Correlação Linear Simples

Consumo de água, Temperatura do formo, Preço do imóvel,

Estudar a relação entre duas variáveis quantitativas. Rendimento de combustível

- O consumo de água (m³) e o esgoto tratado (m³)

Gráfico Diagrama de Dispersão
- A temperatura do formo (ºC) e a resistência da cerâmica (MPa)

- O preço do imóvel (R$) e a área construída (m²) Esgoto tratado, Resistência da cerâmica, Área construída,
Peso do veículo
- O rendimento do combustível (Km / L) e o peso do
veículo (ton)

A temperatura do formo e a resistência da cerâmica Dispersão

23

Níveis de temperatura Resistência mecânica 21

equidistantes (ºC) (MPa = 10,19 Kgf/cm²)

0,5 10 19

1,0 14
Resistência (MPa)

17
1,5 15
2,0 18 15

2,5 20
3,0 22 13

3,5 22
11

Dispersão 0,0 0,5 1,0 1,5 2,0 2,5

Nível de temperatura (ºC)

3,0 3,5 4,0

A temperatura do formo e a resistência da cerâmica

Coeficiente de correlação linear r = 1, correlação linear positiva perfeita

Tem por objetivo medir e avaliar o grau de relação linear existente entre as variáveis.
14
Coeficiente de correlação linear de Pearson:
12

 xy   
x y 10

rXY  n
 x 2   y 2   y 2 
8
 Y

 x 2   6

 n 

n 
 4

1  r  1 2

r= 1 indica uma correlação linear positiva perfeita; 0

r = -1 indica uma correlação linear negativa perfeita; 0 2 4 6 8 10 12 14

X
r= 0 indica que não existe uma correlação linear entre as variáveis.

1
 r = -1, correlação linear negativa perfeita
r0
.
12 7

. 6
. . .
12 10

.
8
. . . .
5

.
10 Y 6 . Y
4

4 . . . 3

8 2 . 1

0 0
0 1 2 3 4 5 6 0 1 2 3 4 5 6
Y 6 X X

4 7

.. .
. .
6

2 5 .
Y4
. .
0
3
. .
0 1 2 3 4 5 6
2

1
. .
X
0
0 1 2 3 4 5 6
X

r 1
10

9
Correlação linear
8

Y 5

4 Valor de r
3

1
-1 0 +1
0

r  1
0 2 4 6 8 10 12 14
X

10

9 SENTIDO negativa positiva

8

6
FORÇA Forte Moderada Fraca Fraca Moderada Forte
Y 5 ≤ -0,70 -0,40 a -0,69 -0,39 0,39 0,40 a 0,69 ≥ 0,70
4

0
0 2 4 6 8 10 12 14
X

Dispersão
Dispersão 23

21

Níveis de temperatura Resistência mecânica

19
equidistantes (ºC) (MPa = 10,19 Kgf/cm²)
0,5 10
Resistência (MPa)

17
1,0 14
1,5 15 15

2,0 18
2,5 20 13

3,0 22
11
3,5 22
9
0,0 0,5 1,0 1,5 2,0 2,5 3,0 3,5 4,0

Nível de temperatura (ºC)

A temperatura do formo e a resistência da cerâmica

2
  xy   n
Coef. de Correlação para o exemplo temperatura x resistência: x y
rXY 
x y x2 y2 xy   x    y   y  
2 2

0,5 10 0,25 100 5  x 

2
 2

   
n n
1,0 14 1,00 196 14

1,5 15 2,25 225 22,5 14 121

270,5 
2,0 18 4,00 324 36
rXY  7
2,5 20 6,25 400 50  14  
2
1212 
35    2213  
 7   7 
3,0 22 9,00 484 66
3,5 22 12,25 484 77
Forte correlação linear
14 121 35,00 2213 270,5
rXY  0,977541...  0,9775 positiva
(Por quê?)

