MODELOS

ESTATÍSTICOS
APLICADOS A
GEOGRAFIA
Análise de
Regressão
por Profa. Lucia Mendes
Prof. Francílio Amorim do Santos
lucia.mendes@uece.br
francilio.amorim@ifpi.edu.br
 ANÁLISE DE REGRESSÃO

Correlação linear
Regressão linear

“A análise de dados é o elo perfeito

entre os dados e as respostas”
 OBJETIVO
✓Compreender a relação entre duas variáveis quantitativas,
através da análise de correlação e regressão.

✓Entender como duas variáveis estão inter relacionadas do ponto

de vista estatístico.

✓Apresentar exemplo solucionado com a aplicação dos conceitos.

 INTRODUÇÃO
Nessa aula iremos abordar problemas que envolvem duas variáveis numéricas,
como um meio de visualizar as relações existentes entre elas.
Investigaremos a presença ou ausência de relação linear sob dois pontos de
vista:
1.Quantificando a força dessa relação: correlação Coeficiente
fornece umdenúmero
Correlação
que
resume o grau de relacionamento linear entre duas variáveis. de Pearson
2.Explicitando a forma dessa relação: regressão. fornece a Equação Linear
da Reta que descreve o comportamento de uma variável em função do
Duas variáveis estão relacionadas
comportamento da outra. se a mudança de uma provoca a mudança na
outra.
As relações entre duas variáveis podem ser quantificada por meio de expressões
matemáticas que descrevem uma variável dependente (eixo das ordenadas) em
função de uma variável independente (eixo das abscissas).
Variável independente: identifica-se com a dimensão ou a característica que o
investigador manipula deliberadamente para conhecer o impacto que produz
noutra variável.
Variável dependente: característica que pode ser influenciada quando se
manipula a variável independente.
 INTRODUÇÃO

Existe relação entre X e Y?

EXEMPLOS:
1. Será que existe uma relação entre o peso e a altura de um
homem adulto?
2.Um solo humífero é garantia de uma boa safra agrícola?
3.Uma imagem de alta resolução garante um cobrança do IPTU mais
justo?
4.Posso correlacionar a taxa de criminalidade e taxa de
analfabetismo?
5.Será que existe relação entre expectativa de vida e analfabetismo.
6.Será que existe relação entre a hora da coleta da temperatura do
solo e a variação da temperatura.
 INTRODUÇÃO

A correlação linear fornece um número que resume

o grau de relacionamento linear entre duas
variáveis.
Coeficiente de Correlação

A regressão linear fornece uma equação que

descreve o comportamento de uma variável em
função do comportamento da outra.
Equação linear da reta
 DIAGRAMA DE DISPERSÃO

Se x e y representam duas variáveis medidas em um certo número de indivíduos,

um diagrama de dispersão mostrará a localização dos pontos (xi, yi) em um
sistema de eixos cartesianos.
Se os pontos nesse diagrama se localizarem próximos a reta, a relação é dita linear
torna-se apropriada para fins de análise da correlação entre duas variáveis, isto é,
de estimativa do comportamento de uma variável em relação à outra.
Se y tende a aumentar a cada acréscimo de x, a correlação é denominada positiva
ou direta , caso contrario, negativa ou inversa.

Não ocorrendo correlação linear entre as variáveis ou elas são independentes

entre si ou então, existe entre ambas uma relação não-linear.

O modelo linear simples, portanto, pode ser utilizado quando se esta interessado
ou nas relações entre duas variáveis ou mesmo entre dois eventos ou se quer
predizer a ocorrência de uma delas ou de um deles em relação ao outro.
 CORRELAÇÃO LINEAR

