lo tanto TXY = -1. También Siegel y Castellan (1998), recomiendan que, si se estudia la

correlación en muestras con tamaños n mayor de 10 datos, se puede efectuar una aproximación de

TXY a una distribución normal, para las pruebas de significación.

Existen estudios donde dos o más casos estudiados dentro de una muestra reciben la misma

puntuación en la misma variable, cuando esto sucede se dice que las puntuaciones están

“empatadas”, y por lo tanto a cada una de ellas se le debe asignar el promedio de los rangos que

se le hubiese sido asignado si no estuvieran “empatados”. Si ocurre que el número de valores

empatados no es grande, su efecto en el sesgo generado sobre el estadístico TXY no es tan

importante: En la ecuación (2) se muestra su forma de cálculo (ver Tabla 4). Una de las ventajas

de este coeficiente es que puede ser generalizado a un coeficiente de correlación parcial, también

es apropiado para la evaluación de acuerdos entre múltiples jueces en pruebas de captación o

juicios de expertos. La discusión detallada de este indicador será tema de otro trabajo.

Cálculo del coeficiente de correlación de Tau-b de Kendall

Para el cálculo del coeficiente de correlación de Taub-b de Kendall en SPSS seleccionamos la

opción Analizar, Correlaciones bivariadas, en el cual se eligen las variables que vamos a estudiar,

y seleccionamos la opción de coeficientes de correlación de Tau-b de Kendall.

22
 EJEMPLOS CON EL PROGRAMA SPSS

TIPOS DE COEFICIENTE DE CORRELACIÓN

a) Pearson (ᵣ): usado con datos cuantitativos.

b) Spearman rho (ρ): usado con datos ordinales.

c) Kendall’s tau (τ): usado con datos ordinales.

CÁLCULO DEL COEFICIENTE DE CORRELACIÓN DE PEARSON EN SPSS

1) Hacer clic
en analizar

2) Luego seleccionar 3) Seleccionar

correlaciones bivariadas

23
 Introducir las variables
cuantitativas continuas que se
quiere correlacionar

Señalar las pestañas de

correlación de Pearson

Tabla 1
Análisis de correlación de Pearson
Gasto Aproximado
Ciclo de estudio
en su educación
Gasto Aproximado en su Correlación de Pearson 1 ,026
educación Sig. (bilateral) ,611
N 400 400
Ciclo Estudio Correlación de Pearson ,026 1
Sig. (bilateral) ,611
N 400 400

Nota: según la tabla 1 podemos afirmar que las variables ciclo de estudio y gasto aproximado en

su educación existe una correlación muy baja debido a que la correlación de Pearson es 0.026, lo

que significa que a medida que el estudiante va pasando de ciclo no afecta en su economía, en

cuanto a sus gatos en su educación.

24
 CÁLCULO DEL COEFICIENTE DE CORRELACIÓN DE SPEARMAN EN SPSS

1) Hacer clic en
analizar

3) Seleccionar
2)Luego seleccionar
bivariadas
correlaciones

Introducir las variables

cuantitativas continuas que se
quiere correlacionar

Señalar las pestañas de

correlación de Spearman

25
Tabla 2
Análisis de Correlación de Spearman

[Link] (comprensión [Link]

[Link] lectora: comprender
(comprensión lectora: diferentes textos)
comprender diferentes Coeficiente de 1,000 ,139**
textos) correlación
Rho de
Spearman Sig. (bilateral) . ,005
N 400 400
[Link]
Coeficiente de ,139** 1,000
correlación
Sig. (bilateral) ,005 .
La correlación es significativa en el nivel 0,01 (bilateral). **

Nota: En la tabla se utiliza el análisis de correlación bivariada (Spearman) para determinar el

grado de asociación entre las diferentes variables no paramétricas del estudio. Con los resultados

que muestra podemos interpretar que la variable Lectura (comprensión lectora: comprender diferentes

textos) se relaciona con la variable Biblioteca, debido a que el coeficiente de correlación Spearman

muestra que hay una relación positiva de 0,139 entre percepción de Lectura y Biblioteca. Esto quiere

decir, que, a mayor interés en la lectura, mayor es la frecuencia del uso de la biblioteca en la

universidad.

26
CÁLCULO DEL COEFICIENTE DE CORRELACIÓN DE TAU-B DE KENDALL EN SPSS

1) Hacer clic en
analizar

3) Seleccionar
2)Luego seleccionar
bivariadas
correlaciones

Introducir las variables

cuantitativas continuas que se
quiere correlacionar

Señalar las pestañas de

correlación de Tau-b de Kendall

27
Tabla 3
Análisis de correlación de Spearman
[Link]ó [Link]
n periódica de ad de revistas
libros de especialidad
Tau-b de Kendall [Link]ón periódica Coeficiente de correlación 1,000 ,118**
de libros Sig. (bilateral) . ,004
N 400 400
[Link] de Coeficiente de correlación ,118** 1,000
revistas de especialidad Sig. (bilateral) ,004 .
N 400 400
**. La correlación es significativa en el nivel 0,01 (bilateral).

Nota: En la tabla se utiliza el análisis de correlación bivariada (Tau-b de Kendall) para determinar

el grado de asociación entre las diferentes variables no paramétricas del estudio. Con los resultados

que muestra podemos interpretar que existe una correlación entre las variables Actualización

periódica de libros y Disponibilidad de revistas de especialidad, debido a que el coeficiente

muestra que hay una relación positiva de 0,118. Esto quiere decir, que, la actualización periódica de los

libros permite la disponibilidad de revistas para cada especialidad.

28
 Referencias bibliograficas

Bernal Morell, E. (2014). Bioestadística Básica para Investigadores con SPSS (Primera Ed).
Bioestadistica Bernal Morell.
Pedroza, H., & Dicovskyi, L. (2007). Sistema de Analisis Estadistico con SPSS. IICA Biblioteca
Venezuela.
Rial Boubeta, A., & Varela Mallou, J. (2014). Estadística práctica para la investigación en
ciencias de la salud. Netbiblo, S. L.
Tomás-Sábado, J. (2009). Fundamentos de bioestadística y análisis de datos para enfermería
(Primera Ed). Servei de Publicacions.
Xu, W., Hou, Y., Hung, Y. S. & Zou Y. (2012). A comparative analysis of Spearman’s rho and Kendall’s tau
in normal and contaminated normal models.

ESCUELA SUPERIOR DE INFORMÁTICA Prácticas de Estadística CORRELACIONES CON SPSS

Ulrich, R., Wirtz (M.) (2004). On the correlation of a naturally and an artificially dichotomized
variable.

29