O peso de um veículo relacionado ao rendimento do 20

combustível

Peso do Veículo Rendimento 16

(centenas de Kg) (Km/litro)

13 14
26 6 12
Rendimento (Km/L)

14 13
24 8
18 12 8

22 9
16 11
14 14 4

12 16
19 9
0
0 5 10 15 20 25 30
Peso (100 Kg)

Obter o coeficiente de correlação de Pearson Gráfico 11 – Rendimento do veículo (Km/L) segundo o peso (100 Kg)

 xy   n
Os dados abaixo representam o custo de produção de determinada
x y
peça em função da quantidade produzida.
rXY 

 x 
 x    y   y  
2 2
2
 2
Número de peças Custo (R$)
 n   n 
70 27
178 112 30 43
1861  50 32
rXY  10 30 38
 1782   1122  50 33
3382    1344 
90 21
 50 26
 10   10 
70 23
90 14
Forte correlação linear
rXY   0,958492...   0,9585 negativa
70 19

(Por quê?)
Obter o coeficiente de correlação de Pearson

3
 60
50

45
50
40
(mg/g)

35
Custo (R$)

40

30
Potência

25

Custo (R$)
30

20

15 20

10

5 10

0
0 20 40 60 80 100 0
0 20 40 60 80 100
Temperatura
Número de (ºC)
peças Número de peças

(90 ; 21) e (90 ; 14) por (90 ; 47) e (90 ; 50)

Coeficiente de correlação r  0,9198319...  0,9198
Coeficiente de correlação r  0,1277904...  0,1278

Regressão Linear Simples

Consumo de água, Temperatura do formo , Área construída,
Estudar a relação de causalidade entre duas variáveis quantitativas. Peso do veículo

- O consumo de água e a quantidade de esgoto tratado X

Gráfico Diagrama de Dispersão
- A temperatura do formo e a resistência da cerâmica Y
- A área construída relacionada ao preço do imóvel Esgoto tratado, Resistência da cerâmica, Preço do imóvel,
Rendimento de combustível
- O peso de um veículo relacionado ao rendimento do
combustível

Dispersão A temperatura do formo e a resistência da cerâmica

X Y 23

Níveis de temperatura Resistência mecânica 21

equidistantes (ºC) (MPa = 10,19 Kgf/cm²)

0,5 10 19
Resistência (MPa)

1,0 14 17
1,5 15
2,0 18 15

2,5 20
3,0 22 13

3,5 22
11

9
0,0 0,5 1,0 1,5 2,0 2,5 3,0 3,5 4,0

Nível de temperatura (ºC)

4
 REGRESSÃO LINEAR SIMPLES REGRESSÃO LINEAR SIMPLES
Observando o gráfico, os pontos estão praticamente em uma É possível obter uma relação funcional entre as duas variáveis
linha reta expressa, neste caso, pela equação de uma reta
23 23

21 21

19 19
Resistência (MPa)

Resistência (MPa)
17 17

15 15

13 13

11 11

9 9
0,0 0,5 1,0 1,5 2,0 2,5 3,0 3,5 4,0 0,0 0,5 1,0 1,5 2,0 2,5 3,0 3,5 4,0

Nível de temperatura (ºC) Nível de temperatura (ºC)

A temperatura do formo e a resistência da cerâmica A temperatura do formo e a resistência da cerâmica

REGRESSÃO LINEAR SIMPLES

Yi     X i   i i = 1, 2, ..., n

No estudo da variação de uma variável Y em função de uma

variável X, Y é a variável dependente ou resposta e Mostra-se (método dos mínimos quadrados)
X a variável explanatória, independente ou preditora 23

Com n pares de valores, (x1; y1); (x2; y2); .... ; (xn; yn) e e7
21
e6
admitindo-se Y função linear de X, pode-se estabelecer
uma regressão linear simples, cujo modelo estatístico é 19
e5
Resistência (MPa)

e4
17

Yi     X i   i i = 1, 2, ..., n
15

e2
e3
13

sendo  e β parâmetros a serem estimados

11 e1
Yi  0  1 X i   i 9
0,0 0,5 1,0 1,5 2,0 2,5 3,0 3,5 4,0
Nível de temperatura (ºC)

Regras da Derivada das Funções Compostas

Seja u uma função em x, e k, a e n constantes Yi     X i   i i = 1, 2, ..., n

L = (4x – y)3
L/x = 3(4x – y)²(4) Mostra-se (método dos mínimos quadrados)
L/y = 3(4x – y)²(-1)
L = ² = (Yi -  - Xi)²   a  y b x

 xy   n
L/ = 2 (Yi -  - Xi) (-1)
2 (-Yi + a + bXi) = 0
x y
-Yi + na + bXi = 0 (I)
 b
 x
x  
L/ = 2 (Yi -  -  Xi) (-Xi) 2

