Y ha desaparecido el error y ya se agrava. A ver, ¿alguna pregunta más?
¿Alguna duda más? Bien. No, ese es un aviso para quien se conecta.
¿Fiabilidad no es lo mismo que la vida? No. La fiabilidad, bueno, lo
veremos muy rápido, lógicamente, pero la fiabilidad tiene que ver con el
error de medida. Un instrumento de medida, ¿es fiable o es tanto más
fiable cuanto menor sea el error que se comete con ese instrumento de
medida? Por ejemplo, vamos a referirnos al mundo físico. En el mundo
físico, por ejemplo, si yo mido y tengo un metro y esto mide realmente
metro y medio, y yo lo mido, mido metro y medio, no cometo ningún error.
Pero si mido un milímetro más, estoy cometiendo un error. Entonces, con
otro instrumento de medida. Entonces, el instrumento de medida más fiable
es aquel que menor error comete. Mientras que la validez, eso se refiere a
la fiabilidad, mientras que la validez hace referencia al contenido, a que
un instrumento de medida mide aquel... a aquello que dice que quiere medir.
O sea, si yo quiero medir longitud, no voy a emplear un cubo, un decímetro
cúbico, porque no me va a medir longitud. Pues por poner ejemplos claros.
O no voy a medir volumen de agua con un metro. O sea, un metro no es
válido, por decirlo así, no es válido para medir volumen. A eso es a lo
que se refiere la validez. Entonces, ¿yo puedo conseguir un instrumento...
un instrumento de medida y tengo que saber si realmente, si yo quiero medir
la capacidad numérica de una serie de personas, lo que tengo que saber es
si realmente con eso estoy midiendo su capacidad numérica y no otra cosa.
Imaginaos que yo quiero medir la capacidad numérica y pongo una serie de
preguntas que cada una tiene diez líneas. Diez líneas, o sea, el
enunciado son diez líneas. Pues yo podría sospechar que, aparte de la
capacidad numérica, si es que la mide, estaría midiendo comprensión,
porque habría que entender todo eso. Lógicamente, todo instrumento de
medida que nosotros utilizamos mide de alguna manera comprensión. O sea,
si uno no lo entiende, pues no puede responder. Pero lógicamente tampoco
se puede hacer de tal manera que supere, por ejemplo, la comprensión a
cualquier otra... A eso se le refiere la validez. ¿Está más o menos
claro? ¿Está más o continuamos? Vamos a ver, el otro día comenzamos a
ver lo que era la correlación. Lo que era la correlación. Entonces...
Primero hablamos de lo que es la relación. Hay un distinto tipo de
relaciones entre variables y vimos que hay distintas formas de
relacionarse. Y después vimos que, según el modelo, o según las
variables, hay unas variables cuya relación puede ser positiva o puede ser
negativa, o puede ser nula. Entonces nos faltaba ver si realmente, o sea,
cómo cuantificamos la relación lineal, y estábamos en ello. Una de las
primeras formas de cuantificar la relación lineal era hallar la media de
la suma cruzada de los cuadrados de las puntuaciones diferenciales. Dicho
así parece un disparate, pero no lo es. O sea, si yo tengo dos series de
de características, por ejemplo. Yo quiero relacionar el cociente
intelectual con el rendimiento académico. Entonces tendré una serie de
cada sujeto, tendré su cociente intelectual y su rendimiento académico.
Vamos a suponer que tenemos veinte sujetos, de los cuales tenemos de cada
uno de ellos esos dos datos. Entonces lo primero que tenemos que hacer es
hallar las puntuaciones diferenciales de cada una de las características
en cada uno de los sujetos. ¿Qué es una puntuación diferencial? Y ahora
pregunto. No me voy a responder yo, si no estoy preguntando. ¿Qué es una
puntuación diferencial? Se os ha olvidado. La distancia que hay desde una
puntuación a la media. Eso es la puntuación diferencial. Entonces cuando
nosotros tenemos una puntuación positiva quiere decir que la puntuación
está por encima de la media. Y cuando es una puntuación positiva, quiere
decir que una puntuación negativa quiere decir que está por debajo de la
media. Y cuando la puntuación diferencial es cero, es igual a la media.
