Profª M.Sc.

Flávia Costa de Mattos

FURG- Escola de Engenharia
ESTATÍSTICA INFERENCIAL-
ANÁLISE DE REGRESSÃO

1
 A variação dos valores em torno da sua média é definida
como variação total. Esta contém parcelas relativas à
aletoriedade do mercado e, às diferenças físicas e sócio-
econômicas entre os dados da amostra. É composta pelo soma
dos quadrados totais(SQT), que se dividem duas partes:

FURG- Escola de Engenharia

Profª M.Sc. Flávia Costa de Mattos
SQT= SQE+SQR

Soma dos quadrados explicados (SQE)- variação explicada

Soma dos quadrados residuais (SQR)- variação residual

2
 Profª M.Sc. Flávia Costa de Mattos
FURG- Escola de Engenharia
3
ei
di
Ou seja:

variação residual (VR) é representada pelo somatório dos

quadrados das diferenças entre os dados e a média estimada
pela equação de regressão.

FURG- Escola de Engenharia

Profª M.Sc. Flávia Costa de Mattos
Vr = Σ ei2 Valor Valor estimado Diferença(ei) Quadrado da diferença
( ) ( ) ( ) ( )²

(ei)²
Variação total (Vt) é representada pelo somatório do quadrado
das diferenças entre os dados e a média da amostra.

Valor Valor médio Diferença Quadrado da diferença

( ) ( ) ( ) ( )²
Vt = Σ di2
4
(di)²
 A relação entre a SQE e a SQT resulta no Coeficiente de
Determinação, que é um dos indicadores da eficiência da
equação de regressão.

Coeficiente de Determinação (r²): define o percentual da

FURG- Escola de Engenharia

Profª M.Sc. Flávia Costa de Mattos
variação total dos valores dos dados da amostra em torno da sua
média aritmética.

O Coeficiente de Determinação varia entre zero e 1.

Por exemplo: r²=0,90, indica que 90 % da variabilidade dos

preços observados são devido às variações da variáveis
envolvidas na equação de regressão.

r²= SQE/SQT
5
Coeficiente de Correlação (r): indica a força da relação de causa

e efeito entre a variação da variável explicada e a variação da

variável explicativa.

Níveis de coeficientes de Correlação

FURG- Escola de Engenharia

Profª M.Sc. Flávia Costa de Mattos
r=0.....................................nula
0 < r < =0,30.....................fraca
0,3 < r <=0,60...................média
0,6 < r <=0,90...................forte
0,9< r <=0,99....................fortíssima
r=1....................................perfeita

r= √ r² 6
 Modelos com coeficiente de correlação altos, significa
que existe uma forte correlação entre as variáveis envolvidas,
independentes e dependente.

FURG- Escola de Engenharia

Profª M.Sc. Flávia Costa de Mattos
 Modelos com r próximo de 0,75 devem ser evitados,
porque possuem r2 próximo de 50%, indicando que apenas 50
% do valor encontrado é explicado, o restante são erros.

7
Exercício de Regressão Simples:

Avaliar um terreno com 500,00 m² de área. Os dados da

pesquisa correspondem a imóveis com mesma localização.

FURG- Escola de Engenharia

Profª M.Sc. Flávia Costa de Mattos
8
O modelo linear corresponde a :

ŷ= 1.227,34-1,5284 x

ŷ= 539,53/ m²= R$ 242.788,00

Onde :

FURG- Escola de Engenharia

Profª M.Sc. Flávia Costa de Mattos

a= 1.227,34

b= -1,5284

r²= 0,7256, ou seja 72,56 % do valor é

explicado pela variável área.

r= 0,8518, a variável valor e área possuem

9
forte correlação.
Profª M.Sc. Flávia Costa de Mattos
FURG- Escola de Engenharia
10
 Linearização

O processo de regressão linear simples se aplica para ajustas

FURG- Escola de Engenharia

Profª M.Sc. Flávia Costa de Mattos
retas aos pontos observados.

