2.10:

2.10: Gráfico de Dispersão (Scatter Plot)

JoVE Core
Statistics

A subscription to JoVE is required to view this content. Sign in or start your free trial.

JoVE Core Statistics

Scatter Plot

2.11: Time-Series Graph

6,942 Views

•

01:15 min

•

April 30, 2023

Overview

A maneira mais comum e fácil de exibir a relação entre duas variáveis, x e y, é um gráfico de dispersão. Um gráfico de dispersão mostra a direção de uma relação entre as variáveis. Uma direção clara acontece quando há:

Valores altos de uma variável ocorrendo com valores altos da outra variável ou valores baixos de uma variável ocorrendo com valores baixos da outra variável.
Valores altos de uma variável ocorrendo com valores baixos da outra variável.

Pode-se determinar a força da relação olhando para o gráfico de dispersão e vendo o quão próximos os pontos estão de uma linha, uma função de potência, uma função exponencial ou algum outro tipo de função. Para uma relação linear, há uma exceção. Considere um gráfico de dispersão em que todos os pontos caem em uma linha horizontal, fornecendo um “ajuste perfeito”. A linha horizontal, de fato, não mostraria nenhuma relação.

Ao olhar para um gráfico de dispersão, deve-se observar o padrão geral e quaisquer desvios, se houver.

Transcript

Considere dados quantitativos sobre o preço das casas e sua área de solo correspondente. Esses dados quantitativos com duas variáveis são chamados de dados bivariados.

A variável que atua como causa é chamada de variável independente, enquanto outra variável que mostra a resposta é chamada de variável dependente.

Essa dependência de uma variável sobre a outra pode ser visualizada usando o gráfico de dispersão. Aqui, a variável independente – a área do solo – é representada ao longo do eixo X, e a variável dependente – o preço das casas – é representada ao longo do eixo Y.

Marque os preços correspondentes à área do solo. Em seguida, desenhe a linha de melhor ajuste de modo que um número quase igual de pontos esteja presente acima e abaixo dessa linha. Esses pontos juntos formam o padrão para identificar a correlação entre as duas variáveis.

Observe que o aumento da área do solo leva a um aumento no preço das casas. Essa tendência crescente denota uma correlação positiva.

Por outro lado, se observarmos uma tendência decrescente, isso indica uma correlação negativa. Nenhuma tendência significa nenhuma correlação.

Key Terms and definitions

Scatter Plot - A graph showing the relationship between two variables, x and y.
Direction - Highs and lows of variables in a scatter plot.
Perfect Correlation - All points in a scatter plot fall on a single line.
No Trend - Scatter plot showing no clear relationship between variables.
Linear Relationship - Scatter plot where data points fall along a line, but not horizontally.

Learning Objectives

Define Scatter Plot - Visual representation of the relationship between two variables (e.g., scatter plot).
Contrast Perfect Correlation vs No Trend - Distinguish between clear and unclear relationships (e.g., perfect correlation scatter plot vs no trend scatter plot).
Explore Examples - Look at variations of scatter plots (e.g., linear relationship scatter plot).
Explain Scatter Plot Direction - Describe how the direction of a scatter plot is determined.
Apply in Context - Understand how scatter plots are used in psychology.

Questions that this video will help you answer

What is a scatter plot and how to read one?
What distinguishes perfect correlation from no trend in scatter plots?
How to determine the direction of a scatter plot?

This video is also useful for

Students - Understanding of scatter plots aids in comprehending variable relationships.
Educators - Scatter plots provide a visual tool for teaching relationship between variables.
Researchers - Scatter plots can serve as a fundamental tool in data analysis.
Science Enthusiasts - Scatter plots offer a simple way to see relationships between variables.

Tags

Scatter Plot Relationship Variables X And Y High Values Low Values Strength Of Relationship Linear Relationship Points Proximity Perfect Fit Overall Pattern Deviations