UNIVERSIDADE SALVADOR - UNIFACS

CURSO DE GRADUAÇÃO EM ENGENHARIA MECÂNICA

DANILO MEDRADO

JOÃO CAMBUÍ

TASSIO CARVALHO

VITOR MATOS

CORRELAÇÃO & REGRESSÃO

Salvador

2012.2
 2

DANILO MEDRADO

JOÃO CAMBUÍ

TASSIO CARVALHO

VITOR MATOS

CORRELAÇÃO & REGRESSÃO

Projeto de pesquisa apresentado a Universidade

Salvador, como parte das exigências do Curso de

Engenharia Mecânica do Ensino Superior para

avaliação.

Salvador
 3

2012.2

SUMÁRIO

1.0 INTRODUÇÃO ..................................................................................................04

2.0 PROBLEMÁTICA ...............................................................................................04

3.0 CORRELAÇÃO ...................................................................................................04

4.0 REGRESSÃO .....................................................................................................06

4.1 RETA DE REGRESSÃO ......................................................................................06

4.2 RETA DE REGRESSÃO LINEAR ..........................................................................07

4.3 RETA DE REGERSSÃO MÚLTIPLICA ..................................................................07

5.0 COEFICIENTES DE DETERMINAÇÃO .................................................................08

6.0 ANÁLISE DE RESÍDUOS ....................................................................................08

7.0 TESTE DE HIPÓTESE ........................................................................................09

8.0 CONCLUSÃO ....................................................................................................09

9.0 REFERÊNCIA ....................................................................................................10

 4

1. INTRODUÇÃO:

No processo químico, suponha que o rendimento do produto esteja relacionado

à temperatura de operação do processo. Queremos construir um modelo
para prever o rendimento em um dado nível de hidrocarboneto, que servirá
também para otimização do processo tal como encontrar o nível de
hidrocarboneto que maximiza o rendimento. Iremos usar a técnica de
regressão e correlação.

2. PROBLEMÁTICA:

Numero de Nível de Pureza y(%)

observação Hidrocarboneto x(%)

01 0.99 90,01

02 1,02 89,05

03 1,15 91,43

04 1,29 93,74

05 1,46 96,73

06 1,36 94,45

07 0,87 87,59

08 1,23 91,77

09 1,55 99,42

10 1,40 93,65

11 1,19 93,54

12 1,15 92,52

13 0,98 90,56
 5

14 1,01 89,54

15 1,11 89,85

16 1,20 90,39

17 1,26 93,25

18 1,32 93,41

19 1,43 94,98

20 0,95 87,33

3. CORRELAÇÃO

Procura-se verificar a relação entre duas ou mais variáveis aleatórias.

Também chamada de coeficiente de correlação, indica a força e a direção do
relacionamento linear entre duas variáveis aleatórias.
O coeficiente de correlação de Pearson, também chamado de "coeficiente de
correlação produto-momento" ou simplesmente de "  de Pearson" mede o grau
da correlação (e a direção dessa correlação - se positiva ou negativa) entre
duas variáveis de escala métrica.

Este coeficiente, normalmente representado por   assume apenas valores

entre -1 e 1.

Ρ=1 Significa uma correlação perfeita positiva entre as duas variáveis.

Ρ=-1 Significa uma correlação negativa perfeita entre as duas variáveis isto é,
se uma aumenta, a outra sempre diminui.
Ρ=0 Significa que as duas variáveis não dependem linearmente uma da outra.
No entanto, pode existir uma dependência não linear. Assim, o resultado ρ=0
deve ser investigado por outros meios.
 6

Para uma amostra de tamanho “n” o coeficiente linear entre X e Y é calculado

por:

No problema citado nosso p= 0,9379, ou seja, significa que tem forte tendência
para regressão linear positiva, porém, só com a plotagem do gráfico de
dispersão poderemos verificar se existe alguma relação entre as variáveis e
se essa relação pode ser tratada como aproximadamente linear.
IMPORTANTE: Pode haver alguma relação entre X e Y mesmo quando não há
correlação linear significativa, portanto é pertinente realizar o gráfico primeiro.

4.0 REGRESSÃO

Em estatística, regressão linear é um método para se estimar a condicional

(valor esperado) de uma variável y, dados os valores de algumas outras
variáveis x. Ou seja, dá a equação que descreve o relacionamento em termos
matemáticos e aproxima por uma linha reta um determinado conjunto de
pontos. Em muitos casos, não é possível traçar uma reta que passe por todos
os pontos, mas pode-se traçar uma reta na maioria deles.
 7

4.1 RETA DE REGRESSÃO:

x = variável independente.
a = constante = intercepto (ponto em que a reta corta o eixo dos y).
b = constante = coeficiente de regressão.

4.2 MODELO DE REGRESSÃO LINEAR SIMPLES:

Quando estamos estudando o comportamento de duas variáveis X e Y que

supostamente se relacionam através de uma função linear, devemos
considerar a seguinte equação.

Em que ε representa um erro aleatório e pode ser pensado como uma “falha”
da equação linear em que se ajusta aos dados exatamente.

4.3 MODELO DE REGRESSÃO LINEAR MULTIPLICAR:

Quando a variável resposta pode ser relacionada à K variáveis preditoras,

X1,X2,...Xk neste caso, o modelo adequado seria:
 8

Como nossa problemática só possui uma variável usamos o modelo de

regressão linear simples para determinar a reta.

N=20

=1,20

=92,16

=170,444,53

=29,29

=2214,66

= – = 29,29

Sxy= - = 10,18
 9

β1= = 14,97

β0= - β1. = 74,20

y = 74,20 + 14,97x

5.0 COEFICIENTES DE DETERMINAÇÃO

O coeficiente de determinação é simbolizado por R² é indica quanto da

variação total é comum aos elementos que constituem os pares analisados.

Em regressão linear simples esse coeficiente pode ser obtido por R²=r², em
que r é o coeficiente de correlação de Pearson amostral. O valor de R² pode
variar de 0 a 100% quanto mais próximo de 100% melhor o ajuste do modelo
considerado.

Nossa problemática R²= 0.8796

6.0 ANÁLISE DE RESÍDUOS

Detecta quaisquer desvios das suposições feitas sobre o erro

Em que é o valor observado e é o correspondente estimado por meio

do modelo regressão.
 10

7.0 TESTE DE HIPÓTESE.

Ele é feito para verificar a importância do incremendo da variável independente

X.
Para α = 0,05 ( nivel de significância)
p>α Não rejeita Ho
p =< α Rejeita Ho
Na nossa problemática: p de BETA = 1,22731434445941E-09 ,portanto não
rejeita Ho. Podemos concluir que a variavel X é importante

8.0 CONCLUSÃO

Através da técnica de correlação e regressão podemos prever que o

rendimento, dado nível de hidrocarboneto.
 11

9.0 REFERÊNCIA

 Autor: Douglas Montgomery; Estatística aplicada e probabilidade para

engenheiros, 2º edição.
 Site: http://pt.wikipedia.org/wiki/Regress%C3%A3o_linear, Acessado em:
22/11/12