MÉTODOS QUANTITATIVOS

AULA 4

Prof. Ricardo Zannardini

 CONVERSA INICIAL

Olá! Seja muito bem-vindo à quarta aula de Métodos Quantitativos. Nesta

aula veremos o que é a regressão linear e alguns exemplos práticos que nos
mostrarão como esses conhecimentos podem ser utilizados e a sua importância
na resolução de problemas reais. Veremos o que é e como fazer o diagrama de
dispersão, como obter a reta de regressão e como calcular o coeficiente de
Pearson, que mede a grau de correlação.

TEMA 1 – REGRESSÃO LINEAR

A regressão linear é utilizada em muitos problemas práticos. Esse método

consiste na obtenção de uma função linear que melhor se ajusta a um conjunto
de pontos dados, no qual os desvios quadráticos entre os pontos e a função são
minimizados. No caso da regressão linear, a função obtida não precisa
obrigatoriamente passar pelos pontos dados.
Por meio da regressão linear é possível realizarmos estudos relacionados
à produção, às vendas, ao consumo de energia, ao desempenho de um atleta,
ao fluxo de automóveis em uma determinada região e muitas outras aplicações.
Inicialmente podemos pensar em uma pessoa que possui uma barraca de
cachorro-quente e, a partir das vendas que ocorreram de segunda a sexta-feira,
pretende fazer uma estimativa de vendas para o sábado. Na tabela a seguir é
possível acompanhar as quantidades vendidas em cada dia da semana.

Tabela 1 – Unidades de cachorro-quente vendidas a cada dia

Segunda- Quarta- Quinta-

Dia Terça-feira Sexta-feira
feira feira feira
Quantidade 180 192 206 220 254

A partir desse conjunto de pontos, é possível fazer uma análise das

vendas. Podemos perceber que há um aumento a cada dia, mas qual é a taxa
de crescimento das vendas? E com base nessas informações, qual é a previsão
de vendas para o sábado? É claro que toda previsão está sujeita a erros, mas é
uma forma de obtermos informações consistentes que servem de auxílio no
processo de tomada de decisão. Nesse caso, a decisão consiste em saber qual
é a quantidade ideal de ingredientes a serem adquiridos para que não haja sobra

2
 e nem excesso significativo na compra dos itens destinados à produção de
cachorros quentes.
Para isso, temos alguns passos que podem ser seguidos e que veremos
com mais detalhes no decorrer dessa aula.
A primeira possibilidade é a representação gráfica do conjunto de pontos
associado ao problema. Essa representação é chamada de diagrama de
dispersão e pode ser feita manualmente ou com o uso de algum software. Nesta
aula utilizaremos o Excel e o GeoGebra.
Com base nos pontos, também é possível obtermos a reta de regressão.
Sabemos que a forma geral de uma reta é y = ax+b. Sendo assim, veremos como
é possível obtermos o coeficiente angular “a” e o coeficiente linear “b”.
Temos também o coeficiente de correlação de Pearson. Esse coeficiente
fornece o nível de correlação entre os dados e também informa se essa
correlação é positiva ou negativa, ou seja, se a reta de regressão é crescente ou
decrescente.
Tudo isso pode ser feito de maneira bastante simples e tem uma
importância muito grande em diversas áreas do conhecimento.
Inicialmente veremos o que é o diagrama de dispersão e como podemos
construir um.

TEMA 2 – DIAGRAMA DE DISPERSÃO

O diagrama de dispersão consiste na representação gráfica de um

conjunto de pontos da forma (x, y) associados às variáveis x e y.
A variável x está associada ao eixo horizontal e a variável y ao eixo vertical
de um plano cartesiano.
Com base no diagrama de dispersão, é possível visualizar a relação entre
as duas variáveis e ter uma noção intuitiva do comportamento dos dados.
Considere os dados relacionados às vendas de cachorro-quente
apresentados na tabela a seguir.