2 (-Xi Yi + aXi + bXi²) = 0 2

-XiYi + aXi + bXi² = 0 (II) n

5
 A reta estimada pelo método dos mínimos quadrados A reta estimada pelo método dos mínimos quadrados

Yˆi  a  b X i Yˆi  a  b X i
23

 xy   n
21 x y
Coeficiente angular
19

b
ou
Resistência (MPa)

 x
x  
17
2 Coeficiente de regressão
15 2
13
n
a  y b x
11

Coeficiente linear
9
0,0 0,5 1,0 1,5 2,0 2,5 3,0 3,5 4,0

Nível de temperatura (ºC)

No exemplo A equação de regressão para o exemplo

x
0,5
y
10
x2
0,25
y2
100
xy
5
Yˆi  9,1429  4,0714 X i
1,0 14 1,00 196 14

 xy   n
14.121
1,5 15 2,25 225 22,5 x y 270,5 
b 7  4,0714
b
 x 14 2
2,0 18 4,00 324 36

 x  n
2
2,5 20 6,25 400 50 2 35 
7
3,0 22 9,00 484 66
3,5 22 12,25 484 77
 121   14 
14 121 35,00 2213 270,5 a  y b x a   4,0714...   9,1429
 7  7

Yˆi  9,1429  4,0714 X i

Yˆi  9,1429  4,0714 X i Modelo linear
23

x y ŷ e  y  yˆ 21

0,5 10 11,17857143 -1,17857143 19

Resistência (MPa)

1,0 14 13,21428571 0,78571429 17

1,5 15 15,25000000 -0,25000000 15

2,0 18 17,28571429 0,71428571 13

2,5 20 19,32142857 0,67857143 11

3,0 22 21,35714286 0,64285714

9
0,0 0,5 1,0 1,5 2,0 2,5 3,0 3,5 4,0
3,5 22 23,39285714 -1,39285714
Nível de temperatura (ºC)
14 121 121,00000000 0,00000000
A temperatura do formo e a resistência da cerâmica

6
 PREDIÇÃO Yˆi  9,1429  4,0714 X i x  2,8  yˆ  ? Modelo linear Yˆi  9,1429  4,0714 X i y  16  xˆ  ?
Modelo linear yˆ  9,1429  (4,0714  2,8) 16  9,1429  4,0714  x̂
23
ˆy  20,5428  20,5MPa 23
xˆ  1,6842  1,7º C
21 21

19 19
Resistência (MPa)

Resistência (MPa)
17 17

15 15

13 13

11 11

9 9
0,0 0,5 1,0 1,5 2,0 2,5 3,0 3,5 4,0 0,0 0,5 1,0 1,5 2,0 2,5 3,0 3,5 4,0

Nível de temperatura (ºC) Nível de temperatura (ºC)

Características da reta ajustada Características da reta ajustada

- Se o coeficiente de regressão é positivo b  0
- É válida dentro dos valores observados da variável X
a reta é ascendente da esquerda para a direita
23 23

21 21

19 19

17 17

15 15
Yˆi  9,1429  4,0714 X i
13 13

11 11
b  4,0714
9 9
0,0 0,5 1,0 1,5 2,0 2,5 3,0 3,5 4,0 0,0 0,5 1,0 1,5 2,0 2,5 3,0 3,5 4,0

Características da reta ajustada Interpretação dos coeficientes

- A reta ajustada (método dos mínimos quadrados) sempre

- Coeficiente angular ou Coeficiente de regressão b 
passa pelo ponto  x, y  Quanto varia Y para o aumento de uma unidade em X
23 x y ŷ
0,5 10 11,1786
21

1,0 14 13,2143
19
1,5 15 15,2500 b  4,0714
X Y
17 2,0 18 17,2857
0,5 10
1,0 14 2,5 20 19,3214
15
1,5 15 22
3,0 21,3571
2,0 18
13
2,5 20 3,5 22 23,3928
3,0 22
11 3,5 22
x  2,0 y  17,3 No exemplo: para cada aumento de um grau na temperatura
9 (X) há um aumento ( b positivo) de aproximadamente
0,0 0,5 1,0 1,5 2,0 2,5 3,0 3,5 4,0
4 MPa na resistência da cerâmica(Y)

7
 Os dados abaixo representam o custo de produção de determinada
- Coeficiente linear a 
peça em função da quantidade produzida.

