estadistica.ar · Enciclopedia de Estadística en españolhttps://estadistica.ar/conceptos/interpretacion-de-la-correlacion
Cómo se interpreta un coeficiente de correlación
Qué significa un r de 0,25 o de 0,8, por qué las tablas de umbrales engañan y qué hay que mirar además del número.
Por Jorge Luis Montivero, Licenciado en Estadística · Mu3Sigma
1 · Las tablas de umbrales, y su problema
Casi todos los manuales traen una tabla como esta, en alguna de sus versiones:
| Etiqueta habitual | |
|---|---|
| 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 |
La incompatibilidad se ve enseguida: con los cortes de Cohen —0,10 chico, 0,30 mediano, 0,50 grande—, un de 0,50 es grande; en la tabla de arriba es apenas “moderada”.

2 · Por qué depende del campo
El mismo número significa cosas opuestas según dónde aparezca:
| Campo | Un de 0,3 es |
|---|---|
| Física de laboratorio | un desastre: algo está mal medido |
| Epidemiología | una asociación relevante |
| Psicología | un hallazgo respetable |
| Ciencias sociales con datos de encuesta | habitual y publicable |
| Calibración de un instrumento | inaceptable |
3 · Qué mirar además del número
El signo. Obvio pero se omite: hay que decir en qué dirección.
El . Es la parte interpretable como proporción. Ver coeficiente de determinación.
| Variabilidad compartida | ||
|---|---|---|
| 0,10 | 0,01 | 1 % |
| 0,25 | 0,06 | 6 % |
| 0,50 | 0,25 | 25 % |
| 0,71 | 0,50 | 50 % |
| 0,90 | 0,81 | 81 % |
El . Un con 8 casos no es lo mismo que con 800: con 8, el intervalo de confianza va de −0,18 a 0,92 y no descarta ni siquiera una relación negativa; con 800, va de 0,55 a 0,64.
El intervalo de confianza. Con muestras chicas es sorprendentemente ancho: un de 0,50 con tiene un IC que va de 0,07 a 0,77. Ese solo dato desaconseja cualquier adjetivo.
La dispersión. Sin haber visto el gráfico, el número no se puede interpretar.
4 · Una traducción que sí se entiende
El es correcto pero deprime: “explica el 6 %” suena a nada, y a veces ese 6 % importa mucho. Hay una segunda traducción, más intuitiva, que consiste en preguntarse cuánto cambia la probabilidad de un resultado al pasar de la mitad baja a la mitad alta de la variable explicativa.
La cuenta depende de qué tipo de variables sean:
| Dos dicotómicas (BESD) | Dos continuas cortadas en la mediana | |
|---|---|---|
| 0,10 | 45 % → 55 % | 47 % → 53 % |
| 0,20 | 40 % → 60 % | 44 % → 56 % |
| 0,30 | 35 % → 65 % | 40 % → 60 % |
| 0,50 | 25 % → 75 % | 33 % → 67 % |
La primera columna es el Binomial Effect Size Display de Rosenthal y Rubin (1982): . Es exacta cuando las dos variables ya son dicotómicas —tratamiento o control, éxito o fracaso—, porque ahí es phi. Pero si se parte en dos una variable continua, el corte tira información y la diferencia sale menor. Con las dos continuas y normales, la proporción en la mitad alta es : la segunda columna.
Un de 0,30 —“débil” según la tabla— equivale a pasar de un 40 % a un 60 % con variables continuas, o de un 35 % a un 65 % si las dos son dicotómicas. Dicho así, la misma cifra que parecía despreciable pasa a ser un efecto considerable.
5 · El ejemplo de la EPH
entre horas trabajadas e ingreso, con 14.212 casos.
Leído con la tabla de umbrales: “correlación débil”. Leído bien:
- Es positiva: más horas se asocia a más ingreso mensual.
- : las horas explican el 6 % de la variabilidad del ingreso. El 94 % depende de otra cosa.
- En la otra traducción, contada directamente en los datos: entre quienes trabajan menos horas que la mitad, el 35 % tiene un ingreso por encima de la mediana; entre quienes trabajan más, el 65 %. Es más de lo que sugeriría , porque la cuenta depende del orden de los casos, que es lo que mide Spearman.
- Con la estimación es precisa —el intervalo por bootstrap va de 0,22 a 0,28— y el valor p es irrelevante: con este daría significativo cualquier mayor a 0,016.
- Spearman da 0,411, bastante más que Pearson. La diferencia tiene dos causas: el ingreso mediano sube hasta unas 40 horas y después se aplana, y la cola de ingresos altos pesa mucho en Pearson —sin el 1 % más alto, sube a 0,331—.
