0% acharam este documento útil (0 voto)

15 visualizações14 páginas

Regressa

O documento aborda a análise de regressão linear, que descreve a relação entre uma variável dependente (y) e uma variável independente (x) através de um modelo matemático. Apresenta o modelo de regressão linear simples, métodos para estimar parâmetros e exemplos práticos para ilustrar a aplicação da técnica. Além disso, discute o coeficiente de correlação e sua importância na avaliação da relação entre as variáveis.

Enviado por

Thulio Santos

Direitos autorais

Levamos muito a sério os direitos de conteúdo. Se você suspeita que este conteúdo é seu, reivindique-o aqui.

Formatos disponíveis

Baixe no formato PPTX, PDF, TXT ou leia on-line no Scribd

0% acharam este documento útil (0 voto)

15 visualizações14 páginas

Regressa

Enviado por

Thulio Santos

Direitos autorais

Levamos muito a sério os direitos de conteúdo. Se você suspeita que este conteúdo é seu, reivindique-o aqui.

Formatos disponíveis

Baixe no formato PPTX, PDF, TXT ou leia on-line no Scribd

Você está na página 1/ 14

ESTATÍSTICA II

Quando duas variáveis possuem certo grau de relacionamento

(verificado pela correlação), podemos aplicar a análise de regressão que vai
nos permitir descrever através de um modelo matemático, a relação entre
duas variáveis, partindo de n observações das mesmas. Em particular
estudaremos a regressão linear que se trata de uma reta.

Ao estudarmos regressão linear devemos definir uma variável de

resposta, (dependente) àquela que mede um resultado de um estudo que
denotamos y; e uma variável explicativa (independente), àquela que explica
ou influencia mudanças em uma variável de resposta que denotamos por x.
Por exemplo, quantidade de cigarros consumida por dia, x, e
capacidade pulmonar, y.

A reta de regressão é uma linha reta que descreve como uma

variável de resposta y muda quando uma variável explicativa x muda. Em
geral, utilizamos uma reta de regressão para predizer o valor de y dado um
valor de x.
Tipos de Modelos de Regressão

1 variável Modelos de 2+
explicativa Regressão Variáveis
Explicativas

Simples Múltipla

Não- Não-
Linear Linear
Linear Linear
Vamos supor que o valor esperado de y varia com x de acordo com
uma equação de primeiro grau.
E[ y ]    x
onde  e  são parâmetros do modelo.

O modelo de regressão linear simples é dado por: yi    xi   i

em que i é o erro aleatório da observação i. Em poucas palavras o modelo de
regressão é dado pelo valor predito por x segundo uma função mais um erro
aleatório.
yi
i

xi
Existem diversos métodos para estimar os valores  e . Dentre eles
temos o Método dos Mínimos Quadrados (MMQ) ou Método dos Mínimos
Quadrados ordinários (MQO). Este método consiste em minimizar a soma dos
erros quadráticos.
Precisamos determinar os valores de  e  tal que minimizem a expressão
2
S     yi  ˆyi    yi     xi 
2 2
i

para isso calculamos as derivadas parciais:

S S
0 e 0
 
Chamaremos de a e b às estimativas para  e , então
n xi yi 
x y
a
 y  b x
i i
ou a Y  b X e b i i

n x   x 
2 2
n i i
em que xi e yi são os valores observados.

A chamada equação ou reta de regressão é dada por: ŷ a  bx .

A diferença entre os valores das observações e os preditos é
chamada de resíduo, , sendo que ei pode ser considerado uma estimativa do
erro aleatório i.
O coeficiente angular é dado por:
Exemplo 1: Consideremos uma amostra aleatória, formada por dez dos 98
alunos de uma classe da faculdade A e pelas notas obtidas por eles em
Matemática e Estatística. Determine a reta de regressão.
Diagrama de dispersão
Como a correlação em estudo tem como “imagem” uma reta
ascendente, ela é chamada correlação linear positiva.
a
 y  b x
i i ou a Y  b X
n
n xi yi  x y i i
b
n x   x 
2 2
i i

a=0,89 e b=0,86 y = 0,89 +0,86x

Exemplo 2: Após várias campanhas de mala direta você está
interessado na relação entre o número de cartas enviadas e o número
de novos clientes. Você possui os seguintes dados:
Cartas Clientes
1 1
2 1
3 2
4 2
5 4

client
4es
3
2
1
0
0 1 2 3 4 5
cartas
Tabelas para Estimação dos Parâmetros

2 2
Xi Yi Xi Yi XiYi
1 1 1 1 1
2 1 4 1 2
3 2 9 4 6
4 2 16 4 8
5 4 25 16 20
15 10 55 26 37
Solução

n xi yi  x y 5(37)  (15)(10)
b i i
b 0,7
n x   x  5(55)  (15)
2 2 2

i i

(10)  (0,7)(15)
a
 y  b x
i i ou a Y  b X a
5
 0,1
n

y = -0,10 +0,70x
Coeficiente de Correlação
• No exemplo anterior,
rxy  0,8167 0,9037

 Logo, há uma forte relação positiva entre x e y.

• Nota: O coeficiente de determinação nos dá medida entre

0 e 1 ao passo que o coeficiente de correlação da amostra
dá entre -1 e +1.
 O coeficiente de correlação é restrito à relação linear entre
duas variáveis, o coeficiente de determinação é geral.

Regressa

Enviado por

Regressa

Enviado por

ESTATÍSTICA II

Quando duas variáveis possuem certo grau de relacionamento

Ao estudarmos regressão linear devemos definir uma variável de

A reta de regressão é uma linha reta que descreve como uma

O modelo de regressão linear simples é dado por: yi    xi   i

para isso calculamos as derivadas parciais:

A chamada equação ou reta de regressão é dada por: ŷ a  bx .

a=0,89 e b=0,86 y = 0,89 +0,86x

 Logo, há uma forte relação positiva entre x e y.

• Nota: O coeficiente de determinação nos dá medida entre

Você também pode gostar

Pfad - The Proxy pFad of © 2024 Garber Painting. All rights reserved.