Correlación de Pearson vs Spearman en el TFG: cuál elegir e interpretar (2026)

Llegar al capítulo de resultados del TFG con dos variables cuantitativas y no saber si aplicar la correlación de Pearson o la de Spearman es uno de los escollos metodológicos más frecuentes en los trabajos de grado. La elección no es cosmética: un coeficiente mal seleccionado invalida el análisis o, en el mejor de los casos, provoca que el tribunal plantee observaciones que pueden costar décimas en la nota final. Esta guía detalla, con la misma precisión que exigiría cualquier comité de ética académica, cuándo cada coeficiente es apropiado, cómo verificar sus supuestos, cómo ejecutarlo en SPSS y Jamovi, y cómo reportarlo en formato APA 7.

La correlación de Pearson vs Spearman en el TFG no es una cuestión de preferencia personal ni de qué software tienes a mano: es una decisión metodológica que debe justificarse explícitamente en el apartado de análisis de datos. A continuación encontrarás los criterios, los pasos y los ejemplos necesarios para tomar esa decisión con rigor y defenderla ante el tribunal sin titubeos.

1. Qué mide cada coeficiente y en qué se diferencian

Ambos coeficientes cuantifican la asociación entre dos variables en una escala que va de −1 a +1. Sin embargo, sus bases matemáticas y su ámbito de aplicación son distintos:

• Pearson (r) mide la fuerza y la dirección de una relación lineal entre dos variables continuas. Opera sobre los valores brutos y, por tanto, es sensible a la distribución de los datos y a la presencia de outliers.
• Spearman (ρ o rho) mide la fuerza y la dirección de una relación monotónica entre dos variables que pueden ser continuas u ordinales. Trabaja sobre los rangos (posiciones ordenadas) de los datos, lo que le confiere robustez frente a distribuciones asimétricas y valores extremos.

La distinción clave entre lineal y monotónico merece un párrafo propio. Una relación lineal implica que un incremento de una unidad en X produce siempre el mismo cambio en Y (representado por una recta en el dispersigrama). Una relación monotónica es más laxa: cuando X sube, Y tiende a subir (o bajar) de forma consistente, pero la tasa de cambio puede variar. Toda relación lineal es monotónica, pero no toda relación monotónica es lineal. Por ello, Spearman detecta asociaciones que Pearson podría infravalorar en datos curvos pero ordenados.

Un aspecto frecuentemente malinterpretado: la correlación de Spearman no es simplemente “la versión pobre de Pearson para cuando los datos son malos”. Es el estadístico adecuado para una clase específica de variables y situaciones. Usarlo correctamente no indica limitación del investigador; al contrario, demuestra criterio metodológico. Para entender mejor la naturaleza de las variables con las que trabajas, consulta el artículo sobre escala Likert de 5 vs 7 puntos en el TFG, donde se discute su nivel de medida y sus implicaciones estadísticas.

2. Supuestos de Pearson y Spearman paso a paso

Supuestos de Pearson

1. Nivel de medida de intervalo o razón: ambas variables deben ser continuas. Las puntuaciones de una escala Likert son ordinales y, estrictamente, no cumplen este supuesto.
2. Distribución normal bivariada: los datos de cada variable deben aproximarse a la distribución normal. Este supuesto es especialmente relevante cuando n < 30; para muestras grandes (n > 100) el teorema central del límite atenúa la exigencia, pero no la elimina.
3. Relación lineal: el dispersigrama debe mostrar un patrón aproximadamente rectilíneo, no curvilíneo ni en U.
4. Homocedasticidad: la varianza de Y debe ser aproximadamente constante a lo largo de todos los valores de X.
5. Ausencia de outliers influyentes: un único valor extremo puede desplazar r en varias décimas.