23
Número de peças Custo (R$)
21

Yˆi  a  b X i 70 27,00
19
30 43,00
17 50 32,00
Xi  0 30 38,00
15

Yˆi  a 50 33,00
13 90 21,00
50 26,00
11
Yˆi  9,1429  4,0714 X i Yˆi  9,1429
?? 70 23,00
9
0,0 0,5 1,0 1,5 2,0 2,5 3,0 3,5 4,0 90 14,00
Neste exemplo, teoricamente, para uma temperatura de
70 19,00
zero °C, há uma resistência de aproximadamente 9 MPa.

Pede-se:
50

a-) Obter o diagrama de dispersão. 45

40
(mg/g)

b-) Estimar a reta de regressão, pelo método dos mínimos 35

Custo (R$)

quadrados. 30
Potência

25
c-) Traçar a reta ajustada no diagrama de dispersão.
20

15
d-) Interpretar o coeficiente de regressão.
10
e-) Para 60 peças produzidas, qual o custo necessário? 5

0
f-) Para quantas peças o custo seria nulo (“extrapolação”) ? 0 20 40 60 80 100
Temperatura
Número de (ºC)
peças

Coeficiente de correlação r  0,9198319...  0,9198

Para cada aumento de uma peça produzida há uma

b  0,3809523... a  50,4571428... d-) diminuição de aproximadamente R$ 0,38 no custo de
Yˆ  50,4571  0,3810 X
i i
produção.
50 50

45 45

40 40
(mg/g)
(mg/g)

35 35
Custo (R$)
Custo (R$)

30 30
Potência
Potência

25 25

20 20

15 15

10 10

5 5

0 0
0 20 40 60 80 100 0 20 40 60 80 100
Temperatura Temperatura
(ºC)
(ºC)
Número de peças Número de peças

8
 x  60  yˆ  ? f-) 0  50,4571  0,3810 xˆ  50,4571  0,3810 xˆ
yˆ  0  xˆ  ?
e-) 50,4571
xˆ   xˆ  132,45  132 peças
yˆ  50,4571  0,3810  60  27,5971  R$ 27,60 0,3810
“extrapolação” ????
50 50

45 45

40 40

(mg/g)
(mg/g)

35 35

Custo (R$)
Custo (R$)

30 30
Potência

Potência
25 25

20 20

15 15

10 10

5 5

0 0
0 20 40 60 80 100 0 20 40 60 80 100
Temperatura (ºC) Temperatura
(ºC)
Número de peças Número de peças

60

O peso de um veículo relacionado ao rendimento do

50
combustível
40 Peso do Veículo Rendimento
(centenas de Kg) (Km/litro)
12 16,0
Custo (R$)

30

13 14,0
20 14 14,0
14 13,0
10 16 11,0
18 12,0
0 19 9,0
0 20 40 60 80 100
Número de peças 22 9,0
24 8,0
(90 ; 21) e (90 ; 14) por (90 ; 47) e (90 ; 50) 26 6,0
r  0,1277904...  0,1278 b  0,061904... a  30,085714...
Obter a equação de regressão linear e interpretar os coeficientes
Yˆi  ??? Yˆi  30,0857  0,0619 X i

20
20

16

16
Rendimento (Km/L)

12
Rendimento (Km/L)

12

8
4

0
0 5 10 15 20 25 30 4
Peso (100 Kg) 10 12 14 16 18 20 22 24 26 28
Peso (100 Kg)

9
 b  0,620786... a  22,2500 Para cada aumento de 100 quilos (1 centena de Kg) no
peso do veículo há uma diminuição de aproximadamente
Yˆ  22,2500  0,6208 X
i i
0,6 Km/L no rendimento do veículo.
18 18
b  0,6208
16 16

14 14

12 12
Rendimento (Km/L)

Rendimento (Km/L)
10 10

8 8

6 6

4 4

2 2

0 0
0 5 10 15 20 25 30 0 5 10 15 20 25 30
Peso (100 Kg) Peso (100 Kg)

Teoricamente, para uma peso do veículo igual a zero há um

rendimento de aproximadamente 22,3 Km/L.
20

24
Aproximadamente 22,3 Km/L (teórico)
???
16
20 a  22,2500
Rendimento (Km/L)

16
Rendimento (Km/L)

12

12

8
8

???
0 4
0 5 10 15 20 25 30 10 12 14 16 18 20 22 24 26 28

Peso (100 Kg) Peso (100 Kg)

Coeficiente de determinação (R2) n

Mede a proporção da variação total da variável dependente Y SQReg   ( yˆ i  y ) 2 Soma de quadrados da Regressão
i 1
que é explicada pela variação da variável independente X
por meio do modelo de regressão ajustado Mede a variabilidade dos valores estimados em torno de sua média

