Escolar Documentos
Profissional Documentos
Cultura Documentos
Conceito de Reta de Regressão Linear Simples A ideia de construir um modelo de regressão linear é
escrever uma equação linear, uma reta, que represente a associação entre duas variáveis. O objetivo
principal é predizer o valor de uma variável conhecendo-se a outra, utilizando a equação de reta que foi
construída. A equação de regressão linear é:
y = 0 + 1 x .
Os parâmetros do modelo são 0 e 1 . Se tivéssemos toda a população estes valores seriam conhecidos.
Mas em inferência, sempre temos que estimá-los a partir de uma amostra. Assim o modelo de regressão
ajustado é dado por:
yˆ = b0 + b1 x
Importante! Quando fazemos um modelo de regressão linear precisamos avaliar ou supor que algumas
hipóteses são verdadeiras, e sempre que possível verificar tais suposições, que são:
• estamos trabalhando apenas com relações lineares, ou seja, as variáveis explicativa e resposta, estão
associadas linearmente;
• o modelo de regressão suposto é: y = 0 + 1 .x + , sendo os erros aleatórios do modelo.
• os erros () em um modelo de regressão são normalmente distribuídos com a média zero e a variância
constante, denotada por , sendo a mesma variância da variável resposta. Também são independentes,
2
b1 =
x y − nx y
i i
x − n ( x)
2
2
i
b0 = y − b1 x
Estatística Inferencial 1
UNIUBE – UNIVERSIDADE DE UBERABA Professora Me Fabíola Eugênio Arrabaça Moraes
x 30 21 35 42 37 20 8 17 35 25 15 12
y 430 335 500 490 470 210 195 270 420 480 285 243
Vamos ajustar uma equação linear para os dados do Exemplo, relativo ao preço como função do peso da
peça.
x 2
i = 8671 . Substituindo-os na fórmula de b1 , temos:
Sabendo-se que y=
y e y=
y , a tabela nos fornece y = 4328 ; x = 297 e n = 12 . Logo
i i
n n
4328 297
y= = 360, 66 e x = = 24, 75 .
12 12
297
Substituindo os valores y = 360, 66 e x= = 24, 75 na fórmula de b0 , encontramos
12
b0 = 360,66 − 9,49.24,75 = 125,81 126 .
yˆ = 126 + 9,49.x
Para uma observação de x i , assumindo o valor 23 Kg teríamos uma estimativa para ŷ i estimado de
Estatística Inferencial 2