Análise de Dados

Continuação – 16
Correlação entre Variáveis
 A análise de correlação (coeficiente de Pearson) é uma técnica
matemática que possibilita evidenciar a relação entre duas
variáveis e a força e o direcionamento desta relação.

 Essa medida leva em consideração o grau de dispersão entre as

variáveis. Quanto menor for a dispersão, maior é correlação
entre estas duas variáveis.

 O coeficiente de correlação (r) somente pode assumir valores

que estejam no intervalo [-1,1].
 Os diagramas de dispersões a seguir,
ilustram as variações do coeficiente de
correlação linear.
 Na figura 4.2, nós podemos observar uma
correlação positiva perfeita entre as variáveis.

 Os dados caem sobre uma linha reta, ascendente.

Logo, podemos dizer que na medida que o valor
de x aumenta, o valor de y vai aumentar também.
(por isso é uma correlação positiva)

 Também, para cada valor conhecido de x,

podemos prever um de y, exatamente.

 Já na figura 4.3, podemos ver uma forte

correlação positiva, mas não é perfeita. Logo não
podemos ter uma exatidão.
 Na figura 4.4, podemos ver que do lado esquerdo, o Y é
constante. (r = 0) Não há correlação entre as variáveis.

 Já no lado direito, existe alguma dispersão mas não há

nenhuma associação particular entre x e y. Ou seja, podemos
dizer que há pouca correlação entre as variáveis. [-0,3 , 0,3]
 E a correlação negativa? Vemos do mesmo
jeito que a positiva, a diferença é que na
medida que o valor de x aumenta, y diminui.
Ou seja.
Regressão Linear
Ilustração
Exemplo
 O exemplo anterior, é um modelo
determinístico. O uso da eletricidade é
conhecido, então as taxas podem ser
previstas sem variação.

 O modelo de regressão linear simples (ou

método dos mínimos quadrados), é utilizado
para situações onde não há essa exatidão.
(modelo probabilístico)

 Vamos ver os cálculos a seguir:

Como calcular?
 O modelo de uma regressão linear simples é:
 Y = a + bx

 Para achar a e b :
Exercício
Próxima Aula:

Distribuições