Pular para o conteúdo principal

Questão de Estatística — Coeficiente de Correlação Linear entre Dois Conjuntos de Dados — CESPE / CEBRASPE 2020

EstatísticaCoeficiente de Correlação Linear entre Dois Conjuntos de Dados
Código
ce374485
Banca
CESPE / CEBRASPE
Órgão
TJ PA
Ano
2020
Cargo
AJ ( )

Texto 7A3-I

 

O coeficiente de correlação linear de Pearson entre duas variáveis aleatórias discretas X  e Y  definidas sobre um mesmo espaço amostral é dado por

 

CORR(X,Y)=\large{n(\sum_{i=1}^n x_i y_i)-(\sum_{i=1}^n x_i)(\sum_{i=1}^n y_i)\over{n(∑i=1nxi2)−(∑i=1nxi)2\sqrt{n(\sum_{i=1}^n x^2_i)-(\sum_{i=1}^n x_i)^2}~{n(∑i=1nyi2)−(∑i=1nyi)2\sqrt{n(\sum_{i=1}^n y^2_i)-(\sum_{i=1}^n y_i)^2}}}}.

 

Já na reta de melhor ajuste Y=aX+b, determinada pelo método dos mínimos quadrados, os coeficientes são dados por

 

a=\large{n(\sum_{i=1}^n x_i y_i)-(\sum_{i=1}^n x_i)(\sum_{i=1}^n y_i)\over n(\sum_{i=1}^n x^2_i)-(\sum_{i=1}^n x_i)^2}

 

b=\large{\sum_{i=1}^n y_i~-~a\sum_{i=1}^n x_i\over n}.

 

Uma forma de avaliar a precisão do modelo consiste em comparar o estimador não viesado da variância residual, obtido das diferenças entre os valores observados e os previstos pelo modelo,  S^e=1n − 2∑i = 1n(yi−y^i)2\hat{S}_e={\large{1\over n~-~2}}\sum\limits^{n}_{i~=~1}(y_i-\hat{y}_i)^2, com o estimador não viesado da variância dos valores observados,  Se=1n − 1∑i = 1n(yi−y‾)2S_e={\large{1\over n~-~1}}\sum\limits^{n}_{i~=~1}(y_i-\overline{y})^2.

 

A tabela a seguir apresenta as penas de reclusão (P), em anos, cominadas a um grupo de dez réus, e suas respectivas rendas familiares mensais per capitas  (R), em número de salários mínimos, em que a última coluna foi obtida usando a reta ajustada pelo método dos mínimos quadrados.

 

réuPRP×R\text{P}\times\text{R}P2R2(R−R‾)2(R-\overline{R})^2(R−R^)2(R-\hat{R})^2
1140,253,51960,06253,0625 0,054756
2120,561440,252,250,000144
310,9110,9118,81110,046311
461,59362,250,250,25
551,758,75253,06250,06250,248004
63269400,553536
732,57,596,250,250,059536
82,336,95,29910,0067898
91,83,56,33,2412,252,250,2101306
1024841641,016064
totais602072,85550,3454,12514,1252,4452714

 

dados:
1903,4 1/2 = 43,63
141,25 1/2 = 11,88

 

Considerando-se o texto 7A3-I, a relação entre o coeficiente de correlação linear entre as variáveis X  e Y  e o coeficiente angular, da reta de melhor ajuste aos dados determinada pelo método dos mínimos quadrados pode ser expressa por

  1. Aa=CORR(X,Y).
  2. Bb=CORR(X,Y).
  3. Ca×\timesn(∑i = 1nxi2)−(∑i = 1nxi)2\sqrt{n\begin{pmatrix}\sum\limits^{n}_{i~=~1} x^2_i\end{pmatrix}-\begin{pmatrix}\sum\limits^{n}_{i~=~1} x_i\end{pmatrix}^2}=CORR(X,Y)×\timesn(∑i = 1nyi2)−(∑i = 1nyi)2\sqrt{n\begin{pmatrix}\sum\limits^{n}_{i~=~1} y^2_i\end{pmatrix}-\begin{pmatrix}\sum\limits^{n}_{i~=~1} y_i\end{pmatrix}^2}.
  4. Db×\timesn(∑i = 1nxi2)−(∑i = 1nxi)2\sqrt{n\begin{pmatrix}\sum\limits^{n}_{i~=~1} x^2_i\end{pmatrix}-\begin{pmatrix}\sum\limits^{n}_{i~=~1} x_i\end{pmatrix}^2}=CORR(X,Y)×\timesn(∑i = 1nyi2)−(∑i = 1nyi)2\sqrt{n\begin{pmatrix}\sum\limits^{n}_{i~=~1} y^2_i\end{pmatrix}-\begin{pmatrix}\sum\limits^{n}_{i~=~1} y_i\end{pmatrix}^2}.
  5. Ea=\large{1\over CORR(X,Y) }.
Revelar gabarito e comentário

GabaritoC — a\times\sqrt{n\begin{pmatrix}\sum\limits^{n}_{i~=~1} x^2_i\end{pmatrix}-\begin{pmatrix}\sum\limits^{n}_{i~=~1} x_i\end{pmatrix}^2}=CORR(X,Y)\times\sqrt{n\begin{pmatrix}\sum\limits^{n}_{i~=~1} y^2_i\end{pmatrix}-\begin{pmatrix}\sum\limits^{n}_{i~=~1} y_i\end{pmatrix}^2}.

Link permanente: /questoes/ce374485