No estudo do relacionamento entre duas variáveis, a definição de correlação é de

suma importância para o entendimento das variações existentes. A análise de
correlação avalia o grau de relacionamento linear entre duas variáveis. De acordo
com Landim (2003), ao se considerar duas variáveis, o Coeficiente de Correlação
Linear amostral r mede o grau de relacionamento linear entre os dados emparelhados
de x e y em uma amostra, e o seu valor

pode ser calculado pela equação: Onde n é o número de pares de

valores para xi e yi, variáveis com
1 𝑥𝑖−𝑋ത 𝑦𝑖−𝑌ത
𝑟= σ( )( ) distribuição normal, 𝑥ҧ e 𝑦ത são os
valores médios para xi e yi e 𝜎x e 𝜎y é
𝑛−1 𝜎𝑥 𝜎𝑦
o desvio padrão para xi e yi

Dois conceitos são chaves para entendê-la: “associação” e “linearidade”. Afinal, o que
significa dizer que duas variáveis estão associadas? Em termos gráficos, por relação
linear entende-se que a melhor forma de ilustrar o padrão de relacionamento entre duas
variáveis é através de uma linha reta. Portanto, a correlação de Pearson (r) exige um
compartilhamento de variância e que essa variação seja distribuída linearmente.
 CORRELAÇÃO LINEAR

O coeficiente de correlação Pearson (r) varia de -1 a 1. O sinal indica direção

positiva ou negativa do relacionamento e o valor sugere a força da relação entre as
variáveis.
Quanto mais próximo de 1: maior correlação positiva
Quanto mais próximo de 0: menor a correlação linear

Interpretação do valor r

-1 0 +1

Correlação Correlação Correlação Correlação

negativa forte negativa fraca positiva positiva
fraca forte
Ausência de
Correlação

Duas variáveis apresentam uma correlação linear quando os pontos do diagrama de

dispersão se aproximam de uma reta.
 CORRELAÇÃO LINEAR

Todavia, como valores extremos (0 ou 1) dificilmente são encontrados na prática é

importante discutir como podemos interpretar a magnitude dos coeficientes.

- Cohen (1988), valores entre 0,10 e 0,29 podem ser considerados pequenos;
escores entre 0,30 e 0,49 podem ser considerados como médios; e valores
entre 0,50 e 1 podem ser interpretados como grandes.

- Dancey e Reidy (2005) apontam para uma classificação ligeiramente diferente:

r = 0,10 até 0,30 (fraco); r = 0,40 até 0,6 (moderado); r = 0,70 até 1 (forte).

O certo é que quanto mais perto de 1 (independente do sinal) maior é o grau de

dependência estatística linear entre as variáveis. No outro oposto, quanto mais
próximo de zero, menor é a força dessa relação.
Duas variáveis apresentam uma correlação linear quando os pontos do diagrama de
dispersão se aproximam de uma reta.
 CORRELAÇÃO LINEAR

Diagrama de Dispersão

Representação gráfica que permite a visualização do comportamento

conjunto das duas variáveis.
É o gráfico sobre o qual cada medida individual é representada por
um ponto, sendo que a posição de cada ponto é determinada pelos
valores observados em um indivíduo, para as duas características
medidas (por exemplo, renda e educação). É denominado, também,
de gráfico XY.
Exemplo 1: Processos praianos condicionam a inclinação da zona
pós-praia abaixo da linha da maré baixa?
Ou seja, o ângulo de inclinação do fundo oceânico situado logo após
a linha da maré baixa a estirâncio está relacionado com o diâmetro
médio (em mm) do sedimento do fundo oceânico?
 CORRELAÇÃO LINEAR

Diagrama de Dispersão
Três modelos podem ser usados para estas investigações:
1. Verificar se os valores estão correlacionados.
2. Predizer o valor de uma variável a partir de um valor conhecido da outra.
3. Descrever a relação entre variáveis. (Dado um aumento específico numa
variável, qual o crescimento médio esperado para a segunda variável?)

O primeiro objetivo é o de analisar o comportamento simultâneo das

variáveis, tomadas duas a duas, verificando se os valores de uma medida
tendem a crescer (ou decrescer) à medida que a outra cresce, ou mesmo, se
não há nenhuma forma de dependência entre elas.

