Matemática A · 11.º Ano · Estatística e Probabilidades · 3o Periodo

Coeficiente de Correlação Linear de Pearson

Os alunos calculam e interpretam o coeficiente de correlação linear de Pearson.

• Aprendizagens Essenciais
• DGE: Secundario - Probabilidades e Estatística

Sobre este tópico

O coeficiente de correlação linear de Pearson, designado por r, mede a força e a direção da relação linear entre duas variáveis quantitativas. Os alunos calculam r a partir de dados emparelhados, utilizando a fórmula que envolve a covariância dividida pelo produto dos desvios padrão. Valores de r próximos de 1 indicam uma correlação positiva forte, próximos de -1 uma correlação negativa forte, e valores perto de 0 sugerem ausência de relação linear. Esta medida é central na unidade de Estatística e Probabilidades do 11.º ano, alinhada com os standards DGE para o secundário.

Os alunos interpretam r no contexto de questões chave: indica a força da associação linear, mas não implica causalidade, pois fatores externos podem influenciar. Comparado com a inclinação da reta de regressão, r foca na proximidade dos pontos à reta, enquanto a inclinação descreve a taxa de variação. Atividades práticas reforçam que r é sensível a valores extremos e assume linearidade.

A aprendizagem ativa beneficia este tópico porque os alunos exploram dados reais em grupos, constroem gráficos de dispersão, calculam r com calculadoras ou software como o GeoGebra, e debatem interpretações. Estas abordagens tornam conceitos abstractos concretos, fomentam o raciocínio crítico e preparam para análises estatísticas mais avançadas.

Questões-Chave

1. O que nos indica o coeficiente de correlação sobre a força da relação entre duas variáveis?
2. Por que razão a existência de correlação não implica necessariamente uma relação de causalidade?
3. Compare o coeficiente de correlação com a inclinação da reta de regressão.

Objetivos de Aprendizagem

• Calcular o coeficiente de correlação linear de Pearson (r) para um conjunto de dados bivariados.
• Interpretar o valor de r, descrevendo a força e a direção da relação linear entre duas variáveis quantitativas.
• Analisar a diferença entre correlação e causalidade, identificando potenciais variáveis de confusão.
• Comparar o coeficiente de correlação (r) com a inclinação (b) da reta de regressão linear, explicando as suas diferentes interpretações.
• Criticar a adequação de um modelo de regressão linear com base no valor de r e no gráfico de dispersão.

Antes de Começar

Conceitos Básicos de Estatística Descritiva

Porquê: Os alunos necessitam de compreender média, mediana, desvio padrão e variância para calcular e interpretar o coeficiente de correlação.

Representação Gráfica de Dados (Gráficos de Dispersão)

Porquê: A visualização da relação entre duas variáveis num gráfico de dispersão é fundamental para a interpretação do coeficiente de correlação.

Noções de Variáveis Quantitativas e Qualitativas

Porquê: É essencial distinguir entre os tipos de variáveis para aplicar corretamente o coeficiente de correlação de Pearson, que se destina a variáveis quantitativas.

Vocabulário-Chave

Coeficiente de Correlação Linear de Pearson (r)	Uma medida estatística que quantifica a força e a direção da relação linear entre duas variáveis quantitativas. Varia entre -1 e +1.
Relação Linear	Uma relação entre duas variáveis onde os pontos de dados se aproximam de uma linha reta num gráfico de dispersão.
Variável Quantitativa	Uma variável que representa uma quantidade mensurável, expressa como um número.
Causalidade	A relação entre uma causa e o seu efeito, onde uma variável afeta diretamente outra.
Gráfico de Dispersão	Um tipo de gráfico que exibe valores para duas variáveis num plano cartesiano, com cada variável representada por um eixo. Ajuda a visualizar a relação entre elas.

Atenção a estes erros comuns

Erro comum

Correlação forte implica causalidade.

O que ensinar em alternativa

Os alunos confundem associação com causa-efeito. Abordagens ativas como debates com exemplos reais ajudam a esclarecer que variáveis comuns ou coincidências explicam correlações espúrias, promovendo análise crítica através de discussões em grupo.

Erro comum

r = 1 significa previsão perfeita.

O que ensinar em alternativa

r mede força linear, mas não perfeição absoluta devido a ruído. Atividades com dados simulados permitem aos alunos plotar pontos e ver que r alto ainda tem dispersão, reforçando interpretação visual em gráficos colaborativos.

Erro comum

r = 0 significa ausência total de relação.

