Escolar Documentos
Profissional Documentos
Cultura Documentos
ANÁLISE DA ESPERANÇA E DA
VARIÂNCIA
Autor(a): Dra. Mariza Akiko Utida
Neste material, você irá aprender a analisar e a aplicar os procedimentos envolvendo o conceito e
as propriedades da esperança e da variância.
Você já parou para pensar como conseguimos medir a pressão sanguínea? Ou como se calcula a
vida útil de uma televisão de plasma? Ou, ainda, qual o lucro médio por conjunto (conjunto do quê?)
montado que espero conseguir? A resposta (para essas perguntas) está no estudo das medidas
para as distribuições , que utilizam muitos conjuntos de medidas na natureza, na indústria e nos
negócios . As variáveis aleatórias conjuntas representam as quantidades de notificações diárias de
incidentes de segurança em duas redes de computador.
Bons estudos!
Propriedades da
Esperança
Conjunta
Estudante, agora, vamos aprender a estrutura de medidas que proporciona expressar um conjunto
de dados referentes à observação de um determinado fenômeno.
O conceito mais conhecido é a média ponderada dos
possíveis valores que a variável aleatória pode receber,
também denominado de valor esperado ou esperança ,
isto é, as medidas de posição ou medidas que tendem
a centralizar, representando, assim, os fenômenos
através de seus valores médios , em torno dos quais
tendem a concentrar-se os dados. Um conceito
importante da probabilidade é o valor esperado de uma
variável aleatória.
Fonte: Maxim Evseev / 123RF.
Segundo Ross (2010, p. 161) “Seja uma variável aleatória X = x1 , x2 , … , xn com suas
respectivas probabilidades p(x1 ), p(x2 ), … , p(xn ), então a esperança, ou o valor esperado de X
representada por E(X), é definida por:
n
E (X) = ∑
i=1
”.
xi p (xi )
xi x1 x2 ... xn Total
#PraCegoVer : na tabela, temos, na primeira linha, a demonstração dos valores das variáveis
aleatórias unidimensional xi ; na segunda linha, a probabilidade de ocorrer cada caso,
somando em um total de um inteiro, o que equivale a 100%.
Estudante, vamos ajudá-lo a entender melhor, utilizando um exemplo: um jogador lança duas
moedas no jogo cara ou coroa, ganhando R$ 2,00 se ocorrerem duas caras e R$ 1,00 se ocorrerem
uma cara. Por outro lado, ele perde R$ 3,00 se nenhuma cara ocorrer. Encontre o valor esperado E
do jogo , ou seja, quanto se espera que o jogador ganhe.
Inicialmente, deve-se construir o espaço amostral, temos S = KK, KC, CK, CC , em que K é a
face cara da moeda, C é a face coroa da moeda e a cada amostra tem a probabilidade de ocorrer de
0,25 (tem-se, nesse caso, quatro resultados como apresentado em S = KK, KC, CK, CC ,
possibilitando a probabilidade de ocorrência em cada caso em
P (xi ) =
1
4
= 0, 25) , ou seja, melhor apresentado na tabela a seguir.
xi 2 1 −3
1 2 1
P (xi )
4 4 4
#PraCegoVer : na tabela, temos os valores das variáveis aleatórias xi , o número dois indica
X(KK) = R$2, 00 , o número um X(KC) = X(CK) = R$1, 00 e no número -3 temos
que X(CC) = R$ − 3, 00. O valor de P (xi ) , ou seja, a probabilidade de ocorrer cara ou
k
Logo, a esperança esperada determinada pela equação E (X) = ∑
i=1
xi p i , temos:
k
1 2 1 1
E(X) = ∑ xi p i = 2 ( ) + 1( ) − 3( ) = ( ) = 0, 25
4 4 4 4
i=1
Como a esperança é maior que zero , a probabilidade de o jogador obter um saldo positivo é de
25%.
Agora, prezado(a) estudante, vamos expandir o estudo para as condições de duas ou mais variáveis
aleatórias . As informações empregadas em um conjunto de dados, referentes aos dados inteiros
ou parte dos dados de uma população, na maior parte dos casos, contêm observações
multidimensionais, ou seja, observações relacionadas a várias variáveis . Por exemplo, em um
estudo de caso aplicado a alunos de uma universidade, podemos obter a idade, o tamanho da
família e o número de disciplinas já cursadas. Como pode haver repetição de valores, os resultados
podem ser organizados em uma tabela, com os possíveis pares associados às suas respectivas
frequências .
