REGRESSO LINEAR

Alunos: Arnaldo Rafael, Italo Eluezer, Matheus Higino, Sara Luiza e Ualifer Abreu.
Prof.MSc.: Ricardo Vitor
Disciplina: Estatstica

Regresso
Modelo matemtico que ajuda a entender como determinadas
variveis influenciam outra varivel, ou seja, verifica como o
comportamento de uma(s) varivel(is) pode mudar o comportamento
de outra.

Regresso Linear

Processo

Fonte: http://www.portalaction.com.br/analise-de-regressao

Regresso Linear

Processo
Neste processo, os valores de 1 , 2 , , ,so chamados de
Variveis de Entrada ou Regressoras (inputs) e de Varivel de Sada
ou Resposta (output).

Regresso Linear

Tipos de Regresso
Se estamos interessados na relao de apenas uma varivel de
entrada com a varivel resposta temos o caso de Regresso Linear
Simples. Mas se queremos relacionar a varivel resposta com mais de
uma varivel regressora, a Regresso Linear Mltipla utilizada.

Regresso Linear

Regresso Linear Simples

Introduo
Varivel independente, X

Varivel dependente, Y

Temperatura do forno (C)

Resistncia mecnica de cermicas (MPa)

Quantidade de aditivo (%)

Octanagem da gasolina

Renda (R$)

Consumo (R$)

Memria RAM do computador (Gb)

Tempo de resposta do sistema (s)

rea construda do imvel (m2 )

Preo do imvel (R$)

Regresso com a formulao mais simples, relacionando uma varivel , chamada

de varivel ou dependente, com uma varivel X, denominada de varivel
explicativa ou independente. A varivel normalmente controlada(no aleatria)
e uma varivel aleatria.
Regresso Linear

Exemplo 1
1. Considere um experimento em que se analisa a octanagem da gasolina () em funo
da adio de um novo tipo de aditivo (). Para isso, foram realizados ensaios com
percentuais de 1, 2, 3, 4, 5 e 6% de aditivo. Os resultados so mostrados na tabela a
seguir.
X

80,5

81,6

82,1

83,7

83,9

85
Regresso Linear

Exemplo 1
Y
85,5
85
84,5
84
83,5
83
82,5

82
81,5
81
80,5
80
0

Regresso Linear

Exemplo 1
Observe que razovel supor uma relao aproximadamente linear
entre e para os nveis de aditivo ensaiados(de 1 a 6%). Contudo, os
pontos no esto exatamente sobre a reta, provavelmente por causa da
existncia de fatores no controlveis no processo.

Regresso Linear

10

Modelo de regresso linear simples

Seja um conjunto de observaes (1 , 1 ),(2 , 2 ),...,( , ). O
chamado modelo de regresso linear simples para as observaes
dado por
= + +
onde:
a varivel aleatria associada -sima observao de ;
o erro aleatrio da -sima observao, isto , o efeito de uma
infinidade de fatores que esto afetando a observao de de forma
aleatria.
Regresso Linear

11

Mtodo dos mnimos Quadrados

Para a construo do modelo descrito, precisamos obter estimativas
e , a partir de um conjunto de observaes (1 , 1 ),(2 , 2 ),...,( , ).
Ou seja, queremos encontrar a reta que passe o mais prximo possvel
dos pontos observados.
O mtodo dos mnimos quadrados, que consiste em fazer com que a
soma dos erros quadrticos seja menor possvel. Considerando o
modelo de regresso linear simples, temos que o erro aleatrio da sima observao( = 1, 2, , ) dado por
= ( + )

Regresso Linear

12

Mtodo dos mnimos Quadrados

O mtodo consiste em obter os valores de e que minimizam a
expresso:
= 2 = ( + )

que pode ser feito igualando as derivadas parciais a zero, ou seja:

=0e

Regresso Linear

=0

13

Mtodo dos mnimos Quadrados

Resultando nas seguintes estimativas para e , as quais chamaremos
de e , respectivamente:
( )
=
2 ( )2

onde (1 , 1 ),(2 , 2 ),...,( , ) a amostra efetivamente observada.

Regresso Linear

14

Mtodo dos mnimos Quadrados

A chamada equao (reta) de regresso dada por
= +
Para cada valor de = ( = 1, 2, , ), temos, pela equao de
regresso, o valor predito:
= +
A diferena entre os valores observados e os preditos chamado de
resduo:
=

Regresso Linear

15

Exemplo 2
Considerando os dados da tabela do exemplo 1, faa os clculos
intermedirios para obter a equao de regresso.
Dados

Clculos intermedirios

Ensaio ()

80,5

80,5

81,6

163,2

82,1

246,3

83,7

16

334,8

83,9

25

419,5

85,0

36

510,0

Soma

21

496,8

91

1754,3

Regresso Linear

16

Exemplo 2
6 1754,3 21 (496,8)
93
=
=
= 0,886
2
6 91 21
105
496,8 0,886 (21)
=
= 79,7
6
Assim, temos a seguinte reta de regresso:
= 79,7 + 0,886

Regresso Linear

17

Exemplo 2
85,5
y = 0,8857x + 79,7

85
84,5

ndice de octanagem

84
83,5
83
82,5

82
81,5
81
80,5

80
0

3
4
Quantidade de aditivo (%)

Regresso Linear

18

Exemplo 2

80,5

80,586

-0,086

81,6

81,472

0,128

82,1

82,358

-0,258

83,7

83,244

0,456

83,9

84,130

-0,230

85,0

85,016

-0,016

= 79,7 + 0,886 [ = ].

Regresso Linear

19

OBSERVAO

O coeficiente fornece uma estimativa da variao esperada de , a

partir da variao de uma unidade . O sentido deste coeficiente indica
o sentido da variao. No exemplo, podemos dizer: a cada 1% a mais
do novo aditivo, esperamos um aumento de 0,886 no ndice da
octanagem.

Regresso Linear

20

Anlise da varincia do modelo

Se no influencia , ento o valor esperado de pode ser estimado
simplesmente pela mdia aritmtica ()
das observaes de . Mas se
existe influncia de sobre , ento deve haver algum ganho em
considerar a equao de regresso ( = + ). Esse ganho pode ser
avaliado ao comparar os resduos nas duas situaes

Regresso Linear

21

y = 0,8857x + 79,7

Regresso Linear

22

REFRNCIAS
Barbetta, Pedro Alberto
Estatstica: para cursos de engenharia e informtica / Pedro
Alberto Barbetta, Marcelo Menezes Reis, Antonio Cezar Bornia. 3. ed.
So Paulo : Atlas, 2010
www.portalaction.com.br/analise-de-regresso

Regresso Linear

23