Tabela 2 – Unidades de cachorro-quente vendidas a cada dia

Dia Segunda Terça Quarta Quinta Sexta

Quantidade 180 192 206 220 254

3
 Agora, associe a segunda-feira ao número 1 (primeiro dia), a terça-feira
ao número 2 (segundo dia) e assim por diante. Temos os seguintes pares
ordenados:
(1, 180), (2, 192), (3, 206), (4, 220), (5, 254)
Esses pares ordenados podem ser representados em um sistema de
eixos coordenados.
Essa representação pode ser feita de forma manual ou por meio de
softwares. Para representarmos esse conjunto de pontos utilizando o GeoGebra,
o primeiro passo é criarmos uma lista contendo os pontos a serem
representados.
Isso pode ser feito facilmente colocando cada ponto entre parênteses e o
conjunto de pontos entre chaves:
lista={(1, 180), (2, 192), (3, 206), (4, 220), (5, 254)}
A palavra “lista” é o nome dado à lista de ponto, mas podemos utilizar
outra palavra ou uma letra para nomear essa lista.
Agora basta digitarmos essa lista de pontos na caixa de entrada do
GeoGebra e apertar a tecla Enter ou então digitá-la em um editor de textos e em
seguida copiar e colar a lista na caixa de entrada do GeoGebra.

Figura 1 – Representação da lista de ponto no GeoGebra

Em seguida, é preciso clicar no círculo que está na frente da lista para que
os pontos possam ser exibidos.

4
 Figura 2 – Representação da lista de pontos no GeoGebra

Também é preciso ajustar a proporção dos eixos x e y para 1:50. Para

isso é preciso clicar com o botão direito e na opção EixoX : EixoY selecionar a
opção 1 : 50.

5
 Figura 3 – Utilização do GeoGebra

Fazendo isso podemos visualizar os pontos relacionados à venda de

cachorros-quentes.

6
 Figura 4 – Utilização do GeoGebra

Também é possível utilizarmos o Excel para fazermos o diagrama de

dispersão.

Nesse caso é preciso criar uma tabela no Excel contendo as quantidades

vendidas por dia.

Figura 5 – Representação do exemplo no Excel

Em seguida basta selecionar as quantidades e clicar em “Inserir” e depois

em “Gráficos”.

7
 Figura 6 – Utilização do Excel

Depois é só clicar em “Todos os Gráficos”, “X Y (Dispersão)” e em “OK”.

Figura 7 – Utilização do Excel

Dessa forma o gráfico é obtido facilmente.

8
 Figura 8 – Gráfico gerado no Excel

300

250

200

150

100

50

0
0 1 2 3 4 5 6

Podemos observar que os pontos não estão alinhados, mas estão

próximos de uma linha reta. Essa reta que melhor se aproxima dos pontos é
conhecida como reta de regressão.

TEMA 3 – RETA DE REGRESSÃO

Considerando o exemplo do vendedor de cachorros-quentes, podemos

obter a equação da reta de regressão da forma y = ax+b, onde
n xy   x y
a
n x 2   x 
2

b
y a x .
n n
Sabemos que as vendas variam de acordo com os dias da semana e
essas quantidades são apresentadas na tabela a seguir.

Tabela 3 – Unidades de cachorro-quente vendidas a cada dia

Dia Segunda Terça Quarta Quinta Sexta

Quantidade 180 192 206 220 254

9
 Se observarmos as fórmulas relacionadas aos termos “a” e “b” da equação
da reta, veremos que precisamos do somatório de x  x , somatório de y  y 
, somatório do produto de x por y  xy  , somatório de x2  x  e o quadrado
2

do somatório de x  x . Também precisamos do valor de n, que corresponde

2

ao total de pontos.
Uma forma de obtermos esses valores de maneira organizada é criarmos
uma tabela contendo os valores de x, de y, de xy e de x2 com as respectivas
somas.

Tabela 4 – Representação do exemplo

x y xy x2
1 180 180 1
2 192 384 4
3 206 618 9
4 220 880 16
5 254 1270 25
15 1052 3332 55

Como n=5,  x  15 ,  y  1052 ,  xy  3332 ,  x 2

 55 e

 x2
 15 2  225 , basta substituirmos esses valores nas fórmulas para

calcularmos “a” e “b”.

Primeiro é preciso calcular o valor de “a”:

