NDICE

INTRODUO......................................................................................................................3
1.OBJECTIVOS......................................................................................................................4
1.1. Objectivo geral.............................................................................................................4
1.2. Objectivos especficos..................................................................................................4
2. Metodologia........................................................................................................................4
3. Contextualizao.................................................................................................................5
3.1. Anlise de Correlao vs Regresso............................................................................5
3.1.1. Regresso linear simples.......................................................................................6
3.1.2. Regresso linear: estimao de parmetros..........................................................7
3.1.3. Observaes:.........................................................................................................9
3.1.4. Exemplo de regresso linear em planta.................................................................9
3.2. Anlise de Correlao................................................................................................10
3.2.1. Rectas de regresso e o coeficiente de correlao linear....................................12
3.3. Mtodo dos Mnimos Quadrados...............................................................................13
4. Coeficiente de Determinao R2.......................................................................................15
4.1. Significado dos parmetros estimados.......................................................................17
5. Coeficiente de correlao de pearson................................................................................18
5.1. Propriedades da Co-varincia e do Coeficiente de correlao...................................18
Concluso..............................................................................................................................21
Bibliografia...........................................................................................................................22

INTRODUO
O presente trabalho de pesquisa, visa proporcionar umgrande entendimento na rea da
estatstica. Dai que, estatstica oramo do conhecimento humano que aplica a Matemtica
objectivando dar-lhe contedo emprico.
Na verdade, ela surgiu da seguinte forma: no incio, a Teoria estatstica no tinha muitas
preocupaes com a parte emprica, mas sim, com a construo de um arcabouoterico, ou
seja; a partir das hipteses que ela estabelecia, procurava tirar proposies que deveriam
explicar o comportamento dos agentes econmicos, sem preocupaes com a parte
emprica.
Mas, duas coisas as tericas no sabiam:
a) Quantificar numericamente os parmetros dos modelos gerados pelas proposies da
Teoria estatstica;
b) No podiam colocar prova essas proposies, isto , no podiam confrontar a sua teoria
com a realidade. Foi justamente para cobrir esses dois aspectos, que surgiu a estatstica.

1.OBJECTIVOS
1.1. Objectivo geral

Fazer um estudo sobre a associao entre variveis, anlise de correlaes dando

uma enfse nas metodologias referentes a correlao linear, coeficiente de pearson
assim como de determinao.

1.2. Objectivos especficos

Produzir afirmaes estatsticos que permitam explicar o comportamento de

variveis que j observamos ou prever comportamentos ainda no observados, ou

ambos;
Mensurar empiricamente os fenmenos estatsticos por meio de regresses;
Estimar relaes entre variveis prevista pela teoria estatstica atravs de regresses

para fins de anlise estrutural e previses;

Testar as proposies tericas nestas relaes e estimar parmetros envolvidos,
procurando isolar efeitos de relaes de causalidades (que muitas vezes so bvias).

2. Metodologia
Para elaborao deste trabalho, optei por fazer uma reviso bibliogrfica. Onde foi usei o
mtodo indutivo, que um mtodo responsvel pela generalizao, isto , parti de algo
particular para uma questo mais ampla, para geral.
Para Lakatos e Marconi (2007:86), Induo um processo mental por intermdio do qual,
partindo de dados particulares, suficientemente constatados, infere-se uma verdade geral ou
universal, no contida nas partes examinadas. Portanto, o objectivo dos argumentos
indutivos levar a concluses cujo contedo muito mais amplo do que o das premissas
nas quais me baseio.

3. Contextualizao
3.1. Anlise de Correlaovs Regresso
Pode se dizer que, em experimentos que procuram determinar a relao existente entre duas
variveis, por exemplo, a dose de uma droga e a reaco, concentrao e densidade ptica,
peso e altura, idade da vaca e a produo de leite, etc., dois tipos de situaes podem
ocorrer:

Uma varivel (X) pode ser medida apuradamente e seu valor escolhido pelo
experimentador.