SAIBA MAIS
“O desenvolvimento da Probabilidade tem grande impulso em 1657, com a publicação do primeiro tratado
formal sobre probabilidades escrito pelo físico, geômetra e astrônomo holandês Christian Hygens. A esse
estudo deve-se o conceito de esperança matemática de grande relevância para o Cálculo de
Probabilidades e Estatística. Depois disso, apenas em 1713, foi publicado postumamente o primeiro livro
inteiramente dedicado à teoria das probabilidades de autoria de Jakob Bernoulli (1654-1705).”
https://www.ime.unicamp.br/erpm2005/anais/m_cur/mc02_b.pdf
Fonte: Lopes e Meirelles (2005, p. 1).
Para variáveis aleatórias de distribuição discreta , de acordo com Devore (2011, p. 191), temos que:
Para variáveis aleatórias de distribuição contínua , segundo Devore (2011, p. 191), temos que:
E[h(X, Y )] =
seja uma variável aleatória bidimensional (X, Y ) e uma função real definida por
Z = H(X, Y ).
Veremos, agora, caro(a) estudante, algumas propriedades importantes do cálculo do valor esperado
de uma variável aleatória . Em cada caso, admitimos que todos os valores esperados mencionados
existem.
Propriedade 1 . Se X = c , sendo c uma constante de número real, então, E(X) = c . De fato, se X
é uma variável aleatória discreta, temos que:
E (X) = ∑ xi P (X = xi ) = cP (X = c) = c.1 = c
i=1
Propriedade 2 . Seja (X, Y ) uma variável aleatória e c uma constante real. Então,
E(cX) = cE(X).
Propriedade 3 . Considere uma variável aleatória bidimensional (X,Y) com uma distribuição de
probabilidade conjunta: E(X + Y ) = E(X) + E(Y ) .
j=1 i=1
Para o caso contínuo, temos: seja (X,Y) variáveis aleatórias contínuas, consideramos
H1 (X, Y ) = X e H2 (X, Y ) = Y e f(x,y) a função densidade de probabilidade conjunta.
+∞ +∞
−∞ −∞
+∞ +∞ +∞ +∞
−∞ −∞ −∞ −∞
= E (X) + E (Y )
O resultado válido afirma que a independência de X e Y implica o valor esperado do produto XY ser
igual ao produto de duas variáveis. Ou seja, é o produto dos valores esperados. Logo:
E(XY ) = E(X)E(Y ) .
h(x, y) x
1 2 3 4 5
1 - 0 1 2 3
2 0 - 0 1 2
y 3 1 0 - 0 1
4 2 1 0 - 0
5 3 2 1 0 -
Vejamos, agora, como podemos assimilar a definição da esperança de uma variável aleatória
contínua . Para isso, um exemplo prático é necessário.
Observe esse exemplo com variável aleatória contínua unidimensional : o ponteiro dos segundos
de um relógio elétrico move-se continuamente, varre uma volta como sendo representado pela
variável aleatória contínua indicada por X . Existe a probabilidade de vários pontos que o ponteiro
dos segundos do relógio pode indicar, desde que esteja entre zero e 360 graus que esse ponteiro
forma com o eixo, como passar pelo centro do mostrador e pelo número XII , conforme
apresentado na Figura 2.1. Determine o valor esperado do relógio elétrico.
#PraCegoVer : o relógio mostra a divisão em quatro partes em números romanos III, V I, IX, XII e
em ângulos de zero a 360 graus (0,360°). O ponteiro maior está em zero, sendo representado pelo número
romano XII . O ponteiro menor é representado pelo número romano V I , ou ângulo de 180 graus. Por fim,
o ponteiro dos segundos do relógio está próximo a 90 graus e forma um ângulo x próximo ao número
romano III .
Solução:
Considerando, caro(a) estudante, o problema com um relógio elétrico, observamos que o conjunto
dos possíveis valores de X é um conjunto continuo de valores, pois X pode assumir qualquer valor
do intervalo {0, 360°} = {xϵR : 0 ≤ x ≤ 360°}.
