Calculando o coeficiente de correlação de Pearson

Como mencionado no vídeo, o coeficiente de correlação de Pearson, também chamado de Pearson r, costuma ser mais fácil de interpretar do que a covariância. Ele é calculado usando a função np.corrcoef(). Assim como np.cov(), ela recebe dois arrays como argumentos e retorna um array 2D. As entradas [0,0] e [1,1] são necessariamente iguais a 1 (consegue pensar por quê?), e o valor que queremos é a entrada [0,1].

Neste exercício, você vai escrever uma função, pearson_r(x, y), que recebe dois arrays e retorna o coeficiente de correlação de Pearson. Depois, você usará essa função para calculá-lo para os comprimentos e larguras das pétalas de I. versicolor.

Mais uma vez, incluímos o gráfico de dispersão que você gerou em um exercício anterior para relembrar como a largura e o comprimento da pétala se relacionam.

Este exercicio faz parte do curso

Pensamento Estatístico em Python (Parte 1)

Ver curso

Instruções do exercicio

Defina uma função com a assinatura pearson_r(x, y).
- Use np.corrcoef() para calcular a matriz de correlação de x e y (passe-os para np.corrcoef() nessa ordem).
- A função deve retornar a entrada [0,1] da matriz de correlação.
Calcule a correlação de Pearson entre os dados nos arrays versicolor_petal_length e versicolor_petal_width. Atribua o resultado a r.
Imprima o resultado.

exercicio interativo prático

Tente este exercicio completando este código de exemplo.

def ____(____, ____):
    """Compute Pearson correlation coefficient between two arrays."""
    # Compute correlation matrix: corr_mat


    # Return entry [0,1]
    return corr_mat[0,1]

# Compute Pearson correlation coefficient for I. versicolor: r


# Print the result

Editar e Executar Código