Por exemplo, a dose de uma droga a ser ministrada no animal. Esta varivel a varivel
independente. A outra varivel (Y), dita varivel dependente ou resposta, est sujeita a erro
experimental, e seu valor depende do valor escolhido para a varivel independente. Assim,
a resposta (reaco, Y) uma varivel dependente da varivel independente dose (X). Este
o caso da Regresso.

As duas variveis quando medidas esto sujeitas a erros experimentais, isto , erros
de natureza aleatria inerentes ao experimento.

Por exemplo, produo de leite e produo de gordura medida em vacas em lactao, peso
do pai e peso do filho, comprimento e a largura do crnio de animais, etc. Este tipo de
associao entre duas variveis constitui o problema da Correlao.
Actualmente, se d tcnica de correlao uma importncia menor do que a da regresso.
Se duas variveis esto correlacionadas, muito mais til estudar as posies de uma ou de
ambas por meio de curvas de regresso, as quais permitem, por exemplo, a predio de uma
varivel em funo de outra, do que estud-las por meio de um simples coeficiente de
correlao.

3.1.1. Regresso linear simples

5

O termo regresso usado para designar a expresso de uma varivel dependente (Y) em
funo de outra (X), considerada independente. Diz-se regresso de Y em (sobre) X. Se a
relao funcional entre elas expressa por uma equao do 1 grau, cuja representao
geomtrica uma linha recta, a regresso dita linear.
Para introduzir a ideia de regresso linear simples, consideremos o seguinte exemplo:
Tabela 1. Tempo, em minutos, e quantidade de procainahidrolizada, em 10 -5 moles/litro, no
plasma canino.
Quantidade
hidrolizada (Y)
3,5
5,7
9,9
16,3
19,3
25,7
28,2
32,6
141,2

Tempo (X)
2
3
5
8
10
12
14
15
Total
69
1
anestsico local

X .Y
7,0
17,1
49,5
130,4
193,0
308,4
394,8
489,0
1589,2

X2
4,0
9,0
25,0
64,0
100,0
144,0
196,0
225,0
767,0

Y2
12,3
32,5
98,0
265,7
372,5
660,5
795,2
1062,8
3299,5

A simples observao dos dados apresentados na Tabela 1, mostra que no intervalo

estudado a quantidade de procainahidrolizada varia em funo do tempo.
Na resoluo de problemas de regresso, o primeiro passo traar o diagrama de
disperso correspondente, marcando, em um sistema cartesiano bidimensional, os diversos
pares de valores observados (xi ,yi). Os dados da Tabela 1 esto apresentados na Figura 1.

Y
0

10

15

20

fcil ver observando essa figura acima, que os pontos relativos aos dados de tempo e
quantidade de procainahidrolizada esto praticamente sobre uma recta. Parece ento
6

razovel estabelecer que a variao da quantidade de procainahidrolizada (Y) pode ser

considerada como uma funo linear do tempo (X).
Postulada a existncia de uma relao linear entre duas variveis, pode-se representar o

(x i , y i )
conjunto de pontos

pela equao da reta:

yx
que expressa o valor de Y como funo do valor de X, onde , conhecido como erro ou
resduo, a distncia que um resultado y em particular se encontra da linha de regresso da
populao, representada pela equao:

E( y / x ) x
,
em queindica o intercepto da linha com o eixo do Y e o coeficiente angular ou
inclinao da reta.Se [y E(y/x)] positivo, y maior do que E(y/x); se negativo, y

menor do que E(y/x); e a soma dos

nula, isto ,

E ( i ) 0

i' s

igual a zero (

i 0

). Logo, a mdia dos erros

Como veremos a seguir, os parmetros e da linha de regresso da populao so

(x i , y i )
estimados a partir da amostra aleatria de observaes

3.1.2. Regresso linear: estimao de parmetros

Considerando, ento, que observaes sejam obtidas sobre a varivel independente x, tal
que sejam as observaes feitas sobre a varivel dependente y, todas sujeitas a erros
experimentais, pode-se querer saber como que y varia, em mdia, para um dado x. Ou
seja, como os variam aleatoriamente, deseja-se conhecer a distribuio do y quando x
7

conhecido. Isto feito por meio da esperana condicionada de y dado x, simbolizada por
E(y/x), que depende em geral de x. E(y/x) tambm chamada de funo de regresso de y
em x.
Estimadores.Dado um conjunto de n pares de observaes (x1, y1), (x2, y2), (xn, yn), pode-se
mostrar, usando mtodos de clculo infinitesimal no utilizado aqui, que os estimadores de
quadrados mnimos so:

(x x)( y y )
y bx
a
(x x)
i

Dividindo-se o numerador e o denominador de b por (n 1), v-se que

Cov( X, Y )
s 2X

[ ( x i x )( y i y )] / n 1
[ ( x i x ) 2 ] / n 1

b
denominado coeficiente de regresso de Y em X; simboliza-se por bY.X
Frmulas de clculo:

(x i

x )( y i y) x i y i

(x i

x)
2

x i2

( x i )( y i )
n

( x i ) 2

Note-se que, alm da suposio da normalidade do y, outras hipteses usadas pelo mtodo
de mnimos quadrados so:

y/ x

Para qualquer valor especfico de x,

, o desvio padro dos resultados y, no se

modifica. Esta hiptese de variabilidade constante em todos os valores de x

conhecida como homoscedasticidade, e

A relao (verdadeira) entre y e x suposta linear; mais claramente,E(y/x) = +
x.

3.1.3. Observaes:

A regresso de y em x,

E ( y / x ) 0,98 2,16.x i

, representa, no caso do

exemplo, a recta de regresso da quantidade de procainahidrolizada sobre o tempo.

Ou seja, E(y/x) nada mais do que a mdia da distribuio de todas as quantidades
de procainahidrolizada em um dado tempo (x).

O estimador de mnimos quadrados da varincia de y dado x (2), referido como

quadrado mdio residual, dado pela frmula

( y i y)
2

[ ( x i x )( ( y i y)]2

2
(x i x )

n2

Cuja

estimativa,

no

exemplo, 0,82. O que est se supondo que esse valor constante para cada x fixado
(propriedade homoscedstica)

H situaes nas quais X tambm aparece como uma varivel aleatria. Nesses
casos, pode ser que estejamos tambm interessados na regresso de X em Y. Tmse:

b X .Y

x i x b X.Y ( y i y)
, onde

(x x )( y y)
( y y) 2

3.1.4. Exemplo de regresso linear em planta

9

Tabela 2. rea foliar (Y) e comprimento vs. largura (X) de 20 folhas de

bromliaseleccionadas ao acaso:

X
Y

0,08

0,15

0,08

0,05

0,08

0,11

0,08

0,10

0,06

0,05

0,07

0,12

0,06

0,04

0,06

0,09

0,06

0,08

0,05

0,04

X
Y

0,06

0,03

0,16

0,09

0,05

0,08

0,11

0,14

0,09

0,05

0,03

0,13

0,07

0,03

0,06

0,09

0,11

0,08

0,14

0,12

0,1

0,08

0,8054 0,0002
y
r 2 0,9849

0,06

0,04

0,02

0
0

0,02

0,04

0,06

0,08

0,1

0,12

0,14

0,16

0,18

Figura. rea foliar (Y) em funo do comprimento x largura (X) da folha debromlia.
Fonte: Adaptada pelo autor (Atravs Software Grficos).