Supuestos de Spearman

1. Nivel de medida al menos ordinal: es suficiente con que las variables puedan ordenarse. Válido para continuas, también para ordinales como las escalas Likert.
2. Relación monotónica: a medida que X aumenta (o disminuye), Y debe tender consistentemente a aumentar (o disminuir). No exige linealidad.
3. Ausencia de empates masivos: cuando hay muchos valores idénticos (empates en los rangos), la precisión de rho se reduce. Si los empates son muy frecuentes, existen fórmulas de corrección.

La prueba de normalidad es la bisagra que separa la elección entre ambos coeficientes. Para muestras con n < 50, Shapiro-Wilk es el test más potente. Para n entre 50 y 300, complementa con Kolmogorov-Smirnov con corrección de Lilliefors. Si el p-valor de alguno de estos tests es inferior a 0,05, la distribución se aparta significativamente de la normalidad y Spearman es el candidato. Si p > 0,05 en ambos, Pearson es apropiado, siempre que también se cumpla la linealidad y la homocedasticidad.

3. Árbol de decisión: cuándo elegir cada uno

Sigue este flujo de decisión antes de ejecutar cualquier correlación en tu TFG:

1. ¿Cuál es el nivel de medida de tus variables?
   • Al menos una es ordinal (ej. Likert, ranking) → Spearman
   • Ambas son continuas (intervalo o razón) → continúa al paso 2
2. Ejecuta la prueba de normalidad (Shapiro-Wilk si n < 50; K-S si n ≥ 50):
   • p < 0,05 en alguna variable → Spearman
   • p ≥ 0,05 en ambas variables → continúa al paso 3
3. Examina el dispersigrama:
   • Patrón claramente curvilíneo o valores atípicos influyentes → Spearman
   • Patrón aproximadamente lineal, sin outliers extremos → continúa al paso 4
4. ¿La relación tiene sentido lineal desde la teoría?
   • Sí → Pearson
   • Incierto o no justificable teóricamente → Spearman (más conservador)

Este árbol no reemplaza el juicio metodológico del investigador, pero proporciona un marco sistemático que puedes incluir en el apartado de “Criterios de análisis” de tu TFG para justificar la elección ante el tribunal.

4. Tabla comparativa Pearson vs Spearman

5. Ejemplo práctico con dispersigrama

Imaginemos un TFG sobre bienestar académico en estudiantes universitarios. El investigador quiere analizar si existe relación entre las horas semanales de estudio autónomo (variable continua, medida en horas) y la puntuación en satisfacción con la carrera (escala Likert de 7 puntos, variable ordinal), sobre una muestra de 50 participantes.

Paso 1 — Inspección del dispersigrama. Al representar los puntos, el patrón es positivo y aproximadamente ascendente, pero con algunos valores de satisfacción agrupados (muchos estudiantes puntuaron 5 o 6). Hay dos outliers visibles en el extremo superior derecho.

Paso 2 — Decisión por nivel de medida. La satisfacción está medida en Likert (ordinal): esto ya orienta hacia Spearman, independientemente de la normalidad.

Paso 3 — Verificación de normalidad (por rigor). Shapiro-Wilk sobre la variable de horas de estudio da W = 0,94, p = 0,021. Al ser p < 0,05, la distribución se aparta de la normalidad, lo que confirma la elección de Spearman.

Paso 4 — Cálculo e interpretación. El resultado de Spearman es ρ = .58, p < .001. La correlación es positiva y moderada-alta: los estudiantes que dedican más horas al estudio autónomo tienden a mostrar mayor satisfacción con su carrera, siendo la asociación estadísticamente significativa.

Si las dos variables hubiesen sido continuas (por ejemplo, horas de estudio y horas de sueño) y hubiesen superado la prueba de normalidad, habría que construir primero el dispersigrama para verificar la linealidad. Si el patrón fuera rectilíneo y sin outliers pronunciados, Pearson habría sido el coeficiente adecuado. Para contextualizar este tipo de decisiones dentro de la estrategia metodológica más amplia de tu trabajo, es útil revisar la guía sobre saturación teórica en el TFM, que ilustra cómo los criterios de rigor metodológico se aplican también en el ámbito cualitativo.