Entonces lo primero que tendríamos que hacer en las dos características
cuya correlación nosotros queremos hallar es hallar las puntuaciones
diferenciales. Luego las multiplicamos, las sumamos, dividimos por el
número y eso sería en principio la cuantificación de la relación. O
sea, sería la correlación. Que sería esta ecuación que hay aquí. La
suma, o sea lo que me está diciendo es que haga los productos de las
puntuaciones diferenciales los sume todos y los divida por el número de
parejas que tenga. Luego esto lo voy a hacer muy rápido porque tampoco os
interesa sino para que veáis que desde aquí, que es la definición,
nosotros vamos a llegar a partir de transformaciones matemáticas a otra
ecuación que sería esta. Y esa es, perdón, o sea, esta que tenemos
aquí, que es de la que hemos partido y esta que tenemos aquí son la
misma. Lo único que ha habido no ser transformaciones matemáticas que
bueno, que nos la vamos a saltar si a alguien le interesa lo mira y las
hace. Bien, eso se trata de la covarianza. Entonces, vamos a ver algún
ejemplo. Vamos a seguir exactamente con los mismos ejemplos que tenéis. De
los que hablamos el otro día. Si nosotros tenemos una relación entre
cociente intelectual y rendimiento, ¿qué signo tenía? ¿Os acordáis?
Nosotros hacíamos los productos, sumábamos, teníamos un signo positivo.
Eso quiere decir que había una relación positiva. Bien, nosotros podemos
hallar la covarianza tal como la hemos visto anteriormente. Entonces,
tenemos la media de el cociente intelectual. No, perdón. La suma del
producto del cociente intelectual por el rendimiento que estaría en esta
columna. O sea, multiplicamos cada cociente intelectual por su rendimiento.
Lo sumamos y nos da esta suma que sería justo la que aparece aquí. 12688.
Lo dividimos entre 20, que es el número de observaciones que tenemos. Le
restamos la media de X, que sería 96,50, que está aquí, por la media de
Y que es 6,75 y nos da 33,025. Bien. Eso en cuanto a este ejemplo. Si
nosotros vemos el tiempo y errores, ¿os recordáis qué signo tenía?
Tenía, digo, signo negativo. Conforme aumentaba el tiempo, disminuían los
errores. Conforme disminuía el tiempo, aumentaban los errores. Y hallamos
la covarianza, entonces tendremos una covarianza negativa. Estamos haciendo
exactamente lo mismo que antes. Y si hallamos la relación entre peso y
rendimiento, decíamos que sería una relación nula. El peso corporal con
el rendimiento académico poco tendrá que ver. Entonces hallamos también
la covarianza y nos da un valor próximo a cero, como es lógico. Bien.
Entonces aquí ya tenemos un primer cálculo de la cuantía de la
relación. O sea, a nosotros nos interesa saber qué tipo de relación hay,
si es directa, si es negativa, si es inversa o si es nula. Y además nos
interesa saber la cuantía. Si es directa, sabemos que es positiva. Que el
valor que hallemos de la correlación será positivo. Si es inversa, será
negativa. Y si es nula, será próxima a cero. Puede ser positiva o
negativa, pero próxima a cero. Y entonces aquí tenemos unas cuantías.