R2 
SQT  SQE SQReg
 SQT  SQE  SQReg
SQT SQT n n n

n  y  2 ( y i  y ) 2   ( yi  yˆ i ) 2   ( yˆ i  y ) 2
SQT   ( yi  y ) 2  y 2  Soma de quadrados total de Y i 1 i 1 i 1

i 1 n
SQT  SQE SQReg
Mede a variabilidade dos valores observados em torno de sua média
R2   0  R2  1
n SQT SQT
SQE   ( yi  yˆ i ) 2 Soma de quadrados dos erros (resíduos)
i 1 AVALIAR A QUALIDADE DO AJUSTE DO MODELO
Mede o ajuste do modelo considerado

10
 X Y Yˆi  9,1429  4,0714 X i
Níveis de temperatura Resistência mecânica
equidistantes (ºC) (MPa = 10,19 Kgf/cm² )
e  y  yˆ e 2   y  ŷ 
0,5 10 2
1,0 14
x y ŷ
1,5 15 0,5 10 11,17857143 -1,17857143 (-1,17857143)²
2,0 18
1,0 14 13,21428571 0,78571429 (0,78571429)²
2,5 20
3,0 22 1,5 15 15,25000000 -0,25000000 (-0,25000000)²
3,5 22
2,0 18 17,28571429 0,71428571 (0,71428571)²

2,5 20 19,32142857 0,67857143 (0,67857143)²

Yˆi  9,1429  4,0714 X i 3,0

3,5
22
22
21,35714286
23,39285714
0,64285714
-1,39285714
(0,64285714)²
(-1,39285714)²
14,0 121 121,00000000 0,00000000 5,39285714

n
SQT   ( yi  y ) 2  y 2 
 y  2

 Coeficiente de determinação (R2)

i 1 n
no modelo linear
(121)2
 2213 -  121,428571..  121,4286
7
n
SQE   ( yi  yˆ i ) 2  Coeficiente de correlação r  0,97754193...  0,9775
i 1

 (-1,17857143) 2  ...  (-1,39285714) 2 

 5,3928571...  5,3929 R 2  (0,97754193 ...) 2  0,9556
121,4286  5,3929
R2   0,955587...  0,9556 Por meio do modelo de regressão linear, 95,56% da variação total
121,4286 na resistência da cerâmica é explicada pela variação da
temperatura
Por meio do modelo de regressão linear, 95,56% da variação total
na resistência da cerâmica é explicada pela variação da
temperatura

Os dados abaixo representam o custo de produção de determinada

peça em função da quantidade produzida. b  0,3809523 ... a  50,4571428 ...
Yˆ  50,4571  0,3810 X
i i
Número de peças Custo (R$) 50

45
70 27,00 40
30 43,00
(mg/g)

35
Custo (R$)

50 32,00 30
30 38,00
Potência

25
50 33,00
20
90 21,00
15
50 26,00
10
70 23,00
5
90 14,00
0
70 19,00
0 20 40 60 80 100
Temperatura
(ºC)
Número de peças

11
 Coeficiente de correlação r  0,919831...  0,9198 Modelo linear Yˆi  50,4571  0,3810 X i R 2  0,8461

50

45
Coeficiente de determinação (R2)
40

(mg/g)
35

Custo (R$)
30
R  (0,9198319...)  0,8461
2 2

Potência
25

20

Por meio do modelo de regressão linear, 84,61% da variação total 15

no custo é explicada pela variação do número de peças 10

0
0 20 40 60 80 100
Temperatura (ºC)
Número de peças

60

50
Coeficiente de correlação r  0,1277904...  0,1278
40

Coeficiente de determinação (R2)

Custo (R$)

30

20

10

R 2  (0,1277904...)2  0,0163
0
0 20 40 60 80 100
Número de peças

(90 ; 21) e (90 ; 14) por (90 ; 47) e (90 ; 50) Por meio do modelo de regressão linear, 1,63% da variação total
no custo é explicada pela variação do número de peças
b  0,061904... a  30,085714...
r  0,1277904...  0,1278
Yˆ  30,0857  0,0619 X
i i

Modelo quadrático
Modelo linear Yˆi  30,0857  0,0619 X i R 2  0,0163
60
Yi     X i   X i2   i Yˆi  a  bX i  cX i2
60
50

