Regressão linear simples

Variável independente, Variável dependente,

X Y
Temperatura do forno (0C) Resistência mecânica da cerâmica (MPa)

Quantidade de aditivo (%) Octanagem da gasolina

Renda (R$) Consumo (R$)

Memória RAM do computador (Gb) Tempo de resposta do sistema (s)

Área construída do imóvel (m2) Preço do imóvel (R$)

Exemplo 11.2:
Resultados de n = 6
• X = % de aditivo ensaios experimentais:

X Y
• Y = Índice de octanagem da
1 80,5
gasolina
2 81,6
3 82,1
4 83,7
5 83,9
6 85,0
Exemplo 11.2:
86,0
índice de octanagem

85,0

84,0

83,0

82,0

81,0

80,0
0 1 2 3 4 5 6 7
quantidade de aditivo (%)
 Regressão - Modelo

Predito por X, se-

Y = gundo uma função + Efeito aleatório


y
i 
.
xe 

Regressão
ii Linear
Simples
Parâmetros
 Modelo de regressão linear simples
• Em termos das variáveis: E
Y X

• Em termos dos dados: Yi =  + xi + i

• Suposições:
– os termos de erro (1, 2, ..., n) são variáveis aleatórias
independentes;
– E{i} = 0;
– V{i} = 2; e
 i tem distribuição normal (i = 1, 2, ..., n).
 Método dos mínimos quadrados para estimar  e 

• Minimizar em relação a  e  :


S
i
2

 
i
Y 
i
x 2

yi
S
0 i


S
0

xi
 Método dos mínimos quadrados para estimar  e 

• Resultado das derivadas parciais:

Estimativa de : 

n.
x i
iy 
 i
x i
y
b =

n. 2
x
i 
 x
i2

Estimativa de  : y b
a = i
x
i
n

Reta de regressão construída com os dados:

yˆ  a  bx
 Qualidade do ajuste

• Ajustou-se uma equação de

regressão entre X e Y. E a qualidade
do ajuste?

– análise de variância do modelo

– análise dos resíduos
 Reta de regressão e resíduos

• Valores preditos:
ˆi a bxi
y
yi yˆ  a  bx
ei
• Resíduos: ŷi
ei  yi  y
ˆi

xi
 Análise de variância do modelo
Desvio em relação à
média aritmética:
di  yi y
yi
Desvio em relação à ei di yˆ  abx
reta de regressão
(resíduo da regressão):
y
ei  yi y
ˆi

xi
 Somas de quadrados

yi  y yˆi  y yi yˆi 

2 2 2
= +

SQT SQR SQE

variação total variação explicada variação não

pela equação de explicada
regressão
 Somas de quadrados

y
 

  2

y  

2 i 2
SQT
i y yi
n



SQE
y
ˆ
y
i i
2

i
2
ya
y
i
bx
iyi

SQT
SQR SQE
SQRSQE
Coeficiente de determinação: R
2

1
SQTSQT
Medida da qualidade do ajuste:
Coeficiente de determinação (R2)

Variação
explicada  (y^i - y)2
R2 = =
Variação  (yi - y)2
total

0 R2 1 Matematicamente, R2 é o
quadrado do Coef. de Correlação
de Pearson.
Exemplo 11.2:
86

85

84
Índicedeoctanagem

83

82 ˆ79
y ,7(0
,886
)x
2 13
,
73
81 R 
0, 
975
97
,5
%
14
,
08
80
0 1 2 3 4 5 6 7 Interpretar.
Quantidadedeaditivo(%)
 Análise de variância do modelo

Fonte de gl SQ QM Razão f
variação
Regressão 1 y 
ˆi y SQR f QMR
2
SQR QMR
1 QME

Erro n–2 
SQEyi y
ˆi QME
2
 SQE
n2

Total n–1 
SQT yi y
2
Teste de significância do modelo
E
Y .X

• H0:  = 0 e H1 :   0

• Distribuição de referência para a razão f :

distribuição F com gl = 2 no numerador e
gl = n – 2 no denominador (Tabela 6).
Exemplo 11.2:
Fonte de variação gl SQ MQ Razão f

Regressão 1 13,73 13,729 156,26

Erro 4 0,35 0,088

Total 5 14,08

Usar a Tabela 6 e fazer o teste de significância do modelo.

 Suposições do modelo
• Modelo: Yi =  + xi + i
– os termos de erro (1, 2,
..., n) são variáveis
aleatórias independentes; y
E{Y}= +x
– E{i} = 0;
– V{i} = 2; e
 i tem distribuição normal
(i = 1, 2, ..., n).
x
 Análise dos resíduos:
um diagnóstico das suposições do modelo

• Valores preditos:
ˆi a bxi
y yi yˆ  a  bx
ei
ŷi
• Resíduos:

ei  yi  y
ˆi
xi
 Análise dos resíduos

y e

x
x

Gráfico dos dados: Gráfico dos resíduos:

(xi, yi) (xi, ei)

As suposições do modelo parecem satisfeitas?

 Análise dos resíduos

y
resíduo

0
x

x
Gráfico dos dados: Gráfico dos resíduos:
(xi, yi) (xi, ei)

As suposições do modelo parecem satisfeitas?

O que pode ser feito? (Ver livro)
 Análise dos resíduos
y
e

0
x

x
Gráfico dos dados: Gráfico dos resíduos:
(xi, yi) (xi, ei)

As suposições do modelo parecem satisfeitas?

O que pode ser feito? (Ver livro)
 Análise dos resíduos
resíduo

0 x

Gráfico dos resíduos: (xi, ei)

As suposições do modelo parecem satisfeitas?

O que pode ser feito? (Ver livro)