Somente terá significação se a tendência dos pontos for linear.

Alguns modelos não lineares podem ser linearizados pela

transformação das escalas de medição das variáveis.

Escolher um modelo mais adequado significa propor uma

forma diferente de relacionamento entre as variáveis, tentar
outras ou adicionar variáveis independentes ao modelo, que
11
será tratado como regressão múltipla.
 Se o relacionamento entre as variáveis não for linear, os erros
serão grandes, e o problema de dependência dos erros é
geralmente contornado utilizando modelos que considera a

FURG- Escola de Engenharia

Profª M.Sc. Flávia Costa de Mattos
correlação entre os erros. As transformações são geralmente
recomendadas para os casos de não linearidade da função de
regressão, como mostrado a seguir:

12
Profª M.Sc. Flávia Costa de Mattos
FURG- Escola de Engenharia
13
Profª M.Sc. Flávia Costa de Mattos
FURG- Escola de Engenharia
14
Profª M.Sc. Flávia Costa de Mattos
FURG- Escola de Engenharia
15
 Potencial- y= a xb

A transformação ao modelo linear se faz:

ln y= ln a + b ln x

Em referência ao modelo linear:

FURG- Escola de Engenharia

Profª M.Sc. Flávia Costa de Mattos
Y= ln y X= ln x A= ln a a= eA B= b

 Exponencial – y= a bx

A transformação ao modelo linear se faz:

ln y= ln a + x ln b

Em referência ao modelo linear:

16
Y= ln y X= x A= ln a a= eA B= ln b b= eB
 Logarítmica- y= a + b ln x

A transformação ao modelo linear se faz:

y= a + b ln x

Em referência ao modelo linear:

FURG- Escola de Engenharia

Profª M.Sc. Flávia Costa de Mattos
Y= y X= ln x A= a B= b

 Inversa – y= 1/(a+ bx)

A transformação ao modelo linear se faz:

1/y= a+ bx

Em referência ao modelo linear:

Y= 1/y X= x A= a B= b 17
 Profª M.Sc. Flávia Costa de Mattos
FURG- Escola de Engenharia
18
Algoritmo básico para modelos transformados:
Transformações do exercício proposto:
Potencial: r= 0,8271 r²= 0,6842= 68,42 %
ln y= 8,402438- 0,32030 ln x linear
y= 4.457,92 x-0,32030 não linear

FURG- Escola de Engenharia

Profª M.Sc. Flávia Costa de Mattos
Exponencial:r= 0,8381 r²=0,7024=70,24%
lny=7,1492-0,0018075x linear
y= 1.273,08 e –(0,001875x) não linear

Inversa: r= 0,7967 r²=0,6348 = 63,48%

1/y= 0,0007252+0,000002263 x linear
y= 1/(0,0007251+0,000002263x) não linear 19
Logaritmica: r= 0,8563 r²=0,7333 = 73,33%
y = 2.312,793160 -275,882793 * ln(x) linear
y = 2.312,793160 -275,882793*ln(x) não linear

FURG- Escola de Engenharia

Profª M.Sc. Flávia Costa de Mattos
Modelo com maior coef. de determinação é o logaritmico:

v = 2.312,793160 -275,882793 * ln(x)

v = 2.312,793160 -275,882793 * ln(450)

v= R$ 627,3569 / m²

v= R$ 282.310,00
20
 Profª M.Sc. Flávia Costa de Mattos
FURG- Escola de Engenharia
21
Potencial
 Profª M.Sc. Flávia Costa de Mattos
FURG- Escola de Engenharia
22
Exponencial
 Profª M.Sc. Flávia Costa de Mattos
FURG- Escola de Engenharia
23
Inversa
 Profª M.Sc. Flávia Costa de Mattos
FURG- Escola de Engenharia
24
Inversa
 Profª M.Sc. Flávia Costa de Mattos
FURG- Escola de Engenharia
25
Logaritmica