Sejam X o peso das amêndoas em uma lata selecionada e Y o peso das castanhas de caju, então, a
região de densidade positiva é D={(x,y):0≤x≤1,0≤y≤1,x+y≤1}. Considerando a função densidade de
probabilidade conjunta de X e Y, se 1 kg de amêndoas custar para a empresa R$ 1,00, 1 kg de
castanhas de caju custar R$ 1,50 e 1 kg de amendoim custar R$ 0,50, teremos:
24 xy 0 ≤ x ≤ 1, 0 ≤ y ≤ 1, x + y ≤ 1
f (x, y) = {
0 caso contrario
#PraCegoVer : a figura apresenta um gráfico no plano cartesiano X e Y , para valores de x e y maior que
zero e menor que 1, em relação à equação x + y ≤ 1 .
Solução :
Pela definição da esperança conjunta de uma variável contínua aleatória bidimensional, temos:
+∞ +∞
−∞ −∞
Portanto,
h(x, y) = 1x + (1, 5)y + (0, 5)(1 − x − y) = 0, 5 + 0, 5x + y ⇒ h(x, y) = 0, 5 + 0, 5x + y .
+∞ +∞ 1 1−x
−∞ −∞ 0 0
1 1−x
2 2
= ∫ ∫ (12xy + 12 x y + 24xy ) dy dx
0 0
1 1
2 2 2 3 2 3 4
= ∫ [6x (1 − x) + 6x (1 − x) + 8y (1 − x) ] dx = ∫ (14x − 30x + 18x − 2x ) dx
0 0
2 1 3 1 4 1 5 1
= 7x | − 10x | + 4, 5 x | − 0, 4 x | = 1, 10
0 0 0 0
Por fim, o método para determinar o valor esperado do custo total esperado do peso do amendoim
é R$ 1,10.
Agora, caro(a) estudante, vamos colocar em prática tudo que aprendemos até aqui, resolvendo a
atividade a seguir. Vamos lá?
Conhecimento
Teste seus Conhecimentos
(Atividade não pontuada)
Você ganhou uma disputa e o seu prêmio está em um entre três envelopes. Você deve selecionar
um deles e ficar com o que houver nele. Dois envelopes contêm um cheque de R$ 30,00, mas o
terceiro envelope contém um cheque de R$ 3.000,00. Qual é o valor esperado dos ganhos E dos
seus ganhos, como distribuição de probabilidades?
xi 30 3000
2 1
P (xi )
3 3
3
cada evento.
Assinale a alternativa correta, a qual indica o valor correto da expectância dos três envelopes de
prêmios ganhos.
Conceito de Variância
Aplicado à
Distribuição Conjunta de
Probabilidades
Prezado(a) estudante, vamos seguir a nossa jornada de estudos? Observe que outra medida da
distribuição de probabilidade conjunta para a análise de probabilidade é a variância que depende do
cálculo da esperança, sendo muito necessária para determinar a variação em torno da média , visto
que é a medida que quantifica a dispersão. Trata-se de uma medida relativa de dispersão , útil para
a comparação em termos relativos do grau de concentração em torno da média.
A variância de uma variável aleatória unidimensional discreta X, segundo Meyer (1984, p. 157):
De uma maneira mais geral, a definição de variância para uma variável aleatória discreta contínua
unidimensional é dada por:
+∞
2
V (X) = ∫ (x − μ ) f (x) dx
x
−∞
Através da integral em que se calcula área, temos, que a esperança para variáveis aleatórias
continuas define pela função e sua imagem x f(x) entre o intervalo [+∞, −∞] , isto é,
+∞
E (X) = ∫ x f (x) dx
−∞
Portanto, variância mede dispersão. E o faz mais ou menos do mesmo modo que o desvio médio,
ou seja, medindo o afastamento médio dos dados em relação à média do conjunto. A diferença é
que, tomando o quadrado dos desvios, a variância consegue uma espécie de média ponderada
desses desvios, em que desvios maiores entram com peso maior que os desvios menores.
A fim de você fixar alguns dos conceitos trazidos pelas propriedades da variância, a seguir, tem-se
um exemplo.
Estudante, os métodos para comparar as variâncias de duas populações (ou desvios padrão), por
exemplo, são necessários, no caso em que as populações sob investigação são normais, os
procedimentos são feitos com base em uma nova família de distribuições de probabilidades.