Nesse sentido, uma primeira abordagem exploratória é a elaboração de um

diagrama de dispersão entre as observações simultâneas das variáveis.

O diagrama de dispersão permite visualizar o grau de associação entre as

variáveis e a tendência de variação conjunta que apresentam
 CORRELAÇÃO LINEAR
Diagrama de Dispersão Pares de observações (xi, yi) para o ângulo
y x de inclinação do fundo oceânico e
diâmetro médio de sedimentos
1

Ângulo de Inclinação
0.8
Ângulo de Diâmetro de
Id Inclinação sedimentos 0.6

1 0.68 0.79 0.4

2 2.05 0.55 0.2
3 0.85 0.65 0
4 1.83 0.47 0.3 0.8 1.3 1.8 2.3 2.8
Diâmetro de sedimentos
5 0.66 0.81
6 1.84 0.59
7 0.5 0.74 Eixo ‘Y’ Variável que pode mudar de acordo com a
8 1.87 0.47 mudança da variável em ‘x’ (variável dependente).
9 1.86 0.22 Geralmente um indicador de qualidade ou efeito gerado
10 1.82 0.5
11 2.33 0.23 por uma causa.
12 1.85 0.52 Eixo ‘X’ Variável que é determinante para modificação do
13 2.17 0.25
processo (variável independente).
14 1.75 0.47
15 1.83 0.26 Geralmente uma possível causa de um problema
16 1.51 0.42 Há uma relação de associação entre o ângulo de
17 1.68 0.41 inclinação e o diâmetro de sedimentos.
18 1.38 0.37
Esta relação parece ser linear.
 CORRELAÇÃO LINEAR
Diagrama de Dispersão
Como interpretar?

O coeficiente de correlação linear r mede o grau de associação entre as

variáveis independentes e dependentes (x e y), o r pode ter valores variando
de -1 (correlação negativa ou inversa) e +1 (correlação positiva ou direta).

Existe as seguintes interpretações para o coeficiente de correlação:

1. Correlação nula: y não cresce,
indicando ausência correlação
linear;
2. Correlação fraca: indica que y
cresce mais lentamente que x;
3. Correlação forte: indica que y
cresce mais rapidamente que x;
4. Correlação prefeita: indica que y r = + 0,80
cresce na mesma velocidade que x. r =0,3
 CORRELAÇÃO LINEAR
Diagrama de Dispersão
Pares de observações (xi, yi) para o ângulo de inclinação do fundo oceânico e diâmetro médio de
sedimentos
0.9
Como interpretar?
0.8

0.7

0.6
Ângulo de Inclinação

0.5
Se a variável dependente Y tende a r=0
aumentar a0.4cada acréscimo da variávelnula: y não cresce,
1. Correlação
independente X, a indicando
correlação éausência correlação
0.3
denominada positiva ou direta, caso
linear;
contrário, negativa
0.2 ou inversa.
2. Correlação fraca: indica que y
0.1
cresce mais lentamente que x;
0 3. Correlação forte: indica que y
0.3 0.8 1.3 1.8 2.3 2.8
cresce mais rapidamente que x;
Diâmetro de sedimentos

4. Correlação prefeita: indica que y

cresce na mesma velocidade que x. r = +1
 CORRELAÇÃO LINEAR
Diagrama de Dispersão
Exemplo 02. No livro The Spirit Level , publicado no ano 2009, que
inclui a desigualdade no Brasil explica que quanto mais desigual um
país é, segundo o coeficiente GINI, usado pela ONU, o Banco Mundial
e a CIA, maior será a incidência de – por exemplo – doenças mentais,
gravidez na adolescência, uso de drogas ilegais, etc. O livro está cheio
de gráficos de dispersão (scatter-plots) como os três abaixo.
 CORRELAÇÃO LINEAR
Diagrama de Dispersão
Exemplo 03
Avaliar o grau de associação entre a velocidade de infiltração VIB e
as propriedades físicas dos solos, visando a sua estimativa, foram
efetuados estudos de correlação cujos resultados encontram-se
apresentados abaixo.