O que ensinar em alternativa

Indica só falta de linearidade, não independência. Exploração ativa de curvas não lineares em software ajuda os alunos a contrastar com relações lineares, desenvolvendo compreensão nuanceada via experimentação guiada.

Ideias de aprendizagem ativa

Coleta de Dados: Alturas e Pesos

Os alunos medem em pares a altura e o peso de colegas de turma, registam os dados numa tabela. Em seguida, constroem um gráfico de dispersão e calculam r manualmente ou com Excel. Discutem se r indica uma relação forte e apresentam conclusões ao grupo.

45 min·Pares

Estações Rotativas: Conjuntos de Dados

Prepare quatro estações com conjuntos de dados reais (ex.: temperaturas e vendas de gelados, anos de estudo e salários). Grupos rotacionam, calculam r para cada um e interpretam a força da correlação. Registam observações num relatório coletivo.

50 min·Pequenos grupos

Debate em Aula: Correlação vs Causalidade

Apresente exemplos como 'número de cegonhas e nascimentos'. A turma divide-se em grupos para calcular r e argumentar se há causalidade. Cada grupo defende a posição numa discussão plenária guiada pelo professor.

40 min·Pequenos grupos

Análise Individual: Scatterplots Modificados

Forneça gráficos de dispersão com pontos outliers. Os alunos calculam r antes e depois de remover outliers, comparam valores e explicam o impacto num relatório curto.

30 min·Individual

Ligações ao Mundo Real

• Economistas utilizam o coeficiente de correlação para analisar a relação entre o investimento em publicidade e as vendas de um produto, ajudando empresas como a Sonae a otimizar orçamentos de marketing.
• Investigadores na área da saúde pública podem calcular r para estudar a associação entre o número de horas de exercício físico e os níveis de colesterol em diferentes grupos etários, informando campanhas de saúde em Portugal.
• Agrónomos em regiões vinícolas, como o Douro, podem usar r para avaliar a correlação entre a quantidade de chuva e o teor de açúcar nas uvas, influenciando as práticas de viticultura.

Ideias de Avaliação

Bilhete de Saída

Forneça aos alunos um conjunto de dados bivariados simples (ex: horas de estudo vs. nota no teste) e peça-lhes para calcularem o coeficiente de correlação de Pearson. Num segundo momento, devem escrever uma frase interpretando o valor obtido no contexto dos dados.

Questão para Discussão

Apresente aos alunos um gráfico de dispersão com uma forte correlação positiva (ex: altura vs. peso) e outro com uma forte correlação negativa (ex: velocidade do carro vs. tempo até chegar ao destino). Coloque a questão: 'Se encontrarmos uma forte correlação entre o número de sorvetes vendidos e o número de afogamentos numa cidade, podemos afirmar que vender sorvete causa afogamentos? Justifiquem a vossa resposta.'

Verificação Rápida

Mostre aos alunos três gráficos de dispersão diferentes, cada um com um padrão distinto (linear forte positiva, linear fraca negativa, não linear). Peça-lhes para atribuírem a cada gráfico um valor aproximado de r (ex: 0.9, -0.2, 0.0) e para explicarem brevemente a sua escolha com base na aparência do gráfico.

Perguntas frequentes

O que indica o coeficiente de correlação linear de Pearson?

O coeficiente r mede a força e direção da relação linear entre duas variáveis, de -1 (correlação negativa perfeita) a 1 (positiva perfeita). Valores absolutos altos mostram associação forte, mas requer interpretação contextual. Não mede causalidade nem assume linearidade, complementando análises como regressão linear.

Por que a correlação não implica causalidade?

Correlação observa associação, mas causalidade exige evidência de um fator que cause o outro, controlando variáveis confusoras. Exemplos como 'vendas de gelados e afogamentos' ilustram correlações sazonais sem causalidade. Estudos experimentais ou longitudinais são necessários para inferir causa.

Como comparar o coeficiente r com a inclinação da regressão?

r indica quão próximos os pontos estão da reta de regressão (força), enquanto a inclinação mostra a variação na variável resposta por unidade da preditora. Ambos assumem linearidade; r é adimensional, a inclinação tem unidades. Juntos, descrevem a relação linear completa.

Como usar aprendizagem ativa para ensinar o coeficiente de Pearson?

Atividades como coleta de dados reais em pares (ex.: altura e envergadura) e cálculo de r com gráficos de dispersão tornam o conceito tangível. Rotação em estações com datasets variados promove comparação de forças de correlação. Debates sobre causalidade em grupo fomentam raciocínio crítico, retendo melhor os alunos através de exploração colaborativa e visual.