3.2. Anlise de Correlao

Foi constatado que, na anlise de regresso linear simples, se determina, por meio de
estimativas dos parmetros, como uma varivel X exerce, ou parece exercer efeito sobre
uma outra varivel Y.
Quando X e Y so ambas variveis aleatrias, pode ser til o conhecimento de uma medida
que relacione as duas variveis quando elas mantm entre si uma relao dada por uma
linha recta. Tal medida dada pelo coeficiente de correlao (). Assim, correlao
10

definida comoa quantificao do grau em que duas variveis aleatrias esto relacionadas,
desde que a relao seja linear.
No que segue, os dados so supostos normalmente distribudos.
Definio: Sejam x1, x2,xn; y1, y2,yn os valores observados de X e Y, respectivamente.
Chama-se coeficiente de correlao (amostral) entre X e Y, o nmero dado por:

Cov( X, Y )
Var ( X ).Var ( Y )

(y
(x

y )( x i x ) / n 1

x) (y i y )
.
n1
n1
2

( y y )( x x)
(x x) (y y )
i

Uma frmula equivalente de clculo de r, de fcil manuseio, :

x i y i ( x i y i ) / n
[ x i2 ( x i ) 2 / n ][ y i2 ( y i ) 2 / n ]

x i y i nx y
( x i2 nx 2 )( y i2 ny 2 )

importante assinalar que r = 0 no implica em ausncia de relao entre duas variveis.

Isto mostradona Figura acima, onde apesar de r = 0, evidente que existe uma relao
parablica entre X e Y. Portanto, r = 0 somente implica ausncia de relao linear entre as
duas variveis.
Y

11

Figura. Relao parablica entre X e Y, onde: r = 0.

(2)

r2

igual

y i a bx i

ao

coeficiente

de

determinao

da

regresso

linear

simples

). Note que 0 r21. O coeficiente de determinao pode ser interpretado

como a proporo da variabilidade total observada entre os valores de Y, explicada pela

regresso linear de Y sobre X ou seja,

r2

s 2Y s 2Y / X
s 2Y

O coeficiente de determinao , portanto, uma medida descritiva da qualidade do

ajustamento obtido pela equao de regresso estimada. particularmente importante
quando usado para fazer previses e ser tanto mais til quanto mais prximo de um (1,0)
estiver o seu valor. Se r2 = 1, todos os dados na amostra situam-se na linha de mnimos
quadrados; se r2 = 0, no h uma relao linear entre X e Y.
Para o exemplo apresentado na Tabela 1, pode-se mostrar que r 2 = (0,997)2 = 0,994. Esse
valor implica em uma relao linear forte entre o tempo e a quantidade de
procainahidrolizada; em particular 99,4 % da variabilidade entre os valores observados de
procainahidrolizada explicada pela relao linear entre essa varivel e o tempo. O restante
1 0,994 = 0,006 (0,6 %) da variao no explicado por essa relao.
(3) Das frmulas do coeficiente de regresso e de correlao tm-se:

12

b Y.X r

sY
sX

b X.Y r

sX
sY

Onde: sX e sY so os desvios padro de X e Y, respectivamente.

3.2.1. Rectas de regresso e o coeficiente de correlao linear
A equao da recta

a 1 b1 X
Y

ou a recta de regresso de Y em X, como visto, pode

ser escrita sob a forma:

Y b 1 (X X ) ou Y
Y b 1 (X X )
Y

b 1 b Y .X r

sY
sX

Como

Y r s Y ( X X ) ou y r s Y x (1)
Y
sX
sX
a 2 b2Y
X
De modo semelhante, a recta de regresso de X em Y,
como:

, pode ser escrita

X r s X (Y Y ), onde b 2 b X.Y r s X , ou x r s X y (2)

X
sY
sY
sY
As declividades das rectas (1) e (2) somente sero iguais quando r = 1. Neste caso, as
duas rectas sero idnticas e h correlao linear perfeita entre as variveis X e Y [Se r =

x
1, a equao (2) pode ser obtida da de (1) ou seja,

y
sY

sX

ou x

sX
y]
sY
. Quando r

= 0, as rectas de regresso esto em ngulo recto e no h correlao linear entre X e Y. Tais

13

fatos esto ilustrados na Figura. Dessa forma, o coeficiente de correlao linear mede o
afastamento angular entre as duas rectas de regresso.

b1 b 2 r

sY sX
r
r2
sX sY
, onde: r2 = coeficiente de determinao.

