Correlação: Diagrama de

dispersão
• Permite representar em simultâneo
variáveis de nível quantitativo;
• Permite ver se existe relação entre
elas;
• Se essa relação é linear ou não, e se
tem ou não outlieres que podem
distorcer os coeficientes de
correlação.
Correlação: Diagrama de
dispersão
 Correlação: Diagrama de
dispersão
• Simple Scatter – Serve para representar duas
variáveis quantitativas.
Exemplo: Analisar o efeito que os níveis de stress
tem nas notas de uma disciplina.
• Overlay Scatter – Quando se pretende
representar no mesmo gráfico vários pares
de variáveis, em que se repete uma delas.
Exemplo: Supondo que os resultados de um
exame dependente não só dos níveis de
stress mas também do numero de horas de
estudadas.
 Correlação: Diagrama de
dispersão
• Matrix Scatter – Quando existem vários
pares de variáveis. Permite ver todas
as combinações possíveis entre pares
de variáveis.
• A sua interpretação torna-se difícil
com mais de três variáveis
 Correlação: Coeficiente R de
Pearson e R²
• Aplicável a variáveis de nível intervalo ou
rácio e exige:
a) Uma relação linear entre as duas variáveis;
b) Que os dados sejam oriundos de uma
distribuição normal bidimensional, para
poder se inferir.
NB: A violação da normalidade afecta pouco o
erro do tipo U e a potencia do teste,
especialmente para n > 30 (Jacob Cohen,
1988:109).
• Varia entre -1 e 1;
 Correlação: Coeficiente R de
Pearson e R²
• O coeficiente igual a +1 significa que as
duas variáveis tem uma correlação
perfeita positiva, isto é, quando uma
aumenta a outra também aumenta em
media um valor proporcional;
• Quando o coeficiente é -1 significa que
uma relação linear negativa perfeita
entre ambas;
• Um coeficiente igual a zero significa que
não existe relação linear entre as
variáveis.
 Correlação: Coeficiente R de
Pearson e R²
• Por convenção em ciências exactas
sugere-se:
Valor de R Nivel de associacao linear
R < 0.2 Muito baixa
0.2 < R < 0.39 Baixa
0.4 < R < 0.69 Moderada
0.7 < R < 0.89 Alta
0.9 < R < 1 Muito Alta