Relação entre a
velocidade de
infiltração básica
(VIB) e a
condutividade
hidráulica do
solo saturado
(Ks) da camada
de 0-20 cm do
PVA. Relação entre a VIB e a densidade
do solo (Ds) da camada de 60-80 cm
do PVA.
 CORRELAÇÃO LINEAR

Propriedades do coeficiente e as condições que precisam ser satisfeitas para

realizar a análise de correlação de Pearson (r).

1) O coeficiente de correlação de Pearson não diferencia entre variáveis

independentes e variáveis dependentes.

2) O valor da correlação não muda ao se alterar a unidade de mensuração das

variáveis. Padronização torna possível a comparação entre diferentes
variáveis no que diz respeito a sua magnitude e dispersão. Para tanto, deve-
se subtrair cada observação (X) pela média (μ) e dividir o resultado pelo
desvio padrão (σ).
Padronizar os dados usando a fórmula z-score, onde a
média será zero com desvio padrão assumindo valor 1:

3) O coeficiente tem um caráter adimensional

4) A correlação exige que as variáveis sejam quantitativas (contínuas ou
discretas).
5) Os valores observados precisam estar normalmente distribuídos N(μ, σ)
 CORRELAÇÃO LINEAR

6) Faz-se necessário uma análise de outliers, o coeficiente de correlação é

fortemente afetado pela presença deles.
7) Faz-se necessária a independência das observações, ou seja, a ocorrência de
uma observação X1 não influencia a ocorrência de outra observação X2.

Levando o pesquisador a cometer os erros do tipo I ou tipo II (teste de

hipótese)

O erro do tipo I consiste em concluir que a hipótese nula é falsa quando ela é
verdadeira. Logo, não existe relação entre as variáveis (Ho é verdadeira), mas o
pesquisador argumenta que X e Y são estatisticamente dependentes. Ou seja,
ele não poderia ter rejeitado a hipótese nula.
O erro do tipo II consiste em concluir que a hipótese nula é verdadeira quando
ela é falsa. Logo, existe relação entre X e Y (Ho é falsa), mas o pesquisador
defende que as variáveis são estatisticamente independentes. Ou seja, ele
deveria ter rejeitado a hipótese nula.
 CORRELAÇÃO LINEAR

Calculando o coeficiente de correlação de Pearson (r)

Exemplo: Analisar a relação entre duas variáveis X e Y que compõem os

dados da tabela
1° Passo: O gráfico de dispersão ilustra esses dados
ID X Y
1 29 0.49 Gráfcio de dispersão (XY)
2 40 1.59 3.5

3 54 1.69 3

4 55 1.82 2.5

5 72 3.1 2

média 50 1.738
Y
1.5

desvio padrão 16.32 0.93 1

0.5

0
20 30 40 50 60 70 80
X
 CORRELAÇÃO LINEAR

Calculando o coeficiente de correlação de Pearson (r)

Exemplo: Analisar a relação entre duas variáveis X e Y que compõem os dados da tabela

ID X Y 1° Passo: Padronizar as observações

2°
1 29 0.49 ID Zx𝑋1 − 𝑋ത Zy Zx*Zy
2 40 1.59 Zx =
3 54 1.69 1 -1.286
𝜎 -1.342 1.726
onde X1 representa o valor da observação 01 (29), X
4 55 1.82 2 a média
representa -0.613
(50) e Sx-0.159
indica o valor0.097
do desvio
5 72 3.1 padrão3(16,32). O0.245
mesmo deve -0.052 -0.013
ser feito para Y. Depois
média 50 1.738 disso, deve se somar o produto cruzado dos valores
desvio padrão 16.32 0.93
4
padronizados de X0.306
e Y (Zx * Zy).0.088 0.027
5 1.348 1.46 1.968
A terceira coluna ilustra os produtos de Zx * Zy. A soma dos produtos (1,726 + 0,097 + -
0,013 + 0,027 + 1,968) resulta em 3,805. 1 𝑥𝑖−𝑋ത 𝑦𝑖−𝑌ത
O resultado encontrado é de r = 0,955 ou seja, existe uma correlação forte e
𝑟= σ( )( ) ∴ 𝑟 = 0.955
positiva
Para entre
finalizar X e Y.deve-se aplicar a fórmula:
o cálculo 𝑛−1 𝜎𝑥 𝜎𝑦
 CORRELAÇÃO LINEAR
Testes de Hipóteses sobre o Coeficiente de Correlação linear
Para comprovarmos se o coeficiente de correlação é significativo, devemos
realizar o seguinte teste de hipóteses:

teste de hipóteses: 𝐻0 : 𝜌 = 0
𝐻1 : 𝜌 ≠ 0
A estatística do teste é dada por:

onde, tcalc é a estatística do teste; n é o

tamanho da amostra e r é a estimativa do
coeficiente de correlação linear.
tcalc // t/2,n-2 tcalc >tcrítico →Rejeita-se H0
com n-2 graus de liberdade na tcalc <tcrítico →não Rejeita-se H0
tabela t de Student.

Se a hipótese nula, ao nível de significância α , for rejeitada podemos concluir

que efetivamente existe uma relação significativa entre as variáveis.
 CORRELAÇÃO LINEAR
Teste de Hipótese
Exemplo 3: Quer se testar se existe ou não correlação entre as taxas de
criminalidade e de analfabetismo
Considere as duas variáveis observadas em 50 estados norte-
americanos.

Y: taxa de criminalidade
X: taxa de analfabetismo
Para  = 0,05 temos:
Podemos notar
que, conforme tcrítico2,5=1,96, sendo t>tcrítico2,5
aumenta a taxa de Portanto, rejeita H0
analfabetismo (X),
a taxa de
criminalidade (Y)
tende a aumentar. Há correlação entre
Nota-se também criminalidade e
uma tendência analfabetismo.
linear.
 CORRELAÇÃO LINEAR
Exemplo 4: Quer se testar se existe ou não correlação linear entre a
expectativa de vida e o analfabetismo.
Considere as duas variáveis observadas em 50 estados norte-americanos.

Para  = 0,05 temos:

Y: expectativa de vida
X: taxa de analfabetismo tcrítico2,5=1,96, sendo t>tcrítico2,5
Portanto, rejeita H0
Podemos notar que,
conforme aumenta a
taxa de analfabetismo
(X), a expectativa de
vida (Y) tende a
diminuir. Nota-se Há correlação negativa
também uma entre analfabetismo e a
tendência linear. expectativa de vida.
 REGRESSÃO LINEAR

Uma vez constatado que existe correlação linear entre duas variáveis,
pode-se tentar prever o comportamento de uma delas em função da
variação da outra.

É uma análise estatística com o objetivo de construir uma fórmula

que possa prever a variável dependente a partir dos valores
observados das variáveis independentes.

Desta forma pode-se considerar que o modelo para o relacionamento linear

entre as variáveis X (preditor ou variável independente) e Y (variável
independente) seja representado por uma equação do tipo:

Coeficiente linear ou Coeficiente angular ou

Intercepto y - é o valor de Inclinação da reta - mede
y para x=0 o acréscimo em y para um
acréscimo de uma
unidade em x
 REGRESSÃO LINEAR

