DESENVOLVIMENTO DE UM CÓDIGO EM PYTHON PARA GERAÇÃO DE MATRIZES DE CORRELAÇÃO DE PEARSON COM LAÇOS A PARTIR DE “N” VARIÁVEIS TOMADAS DUAS A DUAS

DESENVOLVIMENTO DE UM CÓDIGO EM PYTHON PARA GERAÇÃO DE MATRIZES DE CORRELAÇÃO DE PEARSON COM LAÇOS A PARTIR DE “N” VARIÁVEIS TOMADAS DUAS A DUAS

Araujo, Jonathas Vinícius Gonzaga Alves; Santos, Marcos dos; Gomes, Carlos Francisco Simões

Artigo Completo:

O coeficiente de correlação de Pearson mede a correlação linear entre duas variáveis, devendo esta correlação estar compreendida no intervalo de -1 a 1, sendo -1 fortemente correlacionadas negativamente e 1 fortemente correlacionadas positivamente. A ferramenta desenvolvida tem o propósito de calcular os coeficientes de correlação de Pearson de “n” variáveis tomadas duas a duas. Com isso, todos os coeficientes podem ser dispostos em uma matriz quadrada de ordem “n”. Também é possível estabelecer um valor de corte para o coeficiente, de maneira a filtrar apenas as correlações “fortes”. Além disso, o código também calcula a correlação de uma variável qualquer com ela própria descasada no indexador em uma unidade, a fim de se verificar a inércia desta variável sobre ela mesma. Consequentemente, a diagonal principal da Matriz de Pearson deixa de ser populada apenas por valores 1. O programa foi desenvolvido na linguagem de programação Python, pois ela dá a possibilidade de desenvolvimento de uma plataforma web, ou até mesmo a criação de um aplicativo para smartphones. Para facilitar o entendimento da ferramenta, lançou-se mão de um exemplo ilustrativo que foi resolvido passo a passo.

O coeficiente de correlação de Pearson mede a correlação linear entre duas variáveis, devendo esta correlação estar compreendida no intervalo de -1 a 1, sendo -1 fortemente correlacionadas negativamente e 1 fortemente correlacionadas positivamente. A ferramenta desenvolvida tem o propósito de calcular os coeficientes de correlação de Pearson de “n” variáveis tomadas duas a duas. Com isso, todos os coeficientes podem ser dispostos em uma matriz quadrada de ordem “n”. Também é possível estabelecer um valor de corte para o coeficiente, de maneira a filtrar apenas as correlações “fortes”. Além disso, o código também calcula a correlação de uma variável qualquer com ela própria descasada no indexador em uma unidade, a fim de se verificar a inércia desta variável sobre ela mesma. Consequentemente, a diagonal principal da Matriz de Pearson deixa de ser populada apenas por valores 1. O programa foi desenvolvido na linguagem de programação Python, pois ela dá a possibilidade de desenvolvimento de uma plataforma web, ou até mesmo a criação de um aplicativo para smartphones. Para facilitar o entendimento da ferramenta, lançou-se mão de um exemplo ilustrativo que foi resolvido passo a passo.

Palavras-chave:

DOI: 10.5151/spolm2019-080

Referências bibliográficas

• [1] MIOT, H. A. Correlation analysis in clinical and experimental studies. J Vasc Bras. 17(4):275-279. Out.-Dez. 2018. [2] BOURGARD, B.; GOMES, C. F. S. As variáveis econômicas no Brasil e o PIB: uma análise em períodos de crises financeiras por meio de da correlação de Pearson. Almanaque Multidisciplinar de Pesquisa. Vo l 1. No 2. 76-98. 2017. [3] PIANUCCIA, M. N.; PITOMBOA, C. S. Uso de árvore de decisão para previsão de geração de viagens como alternativa ao método de classificação cruzada. Revista de Engenharia Civil. 56:5-13. 2019. [4] PAIVA, I. S. S.; PEDROSA, N. L.; GALVÃO, M. T. G. Spatial analysis of AIDS and the social determinants of health. Rev Bras Epidemiol. 22: E190032. 2019. [5] FILHO, D. B. F.; ROCHA, E. C.; JÚNIOR, J. A. S.; PARANHOS, R.; NEVES, J. A.; SILVA, M. B. Desvendando os Mistérios do Coeficiente de Correlação de Pearson: O retorno. Leviathan | Cadernos de Pesquisa Política. N. 8, pp.66-95, 2014. [6] ARAÚJO, R. F.; CARAN. G. M.; SOUZA. I. V. P. Orientação temática e coeficiente de correlação para análise comparativa entre dados altmétricos e citações: uma análise da revista DataGramaZero. Porto Alegre, v. 22, n. 3, p. 184-200, set/dez. 2016. [7] TOEBE. M.; FILHO. A. C.; LOPES. S. J.; BURIN. C.; SILVEIRA. T. R.; CASAROTTO, G. Dimensionamento amostral para estimação de coeficientes de correlação em híbridos de milho, safras e níveis de precisão. Bragantia, Campinas, v.74, n. 1, p.16-24, 2015. [8] LIRA, S. A.; NETO, A. C. Coeficientes de correlação para variáveis ordinais e dicotômicas derivados do coeficiente linear de Pearson. RECIE, Uberlândia, v. 15, n. 1/2, p. 45-53, jan.-dez. 2006. [9] PETREÇA, D. R.; BENEDETTI, T. R. B.; SILVA. D. A. S. Validation of the flexibility component of the AAHPERD functional fitness assessment in Brazilian older adults. Rev Bras Cineantropom Desempenho Hum 13(6):455-460. 2011. [10] SILVA, N. E. F.; SOUZA, S. M. A. Finanças e sustentabilidade: Análise da correlação entre a receita líquida e os investimentos sociais e ambientais da natureza do período de 2009 a 2013. Anais do III SINGEP e II S2IS – São Paulo – SP – Brasil – 11/2014. [11] PONTES, A. C. F. Ensino da Correlação de postos no Ensino Médio. Universidade Federal do Acre, 2010. [12] MARTINS. M. E. G. Coeficiente de correlação amostral. Revista de Ciência Elementar, 2(02):0069. 2014.

Como citar:

Araujo, Jonathas Vinícius Gonzaga Alves; Marcos Santos; Carlos Francisco Simões Gomes; "DESENVOLVIMENTO DE UM CÓDIGO EM PYTHON PARA GERAÇÃO DE MATRIZES DE CORRELAÇÃO DE PEARSON COM LAÇOS A PARTIR DE “N” VARIÁVEIS TOMADAS DUAS A DUAS", p-1090-1099. In: Anais do XIX Simpósio de Pesquisa Operacional & Logística da Marinha. São Paulo: Blucher, 2020.
ISSN 21756295, DOI 10.5151/spolm2019-080