Correlação e Regressão

Disciplina: Estatística Aplicada

Curso: Engenharia de Manutenção Eletromecânica

Professora Adriana Almeida

Professor Murilo Lopes

Programação da aula 05/04/2022

 19:00h às 20:50h - Correlação e Regressão/

Encerramento do conteúdo.
 20:50 às 22:30h- Trabalho 02 (30 pontos).
Correlação

 No campo da Matemática e Estatística, a correlação

refere-se à proporcionalidade e à relação linear que
existem entre variáveis diferentes.

 Se os valores de uma variável são sistematicamente

modificados em relação aos valores de outra, diz-se
que as duas variáveis estão correlacionadas.
 Correlação
Podemos investigar a relação entre:
A calibração e tempo de vida de balanças de
precisão;
Parâmetros de entrada e parâmetros de saída em
processos industriais.
Falhas e o processo utilizado;
Produção e estoque;
Máquinas defeituosas e produtividade;
Vida útil e folga radial;
Vida útil e desalinhamento angular.
Correlação

 A correlação é simples quando estudamos o grau de

relacionamento entre duas variáveis, e é múltipla
quando temos mais de duas variáveis.
 A correlação Linear ou do 1º grau pode ser
representada por uma reta.
Correlação positiva linear

y y y

x x x
(a) Positiva (b) Forte (c) Perfeita
positiva positiva
Correlação negativa linear

y y y

x x x
(d) Negativa (e) Forte Negativa (f) Perfeita
negativa
Correlação não linear

y y

x x
(g) Nenhuma Correlação ou (h) Correlação Não linear
Nula
Coeficiente de Correlação Linear r

 É um indicador de força de uma relação linear entre

duas variáveis x e y em uma amostra, ou seja, mede o
grau de relacionamento entre essas variáveis em torno
de uma reta.
 A interpretação do coeficiente de correlação, está
isenta de qualquer implicação de causa e efeito.
 Coeficiente de Correlação Linear r

𝑛 σ 𝑥𝑦 − σ 𝑥 σ 𝑦
r=
𝑛 σ 𝑥2 − σ 𝑥 2 . 𝑛 σ 𝑦2 − σ 𝑦 2
Coeficiente de Correlação Linear r

 Sobre a intensidade do relacionamento entre x e y :

 A magnitude refere-se à força de associação entre x e y.

Correlação Interpretação
r = 0.00 Não há correlação entre x e y(Nula).
Fraca correlação, relacionamento entre x e y.
Moderada correlação entre x e y.
Forte correlação, relacionamento entre x e y.
r = -1 ou -100% Correlação máxima negativa entre x e y.
r = +1 ou +100% Correlação máxima positiva entre x e y.
Coeficiente de Correlação Linear r

 Quanto à direção da relação entre x e y:

 A direção se refere ao como os altos e baixos valores em
x e y estão associados.

Positiva Negativa Nenhuma

Correlação Correlação Correlação
r = +1.0 r = -1.0 r = 0.00

y y y

x x x
 Propriedades de r
 O valor de r está entre -1 e +1 ou –1≤ r ≤ 1.
 Por convenção a variável y é dependente, enquanto a
variável x é independente. Exemplo: X (Renda R$) e Y
(Consumo R$).
 O valor de r não varia se todos os valores de qualquer uma
das variáveis são convertidos para uma escala diferente.
 O valor de r não é afetado pela escolha de x e y, ou seja,
permutando x e y, o valor de r permanecerá inalterado.
 O coeficiente de correlação linear r mede somente a
intensidade, ou grau de relacionamento linear.
Correlação

 Exemplo: Produção versus Produção (x) Estoque (Y)

Estoque Independente Dependente
 Variável Independente: 138 29
Produção. 167 40
 Variável Dependente: 204 53
Estoque. 183 36
 Qual é o grau de 125 32
relacionamento dessas 190 47
variáveis?
Correlação e Regressão

 Exemplo: Produção versus Produção (x) Estoque (Y)

Estoque Independente Dependente
 Por convenção, a variável 138 29
independente é 167 40
considerada no eixo
204 53
horizontal x.
183 36
 A variável dependente é
considerada no eixo 125 32
vertical y. 190 47
Exemplo: Produção Diária X Estoque
de Peças
 Dados de Produção Diária (X) e Estoque (Y) de peças.
 Calculamos:

σ 𝑥, σ 𝑦 , σ 𝑥𝑦 , σ 𝑥 2 e σ 𝑦 2
Exemplo: Produção Diária X Estoque
de Peças
Produção(x) Estoque (Y) x.y X2 y2
Independente Dependente
138 29 4002 19044 841