50
40

40
Custo (R$)

30
Custo (R$)

30
20

20
10

10
0
0 20 40 60 80 100
Número de peças
0
0 20 40 60 80 100
Número de peças
(90 ; 21) e (90 ; 14) por (90 ; 47) e (90 ; 50)

12
 Modelo quadrático
e  y  yˆ e 2   y  ŷ 
2
x y ŷ
Número de peças Custo (R$) 30 38 42,64285656 -4,64285656 -4,64285656)²
30 43 42,64285656 0,35714434 (0,35714434)²
70 27
30 43 50 26 26,04761740 -0,04761740 -0,04761740)²
50 32
30 38 50 32 26,04761740 5,95238260 (5,95238260)²
50 33 50 33 26,04761740 6,95238260 (6,95238260)²
90 21
50 26 70 19 27,28571104 -8,28571104 -8,28571104)²
70 23 70 23 27,28571104 -4,28571104 -4,28571104)²
90 14
70 27 27,28571104 -0,28571104 (-0,28571104)²
70 19
90 47 46,35713748 0,64286252 (0,64286252)²
c  0,022291.... b  2,6130952... a  100,973214... 90 50 46,35713748 3,64286252 (3,64286252)²
Yˆ  100,9732  2,6131X  0,0223 X 2
i i i
338 337,99997340 0,00002660 206,23809523

n
SQT   ( yi  y ) 2  y 2 
 y  2

 Modelo quadrático Yˆi  100 ,9732  2,6131 X i  0,0223 X i2 R 2  0,7907

i 1 n
(338)2
 12410 -  985,6 60
10
n
SQE   ( yi  yˆ i ) 2 
50

i 1 40

 (-4,64285714) 2  ...  (3,64285714) 2 

Custo (R$)

30

 206,23810470  206,2381
20

985,6  206,2381
R2   0,7907486...  0,7907 10

985,6
0
Por meio do modelo de regressão quadrático, 79,07% da variação 0 20 40 60 80 100

total no custo é explicada pela variação do número de peças Número de peças

Modelo linear Yˆi  30,0857  0,0619 X i R 2  0,0163

Coeficiente de determinação (R2)
Modelo quadrático Yˆi  100 ,9732  2,6131 X i  0,0223 X i2 R 2  0,7907
60 Cuidados na utilização do R2
50

- Depende do número de observações (n), tendendo a crescer

40 quando n diminui. (n = 2 , tem-se sempre R² = 1)
Custo (R$)

30

- A estatística R² pode tornar-se igual a 1, adicionando-se

20
termos ao modelo, por exemplo,

10
Para um ajuste “perfeito” (R² = 1) com n pares, basta ajustar
um modelo polinomial com grau “n – 1”. (Não ocorrendo valores
0
0 20 40 60 80 100 repetidos, ou seja, mais de um valor y para um mesmo x)
Número de peças

(90 ; 21) e (90 ; 14) por (90 ; 47) e (90 ; 50)

13
 Modelo polinomial de 6º grau (n-1)

Yˆi  41,00  216 ,57 X i  334 ,09 X i2  256 ,50 X 3  103,22 X 4  20 ,93 X 5  1,69 X 6

25

20
Resistência (MPa)

15 (a) (b)
R 2  1,0000 ??????
10

0
0,0 0,5 1,0 1,5 2,0 2,5 3,0 3,5 4,0

Nível de temperatura (ºC) (d) (e)


x
 
x

x
- - α>0;β>0
α>0;β<0
(g) (h)

(e) (f)

Fonte: BUSSAB, W. O. Análise de Variância e Regressão. São Paulo: Atual,1986.

(i) x

Modelo linear Yˆi  9,1429  4,0714 X i R 2  0,9556

23

21

19
Resistência (MPa)

17

15

13

11

Fonte: BUSSAB, W. O. Análise de Variância e Regressão. São Paulo: Atual,1986.

