Diferenças
Aqui você vê as diferenças entre duas revisões dessa página.
| Ambos lados da revisão anteriorRevisão anterior | |||
| disciplinas:ce067:teoricas:bidimensional [2008/02/22 17:18] – silvia | disciplinas:ce067:teoricas:bidimensional [2008/02/22 17:26] (atual) – silvia | ||
|---|---|---|---|
| Linha 43: | Linha 43: | ||
| A linha dos totais fornece a distribuição da variável Y, ao passo que a coluna dos totais fornece a distribuição da variável V. A distribuições assim obtidas são chamadas tecnicamente de distribuições marginais, enquanto o conteúdo da tabela constitui a distribuição conjunta de Y e V. | A linha dos totais fornece a distribuição da variável Y, ao passo que a coluna dos totais fornece a distribuição da variável V. A distribuições assim obtidas são chamadas tecnicamente de distribuições marginais, enquanto o conteúdo da tabela constitui a distribuição conjunta de Y e V. | ||
| + | ===== Associação entre variáveis quantitativas ===== | ||
| + | |||
| + | Uma das questões que é levantada entre pesquisadores de diversas áreas diz respeito a associação entre variáveis. Veja alguns casos: | ||
| + | |||
| + | * A velocidade do atleta está associada com sua massa muscular ? | ||
| + | * A venda diária de refrigerantes está associada a temperatura máxima ? | ||
| + | * A nota de matemática de um aluno está associada a sua nota em física ? | ||
| + | |||
| + | //**Exemplo 5.3:** Dentre os alunos do 1o ano do ensino médio de uma certa escola, selecionou-se os quinze alunos com melhor desempenho (nota acima de 7) em inglês. Veja na tabela abaixo as notas em inglês, português e matemática destes quinze alunos.// | ||
| + | |||
| + | < | ||
| + | \begin{tabular}{c|ccc} \hline | ||
| + | & & Notas\\ | ||
| + | Aluno & Inglês & Português & Matemática\\ \hline | ||
| + | 1 & 7 & 8 & 5 \\ | ||
| + | 2 & 7 & 6 & 6 \\ | ||
| + | 3 & 7 & 8 & 7 \\ | ||
| + | 4 & 7 & 9 & 5 \\ | ||
| + | 5 & 8 & 8 & 5 \\ | ||
| + | 6 & 8 & 6 & 5 \\ | ||
| + | 7 & 8 & 9 & 6 \\ | ||
| + | 8 & 8 & 7 & 4 \\ | ||
| + | 9 & 8 & 7 & 7 \\ | ||
| + | 10 & 8 & 6 & 6 \\ | ||
| + | 11 & 8 & 7 & 5 \\ | ||
| + | 12 & 9 & 8 & 5 \\ | ||
| + | 13 & 9 & 9 & 6 \\ | ||
| + | 14 & 9 & 8 & 5 \\ | ||
| + | 15 & 10 & 8 & 5 \\ \hline | ||
| + | \end{tabular} | ||
| + | </ | ||
| + | |||
| + | Para uma análise inicial da associação entre duas variáveis quantitativas, | ||
| + | |||
| + | {{disciplinas: | ||
| + | |||
| + | **Figura 5.1- Diagrama de dispersão entre notas de inglês e português** | ||
| + | |||
| + | Na Figura 5.1 é apresentado um diagrama de dispersão entre as notas de inglês e as notas de português dos 15 alunos. A reta tracejada indica qual seria o comportamento teórico se a associação entre as duas notas fosse perfeita, ou seja, se o alunos tivessem obtido as mesmas notas em português e inglês. A reta é referência para avaliar o comportamento dos alunos. Aqueles que tiveram desempenho melhor em português do que inglês estão acima da reta e os outros, que tiveram melhor desempenho em inglês, estão abaixo da reta. | ||
| + | |||
| + | {{disciplinas: | ||
| + | |||
| + | **Figura 5.2- Diagrama de dispersão entre notas de inglês e matemática** | ||
| + | |||
| + | Um novo diagrama de dispersão (Figura 5.2) ilustra a associação entre as notas de inglês e matemática. Nesta figura, revela-se a tendência dos alunos com bom desempenho em inglês apresentarem mau desempenho em matemática. | ||
| + | |||
| + | Embora o diagrama de dispersão seja uma importante ferramenta para visualizar a associação entre duas variáveis quantitativas, | ||
| + | |||
| + | Para representar objetivamente o grau de associação entre valores observados para duas variáveis quantitativas, | ||
| + | |||
| + | === Coeficiente de correlação (para um conjunto de dados) === | ||
| + | |||
| + | Para um conjunto de dados com n pares de valores //(x,y)// para as variáveis X e Y , a dependência (grau de associação) linear é medida através do coeficiente de correlação linear | ||
| + | |||
| + | < | ||
| + | \rho_{X,Y}= \dfrac{\sum_{i=1}^n(x_i-\bar{x}_{obs})(y_i-\bar{y}_{obs})}{\sqrt{[\sum_{j=1}^n(x_j-\bar{x}_{obs})^2][\sum_{j=1}^n(y_j-\bar{y}_{obs})^2]}} | ||
| + | </ | ||
| + | |||
| + | de forma mais conveniente este coeficiente pode ser reexpresso como: | ||
| + | |||
| + | < | ||
| + | \rho_{X,Y}= \dfrac{\sum_{i=1}^nx_iy_i -n\bar{x}_{obs}\bar{y}_{obs}}{\sqrt{[\sum_{j=1}^nx_j^2-n\bar{x}_{obs}^2][\sum_{j=1}^ny_j^2-n\bar{y}_{obs}^2]}} | ||
| + | </ | ||
| + | |||
| + | O coeficiente de correlação é uma medida adimensional que varia de -1 até 1. Quanto mais próximo dos extremos, maior é a evidência de asssociação entre as variáveis. Caso o coeficiente de correlação seja igual a zero, não há dependência linear entre as variáveis. | ||
| + | |||
| + | //**Exemplo 5.11:** A quantidade de chuva é um fator importante na produtividade agrícola. Para medir esse efeito foram anotados, para 8 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.// | ||
| + | |||
| + | < | ||
| + | \begin{tabular}{|c|c|c|c|c|c|c|c|c|}\hline | ||
| + | X & 120 & 140 & 122 & 150 & 115 & 190 & 130 & 118 \\ \hline | ||
| + | Y & 40 & 46 & 45 & 37 & 25 & 54 & 33 & 30 \\ \hline | ||
| + | \end{tabular} | ||
| + | </ | ||
| + | |||
| + | Para calcular o coeficiente de correlação entre o índice pluviométrico e a produção agrícola, através da segunda das formulações apresentadas, | ||
| + | |||
| + | < | ||
| + | < | ||
| + | < | ||
| + | < | ||
| + | < | ||
| + | |||
| + | a substituição destes resultados na fórmula, gera o coeficiente : | ||
| + | |||
| + | < | ||
| + | |||
| + | note que o valor próximo a 1, expressa associação positiva indicando que o aumento da quantidade de chuva está associado com aumento da produção. | ||
| ===== Associação entre variáveis qualitativas e quantitativas ===== | ===== Associação entre variáveis qualitativas e quantitativas ===== | ||