Note que:

3.3. Mtodo dos Mnimos Quadrados

O mtodo dos mnimos quadrados consiste em adoptar como estimativa dos parmetros os
valores que minimizem a soma dos quadrados dos desvios.
S

e
i 1

2
i

= [y i - ax i - b]2
i 1

S = f(a, b)
Essa soma, funo de a e de b, ter mnimo quando suas derivadas parciais em relao
a a e b forem nulas.
n

Para facilitar a escrita, considera-se

z
b

z
a

2 y
2 y

y
y

i
i

ax i b 1 0

ax i b x i 0

ax i b 0

ax i b x i 0

y a x nb 0
x y a x b x
i

i 1

14

x y
i

a xi
n

b x i a x i 0
2

Resolvendo-se esse sistema, obtemos as estimativa para o clculo de:

n x i yi
n x

2
i

x y
x
i

b y ax

e a partir da 1 equao
No exemplo:
(X)
(Y)
5
6
8
9
7
8
10
10
6
5
7
7
9
8
3
4
8
6
2
2
65
65

X.Y
30
72
56
100
30
49
72
12
48
4
473

X2
25
64
49
100
36
49
81
9
64
4
481

Y2
36
81
64
100
25
49
64
16
36
4
475

15

12
10
8
Y

6
4
2
0
0

9 10

Varive l X

4. Coeficiente de DeterminaoR2
O coeficiente de determinao mede o grau de ajustamento da recta de regresso aos dados
observados. Indica a proporo da variao total da varivel dependente que explicada pela
variao da varivel independente.

A equao que permite calcular o coeficiente de determinao a seguinte

15

Fonte: adaptada pela autora, partir de MAGALHAES (2002)

Este resultado nos mostra que 94,2828% das variaes da varivel dependente ypodem ser
explicadas por variaes da varivel independente x.
Uma medida alternativa pode ser utilizada para avaliar a consistncia do modelo ajustado, tratase do coeficiente de determinao, que tambm chamado de poder explicativo da funo
ajustada.
Na prtica, este coeficiente define em quantos por cento a varivel independente x explica a
varivel dependente y. Quanto mais prximo de 100%, melhor a qualidade do ajuste,
indicando que as previses sero mais confiveis. Adopta-se, no entanto, como regra que
coeficientes superiores a 70% j viabilizam a utilizao do modelo para fins de previso.
O coeficiente de determinao R2 obtido a partir da seguinte frmula:

b . Sx y

R 2

. 100

Sy

onde : S
y

( y) 2
y
n
2

Para o exemplo em questo:

Sy

(1685) 2
289025
5102,5
10

16

 2,67 . 1604
. 100 83,93%
5102,5

R2

O resultado indica que as variaes nos nmeros de visitas explicam as unidades vendidas
em 83,93%, sendo que os 16,07% so causas aleatrias do modelo linear adoptado. Cabe
esclarecer que o coeficiente de determinao pode ser obtido a partir do coeficiente de
correlao; basta elevar esse valor ao quadrado e multiplicar por 100.
No exemplo em questo:
R2 = [(0,9164)2] . 100 = 83,98%
Pequenas diferenas entre os valores obtidos segundo os dois mtodos se devem a problemas de
arredondamento.Deve-se observar, contudo, que o coeficiente R 2 no define o tipo de relao
(positiva ou negativa). Para isso, deve-se recorrer ao diagrama ou ao coeficiente de correlao.
4.1. Significado dos parmetros estimados
Uma vez estimados, os parmetros a e b do modelo podem ser interpretados em funo do
valor e do sinal que assumem no modelo. Por exemplo, se um modelo de renda (x) e consumo
y

(y) apresentar a equao:

= 300 + 0,8x, qual seria o significado econmico dos parmetros?