X 0 1 2 3 4 5 6 7 8 9 10
P(X) 0,05 0,15 0,15 0,06 0,06 0,06 0,06 0,06 0,15 0,15 0,05
Solução :
E(X) = 0.(0, 05) + 1.(0, 15) + 2.(0, 15) + 3.(0, 06) + 4.(0, 06) + 5.(0, 06) + 6.(0, 06)
2
E(X ) = 0.(0, 05) + 1.(0, 15) + 4.(0, 15) + 9.(0, 06) + 16.(0, 06) + 25.(0, 06) + 36.(0, 06)
Agora, caro(a) estudante, vejamos um exemplo com variável aleatória contínua unidimensional , de
acordo com Meyer (1984, p. 159): “suponhamos que X seja uma variável aleatória contínua definida
pela função densidade de probabilidade.
1 + x, se − 1 ≤ x ≤ 0
f (x) = { ”.
1 − x, se 0 ≤ x ≤ 1
#PraCegoVer : a figura apresenta um gráfico no plano cartesiano X e f(x) para calcular a área da função
de densidade apresentada pelas equações da reta, no intervalo de [-1, 0] e [0, 1].
É preciso determinar a variância das variáveis aleatórias contínuas definida pela função densidade
de probabilidade f(x) . Veja a solução a seguir.
Solução :
0 1
0 1
3 2 2 3
x x x x
E (X) = ∫ x (1 + x) dx + ∫ x (1 − x) dx = ( + ) + ( + ) = 0
3 2 2 3
−1 0
−1 0
0 1
0 1
4 3 3 4
x x x x
2 2 2
E (X ) = ∫ x (1 + x) dx + ∫ x (1 − x) dx = ( + ) + ( − )
4 3 3 4
−1 0
−1 0
4 4 3 3 3 3 4 4
0 (−1) 0 (−1) 1 0 1 0 1 1 1 1
= [( − ) + ( − )] + [( − ) − ( − )] = − + + − =
4 4 3 3 3 3 4 4 4 3 3 4
Portanto, a variância é:
1
2 2
V (X) = E(X ) − [E(X)] =
6
observam os valores dos pares ordenados (xi , yj ) pode ser notável estudar as relações
por contingencia existentes entre os dois fenômenos, denominado relações estatísticas.
Não se trata de estudar relações funcionais, isto é, a medida em que o valor de uma
variável é determinado exatamente pela outra, porem estudar a forma de como a
alteração de uma variável poderá afetar a variação da outra, em média. Como por
exemplo, o peso e a altura normalmente estão relacionados, mas a relação não é
determinística. Duas variáveis associadas por uma relação estatística dizem-se
correlacionadas. Se as variações acontecem, em média ou tendencialmente, no mesmo
sentido, a correlação diz-se positiva. Se ocorrem em sentidos opostos, a correlação diz-
se negativa (SALSA; MOREIRA, 2014, p. 58).
No caso de dependência linear e de variáveis quantitativas, existe uma outra medida que é
frequentemente utilizada, definida com o nome de correlação entre variáveis aleatórias, que será
apresentada a seguir, para um conjunto de dados brutos.
uma variável aleatória bidimensional (X,Y) definida por ρX,Y , e chamado de coeficiente
de correlação, entre X e Y, resolvemos da seguinte maneira:
E{[X−E(X)][Y −E(Y )]}
ρ X,Y = ,
√V (X)V (Y )
Supondo que existam as esperanças E(X) e E(Y) e que as variâncias V(X) e V(Y) sejam
diferentes de zero.
Teorema :
Demonstração :
= E(XY) − E(X)E(Y)”
Teorema :
Analisando os coeficientes de correlação, caro(a) estudante, quanto mais próximo do limite inferior
ou do limite superior de −1 ≤ ρ
X,Y
≤ 1 , ou seja, de -1 ou +1 (o resultado próximo de zero),
significa que pior será o resultado .
Por exemplo, “a quantidade de chuva é um fator importante na produtividade agrícola. Para medir
esse efeito foram anotados, para oito diferentes regiões produtoras de soja, o índice pluviométrico
em milímetros ( X ) e a produção do último ano em toneladas ( Y ). Vamos determinar o coeficiente
de correlação” (MAGALHÃES; LIMA, 2005, p. 154).
Y 40 46 45 37 25 54 33 30
Tabela 2.5 - Distribuição de probabilidade distribuída entre o índice pluviométrico e a produção agrícola
Fonte: Magalhães e Lima (2005, p. 154).
#PraCegoVer : na tabela, tem-se os valores das variáveis aleatórias na primeira linha, os valores
de X= índice pluviométrico em milímetros, com os valores de (120,140,122,150,115,190,130 e
118). Na segunda linha, tem-se os valores da variável Y=produção do último ano em toneladas,
com os valores (40,46,45,37,25,54,33 e 30).