Pero ahora nos podemos preguntar. Treinta y tres con cero veinticinco menos
trece treinta y ocho y cero coma seis Cero coma seis ya vemos que es una
relación bastante cercana a cero. Pero podemos comparar las otras. Nos
podemos hacer una pregunta. Podemos comparar nosotros estas cuantías. Si
resulta que son muy distintas las escalas en las que están medidas cada
una de las variables, pues la respuesta es no. Y vamos a ver un ejemplo por
qué no. Vamos a verlo rápidamente. Porque no hay un valor máximo común
a todas las variables. No están medidas en la misma escala. Entonces,
lógicamente los valores que nos den serán muy distintos en función de
las escalas que estemos utilizando. Entonces, vamos a poner un ejemplo para
que veáis esto rápidamente. Vamos a hallar la covarianza de la altura
medida en metros y kilos. Bueno. La covarianza de la altura medida en
metros y del peso medido en kilos o medido en pies y libras. Los mismos, el
mismo ejemplo. Entonces aquí tenemos una tabla. Aquí tenemos cinco
valores de la estatura en metros. Esta misma estatura traducida a pies
sería esta. El peso en kilogramos sería esta columna que aparece aquí. Y
traducido estos mismos pesos a libras sería esta columna que aparece
aquí. Si nosotros hallamos la covarianza y decimos, bueno, pues esta es la
relación que hay entre las variables, nos vamos a encontrar con lo
siguiente. Si hallamos la covarianza entre las dos variables medidas en
metros y kilogramos, nos da un resultado de 0.8116. Si hallamos la
covarianza cuando medimos las mismas variables, los mismos valores de las
variables en pies y libras, nos da 5.849. Entonces vemos que poco tienen
que ver uno con otro. Y estamos hallando la covarianza entre los mismos
valores. Pero la diferencia entre ellos es que están medidas en distintas
escalas. Por eso no están en distintos valores. Por lo tanto, vemos
claramente que no se pueden comparar los valores que encontramos si están
las variables medidas en distintas escalas. Entonces, ¿cuál es la
solución? Hay que buscar una solución a esto. Y la solución es usar
puntuaciones que tengan la misma varianza. Entonces, ¿cuáles son las
puntuaciones que tienen la misma varianza? ¿Cuáles son las puntuaciones
que tienen la misma desviación típica? Lo hemos visto. Son las
puntuaciones típicas. Las puntuaciones típicas de cualquier variable
tienen una medida de 0 y una desviación típica 1. Cualquiera que sea la
variable que nosotros estemos midiendo. Si nosotros transformamos todos los
valores de una variable en puntuaciones típicas, estamos transformando
todos los valores en la misma escala. Entonces esa sería la solución.
Bien, entonces sería la ecuación anterior, que era la suma de los
productos de las puntuaciones diferenciales, se transformaría en la suma
de los productos de las puntuaciones típicas. Entonces, aquí lo mismo que
antes, hay una serie de transformaciones matemáticas que me las voy a
saltar el que quiera que se las mide. Y llegaremos... No sé por qué he
estado repitiendo la misma. Todo esto son transformaciones. Y al final
llegamos a algo que os aparecerá por ahí en algún sitio. La correlación
de Pearson. La ecuación de la correlación de Pearson es esta. O sea, esto
es exactamente igual que multiplicar entre sí las puntuaciones típicas y
hallar la media de cada valor. Entonces aquí ya no utilizamos las
puntuaciones típicas, sino que utilizamos las puntuaciones directas.
Entonces esta, si justo la tenéis, la tengo delante. En la página 153.
Bien, entonces vamos a hacer un ejemplo. Vamos a hallar la correlación que
existe entre cociente intelectual y rendimiento. Bien, si aplicamos la
ecuación será igual a n. N es el número de parejas que tenemos, de
parejas de valores. O sea, hay 20 sujetos a los que les hemos medido el
cociente intelectual y el rendimiento. Por la suma del producto de ambos
valores. O sea, multiplico cociente intelectual por rendimiento. Aparece en
esta columna y aquí aparecerá el valor de la suma. Sería la suma 13680.
Menos la suma de los valores de... La primera variable. O sea, la suma de
los valores del cociente intelectual. 1930. Aparece aquí. Por la suma de
los valores de la segunda variable. La suma de los valores del rendimiento.
Que sería 136. 135. Que aparece aquí. Dividido entre n. N es el número
de parejas de valores que tenemos, que son 20. Multiplicado por la suma de
los valores de la primera variable elevados al cuadrado. Lo cual lo que
hacemos es elevar al cuadrado. Y luego realizar la suma. Y nos da 190734.
Menos la suma de los valores. Otra vez, la suma de los valores del cociente
intelectual. 1930 elevados al cuadrado. Multiplicado por la raíz cuadrada.
De el número de valores que tenemos. Número de parejas, que serían 20.
Por la suma de la segunda variable. Los valores de la segunda variable
elevados al cuadrado. O sea, los valores del rendimiento. Elevados al
cuadrado, que serían 1023. Sería la suma. Menos la suma de los valores de
la segunda variable. 135. Elevado al cuadrado. Y nos da una correlación de
0.93. Después de hacer todo eso. Bien. No sé si os lo pedían o no. Pero
tened en cuenta que en el examen, aunque sea toda una prueba objetiva. Hay
preguntas en las cuales hay que hacer operaciones. Y hay que aplicar
ecuaciones. O sea, no es cuestión de contestar y decir, bueno, a ver si
acierto. Porque, bueno, ya haremos algunos de los problemas que han salido.