9
0,0 0,5 1,0 1,5 2,0 2,5 3,0 3,5 4,0
Nível de temperatura (ºC)

14
 Modelo exponencial Yˆi  10,0613 e 0,2541X i R2  ?
Modelo logarítmico Yˆi  13,8935  6,4646 Ln ( X i ) R 2  0,9684
Yi    e   X i   i
23 Yi     Ln( X i )   i
21

19
Resistência (MPa)

Resistência (MPa)
17

15

13
R 2  0,9116

11 Ln( yi )  Ln( a )  b  xi
9
0,0 0,5 1,0 1,5 2,0 2,5 3,0 3,5 4,0

Nível de temperatura (ºC)

Nível de temperatura (ºC)

 y  2

Yˆi  10,0613 e 0,2541X i

n
SQT   ( yi  y ) 2  y 2  
i 1 n
(121)2
x y ŷ e  y  yˆ  2213 -
7
 121,428571..  121,4286
0,5 10 11,42416062 -1,42416062
n
1,0 14 12,97166095 1,02833905 SQE   ( yi  yˆ i ) 2 
i 1
1,5 15 14,72878345 0,27121655
 (-1,42416062) 2  ...  (-2,48228950) 2 
2,0 18 16,72392322 1,27607678
 12,16308195...  12,1631
2,5 20 18,98932175 1,01067825
121,4286  12,1631
3,0 22 21,56158789 0,43841211 R2   0,8998333...  0,8998
3,5 22 24,48228950 -2,48228950
121,4286
14 121 120,88172738 0,11827262 Por meio do modelo de regressão exponencial, 89,98% da
variação total na resistência da cerâmica
é explicada pela variação da temperatura

Modelo exponencial Yˆi  10,0613 e 0,2541X i R 2  0,8998 Modelo potência Yˆi  13,4407 X i0 , 4165 R2  ?
 Xi
Yi    e i 25 
Yi    X i   i
23

21

19
Resistência (MPa)
Resistência (MPa)

17

15
R 2  0,9848
Ln( yi )  Ln(a)  b  Ln( xi )
13

11

9
0,0 0,5 1,0 1,5 2,0 2,5 3,0 3,5 4,0

Nível de temperatura (ºC)

Nível de temperatura (ºC)

15
  y  2

Yˆi  13,4407 X i0 , 4165

n
SQT   ( yi  y ) 2  y 2  
i 1 n
2
(121)
 2213 -  121,428571..  121,4286
x y ŷ e  y  yˆ 7
0,5 10 10,07026509 -0,07026509 n
SQE   ( yi  yˆ i ) 2 
1,0 14 13,44068496 0,55931504 i 1

1,5 15 15,91344809 -0,91344809  (-0,07026509) 2  ...  (-0,64792734) 2 

2,0 18 17,93915161 0,06084839  2,25236375...  2,2524
2,5 20 19,68635922 0,31364078
121,4286  2,2524
3,0 22 21,23952453 0,76047547 R2   0,98145082...  0,9815
121,4286
3,5 22 22,64792734 -0,64792734
Por meio do modelo de regressão potência, 98,15% da variação total
14 121 120,93736083 0,06263917 na resistência da cerâmica é explicada pela variação da
temperatura

Modelo potência Yˆi  13,4407 X i0 , 4165 R 2  0,9815

Modelo quadrático Yˆi  6,7143  7,3095 X i  0,8095 X i2
25 Yi    X i   i
Yi     X i   X i2   i
25

23
R2  ?
23

21
21

19
19
Resistência (MPa)

Resistência (MPa)

17
17

15
15

13
13

11
11

9
9
0,0 0,5 1,0 1,5 2,0 2,5 3,0 3,5 4,0
0,0 0,5 1,0 1,5 2,0 2,5 3,0 3,5 4,0

Nível de temperatura (ºC) Nível de temperatura (ºC)

n
SQT   ( yi  y ) 2  y 2 
 y  2

Yˆi  0,8095 X i2  7,3095 X i  6,7143 n


i 1

(121)2
 2213 -  121,428571..  121,4286
x y ŷ e  y  yˆ 7
0,5 10 10,16666667 -0,16666667 n

1,0 14 13,21428571 0,78571429

SQE   ( yi  yˆ i ) 2 
i 1
1,5 15 15,85714286 -0,85714286
 (-0,1666666) 2  ...  (-0,38095238) 2 
2,0 18 18,09523810 -0,09523810  1,9523809...  1,9524
2,5 20 19,92857143 0,07142857
121,4286  1,9524
R2   0,9838802...  0,9839
3,0 22 21,35714286 0,64285714 121,4286
3,5 22 22,38095239 -0,38095239
Por meio do modelo de regressão quadrático, 98,39% da variação
14 121 121,00000000 -0,00000001 total na resistência da cerâmica é explicada pela variação da
temperatura

