Cap 11 - Correlação e Regressão

BARBETTA, REIS e BORNIA Estatstica para Cursos de Engenharia e Informtica.
Atlas, 2004
Estatstica para Cursos de Engenharia e
Estatstica para Cursos de Engenharia e
Informtica
Informtica
Pedro Alberto Barbetta / Marcelo Menezes Reis / Antonio Cezar Bornia
So Paulo: Atlas, 2004
Cap. 11
Cap. 11
Correlao e
Correlao e
Regresso
Regresso
APOIO:
Fundao de Apoio Pesquisa Cientfica e Tecnolgica do Estado de Santa Catarina
(FAPESC)
Departamento de Informtica e Estatstica UFSC (INE/CTC/UFSC)
BARBETTA, REIS e BORNIA Estatstica para Cursos de Engenharia e Informtica. Atlas, 2004
Correlao
Correlao
X e Y esto positivamente correlacionadas quando elas
caminham num mesmo sentido;
Esto negativamente correlacionadas quando elas
caminham em sentidos opostos.
Exemplo 11.1
Exemplo 11.1
Processo de queima de massa cermica para
pavimento
X
1
= retrao linear (%),
X
2
= resistncia mecnica (MPa) e
X
3
= absoro de gua (%).
Exemplo 11.1
Exemplo 11.1
-
-
Dados:
Dados:
8,98 29,66 6,50 18 5,63 39,20 8,20 9
5,48 40,70 9,93 17 9,92 27,74 6,32 8
4,14 45,26 8,76 16 1,88 48,23 10,68 7
0,36 38,42 12,68 15 7,25 34,10 8,58 6
6,00 35,53 7,48 14 0,64 50,90 9,50 5
3,32 41,94 11,34 13 1,10 47,04 12,00 4
5,87 41,07 8,33 12 5,58 38,05 8,30 3
3,64 40,58 9,10 11 2,83 46,93 11,68 2
0,58 60,24 13,24 10 5,54 38,42 8,70 1
X
3
X
2
X
1
ensaio X
3
X
2
X
1
ensaio
Exemplo 11.1
Exemplo 11.1
-
-
Diagramas de disperso:
retrao linear (%)
r
e
s
i
s
t
n
c
i
a

m
e
c
n
i
c
a

(
M
p
a
)
25
30
35
40
45
50
55
60
65
5 6 7 8 9 10 11 12 13 14
Interpretar a correlao entre as duas variveis.
Exemplo 11.1
Exemplo 11.1
-
-
retrao linear (%)
a
b
s
o
r
o

d
e

g
u
a

(
%
)
0
2
4
6
8
10
5 6 7 8 9 10 11 12 13 14
Exemplo 11.1
Exemplo 11.1
-
-
resistncia mecnica (Mpa)
a
b
s
o
r
o

d
e

g
u
a

(
%
)
0
2
4
6
8
10
25 30 35 40 45 50 55 60 65
Idia de construo do
Idia de construo do
Coef
Coef
. de Correlao de
. de Correlao de
Pearson
Pearson
Padronizao (x
i
, y
i
) (x
i
, y
i
) :
s
x x
= x
x
i
i
s
y y
= y
y
i
i
(i = 1, 2, ..., n)
Padronizao (Ex. 11.1 a):
retrao linear (%)
r
e
s
i
s
t
n
c
i
a

m
e
c
n
i
c
a

(
M
p
a
)
25
30
35
40
45
50
55
60
65
5 6 7 8 9 10 11 12 13 14
( ) y x,
valores padronizados de resistncia
v
a
l
o
r
e
s