Solução :
Somatório da variável X :
8
∑ xi = 120 + 140 + 122 + 150 + 115 + 190 + 130 + 118 = 1085
i=1
Somatório da variável Y :
8
∑ y = 40 + 46 + 45 + 37 + 25 + 54 + 33 + 30 = 310
i=1 i
8
∑ xi y = 120 . (40) + 140 . (46) + 122 . (45) + 150 . (37) + 115 . (25) + 190 . (54) + 1
i=1 i
8
∑ xi
Temos, também, que a média da variável X é: x̄ =
i=1
n
=
1085
8
= 135, 625 , e da variável Y é:
8
∑ yi
ȳ =
i=1
n
=
310
8
= 38, 75 , sendo n = 8 o número das regiões agrícolas.
Segundo Larson e Farber (2015, p. 439) “uma correlação é definida como uma relação entre duas
variáveis. Os dados podem ser representados por pares ordenados (x,y), sendo x a variável
independente e y a variável dependente.”
#PraCegoVer : a figura (a) apresenta uma representação gráfica de dispersão no plano cartesiano de um
exemplo de correlação linear negativa, conforme x cresce, y tende a decrescer. A figura (b) mostra um
exemplo de correlação linear positiva, conforme x cresce, y tende a crescer. A figura (c) apresenta um
exemplo gráfico de dispersão quando não há correlação, em que todos os pontos estão totalmente
aleatórios e dispersos. Por fim, a figura (d) apresenta um gráfico de dispersão de correlação não linear, em
que os pares ordenados crescem e decrescem em uma ordem de parábola.
Vamos a outro exemplo, estudante: no Rio Grande do Sul, uma universidade deseja realizar um
estudo da velocidade do vento em todo o estado, sempre uma hora da manhã para os primeiros 15
dias, com a intenção de instalar energia eólica. Sendo coletado dados como o tempo e a velocidade
em uma tabela, observe a tabela a seguir.
x = D 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
Y = vt 22,2 61,1 13,0 27,8 22,2 7,4 7,4 7,4 20,4 20,4 20,4 11,1 13,0 7,4 14,8
#PraCegoVer : na tabela, tem-se, na primeira linha, o dia de análise para verificar a velocidade
do tempo, sendo a variável X; na segunda linha, tem-se a velocidade do vento como a segunda
variável trabalhada, dividida em 15 partes.
Pede-se, para melhor visualização, a representação gráfica do comportamento do vento ao longo
dos 15 primeiros dias. É possível afirmar que existe algum tipo de correlação, estudante?
Solução :
Figura 2.5 - Representação gráfica de dispersão sobre correlação do vento em um determinado tempo
Fonte: Bussab e Moretin (2018, p. 484).
#PraCegoVer : a figura apresenta os pontos no plano cartesiano da velocidade do vento. O eixo x mostra o
dia que foi analisado a velocidade do vento, que é representada no eixo y.
Caro(a) estudante, para ajustar a dispersão , consideramos três conjuntos de cinco pontos. É fácil
de observar que as linhas na figura representam o comportamento dos pontos de velocidade do
vento no plano cartesiano (x, y). Na representação gráfica, ocorre uma correlação linear negativa,
pois conforme x cresce o valor de y diminui.
REFLITA
Agora, estudante, vamos conhecer mais sobre a covariância entre duas variáveis aleatórias . Para
duas variáveis aleatórias X e Y dependentes, uma medida de dependência linear entre as variáveis
X e Y é dada pela covariância , isto é, a covariância mede a relação linear entre duas variáveis . A
covariância tem parecença à correlação entre duas variáveis, em que os coeficientes de correlação
têm um padrão e, deste modo, existe uma relação de linearidade, resultando em um coeficiente de
correlação. No entanto, os valores de covariância não são padronizados. Portanto, a covariância
pode variar de menos infinito a mais infinito, e o valor para uma relação linear ideal depende dos
dados. Como os dados não são padronizados, é difícil determinar a força da relação entre as
variáveis (DEVORE, 2011, p. 193).
Definição :
Cov (X, Y ) = ⎨ +∞ +∞
⎪
⎩ ∫ ∫ (X − ∑ x p x (x)) (Y − ∑ yp y (y)) f (x, y) dxdy X, Y cont í nuas
⎪
−∞ −∞
Segundo Magalhães e Lima (2005, p. 161) a “covariância é o valor esperado do produto dos desvios
de cada variável em relação a sua média. A covariância pode ser calculada mais facilmente pela
seguinte equação:
esperados.