6. Cómo ejecutarlo en SPSS

Correlación de Pearson en SPSS

1. Ve a Analizar → Correlacionar → Bivariante.
2. Mueve las dos variables al cuadro “Variables”.
3. Asegúrate de que esté marcada la casilla Pearson (aparece por defecto).
4. Activa “Prueba de dos colas” y marca “Señalar correlaciones significativas”.
5. Haz clic en Aceptar. El resultado muestra r, N y la significación bilateral.

Correlación de Spearman en SPSS

1. Ve a Analizar → Correlacionar → Bivariante.
2. Mueve las dos variables al cuadro “Variables”.
3. Desmarca la casilla Pearson y marca la casilla Spearman.
4. Mantén “Prueba de dos colas” y “Señalar correlaciones significativas”.
5. Haz clic en Aceptar. El resultado muestra ρ (Correlación de Spearman), N y la significación bilateral.

Prueba de normalidad previa en SPSS

1. Ve a Analizar → Estadísticos descriptivos → Explorar.
2. Coloca las variables en “Dependientes”.
3. Haz clic en Gráficos y activa “Gráficos de normalidad con pruebas”.
4. En la salida, localiza la tabla “Pruebas de normalidad”: fíjate en la columna Shapiro-Wilk (para n < 50) o Kolmogorov-Smirnov.
5. Si Sig. < 0,05 → distribución no normal → Spearman.

7. Cómo ejecutarlo en Jamovi

Jamovi es una alternativa libre y gratuita a SPSS, cada vez más habitual en los TFG. La interfaz es intuitiva y los resultados son equivalentes.

Pearson o Spearman en Jamovi

1. Ve a Analyses → Regression → Correlation Matrix.
2. Arrastra las dos variables al panel “Variables”.
3. En “Correlation Coefficients”, marca Pearson o Spearman según corresponda (puedes marcar ambas para comparar).
4. Activa Flag significant correlations para que Jamovi marque con asteriscos los valores significativos.
5. En la pestaña Plot, activa “Correlation matrix” para obtener el dispersigrama con la línea de tendencia.
6. En la pestaña Additional Options, puedes solicitar intervalos de confianza al 95 %.

Prueba de normalidad en Jamovi

1. Ve a Analyses → Exploration → Descriptives.
2. Mueve las variables a “Variables”.
3. En “Statistics”, activa Shapiro-Wilk.
4. Si W < 0,95 y p < 0,05, la normalidad no se sostiene.

Jamovi tiene la ventaja de que sus tablas se exportan directamente en formato APA, lo que facilita la integración en el documento del TFG. Además, permite guardar la sintaxis del análisis en un archivo .omv, lo que garantiza la reproducibilidad de los resultados, un criterio de calidad creciente en los trabajos de investigación académica. Para una perspectiva más amplia sobre cómo los diferentes métodos de validación cuantitativa se complementan, consulta el artículo sobre triangulación en el TFM.

8. Interpretación de r y rho: magnitud, dirección y significancia

Magnitud del coeficiente

La escala más utilizada en ciencias sociales es la propuesta por Cohen (1988), aplicable tanto a Pearson como a Spearman:

Algunos manuales de metodología médica emplean categorías ligeramente distintas (muy fuerte por encima de 0,70; moderada entre 0,50 y 0,70). En el ámbito de ciencias sociales, las categorías de Cohen son las más extendidas y las que reconocen la mayor parte de los tribunales de TFG en España.

Dirección de la correlación

• Correlación positiva (r o ρ > 0): cuando X aumenta, Y también tiende a aumentar.
• Correlación negativa (r o ρ < 0): cuando X aumenta, Y tiende a disminuir.
• Ausencia de correlación (r o ρ ≈ 0): no existe patrón lineal ni monotónico apreciable.