167 40 6680 27889 1600

204 53 10812 41616 2809

183 36 6588 33489 1296

125 32 4000 15625 1024

190 47 8930 36100 2209

x= 1007 y=237 xy=41012 x2= 173763 y2 =9779

Exemplo: Produção Diária X Estoque de Peças

𝑛 σ 𝑥𝑦 − σ 𝑥 σ 𝑦
r=
𝑛 σ 𝑥2 − σ 𝑥 2 . 𝑛 σ 𝑦2 − σ 𝑦 2

6.41012 –1007.237
r=
6. 173763 –(1007)² . 6. 9779– (237)2

r=+0,877 ou 87,7%
Forte correlação. Direta e positiva.
 Exemplo: Produção Diária X Estoque
de Peças
O coeficiente de correlação sugere um relacionamento
forte positivo entre as produções das peças e os estoques
observados nesse período.
A medida que aumentamos as produções das peças
aumentamos também a quantidade de estoque e vice-
versa.
 Coeficiente de Determinação r²
Dadas as variáveis x e y, o coeficiente de
determinação ou explicação, nos dá uma indicação
da qualidade do ajustamento, e que é o valor da
variação das observações da variável em y que é
explicado pela reta de regressão y=ax+b.
Esse coeficiente também representa apenas uma
medida de força.
𝑉𝐸
Ele pode ser representado por: 𝑟2 =
𝑉𝑇
VT= Variação Total ; VE= Variação Explicada.
 Coeficiente de Determinação r²
 De acordo com exemplo inicial:
r=+0,877 ou 87,7%
r²=𝑉𝐸/𝑉𝑇 r²=(0,877)² r²=0,769 ou r²=77%
VE= 77%; Variação Explicada;
Não explicada: 23%;
VT= 100%
Interpretação: 77% da variação de y (Estoques) podem ser explicados pela
reta de regressão, e 23% da variação de y permanecem não explicados,
ou seja, 77% da variação do estoque(y) podem ser explicados pela
variação da produção (x), e os 23% restantes são atribuídos a outros
fatores.
 Regressão Linear

Analisa o relacionamento entre uma variável

dependente e uma variável independente.
Tenta explicar o relacionamento por ajustar uma linha
(relacionamento linear).
 É estabelecida uma equação:
Y = a + bx
b= coeficiente angular da reta.
a= coeficiente linear da reta.
Linha de Regressão e Equação de Regressão

Variável Dependente (Y)

Regressão
equação:
Inclinação = b Y = a + b.X
Intercepto = a

Variável Independente (X)

 Modelo de Regressão Linear

Uma linha reta que melhor ajusta ou descreve os dados

é dada pela equação:
Y = a+bx σ𝑌 σ𝑋
a= coeficiente linear da reta
𝑎= −𝑏⋅
𝑛 𝑛
b= coeficiente angular da reta
𝑛 σ 𝑥. 𝑦 − σ 𝑥 . σ 𝑦
𝑏=
𝑛 σ 𝑥2 − σ 𝑥 2
Exemplo: Produção Diária X Estoque
de Peças
Produção(x) Estoque (Y) x.y X2 y2
Independente Dependente
138 29 4002 19044 841

167 40 6680 27889 1600

204 53 10812 41 2809

183 36 6588 616 1296

125 32 4000 33489 1024

190 47 8930 15625 2209

x= 1007 y=237 xy=41012 x2= 173763 y2 =9779

Exemplo: Produção Diária X Estoque
de Peças

σ𝑌 σ𝑋 237 1007
𝑎= −𝑏⋅ 𝑎= − 0,26 ⋅ = −4,13
𝑛 𝑛 6 6

𝑛 σ 𝑥. 𝑦 − σ 𝑥 . σ 𝑦 6.41012 − 1007.237
𝑏= 𝑏= 2
= 0,26
𝑛 σ 𝑥2 − σ 𝑥 2 6.173763 − 1007

𝑦 = 𝑎 + 𝑏𝑥
𝑦 = −4,13 + 0,26𝑥
Qual estoque é esperado para 150
unidades?

𝑦 = −4,13 + 0,26𝑥
𝑦 = −4,13 + 0,26.150
𝑦 = 34,9
 No Excel:
I. Entrar com a variável dependente e independente.
Independente Dependente
 No Excel:
II. Clique na guia Dados, no Menu.
 No Excel:
III. No grupo Análise, clique em Análise de Dados.
 No Excel:
IV. Escolha Regressão na lista de ferramentas de análise, e
clique em ok.
No Excel:
V. Quando a caixa de diálogo Regressão aparecer:
Digite: B2:B8 na Caixa de Intervalo Y de Entrada.
Digite; A2: A8 na caixa de Intervalo X de Entrada.
Selecione Rótulos e Nível de confiança.
No Excel:
VI. Selecione o intervalo de Saída ou em nova planilha ou na Célula:
Sugestão na mesma planilha na célula F2.
No Excel:
No Excel:

Correlação R

Coeficiente de determinação: R²

Erro Padrão: desvio padrão dividido pela raiz quadrada da amostra

Teste Significância: <0,05

P valor: Se for > 0,05 indicar
o quanto incompatível
dados podem estar em
Coeficiente linear: a=-4.11 relação a um modelo
estatístico específico.

Coeficiente angular: b=0,26

No Excel:
Para Postar o gráfico de correlação, faça:
No Excel:

Selecione Layout 9: para

ser traçado a linha de
tendência desses pontos.
No Excel:
Análise de Regressão Múltipla
É o estudo de como a variável dependente y se relaciona
com duas ou mais variáveis independentes e com uma
parcela de erro.

Y= 𝛽0 + 𝛽1 ∗ 𝑥1 + 𝛽2 ∗ 𝑥2 +ε
Exemplo:

A equipe de manutenção investigou a vida útil do

rolamento 6209 em função do ângulo de
desalinhamento e folga radial.

Folga radial (µm)

Vida útil
(Ciclos)
Desalinhamento angular (°)
Y= β0 + β1 ∗ x1 + β2 ∗ 𝑥2
Y= 4,62−0,015 ∗ 𝑥1 -6,19 ∗ 𝑥2
REFERÊNCIAS

 MONTGOMERY, D. C.; RUNGER, G. C. Estatística Aplicada e

Probabilidade para Engenheiros. Tradução de Verônica Calado. 6.
ed. Rio de Janeiro: Livros Técnicos e Científicos, 2018.
 MEYER, P. L. Probabilidade: aplicações à estatística. Tradução de
Ruy de C. B. Lourenço Filho. 2. ed.Rio de Janeiro: Livros Técnicos
e Científicos, 2011.
 ROSS, S. M. A First Course in Probability. 8. ed. New Jersey:
Prentice Hall, 2010.