Sub-região 1 2 3 4 5 6 7 8 9 10
X 0 0 0 0 1 2 1 2 2 0
Y 1 2 1 0 1 0 0 1 2 2
Após a coleta de dados brutos, a escolha de uma das sub-regiões ocorre aleatoriamente. Dessa
forma, precisamos determinar a probabilidade de cada região, por isso, apresentamos as
informações na tabela abaixo.
X\Y 0 1 2 P (X = x)
1 2 2 5
0
10 10 10 10
1 1 2
1 0
10 10 10
1 1 1 3
2
10 10 10 10
3 4 3
P (Y = y) 1
10 10 10
Tabela 2.8 - Probabilidade da quantidade de poços, riachos ou rios subdivididos em dez sub-regiões
Fonte: Magalhães e Lima (2005, p. 143).
Diante dos dados apresentados, estudante, pede-se para determinar a covariância da variável
aleatória bidimensional discreta.
Solução :
5 2 3 8
E(X) = ∑ xp(x) == 0x + 1x + 2x =
10 10 10 10
x
3 4 3
E(Y ) = ∑ yp(y) == 0x + 1x + 2x = 1
10 10 10
y
E(XY ) = [p(0, 0) + p(0, 1) + p(0, 2) + p(1, 0) + p(2, 0)] X [p(1, 1)] X [p(1, 2) + p(2, 1)] x(2, 2)
1 2 2 1 1 1 0 1 1 7 1 1 1 7
= [ + + + + ]X [ ]X [ + ]X = X X X =
10 10 10 10 10 10 10 10 10 10 10 10 10 10
7 8 1
Cov(X, Y ) = E(XY ) − E(X)E(Y ) = − × 1 = − = −0, 1
10 10 10
Estudante, o valor da covariância é negativo indicando que as variáveis aleatórias possuem relação
oposta, isto é, enquanto uma variável aumenta a outra diminui. Neste caso, os valores significam
que duas variáveis aleatórias tendem a variar entre si e acima da média , isto é, indicam que valores
acima da média de uma variável estão associados com valores médios abaixo da outra variável.
Conhecimento
Teste seus Conhecimentos
(Atividade não pontuada)
praticar
Vamos Praticar
“Um estudante conduz um estudo para determinar se existe uma relação linear entre o número
de horas que um aluno faz exercícios a cada semana e o seu coeficiente de rendimento. Os dados
são mostrados na tabela abaixo.” (LARSON; FABER, 2015, p. 441).
Horas de
12 3 0 6 10 2 18 14 15 5
exercício, x
CR, y 3,6 4,0 3,9 2,5 2,4 2,2 3,7 3,0 1,8 3,1
LIVRO
ISBN : 85-221-0459-X
WEB
ACESSAR
Conclusão
Caro(a) estudante, nesta unidade, você estudou a análise de esperança ou valor esperado de funções de
uma ou duas variáveis aleatórias discretas . Também estudamos algumas propriedades envolvendo a
esperança em variáveis aleatórias .
Depois, você estudou o conceito e as propriedades da variância de uma e duas variáveis aleatórias
discretas e contínuas, concluindo que a variância é uma das medidas de dispersão , que mostra o
comportamento dos dados de uma amostra em relação a uma medida central.
Você também pôde analisar que o fato de duas variáveis aleatórias serem fortemente correlacionadas
não significa que haja um índice de correlação forte entre os dados, ou seja, isso não implica em uma
relação funcional entre eles.
Por fim, o coeficiente de correlação é igual à covariância dividida pelo produto dos desvios padrão das
variáveis. Uma covariância positiva sempre resulta em uma correlação positiva, e uma covariância
negativa sempre resulta em uma correlação negativa. Até a próxima!
Referências
BUSSAB W.O.; MORETIN P. A. Estatística Básica . 9. ed. São
Paulo: Saraiva, 2018.
DEVORE J. L. Probabilidade e Estatística para Engenharias e Ciências . 6. ed. São Paulo: Cengage Learning,
2011. (Biblioteca Ânima).
MEYER, P. L. Probabilidade: Aplicações à Estatística . Rio de Janeiro: Editora LTC, 1984. (Biblioteca Ânima).
ROSS, S. Probabilidade Um curso moderno com aplicações . 8. ed. Porto Alegre: Bookman, 2010.