Baixe o app para aproveitar ainda mais
Esta é uma pré-visualização de arquivo. Entre para ver o arquivo original
correlação Diagrama de Dispersão Considere duas variáveis X e Y assumindo os valores (x1, y1), (x2, y2), · · · , (xn, yn). O diagrama de dispersão é um gráfico cartesiano contendo os pares de pontos (xi, yi), i = 1, 23, · · ·n. A relação entre as variáveis será direta (ou positiva) quando os valores de Y aumentarem em decorrência da elevação dos valores de X . Será inversa (ou negativa) quando os valores de Y variarem inversamente em relação aos de X. Tipos de correlações Correlação linear positiva: ocorre quando a variável “X” aumenta a variável “Y” também aumenta. Correlação linear negativa: ocorre quando a variável “X” aumenta a variável “Y” diminui. Correlação não linear: ocorre quando há um ponto de inflexão. Coeficiente de correlação Coeficiente de correlação: É uma medida do grau de correlação entre duas variáveis (representado pela letra r). Varia de –1 a + 1. Análise do Diagrama de Dispersão: O diagrama de dispersão mostrará que a correlação será tanto mais forte quanto mais próximo estiver o coeficiente de -1 ou +1, e será tanto mais fraca quanto mais próximo o coeficiente estiver de zero. Correlação perfeita negativa (r = −1): Quando os pontos estiverem perfeitamente alinhados, mas em sentido contrário, a correlação é denominada perfeita negativa. Correlação negativa (−1 < r < 0): A correlação é considerada negativa quando valores crescentes da variável X estiverem associados a valores decrescentes da variável Y, ou valores decrescentes de X associados a valores crescentes de Y. Correlação nula (r = 0): Quando não houver relação entre as variáveis X e Y, ou seja, quando os valores de X e Y ocorrerem independentemente, não existe correlação entre elas. Correlação positiva (0 < r < 1): Será considerada positiva se os valores crescentes de X estiverem associados a valores crescentes de Y. Correlação perfeita positiva (r= 1): A correlação linear perfeita positiva corresponde ao caso anterior, só que os pontos (X, Y) estão perfeitamente alinhados. Correlação espúria: Quando duas variáveis X e Y forem independentes, o coeficiente de correlação será nulo. Entretanto, algumas vezes, isto não ocorre, podendo, assim mesmo, o coeficiente apresentar um valor próximo de -1 ou +1. Neste caso a correlação é espúria. exemplo A tabela a seguir dá o número de anos de serviço (X) por número de clientes (Y) de agentes de uma companhia de seguros. Calcule o coeficiente de correlação entre as variáveis X e Y. Interprete o valor encontrado. Solução Exercício Regressão Linear Simples Finalidades da regressão Previsão (prever o valor de y a partir do valor de x). Estimar o quanto x influencia ou modifica y. No caso linear, por que os valores observados de X e Y nem sempre serão iguais aos valores estimados pela reta de regressão? As variações de Y podem não ser perfeitamente explicadas pelas variações de X, ou; Podem existir outras variáveis das quais Y depende, ou; Os valores de X e Y podem ter sido obtidos de uma amostra específica que apresenta distorções em relação a realidade. pressupostos para uso da regressão linear A variável y deve ter distribuição normal ou aproximadamente normal; Os pontos no diagrama de dispersão devem apresentar tendência linear. Se a relação for expressa por uma curva pode-se transformar os dados para tentar linearizar a associação ou então usa-se outra forma de regressão não linear; A variação de x deve ser a mesma para cada valor de y (homocedasticidade). Os valores de y foram obtidos ao acaso da população e são independentes uns dos outros; A variável x foi medida sem erro. O Modelo de Regressão Linear Simples Exemplo Solução
Compartilhar