O parmetro a chamado de intercepto aquela parte do consumo que no depende da renda, ou

seja, se a renda for zero, ainda assim haver consumo de 300,00. Portanto, o parmetro a
equivalente ao valor 300,00, podendo ser identificado economicamente como consumo
autnomo. Para entender o significado econmico do parmetro b, vamos realizar algumas
estimativas do consumo partindo de supostas rendas:
x

2000 1900
3000 2700
4000 3500

em

800
800
17

Observe que a cada acrscimo de 1000,00 na renda, o consumo aumenta 800,00. Portanto, o
parmetro 0,8 pode ser definido como consumo marginal, ou seja, variao no consumo para
cada unidade de variao na renda.
Para o modelo de unidades vendidas e nmero de visitas cuja equao ajustada :

y 60,1 2,67x
, os parmetros poderiam interpretados da seguinte forma:
O parmetro a representado pelo valor 60,1, indica que independente do nmero de visitas,
um vendedor qualquer comercializaria no ms aproximadamente 60 unidades. Ou seja, os
clientes solicitariam essa quantidade de produto sem a actuao do vendedor. O parmetro b
representado pelo valor 2,67, indica a variao nas unidades vendidas para cada unidade
variao no nmero de visitas, ou seja, para cada visita adicional seriam comercializadas a mais
aproximadamente 2,67 unidades.

5. Coeficiente de correlao de pearson

Verificamos que o domnio de variao da Co-varincia o conjunto

S X SY ; S X SY

. Assim,

torna-se mais fcil medir a associao linear entre as variveis estatsticas dividindo a covarincia pelo produto dos desvios padro. Desta forma, esta nova medida que se chama
coeficiente de correlao de Pearson, tem domnio de variao [-1; 1].

S X ,Y
S X SY

Se r = 1 ou r = -1, a associao linear entre as variveis estatsticas perfeito.

5.1. Propriedades da Co-varincia e do Coeficiente de correlao

a) A Co-varincia entre uma varivel estatstica e uma constante zero:
18

x
N

S x,a

i 1

X a a
N

b) Se multiplicarmos uma varivel estatstica por uma constante, a co-varincia vem multiplicada
por essa constante. No entanto, o coeficiente de correlao vem inalterado

ax
N

aX by i bY

S ax,by

rax,by

abS X , Y
rx , x
aS X bS Y

c) SX, Y =

i 1

ab xi X y Y
N

i 1

abS x , y

( x. y ) / N X Y

Uma das alternativas mais comuns aplicadas em estatstica para se determinar a associao entre
duas variveis o clculo do coeficiente de correlao de Pearson. Muitas vezes esse coeficiente
inclusivo aplicado e interpretado com pouco rigor cientfico/estatstico. Usualmente, o termo
genrico coeficiente de correlao refere-se ao coeficiente linear de correlao de Pearson,
obtido entre duas variveis x e y. O coeficiente de correlao de Pearson pode ser visto como a
razo entre a co-varincia de duas variveis pelo produto dos desvios-padro de cada uma delas.
Ou seja,
rx, y

cov( x, y )
SxS y
= (3.1)
1 /( n 1)in1 ( xi x )( yi y )

1/( n 1)

x x 2 1 /( n 1) in1 yi y 2
i 1 i
n

1/ 2

x y

x y

1/ 2

i 1

i 1
1/ 2

i 1

1/ 2

O smbolo () indica anomalias, ou subtraco da mdia dos valores.Vamos examinar as duas

sries temporais plotadas na figura abaixo e interpretar o que rx,y significa:
19

Fig. Srie temporal da temperatura mdia (linha contnua azul) e mxima (linha contnua em
rosa) na estao automtica do IAG.
Fonte: Adaptado por Magalhes (2002. P.12)
No numerador de rx,y est a co-varincia entre x e y. A co-varincia nada mais do que a soma do
produto das diferenas entre a varivel x no tempo i e a mdia de x (x), pela diferena entre a
varivel y no mesmo tempo i e a mdia de y (y). Por exemplo, considere Tmed igual a x e

Tmax igual a y. No tempo t=1 a diferena

o produto (

x1 x

)(

y1 y

x1 x

negativa e

y1 y

tambm. Assim, para i=1,

) positivo. Portanto, a co-varincia em (3.1) mede exactamente essa

variabilidade conjunta. No caso do exemplo da Fig. 3.3, na maior parte dos casos, quando x i
maior (menor) que

y
, yi tambm maior (menor) que . Dessa forma, a somatria do

denominador torna-se positiva.