Intercepto y
a
a e b - parâmetros
b da reta

Inclinação da reta

Para ajustar a linha entre as variáveis x e y utiliza-se o

método dos mínimos quadrados.
 REGRESSÃO LINEAR
Em certas situações podemos estar interessados em descrever a relação entre
duas variáveis, e também predizer o valor de uma a partir de outra.
Por exemplo, será que é possível prever a altura da Lara já que ela pode pesar 49
kg? O coeficiente de correlação apenas indica a grau de associação como um
único número.
Se estamos interessados em predizer peso e altura então não temos uma relação
simétrica entre as duas variáveis.
PESO em ALTURAS
id
A regressão permite: (kg) em (m)
1 48 1.56
Descrever sucintamente o nível geral 2 53 1.68
3 50 1.65
de uma variável que está associada 4 90 1.82
com cada nível de outra. 5 52 1.6
6 70 1.77
Predizer uma variável de uma outra
r  0,85
7 100 1.78
variável. 8 56 1.59
9 65 1.65
10 60 1.65
11 62 1.73
12 42 1.51
13 51 1.54
14 86 1.76
15 54 1.58
 REGRESSÃO LINEAR
Predizer uma variável de uma outra variável.

A equação desta reta traduz-se em:

Altura = 0,0049 x Peso + 1,3519
Substituindo na equação o Peso por
49, obtém-se o valor de 1,59, pelo que
a altura esperada para a Ramona que
pesa 49 kg , é de cerca de 1.59 m.

r  0,85
 REGRESSÃO LINEAR
No caso do Exercicio 3: Uma vez verificada a existência de uma relação
entre a: a taxa de criminalidade x taxa de analfabetismo, desejamos
desenvolver um modelo para estimar a taxa de criminalidade (variável y) a
partir da taxa analfabetismo (variável x).

Qual a reta que melhor se ajusta a estes dados?

Com r = 0.716 o
a reta ajustada é: coeficiente de
determinação ou
ො valor predito para a taxa de criminalidade
𝑦: explicação indica
𝑥: taxa de analfabetismo que 51,3% de da
taxa de
criminalidade
Interpretação de b: pode ser
Para um aumento de uma explicada pela
unidade na taxa do taxa de
analfabetismo (X), a taxa de analfabetismo
criminalidade (Y) aumenta, .
em média, 4,257 unidades.
 REGRESSÃO LINEAR

No exemplo 4: a taxa de expectativa de vida x taxa de analfabetismo

a reta ajustada é:

ො valor pedito para a expectativa de vida

𝑦:
𝑥: taxa de analfabetismo

Interpretação de b:

Para um aumento de uma unidade

na taxa do analfabetismo (X), a
expectativa de vida (Y) diminui, em
média, 1,296 anos.
 REGRESSÃO LINEAR

Coeficiente de Determinação (r2)

O r2 Explica o grau de ajuste do modelo, ou o percentual de y que é explicada pela
variabilidade de x.
Além dos testes de hipóteses e dos
2
O valor r é obtido pela equação: intervalos de confiança, outro indicador
que fornece elementos para a análise do
modelo adotado é o coeficiente de
determinação ou de explicação o r2 que
representa a parte da variância total de x
e y, que pode ser explicada pela sua
relação linear.
r2 = variação explicada / variação total
Assim, r2 mede o percentual da variação de y que é explicado pela variação de x.

Exemplo, caso haja, entre duas variáveis X e Y um valor de r igual a 0.6, ter-se-
á r2 = 0.36, ou seja, o grau de dependência de Y em relação a X será de 36%;
isso significa que 64% da variação total permanece sem explicação.
 ANÁLISE DE REGRESSÃO

No exemplo 5: Para estudar a poluição de um rio, foi medida a

concentração de um determinado composto orgânico (Y) e a precipitação
pluviométrica na semana anterior (X)
1. Existe alguma relação entre o nível de
ID X Y
poluição e a precipitação pluviométrica?
1 0.91 0.10
Teste sua significância, ao nível de 5%.
2 1.33 1.10
3 4.19 3.40 2. Qual a concentração do composto
4 2.68 2.10 orgânico previsto para uma precipitação
5 1.86 2.60 pluviométrica 1,50?
6 1.17 1.00
Média 2.023 1.717
Desvio padrão 1.233 1.206

Os dados estão indicados para

usar o coeficiente de correlação Ambas tem dados com distribuição
de Pearson normal, pois valor-p é maior que 0.05
 ANÁLISE DE REGRESSÃO
No exemplo 5: ... composto orgânico (Y) e a precipitação pluviométrica
na semana anterior (X)

1. Existe alguma relação entre o nível de poluição e a precipitação

pluviométrica? Teste sua significância, ao nível de 5%.

