Escolar Documentos
Profissional Documentos
Cultura Documentos
CORRELAÇÃO e REGRESSÃO
Serão 2 aulas:
Alturas
x Homens (cm) 170 182 179 168
y Mulheres (cm) 165 168 151 155
CORRELAÇÃO e REGRESSÃO
Agora vamos estudar casos que envolvem 2 VARIÁVEIS
e 1 POPULAÇÃO.
x Comprimento (in.) 53,0 67,5 72,0 72,0 73,5 68,5 73,0 37,0
y Peso (lb ) 80 344 416 348 262 360 332 34
Tab. 9.1 – Ursos
x Comprimento (in.) 53,0 67,5 72,0 72,0 73,5 68,5 73,0 37,0
y Peso (lb ) 80 344 416 348 262 360 332 34
CORRELAÇÃO
Ursos
450
400
350
300
250
Peso
200
150
100
50
0
30 40 50 60 70 80
Comprimento
As conclusões tiradas do gráficos são subjetivas. Precisamos
de métodos mais precisos e objetivos.
COEFICIENTE r DE PEARSON
r
Mede o grau de relacionamento linear entre os valores
emparelhados x e y em uma amostra.
n∑ xy − (∑ x )(
. ∑ y)
r=
( ) (
n. ∑ x − (∑ x ) . n. ∑ y − (∑ y )
2 2 2
) 2
EXEMPLO p.237
⇒Com os dados ta tabela 9-1, calcule o coeficiente de correlação linear r.
⇓n=8 (8 pares de dados)
Construir tabela de Cálculo:
Aplicar os valores
na fórmula:
r/ρ x/µ
r - Estatística Amostral
ARREDONDANDO r
CRITERIO DE DECISÃO
Se o módulo do valor calculado, | r |, excede o valor da Tabela
A6,concluímos que há correlação linear SIGNIFICATIVA.
Caso contrario NÃO HÁ EVIDENCIA SUFICIENTE para apoiar a
existência de uma correlação linear significativa.
ERROS COMUNS NA INTERPRETAÇÃO
SOLUÇÕES
•Transformações
•Relações não lineares
(Não são vistos neste capítulo)
TESTES DE HIPÓTESES
MÉTODO 1
Segue o formato apresentado anteriormente. Usa a distribuição t de Student
r
t=
1− r 2 gl=n-2
n−2
MÉTODO 2
Exige menos cálculo. Ao invés de calcular a estatística de teste, usamos r
como estimativa de teste. Usar a Tabela A6.
r
t= =
1− r 2
EQUAÇÃO DE REGRESSÃO
Expressa a relação entre a VARIAVEL PREDITORA ( x ) e a
VARIAVEL RESPOSTA ( y )
^
y = b0 + b1 x
ARREDONDAMENTO
3 casas decimais
EXEMPLO p.245
Determine a equação de regressão usando as fórmulas.
∑ = 34525,75
x 2
b1 =
n(∑ xy ) − (∑ x )(∑ y )
=
∑ x = 516,5 n(∑ x ) − (∑ x )
2 2
8.(151879) − (516,5)(2176)
∑ y = 2176 =
8.(34525,75) − (516,5) 2
=
∑ y = 78520
2
=
91128
9433,75
= 9,65979 ≅ 9,66
∑ xy = 151879
Ursos
450
400
_ _
b0 = y − b1 x = 350
300
( )
Peso
8 8 150
100
^ 50
y = −352 + 9,66 x 0
30,0 40,0 50,0 60,0 70,0 80,0
Com prim ento
VARIAÇÃO MARGINAL ⇒ o quanto uma das variáveis varia quando
a outra varia 1 unidade. É REPRESENTADA POR b1
PREDIÇÃO
As equações de regressão podem ser úteis para PREDIZER o valor de
uma variável, dado um valor determinado da outra variável.
Usar a equação de regressão somente quando r indicar correlação linear
significativa. E, usa-la somente dentro dos limites de valores disponíveis.
Quando não há correlação linear significativa, a melhor estimativa de
uma variável é sua média.