16
 Modelo quadrático Yˆi  6,7143  7,3095 X i  0,8095 X i2
Ajustar o modelo inverso
25

R 2  0,9839
23

1
21 Yi       i
19
Xi
Resistência (MPa)

17

15
Obter o coeficiente de determinação e
13
interpretá-lo
11

9
0,0 0,5 1,0 1,5 2,0 2,5 3,0 3,5 4,0

Nível de temperatura (ºC)

Temperatura e Resistência da cerâmica

1
Yi       i
24
Modelo inverso
Xi
Modelo linear Yˆi  9,1429  4,0714 X i R 2  0,9556
20

16
Modelo logarítmico Yˆi  13,8935  6,4646 Ln ( X i ) R 2  0,9684

12 Modelo exponencial Yˆi  10,0613 e 0,2541X i R 2  0,8998

8
Modelo potência Yˆi  13,4407 X i0 , 4165 R 2  0,9815
1
Yˆi  22,3307  6,8100  R  0,8423 Yˆi  6,7143  7,3095 X i  0,8095 X i2
2
4 Xi Modelo quadrático

0
R 2  0,9839
0,0 0,5 1,0 1,5 2,0 2,5 3,0 3,5 4,0

Por meio do modelo de regressão inverso, 84,23% da variação total 1

na resistência da cerâmica é explicada pela variação da Modelo inverso Yˆi  22,3307  6,8100  R 2  0,8423
temperatura
Xi

Modelo linear Yˆi  22 ,2500  0,6208 X i R 2  0,9187

Peso do Veículo Rendimento
(centenas de Kg) (Km/litro) 24

12 16
13 14 20

14 14
14 13 16
Rendimento (Km/L)

16 11
18 12 12

19 9
22 9 8

24 8
26 6 4

0
0 5 10 15 20 25 30
Peso (100 Kg)

17
Modelo logarítmico Yˆi  43,4201  11,3202 Ln( X i ) R 2  0,9328 Modelo exponencial Yˆi  31,5264 e -0 ,0604 X i R 2  0,9314
20
20

16
16

12

Rendimento (Km/L)
12
Rendimento (Km/L)

8
8

4
4

0
0 10 12 14 16 18 20 22 24 26 28
10 12 14 16 18 20 22 24 26 28
Peso (100 Kg)
Peso (100 Kg)

Modelo potência Yˆi  236 ,64924407 X i1,08557 R 2  0,9288 Modelo inverso Yˆi  195,4159  0,5131
1
R 2  0,9308
Xi
20

20

16
16

12
Rendimento (Km/L)

12
Rendimento (Km/L)

8
8

4 4

0 0
10 12 14 16 18 20 22 24 26 28 10 12 14 16 18 20 22 24 26 28
Peso (100 Kg) Peso (100 Kg)

Modelo quadrático Yˆi  28,2869  1,3049 X i  0,0182 X i2 Peso do veículo e Rendimento

Modelo linear Yˆi  22 ,2500  0,6208 X i R 2  0,9187

20
R 2  0,9294
Modelo logarítmico Yˆi  43,4201  11,3202 Ln( X i ) R 2  0,9328
16

Modelo exponencial Yˆi  31,5264 e -0 ,0604 X i R 2  0,9314

12
Rendimento (Km/L)

Modelo potência Yˆi  236 ,64924407 X i1,08557 R 2  0,9288

8

1
Modelo inverso Yˆi  195,4159  0,5131 R 2  0,9308
4 Xi
Modelo quadrático Yˆi  28,2869  1,3049 X i  0,0182 X i
2

R 2  0,9294
10 12 14 16 18 20 22 24 26 28
Peso (100 Kg)

18
As reações catalisadas por enzimas são saturáveis, e a sua
y
velocidade de catálise não indica uma resposta linear face ao
aumento de substrato. Se a velocidade inicial da reação é medida
sobre uma escala de concentrações de substrato (denotada como
[S]), a velocidade da reação (V) aumenta com o acréscimo de [S]. 
x
 
Todavia, à medida que [S] aumenta, a enzima satura-se e a x

velocidade atinge o valor máximo Vmax. x
- - α>0;β>0
α>0;β<0
(g)
[S] (g/L) V (g/L.h) (h)

0,25 0,78
y
0,51 1,25
1,03 1,66
2,52 2,19
4,33 2,35
7,25 2,57
Ajustar um modelo de regressão hiperbólico (i) x

Fonte: BUSSAB, W. O. Análise de Variância e Regressão. São Paulo: Atual,1986.

19