Coeficiente de Correlação Linear de Pearson

A aprendizagem ativa é fundamental neste tópico porque o cálculo do coeficiente de correlação linear de Pearson exige que os alunos manipulem dados reais, interpretem padrões visuais e confrontem intuições com resultados matemáticos concretos. Trabalhar com conjuntos de dados emparelhados e gráficos de dispersão ajuda os alunos a construir significado ao redor de conceitos abstratos como covariância e desvios padrão, tornando a teoria estatística tangível.

• 11° Ano
• Raciocínio e Modelação: Matemática do 11.º Ano
• 4 atividades
• 30 min–50 min

Objetivos de Aprendizagem

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

Matriz de Decisão

⏱ 45 min·Pares

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.

Preparação e detalhes

O que nos indica o coeficiente de correlação sobre a força da relação entre duas variáveis?

Sugestão de Facilitação: Durante a Coleta de Dados, peça aos alunos que registem as alturas e pesos com precisão, discutindo previamente como a medição correta impacta diretamente o cálculo posterior do coeficiente de Pearson.

Setup: Grupos em mesas com matrizes de análise

Materials: Modelo de matriz de decisão, Cartões com a descrição das opções, Guia de ponderação de critérios, Modelo de apresentação

• Analisar
• Avaliar
• Criar
• Tomada de Decisão
• Autogestão

Matriz de Decisão

⏱ 50 min·Pequenos grupos

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.

Preparação e detalhes

Por que razão a existência de correlação não implica necessariamente uma relação de causalidade?

Sugestão de Facilitação: Nas Estações Rotativas, prepare conjuntos de dados com correlações variadas (positiva, negativa, nula) e desafie os grupos a ordená-los do mais forte para o mais fraco coeficiente antes de calcular, promovendo a discussão sobre magnitude.

Setup: Grupos em mesas com matrizes de análise

Materials: Modelo de matriz de decisão, Cartões com a descrição das opções, Guia de ponderação de critérios, Modelo de apresentação

• Analisar
• Avaliar
• Criar
• Tomada de Decisão
• Autogestão

Matriz de Decisão

⏱ 40 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.

Preparação e detalhes

Compare o coeficiente de correlação com a inclinação da reta de regressão.

Sugestão de Facilitação: No Debate em Aula sobre Correlação vs Causalidade, apresente exemplos concretos onde a correlação não implica causalidade, como o número de gelados vendidos e afogamentos, para ancorar a discussão em dados familiares aos alunos.

Setup: Grupos em mesas com matrizes de análise

Materials: Modelo de matriz de decisão, Cartões com a descrição das opções, Guia de ponderação de critérios, Modelo de apresentação

• Analisar
• Avaliar
• Criar
• Tomada de Decisão
• Autogestão

Matriz de Decisão

⏱ 30 min·Individual

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.

Preparação e detalhes

O que nos indica o coeficiente de correlação sobre a força da relação entre duas variáveis?

Sugestão de Facilitação: Na Análise Individual de Scatterplots Modificados, forneça gráficos com ruído ou padrões não lineares para que os alunos pratiquem a distinção entre correlação forte e perfeição determinística.

Setup: Grupos em mesas com matrizes de análise

Materials: Modelo de matriz de decisão, Cartões com a descrição das opções, Guia de ponderação de critérios, Modelo de apresentação

• Analisar
• Avaliar
• Criar
• Tomada de Decisão
• Autogestão

Ensinar Este Tópico

Ensine este tópico começando com a recolha e manipulação de dados reais, pois isso cria uma base concreta para os conceitos abstratos que se seguem. Evite apresentar a fórmula de imediato, pois muitos alunos confundem manipulação algébrica com compreensão conceitual. Em vez disso, utilize abordagens visuais e colaborativas para explorar padrões nos dados antes de formalizar o cálculo matemático. Pesquisas mostram que os alunos retêm melhor quando praticam o cálculo de r manualmente antes de recorrer a tecnologia, pois isso reforça a ligação entre os passos do algoritmo e a interpretação do resultado.

O Que Esperar

No final das atividades, os alunos devem ser capazes de calcular corretamente o valor de r a partir de dados bivariados, interpretar o seu significado em contexto e distinguir claramente entre correlação e causalidade. Espera-se também que consigam avaliar criticamente gráficos de dispersão e identificar padrões lineares, não lineares ou ausentes de relação.

Atenção a estes erros comuns

Erro comum

Durante o Debate em Aula sobre Correlação vs Causalidade, observe os alunos que assumem que uma correlação forte entre duas variáveis significa que uma causa a outra.

O que ensinar em alternativa

Use os exemplos apresentados no debate, como a correlação entre o número de gelados vendidos e afogamentos, para guiar os alunos na identificação de variáveis confundidoras e na discussão de como a correlação não implica causalidade, reforçando o pensamento crítico com base nos dados recolhidos.

Erro comum

Durante as Estações Rotativas, observe os alunos que interpretam r = 1 como uma relação perfeita sem dispersão.

O que ensinar em alternativa

Peça aos grupos que plotem os dados das estações em papel milimétrico e verifiquem visualmente a dispersão residual, mesmo quando r é próximo de 1, para que percebam que correlação forte não é sinónimo de previsão perfeita.

Erro comum

Durante a Análise Individual de Scatterplots Modificados, observe os alunos que assumem que r = 0 significa que as variáveis são completamente independentes.

O que ensinar em alternativa

Apresente aos alunos gráficos com padrões não lineares, como curvas em U ou exponenciais, e peça-lhes que calculem r, mostrando que valores próximos de zero não excluem a existência de uma relação forte, apenas não linear.

Ideias de Avaliação

Bilhete de Saída

Após a Coleta de Dados, forneça aos alunos um pequeno conjunto de dados bivariados (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

Após o Debate em Aula, 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 com base no que discutiram no debate.'

Verificação Rápida

Durante as Estações Rotativas, 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.

Extensões e Apoio

• Desafie os alunos mais rápidos a calcular o coeficiente de correlação para um conjunto de dados com uma relação não linear conhecida, como y = x^2, e discutam porque o valor de r é próximo de zero apesar da relação clara entre as variáveis.
• Para alunos que lutam com o conceito, forneça um gráfico de dispersão com pontos claramente alinhados e peça-lhes que calculem r passo a passo, usando cores para destacar cada componente da fórmula.
• Proponha uma exploração mais profunda usando software estatístico para analisar um grande conjunto de dados, como dados de temperaturas médias e consumo de energia, permitindo aos alunos testar hipóteses e comparar resultados manuais com outputs computacionais.

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.