p
a
d
r
o
n
i
z
a
d
o
s

d
e

r
e
t
r
a
o
-2
-1
0
1
2
-2 -1 0 1 2
(0, 0)
Idia de construo do
Idia de construo do
Coef
Coef
. de Correlao de
. de Correlao de
Pearson
Pearson
s
x x
= x
x
i
i
s
y y
= y
y
i
i
(i = 1, 2, ..., n)
Considere os produtos dos valores padronizados:
x
i
y
i
Sinais dos produtos dos valores padronizados:
Quadrante com
x
i
y
i
negativos
Quadrante com
x
i
y
i
positivos
Quadrante com
x
i
y
i
negativos
Quadrante com
x
i
y
i
positivos
x
y
Quadrante com
x
i
y
i
negativos
Quadrante com
x
i
y
i
positivos
Quadrante com
x
i
y
i
negativos
Quadrante com
x
i
y
i
positivos
0
' '
>
i
i i
y x
x
y
Quadrante com
x
i
y
i
negativos
Quadrante com
x
i
y
i
positivos
Quadrante com
x
i
y
i
negativos
0
' '
<
i
i i
y x
x
y
Quadrante com
x
i
y
i
positivos
Quadrante com
x
i
y
i
negativos
Quadrante com
x
i
y
i
positivos
Quadrante com
x
i
y
i
negativos
Quadrante com
x
i
y
i
positivos
0
' '
i
i i
y x
x
y
Idia de construo do Idia de construo do Coef Coef. de Correlao de . de Correlao de Pearson Pearson
Padronizao (x
i
, y
i
) (x
i
, y
i
) :
s
x x
= x
x
i
i
s
y y
= y
y
i
i
(i = 1, 2, ..., n)
( )
1
1
=
n
y x
r =
n
i
i i
Coef Coef. de Correlao de . de Correlao de Pearson Pearson: :
Valores possveis de
Valores possveis de
r
r
e interpretao da correlao
e interpretao da correlao
+1
0
-1
Sentido
Fora
Negativa
Ausncia
Forte
Moderada
Fraca
Positiva
Fraca
Moderada Moderada
Forte
Valor
de r
Exemplo 11.1. Matriz de correlaes
Exemplo 11.1. Matriz de correlaes
1,00 -0,84 -0,88 absoro de
gua
-0,84 1,00 0,75 resistncia
mecnica
-0,88 0,75 1,00 retrao linear
absoro de
gua
resistncia
mecnica
retrao linear
Interpretar.
Outra forma de calcular
Outra forma de calcular
r
r
( ) ( )( )
( ) ( )
2
2
2
2
i
i
i
i
i i i i
y y n x x n
y x .y x n
r

=
Coeficiente de correlao populacional
Coeficiente de correlao populacional

= =
Y
Y
X
X
Y X
E Y X Corr

) , (
) (X E
X
=
) (Y E
Y
=
) (X V
X
=
) (Y V
Y
=
Inferncia sobre
Inferncia sobre
Dada uma amostra aleatria simples (x

1
, y
1
), (x
2
, y
2
), ...,
(x
n
, y
n
) do par de variveis aleatrias (X, Y), o coeficiente
r pode ser considerado uma estimativa do verdadeiro e
desconhecido coeficiente
Teste de significncia de
Teste de significncia de
H
0
: = 0 (as variveis X e Y so no correlacionadas)
H
1
: 0 (as variveis X e Y so correlacionadas)
(pode tambm ser unilateral)
Admitindo (X, Y) com distribuio normal bivariada, a
Tabela 10 apresenta o valor absoluto mnimo de r para se
rejeitar H
0
.
Ver continuao do Exemplo 11.1 no livro.
Regresso linear simples
Regresso linear simples
Preo do imvel (R$) rea construda do imvel (m
2
)
Tempo de resposta do sistema (s) Memria RAM do computador (Gb)
Consumo (R$) Renda (R$)
Octanagemda gasolina Quantidade de aditivo (%)
Resistncia mecnica da cermica (MPa) Temperatura do forno (
0
C)
Varivel dependente,
Y
Varivel independente,
X
Exemplo 11.2:
Exemplo 11.2:
X = % de aditivo
Y = ndice de octanagemda
gasolina
85,0 6
83,9 5
83,7 4
82,1 3
81,6 2
80,5 1
Y X
Resultados de n =6
ensaios experimentais:
Exemplo 11.2:
Exemplo 11.2:
80,0
81,0
82,0
83,0
84,0
85,0
86,0
0 1 2 3 4 5 6 7
quantidade de aditivo (%)
n
d
i
c
e

d
e

o
c
t
a
n
a
g
e
m
Regresso
Regresso
-
-
Modelo
Modelo
Y =
Predito por X, se-
gundo uma funo
Efeito aleatrio
+
Parmetros
Regresso
Linear
Simples
y
i
. x
i
e
i
= + +
Modelo de regresso linear simples
Modelo de regresso linear simples
Em termos das variveis:
{ } X Y E + =
Em termos dos dados: Y
i
= + x
i
+
i
Suposies:
os termos de erro (
1
,
2
, ...,
n
) so variveis aleatrias
independentes;
E{
i
} = 0;
V{
i
} =
2
; e

i
tem distribuio normal (i = 1, 2, ..., n).
Mtodo dos mnimos quadrados para estimar
e
e
Minimizar em relao a e :
y
i
x
i
i
( ) { }

+ = =
2
2
i i i
x Y S
0 =
S
0 =
S
e
e
Resultado das derivadas parciais:

( ) ( ) ( )
( )
2
2

i i
i i i i
x x n.
y x y x n.
b =
n
x b y
a =
i i

Estimativa de :
Estimativa de :
Reta de regresso construda com os dados:
bx a y + =
Exemplo numrico
Exemplo numrico
i x
i
y
i
1 20 98
2 25 110
3 30 112
4 35 115
5 40 122
Diagrama de disperso
90
100
110
120
130
15 20 25 30 35 40 45
idade
t
e
m
p
o

d
e

r
e
a
o
i x
i
y
i
x
i
2
x
i
y
i
1 20 98 400 1960
2 25 110 625 2750
3 30 112 900 3360
4 35 115 1225 4025
5 40 122 1600 4880
150 557 4750 16975
y = a +b.x
^
reta de regresso:
( ) ( ) ( )
( )
2
2

i i
i i i i
x x n.
y x y x n.
b =
n
x b y
a =
i i

Exemplo numrico
Exemplo numrico
x
i
y
i
x
i
2
x
i
y
i
150 557 4750 16975
b =
5.(16975) (150).(557)
5.(4750) (150)
2
b = 1,06
( ) ( ) ( )
( )
2
2

i i
i i i i
x x n.
y x y x n.
b =
Exemplo numrico
Exemplo numrico
b = 1,06
a =
557 (1,06).(150)
5
= 79,6
y = a +b.x
^
reta de regresso:
^
= 79,6 + 1,06x y
x
i
y
i
x
i
2
x
i
y
i
150 557 4750 16975
Exemplo numrico
Exemplo numrico
Diagrama de disperso
90
100
110
120
130
15 20 25 30 35 40 45
idade
t
e
m
p
o

d
e

r
e
a
o
^
= 79,6 + 1,06x y
x = 20
y
= 100,8
x = 40
y
= 122,0
Exemplo numrico
Exemplo numrico
Qualidade do ajuste
Qualidade do ajuste
Ajustou-se uma equao de
regresso entre Xe Y. E a qualidade
do ajuste?
anlise de varincia do modelo
anlise dos resduos
Reta de regresso e resduos
Reta de regresso e resduos
Valores preditos:
Resduos:
i i
bx a y + =
i i i
y y e
=
y
i
x
i
e
i
i
y
bx a y + =
Anlise de varincia do modelo
y
i
x
i
e
i
d
i
bx a y + =
y
y y d
i i
=
i i i
y y e
=
Desvio em relao
mdia aritmtica:
Desvio em relao
reta de regresso
(resduo da regresso):
Somas de quadrados
Somas de quadrados
SQE
variao no
explicada
SQR
variao explicada
pela equao de
regresso
SQT
variao total
( )

2
y y
i =
( )
y y
i
+
( )
i i
y y
Somas de quadrados
Somas de quadrados
( )
( )
n
y
y y y SQT
i
i i
2
2
2

= =
( )

= =
i i i i i i
y x b y a y y y SQE
2
2
SQE SQT SQR =

Coeficiente de determinao:
SQT
SQE
SQT
SQR
R = = 1
2
Medida da qualidade do ajuste:
Medida da qualidade do ajuste:
Coeficiente de determinao (R
2
)
R
2
=
Variao
total
Variao
explicada
=
(y
i
- y)
2
(y
i
- y)
2
^
0 R
2
1
Matematicamente, R
2
o
quadrado do Coef. de Correlao
de Pearson.
Exemplo 11.2:
Exemplo 11.2:
Quantidade de aditivo (%)
n
d
i
c
e

d
e

o
c
t
a
n
a
g
e
m
80
81
82
83
84
85
86
0 1 2 3 4 5 6 7
x y ) 886 , 0 ( 7 , 79
+ =
% 5 , 97 975 , 0
08 , 14
73 , 13
2
= = = R
Interpretar.
n 1 Total
n 2 Erro
1 Regresso
Razo f QM SQ gl Fonte de
variao
( )
=
2
y y SQR
i
1
SQR
QMR =
QME
QMR
f =
( )
=
2
i i
y y SQE
( )
=
2
y y SQT
i
2
=
n
SQE
QME
Teste de significncia do modelo
Teste de significncia do modelo
H
0
: = 0 e H
1
: 0
Distribuio de referncia para a razo f :
distribuio F com gl = 1 no numerador e
gl = n 2 no denominador (Tabela 6).
{ } X Y E . + =
Exemplo 11.2:
Exemplo 11.2:
14,08 5 Total
0,088 0,35 4 Erro
156,26 13,729 13,73 1 Regresso
Razo f MQ SQ gl
Fonte de variao
Usar a Tabela 6 e fazer o teste de significncia do modelo.
Distribuio f com
Distribuio f com
gl
gl
= 1 e 4
= 1 e 4
Possveis valores de f, sob H
0
Valor p na distribuio F
Valor p na distribuio F
Densidade de probabilidade F
possveis valores da estatstica F, sob H
0
d
e
n
s
i
d
a
d
e