• Se um R for 0.8 e outro 0.4, tal não

significa que a primeira a associação
seja o dobro da primeira.
 Correlação: Coeficiente R de
Pearson e R²
• A comparação dos dois coeficientes
deve ser feita em termos do seu valor
quadrático que se designa por
Coeficiente de determinação R², que
indica a percentagem de variação de
uma variável explicada pela outra.
• O R² varia de 0 a 1: Quanto mais próximo
de 1, maior a percentagem de variação
de uma variável que é explicada pela
outra.
 Correlação: Coeficiente R de
Pearson e R²
Exemplo: Pretende-se testar:
H0: R = 0, isto é não existe correlação entre as
variáveis peso e altura.
H1: R ≠ 0, isto é, existe correlação entre as variáveis
peso e altura.
Correlação: Coeficiente R de
Pearson e R²
 Correlação: Coeficiente R de
Pearson e R²
Os dados indicam-nos que a medida que a altura
aumenta o peso dos indivíduos também tende a
aumentar o que pressupõe-se que existe algum tipo
de correlação linear entre as variáveis.
 Correlação: Coeficiente R de
Pearson e R²
Ambas as variáveis quantitativas tem distribuição
normal, pressuposto requerido para a utilização
inferencial do R de Pearson.
O nível de significância dos testes para a altura e
peso, levam a não rejeição da normalidade de
ambas as distribuições, para qualquer erro do tipo I
do analista.
Correlação: Coeficiente R de
Pearson e R²
 Correlação: Coeficiente R de
Pearson e R²
• Como R = 0.341 significa que existe uma fraca associação
linear positiva entre as variáveis (peso e a altura);
• R² = 0.12 (12% da variação na altura é explicada pelo peso e
vice versa).
• No entanto como o nível de sig = 0.408 não se rejeita a
hipótese H0 da correlação ser zero no universo para qualquer
erro tipo I do analista.
• Em resumo: Existe fraca associação linear entre a altura e o
peso que não é estatisticamente significativa.
 Coeficiente de correlação Ró
de Spearman
• Mede a intensidade da relação entre
variáveis ordinais. O SPSS usa em vez
do valor nele observado, apenas a
ordem da observação.
• Deste modo, este coeficiente não é
sensível a assimetrias na distribuição,
nem a presença de outliers, não
exigindo que os dados provenham de
duas populações normais.
 Coeficiente de correlação Ró
de Spearman
• Aplica-se em variáveis
intervalares/rácio como alternativa ao
R de Pearson, quando neste ultimo se
viola a normalidade.
• Varia entre -1 e 1. Quanto mais
próximo estiver destes extremos, maior
será a associação linear entre as
variáveis.
 Coeficiente de correlação Ró
de Spearman
• O sinal negativo da correlação significa
que as variáveis variam em sentido
contrario;
• Frequentemente o teste de Kendall’s Tau
B é apresentado como alternativa ao Ro
de Spearman quando se tem poucos
dados, e para situações em que varias
pessoas tem os mesmos valores numa ou
nas duas variáveis, ou seja quando
existem empates.
 Coeficiente de correlação Ró
de Spearman
Exemplo: No SPSS Data Editor apresenta-se
os valores da autonomia no trabalho
(autonomi) e da especialização no
desempenho (especial), onde 1 = muito
baixa ate 5 = muito alta.
Pretende-se testar:
H0: Não há correlação ordinal entre as
variáveis.
H1: Há correlação ordinal entre as
variáveis.
Coeficiente de correlação Ró
de Spearman
 Coeficiente de correlação Ró
de Spearman
• Existe uma relação linear moderada e negativa
entre as variáveis (Ró de Spearman = -0.450), sig =
0.072, a qual é estatisticamente significativa com
um erro tipo I de 0.10.
• Verifica-se ainda que 20% [=(-0.450)²x100%)] da
variação na autonomia é explicada pela
especialização, sendo que os restantes 80%
explicados por outros factores.
 Regressão
• Regressão: Modelo estatístico usado
para prever o comportamento de
uma variável quantitativa (variável
dependente ou Y) a partir de uma ou
mais variáveis relevantes de natureza
essencialmente intervalo ou rácio
(variáveis dependentes), informando
sobre a margem de erro dessas
previsões.
 Regressão
• Quando existe apenas uma variável X, o
modelo designa-se por regressão linear
simples (MRLS). Quando existe mais do que
uma variável X o modelo designa-se por
modelo de regressão múltipla (MRLM);
• Na regressão, a correlação que mede o grau
de associação entre duas variáveis é usada
para prever Y;
• Quanto maior for a correlação entre X e Y
melhor será a previsão;
• Quanto menor for essa correlação maior é a
margem de erro na previsão.
 Regressão – MRLS
• A equação da recta do MRLS é dada:
y i     xi   i
• A utilização do MRLS carece da
verificação das seguintes hipóteses:
H1: Linearidade do fenómeno em
estudo.
H2: Para cada valor fixo de Y:
y  N (   x i ;  )
 Regressão – MRLS
H3: As observações de Y são
independentes umas das outras;
H4:  i  N ( 0 ,  )
H5: As variáveis aleatórias residuais
referentes a duas observações
diferentes não estão correlacionadas,
sendo portanto independentes entre
si. Deste modo a sua co-variância é
zero, isto é: Cov ( i  j )  0 , para i ≠ j
 Regressão – MRLS
Exemplo: Pretende-se analisar a relação entre preço
dos óculos de sol da marca A em unidades
monetárias, e as correspondentes quantidades
vendidas, numa amostra aleatória de 1200 vendas.
 Regressão – MRLS (Exploração dos dados)
Sobrepõe-se o cursor no gráfico e dá-se dois clicks
que activam o “Chart Editor”, onde se pressiona “Add
Fit Line at Total”. No “Data Label Mode” sobrepõe-se
o cursor ao ponto mais afastado da recta que
assinala o ponto 7.
 Regressão – MRLS (Exploração dos dados)

• A relação parece ser aproximadamente

linear visto que os pontos se concentrarem
com pequenos desvios em relação a recta
estimada, pelo que a hipótese de linearidade
parece não ser violada.
• Os dados apresentam outliers, observação
#7, que corresponde a um preço de 70 u.m e
a uma quantidade vendida de 80 unidades.
• A recta ajustada tem inclinação negativa, o
que significa que em media a maiores preços
estão associadas menores quantidades
vendidas e vice-versa.
 Regressão – MRLS (Exploração dos dados)