Para comprovarmos se o coeficiente de correlação é significativo, devemos

realizar o seguinte teste de hipóteses: 𝐻0: 𝜌 = 0
H1: 𝜌 ≠ 0
Estatística do teste:
Como o valor de p é menor que 0,05
então pode-se afirmar que existe
correlação linear positiva significativa.

O valor crítico de t para n-2 = 4 graus de liberdade e 5% de nível de significância

é tcalc = 3,86:
 ANÁLISE DE REGRESSÃO
No exemplo 5: ... composto orgânico (Y) e a precipitação pluviométrica
na semana anterior (X)

1. Existe alguma relação entre o nível de poluição e a precipitação

pluviométrica? Teste sua significância, ao nível de 5%.

Para comprovarmos se o coeficiente de correlação é significativo, devemos

realizar o seguinte teste de hipóteses: 𝐻0: 𝜌 = 0
H1: 𝜌 ≠ 0
Estatística do teste:
Como o valor de p é menor que 0,05
então pode-se afirmar que existe
correlação linear positiva significativa.

O valor crítico de t para n-2 = 4 graus de liberdade e 5% de nível de significância

é tcalc = 3,86:
 ANÁLISE DE REGRESSÃO
No exemplo 5: ... composto orgânico (Y) e a precipitação pluviométrica
na semana anterior (X)

2. Qual a concentração do composto orgânico previsto para uma

precipitação pluviométrica 1,50? y = 0.9094x + 0.4605 ∴

4.5
Y = 1,8246
4 y = 0.9094x + 0.4605
3.5 R² = 0.7885 Entre duas variáveis X e Y um
CONCENTRAÇÃO ORGÂNICO

3
valor de r igual a 0.888, ter-se-á r2
2.5
= 0.78, ou seja, o grau de
2
dependência de Y em relação a X
1.5
será de 78%; isso significa que
1
22% da variação total permanece
0.5
sem explicação.
0 Com o aumento da precipitação
0 0.5 1 1.5 2 2.5 3 3.5 4
PRECIPITAÇÃO (X), a concentração da poluição
(Y) diminui, em média, 0,4605
 Prática Excel e GeoDA

https://geodacenter.github.io/download_windows.html

Excel
DRUCK S. et al. Análise espacial de dados
geográficos. Editores Técnicos Suzana Druck...
[ET AL.]... Planaltina, Df: Embrapa Cerrados.
209 p. 2004
FÁVERO, LUIZ PAULO; BELFIORE, PATRÍCIA.
Manual de Análise de Dados (Locais do Kindle
695). Elsevier Editora Ltda.. Edição do Kindle.
LANDIM, P. M. B. Análise Estatística de Dados
Geológicos. 2º Edição. Ed. UNESP, São Paulo,
226p. 2003.
LEVINE, D.M. Estatística: Teoria e Aplicações:
Usando Microsoft Excel em Português. Editor:
Livros Téc. e Cient. Editora, 812p. 2000.
OLIVEIRA, P.F.; GUERRA, S; McDONNELL R.
Ciência de Dados com R: Introdução.
Instituto Brasileiro de Pesquisa e Análise de
Dados. Disponível em:
<https://cdr.ibpad.com.br/>. Acesso em: 05
nov. 2022.
ROGERSON, P.A. Métodos estatísticos para
geografia: um guia para estudante / Peter A.
Rogerson ; tradução técnica: Paulo Fernando
Braga Carvalho,José Irineu Rangel Rigotti. 3.
Ed. Porto Alegre : Bookman, 348 p. 2012.
 “Se a matemática é o
pincel com que Deus
desenhou o universo,
então, a estatística é a
ferramenta humana
criada para tentar
entendê-lo!
(Chico Xavier)

MODELOS ESTATÍSTICOS APLICADOS A GEOGRAFIA