Você está conduzindo um estudo para entender a relação entre a temperatura e as vendas de sorvetes. ...

Alternativa C - O modelo de regressão linear busca prever valores da variável dependente, enquanto a análise de correlação busca medir a força da relação entre as variáveis.

Introdução

Tanto a correlação quanto a regressão linear são ferramentas fundamentais da estatística utilizadas para examinar a relação entre duas variáveis quantitativas. No entanto, elas possuem objetivos analíticos distintos.

Desenvolvimento

1. Correlação: O coeficiente de correlação (geralmente o de Pearson) é uma medida adimensional que indica o quão fortemente duas variáveis estão associadas linearmente. Ele varia entre -1 e 1, onde o sinal indica a direção e o valor absoluto a intensidade.
2. Regressão Linear: É uma técnica de modelagem que busca estabelecer uma equação matemática (Y = a + bX) para descrever o comportamento de uma variável dependente (Y) em função de uma variável independente (X). Seu foco principal é a predição.

Análise

| Característica | Correlação | Regressão Linear | | :--- | :--- | :--- | | Objetivo | Medir a força e direção da associação. | Prever o valor de Y dado um valor de X. | | Relação | Simétrica (X e Y são intercambiáveis). | Assimétrica (X causa/explica Y). | | Resultado | Um único índice (r). | Uma equação de reta (Y = a + bX). |

Como demonstrado, a Alternativa C sintetiza perfeitamente essa distinção: a correlação foca na intensidade da ligação, enquanto a regressão foca na capacidade de estimativa de valores.

Conclusão

Em resumo, se você quer saber se duas variáveis "andam juntas", usa correlação. Se quer saber "quanto" uma variável vai valer baseada na outra, utiliza a regressão.

Alternativa C.