Y veréis como hay que hacer ecuaciones. Hay que hacer operaciones.
Entonces, si os preguntan. ¿La correlación entre estas dos variables es
tal? No tendréis más remedio que hacerlo. Además, una de las cosas que
piden en los exámenes. Es que se entreguen los cálculos que se han hecho.
Bien. 0.93. Lógicamente vemos que ha aparecido una correlación positiva.
¿Por qué? Porque entre esas dos variables hay una relación directa. Y
una correlación elevada. ¿Por qué? Porque la correlación de Pearson.
Estamos hablando todo el rato de la correlación de Pearson. De la
coincidente de correlación de Pearson, no de otra. La coincidente de
correlación de Pearson. Tiene unos valores que se sitúan entre menos uno
y más uno. Nunca puede ser menor de menos uno. Ni mayor de más uno. Bien.
El siguiente ejemplo. Ejemplo dos. Tiempo y errores. Entonces, hacemos lo
mismo. Y nos da una correlación de menos 0.95. Nos da también una
correlación elevada. O sea, que sea negativa no quiere decir que sea menor
que la anterior. Es una correlación elevada pero negativa. ¿Qué quiere
decir cuando es negativa? Pregunto. Tanto más tiempo, menos errores. Eso
es una relación inversa. O sea, nos está diciendo que hay una relación
inversa. O sea, el signo no quiere decir que el valor sea menor que el
otro. En el caso anterior teníamos 0.93 y en este caso tenemos 0.95.
Prácticamente son iguales, casi iguales. O sea, la cuantía de la
correlación. Lo único que en este caso nos está diciendo que hay una
relación. Inversa. Y en el caso anterior una relación directa. En el otro
ejemplo. La relación entre peso y rendimiento. Lógicamente nos tiene que
aparecer una correlación cuyo valor sea muy cercano a 0. Es 0,0. Bien.
Entonces. Para que podamos realizar el cálculo se deben cumplir una serie
de condiciones. Debe ajustarse a la distribución normal. Bien. Eso es lo
más importante. Entonces, cuando la muestra es grande tiene poco efecto el
que no se distribuyan de acuerdo con la distribución normal. Tiene que
haber una relación lineal no curvilínea. Aquí tenemos, por ejemplo, una
relación entre rendimiento y ansiedad. Si nosotros hallamos la
correlación de Pearson. Nos da una relación de menos 0,10. O sea,
haciendo las mismas operaciones. O sea, aquí tenemos 75 sujetos. Nos da
menos 0,10. ¿Qué diríamos respecto a esas dos variables? Una relación
inversa. Casi nula. O sea, puede ser si las dos cosas son reales pero es
casi nula. Eso quiere decir que no hay relación entre esas variables. Lo
único que nos dice es que no existe una relación lineal. Porque puede
existir esa relación, que es esta relación. Una relación curvilínea. O
sea, relación existe. Pero no existe relación lineal. Por eso, suele ser
muy importante antes de lanzarse a calcular una correlación. Hacer un
gráfico para ver cómo están distribuidos los datos. Y si merece la pena
hacer algún tipo de cálculo. En este caso haría falta hacer otro tipo de
correlación que no lo hagáis. Pero bueno. Bien. Entonces, ¿cómo se
interpreta la correlación? Primero, el sentido de la correlación. Ya lo
hemos dicho varias veces. Si es positiva, nos indica una relación directa.
Si es negativa, nos indica una relación inversa. El tamaño de la
correlación. O sea, tenemos que tener en cuenta todos estos aspectos a la
hora de interpretar una correlación. Esto sí que se los puede preguntar
en un examen. Si entre dos variables hay una relación de 0, 78. ¿Qué
quiere decir? Entonces, con nuestras opciones hay que contestar a una. El
tamaño de la correlación perfecta o determinista. Si es más 1 o menos 1.
