¿Qué es el R de Pearson?
El R de Pearson (coeficiente de correlación de Pearson) es una medida estadística que permite evaluar la relación lineal entre dos variables cuantitativas. En términos simples: te dice si dos variables numéricas están relacionadas y qué tan fuerte es esa relación. A diferencia de Spearman, Pearson sí requiere ciertos supuestos, como normalidad de datos.
🎯 ¿Para qué sirve en una investigación?
- Determinar si existe relación entre variables numéricas
- Medir la intensidad de la relación
- Identificar si la relación es positiva o negativa
- Contrastar hipótesis en estudios correlacionales
¿En qué tipos de investigación se utiliza?
- Enfoque cuantitativo
- Estudios correlacionales
- Investigaciones epecíficas
Se aplica cuando:
- Las variables son numéricas (intervalo o razón)
- Los datos cumplen normalidad
- Existe relación lineal entre variables
Importante antes de usarlo
Debes verificar:
- Normalidad (Shapiro-Wilk o Kolmogorov-Smirnov)
- Linealidad
- Ausencia de valores extremos (outliers)
👉 Si no se cumple esto → usar Spearman.
📊 ¿Qué resultados brinda?
El R de Pearson va de -1 a +1
Interpretación práctica:
| Valor | Interpretación |
|---|---|
| 0.00 – 0.19 | Muy débil |
| 0.20 – 0.39 | Débil |
| 0.40 – 0.59 | Moderada |
| 0.60 – 0.79 | Fuerte |
| 0.80 – 1.00 | Muy fuerte |
Dirección:
- 🔼 Positiva → ambas variables aumentan
- 🔽 Negativa → una sube y la otra baja
Significancia:
- p < 0.05 → relación significativa
- p > 0.05 → no significativa
Ejemplo aplicado
Tema: Horas de estudio y rendimiento académico
Resultado:
- r = 0.72
- p = 0.001
✔️ Interpretación: Existe una relación positiva fuerte y significativa entre las horas de estudio y el rendimiento académico.
¿Cómo calcular el R de Pearson en SPSS? (GUÍA RÁPIDA)
| 🔢 Paso | 🧭 Acción en SPSS | 💡 ¿Qué debes hacer? |
|---|---|---|
| 1 | Ingreso de datos | Coloca cada variable en columnas (ejemplo: “Horas de estudio” y “Rendimiento”) |
| 2 | Menú principal | Ir a: Analyze → Correlate → Bivariate |
| 3 | Selección de variables | Pasar las variables al cuadro derecho |
| 4 | Tipo de correlación | Marcar la opción: ✔️ Pearson |
| 5 | Significancia | Seleccionar: ✔️ Two-tailed |
| 6 | Ejecutar | Hacer clic en OK |
Resultado que obtendrás en SPSS
| Elemento | Interpretación |
|---|---|
| Pearson Correlation (r) | Nivel y dirección de la relación |
| Sig. (2-tailed) | Indica si la relación es significativa (p < 0.05) |
💡 TIP PRO
Si el valor r es alto pero p > 0.05
No puedes afirmar relación significativa.
Si tienes dudas con normalidad:
✔️ Aplica prueba de normalidad antes de Pearson
Mini ejemplo rápido
| Elemento | Descripción |
|---|---|
| Tema de investigación | Relación entre horas de estudio y rendimiento académico |
| Variable 1 | Horas de estudio (cuantitativa) |
| Variable 2 | Rendimiento académico (cuantitativa) |
| Tipo de análisis | Correlación de Pearson |
Resultados obtenidos
| Indicador | Valor | Interpretación |
|---|---|---|
| R de Pearson (r) | 0.72 | Relación positiva fuerte |
| Significancia (p) | 0.001 | Relación significativa (p < 0.05) |
¿Cómo interpretar el resultado en SPSS?
SPSS te mostrará:
- Pearson Correlation (r)
- Sig. (2-tailed)
Términos clave que debes conocer
- Variable cuantitativa: Datos numéricos
- Correlación lineal: Relación en línea recta
- Normalidad: Distribución de datos
- Outliers: Valores atípicos
- p-valor: Nivel de significancia
- Hipótesis nula (H0): No hay relación
- Hipótesis alternativa (H1): Sí hay relación
Preguntas frecuentes
¿Cuándo usar Pearson?
Cuando los datos son numéricos y normales.
¿Se puede usar con Likert?
No es recomendable (mejor Spearman).
¿Pearson mide causalidad?
No, solo relación.
¿Se necesita una muestra grande?
No necesariamente, pero mejora la precisión.
Errores comunes que debes evitar
- Usar Pearson con datos ordinales
- No verificar normalidad
- Ignorar outliers
- Interpretar correlación como causalidad
Conclusión
El R de Pearson es una herramienta fundamental para analizar relaciones entre variables cuantitativas en una investigación. Su correcta aplicación permite obtener resultados sólidos y defender hipótesis con rigor estadístico. Sin embargo, su uso exige cumplir ciertos supuestos, por lo que es clave validar previamente los datos antes de aplicarlo.
Recomendación final
👉 Antes de aplicar Pearson:
- Verifica normalidad
- Evalúa tipo de variable
- Revisa outliers
🔥 Eso evita observaciones en tu sustentación.