d
e

p
r
o
b
a
b
i
l
i
d
a
d
e
0,00
0,25
0,50
0,75
0 1 2 3 4
f
valor p
Amostra
Abordagem clssica: regra de deciso
Abordagem clssica: regra de deciso
Densidade de probabilidade F
possveis valores da estatstica F, sob H
0
d
e
n
s
i
d
a
d
e

d
e

p
r
o
b
a
b
i
l
i
d
a
d
e
0,00
0,25
0,50
0,75
0 1 2 3 4
f
c
Nvel de significncia adotado
(p. ex., = 5%)
(Tabela)
Aceita H
0
Rejeita H
0
f calculado:
Suposies do modelo
Suposies do modelo
os termos de erro (
1
,
2
,
...,
n
) so variveis
aleatrias independentes;
E{
i
} = 0;
V{
i
} =
2
; e

i
tem distribuio normal
(i = 1, 2, ..., n).
Modelo: Y
i
= + x
i
+
i
x
E{Y}= +x
y
Anlise dos resduos:
Anlise dos resduos:
um diagnstico das suposies do modelo
um diagnstico das suposies do modelo
Valores preditos:
i i
bx a y + =
i i i
y y e
=
Resduos:
y
i
x
i
e
i
i
y
bx a y + =
Anlise dos resduos
Anlise dos resduos
x
y e
x
Grfico dos dados:
(x
i
, y
i
)
Grfico dos resduos:
(x
i
, e
i
)
As suposies do modelo parecem satisfeitas?
Anlise dos resduos
Anlise dos resduos
O que pode ser feito? (Ver livro)
Grfico dos dados:
(x
i
, y
i
)
x
y
Grfico dos resduos:
(x
i
, e
i
)
resduo
0
x
Anlise dos resduos
Anlise dos resduos
Grfico dos dados:
(x
i
, y
i
)
Grfico dos resduos:
(x
i
, e
i
)
x
y
e
0
x
Anlise dos resduos
Anlise dos resduos
Grfico dos resduos: (x
i
, e
i
)
resduo
0
x
Anlise dos resduos
Anlise dos resduos
Grfico dos dados:
(x
i
, y
i
)
Grfico dos resduos:
(x
i
, e
i
)
x
y
e
0
x
Busca de um modelo adequado
Busca de um modelo adequado
Suposio de linearidade entre x e y: uso de transformaes;
Suposio de varincia constante: transformaes para estabilizar a
varincia ou uso do mtodo dos mnimos quadrados generalizados;
Suposio de independncia entre as observaes: transformaes,
uso do mtodo dos mnimos quadrados generalizados ou aplicao de
tcnicas de sries temporais;
Suposio de distrib. normal para os erros: uso de transformaes.
Regresso
Regresso
Modelos Linearizveis
y = + log(x) y = + .log(x)
y
x
log(x)
y
Regresso
Regresso
y = .
x
log(y) = log() + log().x
y
x
x
log(y)
Regresso
Regresso
Transformaes para estabilizar a varincia Transformaes para estabilizar a varincia
y
x
resduo
x
Regresso
Regresso
Transformaes para estabilizar a varincia: Transformaes para estabilizar a varincia:
alguns resultados tericos alguns resultados tericos
y y = ' ycom distrib. de Poisson
( ) y y
1
sen '

= ycom distrib. binomial
Regresso
Regresso
Transformaes para estabilizar a varincia Transformaes para estabilizar a varincia
Se o desvio padro de y aumenta
proporcionalmente em relao ao
valor esperado de y (
y

y
)
) log( ' y y =
y
x
resduo
x

Cap 11 - Correlação e Regressão

Caricato da

Informazioni sul documento

Copyright

Formati disponibili

Condividi questo documento

Condividi o incorpora il documento

Opzioni di condivisione

Hai trovato utile questo documento?

Questo contenuto è inappropriato?

Copyright:

Formati disponibili

Cap 11 - Correlação e Regressão

Caricato da

Copyright:

Formati disponibili

BARBETTA, REIS e BORNIA Estatstica para Cursos de Engenharia e Informtica.

Dada uma amostra aleatria simples (x

Resultado das derivadas parciais:

SQE SQT SQR =

Potrebbero piacerti anche