Nula. Cuando la correlación es 0 o muy cercana a 0. No hace falta que sea
exactamente 0. Si me sale menos 0, 0, 5 o 0, 10. Pues es una relación
nula. La correlación nunca se puede interpretar como causalidad. Por
ejemplo, si yo establezco la correlación o hallo la correlación entre
cociente intelectual y rendimiento. No puede decir que el cociente
intelectual es causa del rendimiento. Si no, lo único que me dice la
correlación es que existe una covariación entre las dos variables. Que
las dos variables covarían de una manera determinada. En el sentido de que
si hay una relación positiva covarían. De manera que al aumentar una
aumenta la otra. Al disminuir una disminuye la otra. Y a valores
intermedios de una le corresponden valores intermedios de otra. Si tenemos
una relación inversa covarían. De manera que al aumentar una disminuye la
otra. Al disminuir la primera aumenta la otra y así sucesivamente. O sea,
no se puede interpretar nunca como causalidad. Es uno de esos errores que
se suelen cometer. Entonces, una correlación elevada puede indicar que la
variable X es la causa de la variable Y. La variable Y es la causa de la
variable X. O X e Y son causadas por otras variables. No hablamos de
causalidad nunca. Nunca podéis hablar de causalidad a la hora de
interpretarla. Bien, entonces si nosotros elevamos el coeficiente de
correlación al cuadrado. Nosotros obtenemos lo que se llama el coeficiente
de determinación. Y eso nos indica la cantidad de varianza de una variable
que es explicada por la otra. Entonces, si yo tengo la variable X
representada por esa elipse. Entonces, en esa elipse estaría el 100% del
valor de esa variable. Si yo tengo la variable Y representada por la otra
elipse que se ha superpuesto a la anterior. Entonces, halló la
correlación. Entonces, el 86% de la variación es común a las dos. O sea
que es esta parte que es común a ambas variables. Bien, eso es lo que nos
indica el coeficiente de correlación. Si yo obtengo entre X e Y el
coeficiente de correlación 0.93 lo elevo al cuadrado me da 0.86. Es el
coeficiente de determinación, por eso hay una D aquí. Lo multiplico por
100, entonces el 86% de la varianza es común a ambas variables. Y el 14%
es individual de cada una de las variables. Bien, entonces factores de los
que depende una correlación. Una correlación depende de la variabilidad
del grupo. Cuanto mayor variabilidad, la correlación es mayor. Vamos a
verlo. Si yo tengo esta distribución de valores. Tengo 30 sujetos y las
calificaciones que han obtenido en matemáticas y en lengua. Bien, si hallo
la correlación me da una correlación de 0.87. O sea, sería una
correlación que podemos decir que es elevada. Se acerca bastante a 1. Esta
sería la representación de esta distribución. El rendimiento en lengua y
el rendimiento en matemáticas. O sea, todos estos puntos están
representados aquí. Hay una relación directa, se ve claramente. Que es lo
que nos ha dado aquí como resultado. Bien, entonces si yo hago una cosa.
Divido el grupo en dos partes. De manera que. Aquí. Hago dos grupos. A
partir del aprobado. Y por debajo del aprobado. Y yo hallo la correlación.
Lo que va a suceder es que voy a obtener dos correlaciones más pequeñas
que la anterior. Ya tenemos el grupo 1 y el grupo 2. Entonces, la
correlación de este grupo es 0.04. Mientras que la correlación de ese
grupo es 0.75. ¿En qué se diferencia? Si lo observamos aquí
intuitivamente. Vemos que aquí hay mucha menos variación que aquí. Y en
cualquiera de los dos hay mucha menos variación que en todo el conjunto.
Bien. Vamos a coger los sujetos 1, 2 y 3. 28, 29 y 30. Que tienen estas
calificaciones en matemáticas sin lengua. Vamos allá a la correlación a
ver qué sucede. Me da una correlación de 0.98. Una correlación muy
elevada. ¿Por qué? Porque hay una gran variabilidad. Fijaos que hay entre
2 y 10. Y aquí entre 1 y 8. O 9, perdón. Entre 1 y 9. Hay una gran
variabilidad. Hay pocos sujetos pero me da... Esto no nos serviría para
nada. Esto es nada más para que lo veáis. Si yo cojo otra serie de
sujetos en 1, 2, 3 y 4. Y tienen estas calificaciones en matemáticas sin
lengua. Y hallo la correlación. Me da una correlación nula. ¿Por qué?