Se, ainda, as duas variveis possussem exactamente a mesma diferena com relao a mdia em
todos os tempos i, tal que quando uma subisse em uma direco a outra tambm acompanhasse
de um mesmo tanto (isto x = y para todos os tempos i), ento a co-varincia seria igual
varincia de x (ou de y, dado que as duas variveis possuem simultaneamente sempre a mesma
20

diferena em relao mdia em outras palavras Sx = Sy e SxSy=Varx=Vary). Nesse caso ento, a

relao 3.1 produziria um coeficiente de correlao de Pearson r=1
Agora, considere parte da srie temporal de TSM mostrada no diagrama de disperso da Fig.

Fig. Srie temporal da TSM no Pacfico Equatorial nas longitudes 150W (linha contnua azul) e
180W (linha contnua cor de rosa).
Um outro jeito de se olhar para o coeficiente de correlao de Pearson mover as constantes de
escala do denominador da Eq. 3.1 (isto , os desvios-padro). Esta operao leva a:

rx, y

1 n xi x yi y
1 n

Z xi Z y i
n 1 S x
S y
n 1
1
i 1

Onde Zxi e Zyi so as variveis xi e yi padronizadas

Concluso
Chegando o fim deste trabalho, conclui-se que, trata-se de uma descrio de valores de uma
nica varivel. Quando, porm, consideramos observaes de duas ou mais variveis surge um
novo problema: as relaes que podem existir entre as variveis estudadas.

21

Assim, quando consideramos variveis como peso e estatura de um grupo de pessoas, uso do
cigarro e incidncia do cncer, procuramos verificar se existe alguma relao entre as variveis
de cada um dos pares e qual dessa relao.
Uma vez caracterizada a relao, procuramos descrev-la atravs de uma funo matemtica. A
regresso o instrumento adequado para determinao dos parmetros dessa funo. Se todos os
valores das variveis satisfazem exactamente uma equao, diz-se que elas esto perfeitamente
correlacionadas ou que h correlao perfeita entre elas. Quando esto em jogo somente duas
variveis, fala-se em correlao e regresso simples. Quando se trata de mais de duas variveis,
fala-se em correlao e regresso mltipla.

Bibliografia
BARBETTA, P. A. Estatstica aplicada s cincias sociais. 5.ed. rev. Florianpolis: Ed. da UFSC,
2002;
BUSSAB, W. O., MORETTIN, P. A. Estatstica Bsica. 5. ed. rev. So Paulo: Saraiva, 2003;
22

STEVENSON, W. J. Estatstica aplicada administrao. So Paulo: Harper&Row do Brasil,

1981;
SOARES, J. F., FARIAS, A. A, CESAR, C. C. Introduo estatstica. 2. ed. Rio de Janeiro:
LTC, 2003;
BHATTACHARYYA, G. K.; JOHNSON, R. A. Statistical concepts

and methods. New York:

John Wiley & Sons, Inc., 1977;

ELANDT-JOHNSON, R. C. Probability models and statistical methods in Genetics. New York:
John Wiley& Sons, Inc., 1971;
MAGALHES, M. N.; LIMA, A. C. P. Noes de probabilidade e estatstica. So Paulo: Edusp,
2002.
NO TE ESQUEA DE AGRADECER
Nome: Srgio Alfredo Macore ou Helldriver Rapper
Nascido: 22 de Fevereiro de 1992
Natural: Cabo Delgado Pemba
Contacto: +258 826677547 ou +258 846458829
Email: Sergio.macore@gamil.com
Facebook: Helldriver Rapper Rapper ou Sergio Alfredo Macore
Formao: Gesto de Empresas e Finanas
NB: Se precisar de algo, no tenha vergonha de pedir, estou a sua disposicao para te ajudar,me
contacte.

23