- Y el signo se invierte si se mira el ingreso por hora: .
6 · La correlación no es la pendiente
Son dos cosas que se confunden y miden aspectos distintos de la misma nube:
| Qué mide | De qué depende | |
|---|---|---|
| Correlación | Cuán apretados están los puntos alrededor de la recta | Nada de las unidades |
| Pendiente | Cuánto sube por cada unidad de | De las unidades de las dos variables |
Se puede tener una correlación altísima con una pendiente casi plana —puntos perfectamente alineados sobre una recta que apenas sube— y una pendiente empinada con correlación baja, si la nube es gruesa. Las dos se relacionan por , pero responden preguntas distintas: el dice cuán predecible; la pendiente, cuánto cambia.
7 · Cómo redactarlo
✗ "Existe una correlación débil (r = 0,25)."
✓ "Las horas trabajadas y el ingreso mensual se asocian positivamente
(r = 0,25; n = 14.212), aunque las horas explican solo el 6 % de la
variabilidad del ingreso. La correlación de Spearman, más alta (ρ = 0,41),
indica que la recta subestima la asociación: el ingreso crece con las horas
hasta unas 40 semanales y después se aplana, y los ingresos muy altos pesan
de más en el coeficiente de Pearson."
8 · Errores frecuentes
- Aplicar los umbrales sin contexto.
- Interpretar como porcentaje. El porcentaje es .
- Confundir “significativo” con “fuerte”.
- Confundir correlación con pendiente. Una relación fuerte puede tener un efecto chico, y al revés.
- Omitir el .
- No mirar el gráfico.
- Comparar correlaciones de muestras con rangos distintos. Si una muestra tiene un rango recortado en una variable —solo ocupados de jornada completa, por ejemplo— su correlación va a ser más baja aunque la relación sea la misma. Es la restricción de rango.
- Concluir causalidad.
Referencias
- Anscombe, F. J. (1973). Graphs in statistical analysis. The American Statistician, 27(1), 17–21. https://doi.org/10.1080/00031305.1973.10478966
- Rosenthal, R., & Rubin, D. B. (1982). A simple, general purpose display of magnitude of experimental effect. Journal of Educational Psychology, 74(2), 166–169. https://doi.org/10.1037/0022-0663.74.2.166
- Gignac, G. E., & Szodorai, E. T. (2016). Effect size guidelines for individual differences researchers. Personality and Individual Differences, 102, 74–78. https://doi.org/10.1016/j.paid.2016.06.069
- Funder, D. C., & Ozer, D. J. (2019). Evaluating effect size in psychological research: Sense and nonsense. Advances in Methods and Practices in Psychological Science, 2(2), 156–168. https://doi.org/10.1177/2515245919847202
Todas las obras que cita el sitio están en la bibliografía.
Herramientas de este tema
- CalculadoraCorrelación y regresión simple
- SimuladorArrastrá los puntos: el cuarteto de Anscombe
Seguir leyendo
Bioestadística · Fundamentos y descripción · 58 de 330
Estadística para Economía y Administración · Fundamentos y descripción · 57 de 318
Probabilidad y Estadística · Fundamentos y descripción · 57 de 302
Estadística para Ciencias Sociales · Fundamentos y descripción · 54 de 288
Estadística para la tesis · Los datos · 108 de 233
Cómo citar: Montivero, J. L. (2026). Cómo se interpreta un coeficiente de correlación. estadistica.ar. https://estadistica.ar/conceptos/interpretacion-de-la-correlacion
estadistica.ar es gratuita y sin publicidad. Si te sirvió, podés invitar un cafecito por transferencia al alias mu3sigma. Asesoramiento estadístico, encuestas y capacitaciones: m3s.pro · WhatsApp +54 9 383 499-7929.
Cómo citar esta entrada
APA (7.ª edición)
Montivero, J. L. (2026). Cómo se interpreta un coeficiente de correlación. estadistica.ar. https://estadistica.ar/conceptos/interpretacion-de-la-correlacion
BibTeX
@misc{estadistica_ar_interpretacion_de_la_correlacion,
author = {Montivero, Jorge Luis},
title = {{Cómo se interpreta un coeficiente de correlación}},
year = {2026},
howpublished = {\url{https://estadistica.ar/conceptos/interpretacion-de-la-correlacion}},
note = {estadistica.ar. Consultado el \today},
urldate = {2026-11-09}
}Última actualización: 9 de noviembre de 2026. El contenido está bajo licencia CC BY-NC-SA 4.0: se puede reutilizar citando la fuente y sin fines comerciales.