EXEMPLO p.247
EXEMPLO
x 1 2 4 5
y 4 24 8 32
^
y 9 13 21 25
^
y- y -5 11 -13 7
^
y = 5 + 4x
(-5)2+112+(-13)2+72=364
Ursos
450
400
350
300 Média
250
Peso
Tentativas
200
150
Resíduos
100
50
0
30,0 40,0 50,0 60,0 70,0 80,0
Com prim ento
INTERVALOS DE VARIAÇÃO
r 2
= −
∑ ( y − y) 2
EXEMPLO p.251
⇒Usando a tabela 9-1, determine a percentagem da variação no no Peso que
pode ser explicada pela reta de regressão.
r = 0,897
r 2 = (0,897) 2 = 0,805(80,5%)
Podemos afirmar que 80,5% da variação total dos pesos dos ursos podem ser
explicados pela variação em seus comprimentos; os 19,5% restantes são
atribuidos a outros fatores.
INTERVALOS DE PREDIÇÃO
^
y É uma estimativa pontual de y. Porém, não sabemos quão
precisa ela é.
se =
∑ ( y − y ) 2
=
∑ y 2 − b0 ∑ y − b1∑ xy
n−2 n−2
EXEMPLO p.252
⇒Encontre o Erro-Padrão da estimativa das medidas dos ursos
da tabela 9-1.
n=8
∑ = 728520
y 2
se =
∑ y 2 − b 0 ∑ y − b1∑ xy
=
∑ y = 2176 n−2
728520 − ( − 351 , 660 ).( 2176 ) − ( 9 , 65979 ).( 151879 )
= =
∑ xy = 151879 8−2
= 66 ,5994 ≅ 66 , 6
b0 = −351,660
b1 = 9,65979
Podemos avaliar a dispersão dos ptos amostrais em torno da
reta de regressão com:
s e ≅ 66 , 6
Qdo ursos foram anestesiados, foram medidos o
perímetro de seus tóraxes e obtidos seus pesos. Parece
haver relação entre per. do tórax e peso? Os resultados
são modificados se converter-mos os comprimentos para
pés(dividir por 12)? x y x.y x^2 y^2
x y
26 90
45 344
54 416
49 348
41 262
49 360
44 332
19 34
n∑ xy − (∑ x )(
. ∑ y)
r=
( ) 2
( )
n. ∑ x 2 − (∑ x ) . n. ∑ y 2 − (∑ y )
2
_ _
b0 = y − b1 x
^
n(∑ xy ) − (∑ x )(∑ y )
y = b 0 + b1 x
b1 =
n(∑ x ) − (∑ x )
2 2
x y x.y x^2 y^2
26 90 2340 676 8100
45 344 15480 2025 118336
54 416 22464 2916 173056
49 348 17052 2401 121104
41 262 10742 1681 68644
49 360 17640 2401 129600
44 332 14608 1936 110224
19 34 646 361 1156
327 2186 100972 14397 730220
r=0,993
polegadas
450
400
350
300
250
peso
200
150
100
50
0
0 10 20 30 40 50 60
toxax
∑ = 14397
x 2
n(∑ xy ) − (∑ x )(∑ y )
∑ x = 327 b1 =
( 2
)
n ∑ x − (∑ x )
2
=
∑ y = 2186 =
8.(100972) − (327)(2186)
8.(14397) − (327) 2
=
∑ y = 730220
2
≅ 11,3
∑ xy = 100972
polegadas
_ _
b0 = y − b1 x = 450
400
8 8 200
150
^ 100
y = −187,5 + 11,3 x 50
0
0 10 20 30 40 50 60
toxax
x y x.y x^2 y^2 x y x.y x^2 y^2
26 90 2340 676 8100 2,2 90 195 5 8100
45 344 15480 2025 118336 3,8 344 1290 14 118336
54 416 22464 2916 173056 4,5 416 1872 20 173056
49 348 17052 2401 121104 4,1 348 1421 17 121104
41 262 10742 1681 68644 3,4 262 895 12 68644
49 360 17640 2401 129600 4,1 360 1470 17 129600
44 332 14608 1936 110224 3,7 332 1217 13 110224
19 34 646 361 1156 1,6 34 54 3 1156
327 2186 100972 14397 730220 27,25 2186 8414,3 100,0 730220
r=0,993 r=0,993
peso
200 200
150 150
100 100
50 50
0 0
0 10 20 30 40 50 60 0 1 2 3 4 5
toxax toxax