Escolar Documentos
Profissional Documentos
Cultura Documentos
Alvarez 1
Diagrama de Dispersão
Tem por objetivo analisar o que ocorre com uma variável quando a outra
variável se altera, para saber se as duas estão relacionadas.
(relação entre causa e efeito).
Procedimento
colete os dados - preferencialmente entre 50 e 100 dados, cuja relação será
verificada.
desenhe os eixos - o eixo horizontal para as causas e o vertical para os efeitos.
plote os pontos; se houver valores repetidos use círculos concêntricos.
Coeficiente de Correlação
O estudo da correlação tem como objetivo medir e avaliar o grau de relação
linear entre duas variáveis aleatórias. Essa variável é um número entre –1 e +1
que mede a força da relação linear entre duas variáveis por exemplo renda e
poupança. Quanto mais próximo o valor estiver de +1, mais forte será a relação.
O valor negativo indica que valores altos de uma variável estão associados a
valores baixos da outra
variável.
A correlação não implica casualidade. O coeficiente +1 e –1 pode ocorrer por
acaso.
A população da Índia e o número de automóveis nos Estados Unidos, exibem
uma correlação positiva; esta é uma correlação falsa. Duas variáveis podem
estar altamente correlacionadas porque ambas são influenciadas pelos mesmos
fatores. Na Inglaterra existe uma correlação forte entre o número de casas de
apostas e o número de igrejas
O coeficiente de correlação desempenha um papel chave na análise de portfólios.
Para diversificar o risco, os investidores buscam ações cujos retornos
apresentam um baixo grau de correlação.
( , )
= =
O coeficiente de correlação Linear r (PEARSON) é
-1 r +1
= ∑( − ) =∑ − (∑ )
∑( )
Variância = =
Desvio padrão da variável X
∑( )
= =
= ∑( − ) =∑ − (∑ )
= =
∑( − )
Variância
= =
∑( − )
Correlação Profª Josefa A . Alvarez 2
X Y XY X2 Y2
SOMA
" :% = 0
! #
"' : % ≠ 0
T < - t n-2 , / 2 ou T > t n-2 , / 2
+ + 12
Região crítica Estatística teste
"# : % = %# +>+ 4 ,- . − ,- .
!
"' : % > %# − 0 − 12 0
+=
" : % = %# + < −+ 4
! # −3
"' : % < %#
" : % = %# + < −+ 4 56 + > +
! #
4
"' : % ≠ %#
+
== 8 9 : + ;<
− −3
? 7 ? =
1> = 1 = IC(;)=[ I; S]
? 7@ ? =@
Exercícios
1. Considere as variáveis X: idade da máquina (meses) Y: custo com manutenção
X 2 4 5 6 8
Y 48 56 64 60 72
Correlação Profª Josefa A . Alvarez 4
1
= ∑( − ) =∑ − (∑ ) ABB = 145 − (25) = 20
5
1
= ∑( − ) =∑ − (∑ ) AEE = 18320 − (300) = 320
5
'
= ∑( − )( − )=∑ − ∑ ∑ ABE = 1576 − J 25.300=76
=
SXX=20 SYY=320 SXY=76
MN
= = 2, PQ
√ 2∗3 2
COEF DE CORRELAÇÃO= 0,9500
Correlação positiva forte
Correlação Profª Josefa A . Alvarez 5
MN
covariancia
( , )= = = P
− R
2
Variância de X
= = =Q
− R
Variância de Y
3 2
= = = S2
− R
coeficiente de correlação
( , ) P
= = = = 2, PQ
T √Q √S2
Correlação Profª Josefa A . Alvarez 6
N. S,Q
= − 2( 2 )
= 2, S M
Há concordância entre as classificações.
Solução:
Teste de Hipótese para o coeficiente de correlação
" :% = 0
Hipóteses ! #
"' : % ≠ 0
nível de significância =0,05
Região Crítica t 13;0,025=2,160 portanto T<-2,160 ou T>+2,160
Estatística Teste
√ 2,R√ Q
W= = = , QMR
2,R
Conclusão: Não devemos rejeitar Ho ao nível de 5% de significância
5. Para os dados da tabela abaixo;
a. Determinar o coeficiente de correlação linear (Pearson) e verifique ao nível
de 5% se o coeficiente de correlação é zero ou diferente
b. Determinar o coeficiente de correlação ordinal (Spearman) e verifique ao
nível de 5% se o coeficiente de correlação é zero ou diferente.
Estudantes A B C D E
Alturas (cm) 183 175 168 178 173
Peso (Kg) 77 75 68 82 84
∑X= 877 n= 5 SXX= 125,2000
∑Y= 386,00 ∑X = 153951,00 SYY= 158,8000
2
Estatística Teste
√ 2,RQ√Q
W= = = 2, SMQ
2,RQ
Tcal não cai na RC portanto não devemos rejeitar H0
Correlação Profª Josefa A . Alvarez 8
N.∑ X N∗ R
= − ( )
= − Q(Q )
= 2, 3
H2 : b = 0
!
c :b ≠ 0
√ − 2, 3√Q −
W= →W= = 2, QRQ
√ − − 2, 3
Conclusão
RC={TT<-3,182 ou T>3,182}
Tcal=0,545 não cai na RC portanto não devemos rejeitar Ho
6. Para estudar a poluição de um rio, um cientista mediu a concentração de um
determinado composto orgânico (Y) e a precipitação pluviométrica na semana
anterior (X):
X 0,91 1,33 4,19 2,68 1,86 1,17
Y 0,1 1,1 3,4 2,1 2,6 1
√ − 2, M3P√N −
W= = = , P
√ − − (2, M3P)
O valor crítico de t para n-2 = 4 graus de liberdade e 5% de nível se significância
é 2,78.
Correlação Profª Josefa A . Alvarez 9
Como o valor calculado de t é inferior ao valor crítico, podemos concluir que não
existem evidências suficientes para afirmar que o composto orgânico (Y) e a
precipitação pluviométrica (X) estejam correlacionados.
7. Procurando quantificar os efeitos da escassez de sono sobre a capacidade de
resolução de problemas simples, um agente tomou ao acaso 10 sujeitos e os
submeteu a experimentação. Deixou-os sem dormir por diferentes números de
horas, após o que solicitou que os mesmos resolvessem os itens "contas de
adicionar" de um teste. Obteve, assim, os seguintes dados:
Calcule o coeficiente de correlação linear de Pearson e teste a sua significância
ao nível de 5%.
∑X= 160 n= 10 SXX= 320
Solução:
Q
= = = 2, P2
√3 2 ∗ ,R
Teste de Hipótese para o coeficiente de correlação
" :% = 0
Hipóteses ! #
"' : % ≠ 0
nível de significância =0,05
Região Crítica t 8;0,025=2,306 portanto RC={T| T<-2,306 ou T>+2,306}
H :b = 0
! 2
c :b ≠ 0
√ − 2, P2 √S −
W= →= = Q,
√ − − (2, P2 )
O valor crítico de t para n-2 = 8 graus de liberdade e 5% de nível se significância
é 2,306.
Como o valor calculado de t é superior ao valor crítico, podemos concluir que
existem evidências suficientes para afirmar que o número de horas sem dormir
(X) influencia significativamente o número de erros (Y).
8. A tabela ao lado apresenta as taxas de retorno das ações (RA) da Agressiva
S.A. e as taxas de retorno da carteira de mercado (RM), relativas aos últimos
7 meses.
Solução
∑X 0,61900 n= 7 SXX= 0,02156 Sx 0,05995