Porque no hay variabilidad. No hay ninguna variabilidad. Si yo cojo el 1,
2, 3, 4 y el 30. Entonces hallo la correlación. Y me da 0.96. ¿Por qué?
¿Qué diferencia hay entre este y este? Que hay una mayor variabilidad.
Bien. Eso es uno de los factores que influyen en la correlación. Otro de
los factores es que haya la influencia de una tercera variable. Eso sí que
hay que tenerlo en cuenta. Sobre todo cuando uno está investigando en la
realidad. Muchas veces hallo la correlación y te quedas tan tranquilo con
esa correlación. Y resulta que hay una tercera variable que está
influyendo. Vamos a verlo. Bien. Si, por ejemplo, yo establezco la
relación entre estatura de la persona en centímetros. Y habilidad para
realizar operaciones matemáticas. Va y resulta que me aparece una
correlación con estos datos de 0.91. Una correlación elevada. ¿Eso qué
quiere decir? Que los más altos resuelven mejor las operaciones
matemáticas. Que los más bajos. Aparentemente sí. O sea, si uno se queda
con eso. Y dice, bueno, pues será. Si hace esa afirmación no le darán el
premio Nobel. Pero si lo demuestra, sí. Entonces yo voy a dividir en
grupos. Por cursos. El primero, segundo, tercero, cuarto y quinto. Esto es
exactamente el mismo gráfico que veíamos antes en conjunto. Pero ahora de
cada curso. Y vemos que la correlación ha disminuido notablemente. Incluso
aquí hay uno cuya correlación es 0. Bien. Entonces ahí había una
tercera variable. Que claro, lógicamente si yo tengo los alumnos de
primero a quinto. De primero a quinto van creciendo. Nosotros no vamos
creciendo mucho. En todo caso algunos menguaremos. Pero van creciendo.
Entonces hay una relación. Sí, pero ¿por qué? Porque hay una tercera
variable que era el curso en el que estaba. Que si no la tenemos en cuenta
nosotros decimos que es la estatura. Y nos resulta que no es la estatura.
Lo que está influyendo. Si yo establezco la relación entre rendimiento
escolar y capacidad intelectual. Con estos datos que hay aquí. Me aparece
este gráfico. Si yo hallo la correlación aquí me saldrá una
correlación bajísima. Lógicamente. Menos 0.45. O sea que es inversa. Es
una correlación tan baja, media. Pero claro, si yo veo el gráfico algo me
está diciendo. Porque no me puedo conformar con eso. Si yo distribuyo. Veo
cuáles son los de motivación alta. Resulta que son estos de aquí. Los de
motivación media son estos de aquí. Y los de motivación baja son estos
de aquí. Resulta que los de motivación alta tienen una correlación.
Entre rendimiento escolar y capacidad intelectual de 0.73. Los grupos de
motivación media 0.85. Y el de motivación baja 0.78. Entonces lo que me
estaba influyendo en esta correlación. Que encima me sale una relación
inversa. Es una tercera variable que era la motivación. Si yo me hubiera
quedado con este resultado. Resulta que no sería correcto. El resultado
que yo había obtenido. Bien. Eso en cuanto a la correlación. Luego
tenéis el coeficiente de correlación de rangos. Lo tenéis todo por ahí.
Vamos a ir rápido si acabamos la correlación del todo. Que se utiliza. El
coeficiente de correlación de Pearson. Se utiliza cuando tenemos.
Variables, medidas. En escala continua. Escala continua. Y además se
tienen que ajustar a la distribución normal. Bien. Cuando tenemos medidas
de escala ordinal. Utilizamos el coeficiente de correlación por rangos de
espirma. Que cuya ecuación es esta de aquí. Me imagino que la tenéis
ahí. . Cuando tenemos. Cuando tenemos medidas en escala continua.
Cuantitativa continua. Cuando tenemos medidas en escala ordinal. No podemos
utilizar la correlación de Pearson. Sino que utilizamos la correlación.
