Interprete associação sem afirmar causalidade

1. Investigue um problema

Quem estuda mais horas tende a ter nota maior nestes registros. As horas causaram o aumento?

2. Entenda os conceitos

Correlação de Pearson mede associação linear entre duas variáveis quantitativas. Vai de −1 a 1: o sinal indica direção e o módulo descreve intensidade linear. Correlação zero não exclui uma relação não linear; uma variável constante torna o coeficiente indefinido.

Um gráfico de dispersão representa cada par (horas, nota). Observe forma, extremos e grupos antes de resumir por um coeficiente. Um único extremo pode alterar muito a correlação. Pares com valores ausentes são excluídos no cálculo usado aqui: declare quais pares entraram.

Associação não identifica uma causa. Conhecimento prévio, acesso a recursos ou outras características podem influenciar horas e nota. A direção temporal e o desenho de estudo importam. Para sustentar causalidade, precisamos de pressupostos e evidências adicionais.

Os dados deste curso foram inventados para ensinar. Mesmo uma correlação forte neles não é evidência sobre estudantes reais nem valida uma intervenção educacional.

Experimento adicional: x=[-2,-1,0,1,2] e y=[4,1,0,1,4] formam uma curva em U, embora Pearson seja zero. Compare também a correlação de [1,2,3,4,5] com [1,2,3,4,0] antes e depois de retirar o último par; retirar um ponto exige justificativa, não deve ser uma maneira de obter o coeficiente desejado.

Exemplo resolvido em Python

import pandas as pd
import matplotlib.pyplot as plt
df = pd.DataFrame({"horas": [1,2,3,4], "nota": [2,4,6,8]})
print(df["horas"].corr(df["nota"]))
df.plot.scatter(x="horas", y="nota", title="Pares sintéticos")
plt.show()

O coeficiente é 1: os quatro pontos seguem uma reta crescente. Isso descreve perfeitamente estes pares, mas não prova que acrescentar uma hora causaria dois pontos a mais.

Erros frequentes e limites

• r = 1 não significa aumento de 100% nas notas.
• Não misture grupos sem investigar diferenças.
• Correlação calculada após exclusão de ausências descreve os pares restantes.

3. Acompanhe a aula em vídeo

Recurso complementar: o texto e o notebook permitem estudar sem assistir. Os vídeos ensinam o tema; seus dados e ferramentas podem diferir dos exemplos daqui. Títulos e autoria reconfirmados em 12/10/2026; reprodução integral e legendas ainda precisam de revisão.

4. Execute e investigue

O site confere respostas numéricas e guarda reflexões; ele não executa Python. Execute código real no notebook. A conta Google é exigida pelo Colab para executar e salvar; o curso também pode ser feito localmente sem cadastro.

Abrir notebook no ColabBaixar notebook para Jupyter

• Execute o exemplo resolvido e compare cada saída com a interpretação.
• Altere um valor do exemplo, preveja o efeito e execute novamente. Registre o que mudou.
• Restaure os dados do exemplo e resolva as duas questões. Só depois passe aos novos dados do desafio.

1. Leia a pergunta e preveja a saída.
2. Execute as células de cima para baixo com Shift+Enter.
3. Modifique o exemplo e realize as questões.
4. Volte a esta aba e confira seus resultados abaixo.

Ajuda com Colab, Jupyter e mensagens de erro · Baixar CSV sintético

5. Confira e interprete

A conferência aceita vírgula ou ponto decimal e tolerância indicada em cada questão; resultados exatos exigem igualdade. Um resultado correto não comprova o método: registre o código no notebook.

6. Resolva um desafio concreto

No CSV, selecione pares válidos de horas e nota, informe seu número, faça um gráfico e calcule Pearson. Escreva uma conclusão descritiva e duas explicações alternativas para a associação.

Dados: exemplos e CSV sintéticos, criados para ensinar; não representam estudantes reais. A entrega inclui código executado e interpretação no notebook.

pares = df.dropna(subset=["horas", "nota"])
print(len(pares))
print(pares["horas"].corr(pares["nota"]))
pares.plot.scatter(x="horas", y="nota", title="Horas e notas: dados sintéticos")
plt.show()
curva = pd.DataFrame({"x": [-2,-1,0,1,2], "y": [4,1,0,1,4]})
print("Curva em U, Pearson:", curva["x"].corr(curva["y"]))
extremo = pd.DataFrame({"x": [1,2,3,4,5], "y": [1,2,3,4,0]})
print("Com último par:", extremo["x"].corr(extremo["y"]))
print("Sem último par, apenas análise de sensibilidade:", extremo.iloc[:-1]["x"].corr(extremo.iloc[:-1]["y"]))
print("Omissão não autoriza escolher o resultado conveniente. Conhecimento prévio e acesso a recursos são explicações alternativas.")

Revise sua entrega com os critérios

Marque somente o que conferiu na sua análise. A avaliação de interpretação é sua; o site não dá nota automática.

7. O que você consegue fazer agora?

Você descreve associação com dados e preserva o limite entre observar e explicar.

Refazer mantém seus textos.

Exporte aqui antes de navegar se o armazenamento estiver indisponível. A exportação inclui os registros disponíveis nesta página e não salva seu notebook.