Significación estadística

Un coeficiente estadísticamente significativo (p < 0,05) indica que la probabilidad de obtener ese resultado por azar, asumiendo que la correlación poblacional es cero, es menor del 5 %. Sin embargo, la significación estadística no es equivalente a relevancia práctica: con muestras grandes (n > 200), correlaciones de r = 0,15 pueden ser significativas pero clínicamente o educativamente irrelevantes. Por eso, en el TFG conviene reportar siempre la magnitud del efecto, no solo la p.

El coeficiente de determinación R² (o ρ²) informa de qué proporción de la varianza de Y es explicada por X. Si r = 0,60, entonces R² = 0,36: el 36 % de la varianza de Y está asociada linealmente con X. Este dato es especialmente útil para contextualizar la fuerza práctica de la correlación en la discusión de resultados. Si tu TFG incluye cuestionarios con escalas sumadas, te resultará útil revisar el artículo sobre prueba piloto del cuestionario en el TFG, que incluye métricas de validez y fiabilidad previas al análisis correlacional.

9. Reporte en formato APA 7

Estructura general

APA 7 requiere que el reporte de correlaciones incluya: el tipo de coeficiente, los grados de libertad (df = N – 2), el valor del coeficiente, y el p-valor. El cero antes del decimal se omite en ambos valores.

Ejemplo de reporte de Pearson en APA 7

En texto:

Se encontró una correlación positiva y estadísticamente significativa entre las horas de sueño y el rendimiento académico, r(98) = .52, p < .001, lo que indica una relación de magnitud moderada-alta.

Ejemplo de reporte de Spearman en APA 7

En texto:

Se observó una correlación positiva y estadísticamente significativa entre la satisfacción con la carrera y las horas de estudio autónomo, r_s(48) = .58, p < .001, lo que sugiere una relación monotónica de magnitud moderada-alta entre ambas variables.

Reglas de formato APA 7

• Usa itálica para r, r_s y p.
• Omite el cero inicial: escribe .52, no 0.52.
• Redondea r a dos decimales y p a tres.
• Cuando p < 0,001, escribe p < .001 (no p = .000).
• Los grados de libertad van entre paréntesis: r(48) donde 48 = N – 2 = 50 – 2.
• Describe la dirección (positiva/negativa) y la magnitud (pequeña/moderada/grande) en texto.

Si necesitas presentar varias correlaciones simultáneamente, la forma más eficiente es una matriz de correlaciones en tabla, donde las celdas muestran r (o ρ) con asteriscos para la significación (*, p < .05; **, p < .01; ***, p < .001). Esta tabla es preferible a listar cada correlación individualmente en el texto cuando el TFG analiza más de cuatro pares de variables. Para información detallada sobre la presentación de tablas y figuras según APA, es útil consultar fuentes externas como el blog Stats SOS sobre correlación de Pearson, que incluye ejemplos visuales con SPSS, o la explicación detallada del coeficiente de Spearman en Numiqo, donde se ilustra el cálculo de rangos con un ejemplo paso a paso.

Para el contexto metodológico más amplio de tu capítulo de resultados, recuerda que la correlación es solo uno de los análisis posibles. Si tu diseño incluye grupos diferenciados o variables independientes, la triangulación metodológica puede aportar evidencia más sólida; profundiza en ello con el artículo sobre triangulación de datos vs investigadores vs teórica vs metodológica. Y si aún estás diseñando el instrumento de recogida de datos, el proceso de prueba piloto del cuestionario es el paso previo indispensable para garantizar que los datos que correlacionarás son fiables. También puede ser útil revisar la introducción a los fundamentos de la metodología de la investigación en el recurso académico de Metodologías de la Investigación, que contextualiza el análisis estadístico dentro del proceso científico más amplio.

Preguntas frecuentes (FAQ)