La correlación de espirma. Que la tenéis por ahí en algún sitio. En la
página 137. Bien. Si nos da tiempo haremos una de cada. Pero bueno. Aquí
hay un ejemplo. Para hallar el coeficiente de correlación de espirma. Por
ejemplo. Hemos medido el interés de los alumnos para una asignatura. Y la
satisfacción. ¿Qué tipo de medida sería? ¿En qué tipo de escalas
estarían medidas? Estarían medidas en escala ordinal. Tiene. Tenemos unos
números. Pero tienen más interés o menos interés. Yo no sé si hay
entre cada dos números consecutivos. El mismo interés. Entre 47 y 48. Que
entre 30 y 31. No lo sé. Solo sé que hay más o menos. Entonces. Lo que
hago para hallar el coeficiente de correlación por rangos de espirma.
Puesto que tengo estas dos medidas en escala ordinal. Lo que hallo es el
rango de cada uno de ellos. ¿Qué es el rango? El rango es el orden.
Siempre que veis rango en algún sitio por ahí. Es orden. Entonces.
Ordeno. El interés. Entonces. La mayor puntuación es el 49. Tiene el
rango 1. La siguiente es 47. Aquí están todas ordenadas. Tenemos la
suerte. Tiene rango 2. La siguiente es 45. Pero tengo dos. Entonces. ¿A
quién le doy el 3 y a quién le doy el 4? Entonces. Para evitar. Eso lo
que se hace es hallar la media de los dos rangos. O sea. Serían 3 más 4
es 7. Y a los dos le doy esa media. Tres y media. El siguiente sería 42.
Que tendría el rango 5. Tenemos 1, 2, 3, 4. El 5. 38. Se tendría el rango
6. 35. El 7. Aquí tenemos dos 30s. Luego habrá una media entre el 8 y el
9 que es 8 y media. El 10. El 11. El 12. Hacemos lo mismo con la
satisfacción. O sea. Aquí no está ordenado. La mayor puntuación es 40.
Sería el 1. La siguiente puntuación sería 35. Sería el rango 2. La
siguiente puntuación sería 32. Que sería el rango 3. La siguiente sería
el 30 y el 30. Que tendrían rango 4 y media. ¿No? Bien. Entonces. Una vez
que hemos establecido los rangos. Lo que hacemos es establecer la
diferencia entre los rangos. Resto. Uno menos uno. Cero. Tres menos dos.
Uno. Me da lo mismo poner los positivos que negativos. Porque luego los voy
a elevar al cuadrado. Entonces me van a dar positivo. Cuatro y medio menos
tres y medio. Uno. Tres y medio menos dos. Uno y medio. Cinco menos cuatro
y medio. Cero con cinco. Así es. Los elevo al cuadrado. Y tengo la suma de
esas diferencias al cuadrado. Entonces. A ver. Aplicamos la ecuación. Que
sería uno menos seis. Ese número es así. Por diez. Partido por n al
cubo. Que es doce. Observaciones que tenemos al cubo. Menos doce. Y me da
una correlación de Spearman de cero noventa y siete. ¿No? Bien. Luego
estaría el coeficiente contingencia. Que bueno. Vamos a decir lo que es.
Pero no os van a pedir ni el cálculo. Ni la interpretación. No puede
faltar. ¿Eh? No puede faltar. Yo cuando tengo que hallar correlaciones.
Tienen que tener el mismo número de valores. Ambos. Ambas variables. Si
falta alguno. Lo que hay que hacer es eliminar ese registro. No puedo
utilizarlo para el cálculo. O sea. Si yo tengo que correlacionar. Tienen
que tener el mismo número de valores. Si yo. Hay un sujeto. Al cual no
tiene la medida en cociente de inteligencia. Y si hay un rendimiento. Ese
sujeto lo tengo que eliminar. No me sirve. Siempre tiene que haber el mismo
número de sujetos en uno que en otro. Y además no los puedo cambiar de
orden. Ya habéis visto que ahí aún. Lo que no puedo hacer es ordenarlo.
Por ejemplo. En el coeficiente de correlación de Spearman. Yo lo que no
puedo es. Ordenar este. Y luego ordenar este. Porque entonces. El sujeto 1.
Al sujeto 1. Bueno. En este caso le correspondería esta. Pero al sujeto 2.
En vez de 32. Le correspondería 35. Le habría cambiado los valores. O
sea. Cada sujeto tiene que quedar con sus valores. No puedo reordenar nada.
