Juliana Dubinski e Prof.

Jomar

REGRESSÃO LINEAR SIMPLES

EXERCÍCIO

Considere um experimento em que se analisa a octanagem da gasolina em função da

adição de um novo aditivo . Para isso, foram realizados ensaios com os percentuais de
1, 2, 3, 4, 5 e 6% de aditivo. Os resultados são mostrados na a seguir:

X 1 2 3 4 5 6

Y 80,5 81,6 82,1 83,7 83,9 85,0

Observe que é razoável supor uma relação aproximadamente linear entre X e Y para os
níveis de aditivo ensaiados (de 1 a 6%). Contudo, os pontos não estão exatamente sobre
uma reta, provavelmente por causa da existência de fatores não controláveis no processo.
Vamos supor, então, que o valor esperado de Y se relacione com X, de acordo com uma
equação de primeiro grau, ou seja:

Em que, são os parâmetros do modelo.

Seja um conjunto de observações . O modelo de regressão

linear simples para as observações é dado por:
Sendo :

é a variável aleatória associada à i-ésima observação de Y;

é o erro aleatório da i-ésima observação, isto é, o efeito de uma infinidade de

fatores que estão afetando a observação de Y de forma aleatória;

Tabela- Dados do experimento e cálculos intermediários para obter a equação de

regressão.

Assim, temos a seguinte reta de regressão:

Para traçar a reta no plano, basta atribuir os valores para X e estimar Y.

Por exemplo: Se x=4 ⇒ ŷ = 83,244 . Note que o y observado foi igual a 83,7. Logo,
tem-se um erro igual a 0,456.

Interpretação:

• a = 79,7. É o valor da octanagem médio (esperado) caso não haja adição de aditivo
(x=0).

• b > 0 ⇒ Correlação Linear Positiva (direta). Quando X aumenta, Y também

aumenta (e vice-versa).

• b = 0,886. A cada aumento de uma unidade de medida em X (aumento de 1% do

aditivo), espera-se um aumento médio de 0,886 para o nível de octanagem.

85,5
85
Aditivo vs Octanagem
84,5
84
83,5
83
82,5
82
81,5
81 Y
80,5 Y previsto
80
0 2 4 6 8

RESUMO DOS RESULTADOS

Estatística de regressão
R múltiplo 0,98744143
Coef. de
R-Quadrado 0,97504058 Explicação (Determinação)
R-quadrado
ajustado 0,96880073
Erro padrão 0,29640706
Observações 6
ANOVA
F de significação
Causas de Variação gl SQ MQ F (P-valor)
Regressão 1 13,7285714 13,728571 156,26016 0,000235586
Resíduo 4 0,35142857 0,0878571
Total 5 14,08
Conclusão: Com base na ANOVA, nota-se que o p-valor (F de Significação) foi igual a 0,000235586
(valor com prob. baixa=evento raro). Logo, a hipótese testada H0: β = 0, deve ser rejeitada. Assim,
conclui-se que existe a regressão linear. Pela análise do Coeficiente de Determinação
(R2 = 97,504058% ), interpreta-se que: da variabilidade total (associada à octanagem), 97,5% se
deve (pode ser explicada) por X (aditivo). Note, também, que o coeficiente de Pearson

( ρ̂ = 0,987 = R 2 = 0,97504058 ) indica uma correlação linear forte entre X e Y. Pois,

encontra-se próximo a 1.

Assim, a reta estimada ( ) é adequada para predizer valores ( Yˆ ) no

intervalo de X experimentado, ou seja, entre 1% e 6%.

C oˆ v[ X ; Y ] =
1
[ ∑ ∑ XY − ∑ X ∑Y ]
n −1 n

> 0 ⇒ Associação Direta ( positiva) : X ↑⇔ Y ↑


Se Coˆv < 0 ⇒ Associação Inversa (negativa) : X ↑⇔ Y ↓ (v.v)
≅ 0 ⇒ Ausência de associação LINEAR


C oˆ v[ X ; Y ] R 2 = SQ Modelo
ρˆ = ;
s X . sY SQ Total

Soma de Quadrados (SQ):

SQModelo = (n − 1).b2 .S X2 e SQTotal = (n − 1).SY2

Quadrados Médios (QM):

SQ
QM =
gl

a = Y − b. X
Coˆv[ X ;Y ]
b=
S X2