• Se a recta ajustada fosse horizontal e a

relação entre X e Y não fosse linear, devia
procurar-se uma transformação dos dados
de modo a obter linearidade ou, em
alternativa, considerar outro método de
analise, como por exemplo a regressão não
linear;
• Se cada preço determinasse exactamente
cada quantidade vendida, todos os pontos
do gráfico se situariam na recta que tem
inclinação negativa
Regressão – MRLS (Estimação e
Previsão)
Regressão – MRLS (Estimação e
Previsão)
 Regressão – MRLS (Estimação e
Previsão)
A previsão^ de Y em função a X, é dada pela
equação: Yi  210 . 444  1 . 578 X i

Esta recta alem de descrever formalmente a relação

entre X e Y, permite predizer o valor das vendas para
um preço. Assim por exemplo, para um preço
estimado de 110 unidades monetárias espera-se
vender em media 36.88 óculos.
Regressão – MRLS (Estimação e
Previsão)
• Interpretando β: Pode dizer-se que por
cada aumento de uma unidade no
preço dos óculos as vendas diminuem
em media 1.578 óculos.
• Interpretando o : Pode dizer-se que
para um preço nulo, as vendas são
medidas de 210.444 óculos.
Regressão – MRLS (Estimação e
Previsão)
• Em termos amostrais, interessa analisar a
qualidade obtida da recta estimada pelo
método dos mínimos quadrados.
• As medidas relativas a qualidade do
ajustamento, não se exprimem em unidade e
são: R e R².
• Verifica-se que quanto mais próximo o
coeficiente de correlação R de Pearson estiver
de -1 ou de +1, ou quanto mais perto o R²
estiver de 1, melhor é a qualidade do
ajustamento em termos amostrais.
 Regressão – MRLS (Estimação e
Previsão)
• Assim, existe uma forte associação linear negativa,
significando que em media as vendas variam
inversamente ao preço.
• Verifica-se que 87.8% da variação media das
vendas são determinadas pelos níveis de preços,
sendo a restante variação 12.2% explicada por
outros factores não especificados e que estão
incluídos na variável aleatória εi.
Regressão – MRLS (Estimação e
Previsão)
• A qualidade do ajustamento deve também
ser analisada através dos teste de
inferência estatística, que permitem não só
saber se a relação estimada pode ser de
facto inferida para o universo, como ainda
conhecer a qualidade das predições feitas.
• Neste sentido utilizam-se os IC’s para a
previsão pontual e em media, assim como
os testes t e F.
 Regressão – MRLS (Estimação e
Previsão)
• O teste t, testa as hipóteses dos parâmetros
do universo  e β serem iguais a um
determinado valor:
H0:  = 0, isto é, a recta de regressão passa
pela origem, ou ainda, testar que a preços
nulos correspondem vendas medias nulas.
H0: β = 0, isto é, o coeficiente do preço é zero,
ou ainda, testar que os preços não
influenciam a quantidade media vendida,
ou seja, que X não explica Y.
 Regressão – MRLS (Estimação e
Previsão)
• Os valores de sig (sig = 0.000) para o teste t, levam
a rejeição de H0, para qualquer erro do tipo I do
analista, que quer dizer que os parâmetros
estimados são estatisticamente significativos no
universo e que o preço (X) explica vendas (Y).
• Na verdade, há 95% de confiança de β assumir
valores entre ]-1.970;-1.185 [ e  assumir valores
entre ] 182.435; 238.454[, IC’s que excluem o zero.
Regressão – MRLS (Estimação e
Previsão)
• O teste F valida em termos globais o
modelo e não cada um dos parâmetros
isoladamente.
• No nosso exemplo testa as hipóteses:
H0: A variação das vendas não são
explicadas pelos preços, isto é, R² = 0; ou β =
0.
H1: A variação das vendas são explicadas
pelos preços, isto é, R² ≠ 0; ou β ≠ 0.
Regressão – MRLS (Estimação e
Previsão)
• Como o nível de significância do teste
F é 0.000, qualquer que seja o erro do
tipo I do analista (p), chega-se a
conclusa do preço explicar a
variação observada nas vendas.