Puedo ordenar 1. Una de las variables. Da igual. Que siempre tenga que
salir del mismo valor. ¿Cómo? Ordenes las coordenes. Sí. Ahora tiene
siempre el mismo valor. Da igual. Da igual porque siempre son parejas de
valores. Y las parejas no las puedo cambiar. Porque yo el sujeto 1. Tiene
una medida de 49 y 40. Y no. Bueno. El sujeto 2. Tiene 47 y 32. Si ahora.
Independientemente. De la variable interés. Yo ordenase la variable
satisfacción. Resulta que al sujeto 2 le correspondería 35. Le habría
cambiado el valor. Eso es lo que no puede hacer. Con eso hay que tener
cuidado. Eh. El de Sperman también es entre menos 1 y 1. Sí. Normalmente
va de 0 a 1. Pero si puede haber alguno negativo. Bien. Luego el
coeficiente de contingencia. Que no os van a pedir. Ni el cálculo ni la
interpretación. Se utiliza para variables en escala nominal. Hay
preguntas. De cosas de estas que os dicen. No pedimos el cálculo ni la
interpretación. Pero en la teoría os lo preguntan. Eh. Son. El
coeficiente de contingencia se utiliza. Para variables en escala nominal.
El coeficiente de correlación visceral puntual. Y sobre esto. Si ha salido
alguna pregunta. Sirve para hallar la correlación. Entre una variable
dicotómica. Con una variable continua. El coeficiente phi. Sirve para
variables dicotómicas. El coeficiente de correlación tetracórico. Sirve
para variables dicotomizadas. Esto es lo que si os tenéis que aprender.
Para qué sirve cada variable. Cada tipo de correlación. Aunque no os
vayan a exigir. El cálculo en algunas de ellas. Si que tenéis que saber.
Para qué se utiliza. Y cuando os preguntan si. Ya lo veremos en algún
examen que ha salido. Si ahora resulta que. Dividimos la variable en
función de la mediana. Qué tipo de. Qué correlación utilizarías.
Entonces claro. Uno tiene que saber. Para qué sirve cada correlación. El
coeficiente de correlación biserial. Sirve para. Variables dicotomizadas
con continuas. No sé si sabéis lo que es una variable dicotómica. O una
variable dicotomizada. Ahora me doy cuenta. Sí o no. Qué es una variable
dicotómica. Solo tienes valores. Qué es una variable dicotomizada. Que es
una variable continua. Pero que. Que. Funciona como si tuviéramos dos
valores. Por ejemplo. Aprobado y suspenso. Hay valores de 1 a 10. Pero solo
utilizo dos valores. Uno y dos. Aprobado y suspenso. Bien. Y variables
dicotomizadas con continuas. Bien. Ahora estaría. La regresión. Quería
haber terminado esto. Pues la regresión. Nos lo vamos a saltar. Porque
solo os piden leerosla. Entonces eso me lo salto. Y nos olvidamos. Lo
tenéis ahí. Si os lo bajáis ahí. Os aparecerá. Porque ahora todo lo
que sigue. Creo. Es de la regresión. Entonces el próximo día veremos.
Eh. Bueno las aplicaciones. Pero esas las iré enunciando. Sin más. Para
que se utiliza la correlación. Y. Nos meteremos. Que es algo muy
importante. Bueno la curva normal. Ya la hemos visto. Ahí nos vamos a
saltar todo eso. La estimación de parámetros. Que eso es. Algo muy
importante. Para luego. Poder resolver problemas. Y poder llegar a una. Eh.
La evaluación continua. Las pruebas de evaluación continua. Hay dos. Pero
no se. Las pruebas de evaluación a distancia. Te refieres. Todavía no se
ha puesto ninguna. Mientras no las pongas. No tienes que hacer nada. Los
grupos se harán. A principios de diciembre. Entonces bueno ya avisaré. y
a quienes tengáis un grupo yo eso lo admito tal cual a los que no tengan
grupo pues lo formaré yo cuando ya pongan el trabajo, porque mientras
tanto no merece la pena hacer nada bueno, la próxima la próxima que es
dentro de tres semanas, de dos semanas para entonces estar a puesto de
respuesta para entonces ya habrá que hacer los grupos, o sea que ¿y de
cuántos? en de trece y seis trece y seis