n xy   x y
a
n x 2   x 
2

(5).(3332)  (15).(1052)
a
(5).(55)  15
2

16660  15780
a
275  225
880
a
50
a  17,6

10
 Agora, vamos calcular o valor de “b”.

b
y a x
n n
1052 15
b  (17,6)
5 5
b  210,4  52,8
b  157,6
Conhecendo os valores de “a” e “b”, a equação da reta de regressão é
dada por
y  17,6 x  157,6 .
Conhecendo essa reta, podemos ver que a cada aumento de uma
unidade no x, temos um aumento de 17,6 no valor de y. Esse valor, 17,6, é o que
chamamos de coeficiente angular. O coeficiente angular fornece a taxa de
crescimento da função. Como a reta se aproxima dos pontos dados, mas não
passa por eles, é importante ressaltar que há um erro entre os valores reais e os
valores calculados por meio dessa aproximação. Mas, de acordo com os critérios
utilizados para a obtenção da reta de regressão, esse erro é minimizado.
Podemos ainda fazer uma estimativa para as vendas do sábado. Nesse
caso, basta substituirmos x por 6, pois é o número associado a esse dia, na
equação da reta de regressão.
y  17,6 x  157,6
y  17,6(6)  157,6
y  105,6  157,6
y  263,2
A previsão de venda para o sábado é de aproximadamente 263 cachorros-
quentes. É claro que, por se tratar de previsão, não há garantias reais de que
realmente essa quantidade será vendida, mas seguindo a tendência da semana,
essa quantidade é a esperada.
Podemos utilizar o GeoGebra para obtermos a reta de regressão e
também o respectivo gráfico.
Basta criarmos a lista de pontos referente ao problema e em seguida
utilizarmos o comando “RegressãoLinear[]”.
O primeiro passo é, na caixa de entrada do GeoGebra, digitarmos
lista={(1, 180), (2, 192), (3, 206), (4, 220), (5, 254)}.
Em seguida precisamos digitar: RegressãoLinear[lista]
11
 O resultado obtido é:

Figura 9 – Reta de regressão no GeoGebra

Fonte: GeoGebra, 2017.

O GeoGebra fornece o gráfico da reta e a respectiva equação.

Para calcularmos o valor de y quando x é igual a 6, basta digitarmos
f(6)
na caixa de entrada do GeoGebra.

Figura 10 – Lista de regressão no GeoGebra

Fonte: GeoGebra, 2017.

Como resultado, temos 263,2.

Também é possível utilizarmos o Excel para obtermos a reta de
regressão.
O primeiro passo é fazermos o diagrama de dispersão.
Para isso vamos considerar a tabela contendo os dados do problema.

12
 Figura 11 – Representação do exemplo no Excel

Em seguida, faremos o mesmo procedimento que vimos anteriormente:

clicar em “Inserir”, “Gráficos”, “Todos os Gráficos”, “X Y (Dispersão)” e depois
em “OK”.
Com o gráfico feito, basta clicarmos com o botão direito sobre um dos
dados da série e escolher a opção “Adicionar Linha de Tendência”.

Figura 12 – Reta de regressão no Excel

Nas opções de linha de tendência, vamos escolher “Aproximação Linear”

e clicar na caixa “Exibir Equação no Gráfico”.

13
 Figura 13 – Reta de regressão no Excel

Assim, o Excel irá apresentar a equação da reta e o respectivo gráfico.

14
 Figura 14 – Reta de regressão no Excel

Podemos fazer a previsão para as vendas de sábado digitando a

expressão =17,6*6+157,6 no Excel.
O resultado obtido é 263,2, que corresponde à previsão de vendas para
sábado.
Vimos como é possível obter a reta de regressão a partir de um conjunto
de pontos. E como podemos saber o grau de proximidade dos pontos em relação
à reta? Em outras palavras, será que essa reta está bastante próxima ou pouco
próxima dos pontos? E ainda, será que a melhor aproximação se dá por meio de
uma reta ou não? Para podermos fazer essas verificações, precisamos utilizar o
coeficiente de correlação de Pearson.

TEMA 4 – COEFICIENTE DE CORRELAÇÃO DE PEARSON

Quando temos um conjunto de pontos, nem sempre uma reta é a que

melhor se ajusta a esses pontos. Além disso, mesmo que a melhor aproximação
seja feita por uma reta, é preciso saber se essa reta está de fato suficientemente
próxima ou não desses pontos. Por esse motivo, é preciso um parâmetro para
verificarmos qual é o nível de proximidade dos pontos em relação à reta e se
esses pontos realmente são aproximados por uma reta.
Nesse sentido, o coeficiente de correlação de Pearson é fundamental para
uma análise mais criteriosa.

15
 O coeficiente de Pearson é denotado por “r” e obtido por meio da fórmula
n xy   x y
r
n x  
.
  x  n y   y 
2 2 2 2

Esse coeficiente varia de -1 a 1. Quanto mais próximo de 1, mais forte é

a correlação entre os pontos e a função é crescente. Se r está bastante próximo
de -1, a correlação também é forte, mas a função é decrescente. Quando r=1 ou
r=-1, temos que a reta passa exatamente sobre cada um dos pontos.
Por outro lado, quanto mais próximo de 0 estiver r, mais fraca é a
correlação. Se r=0, então não há uma correlação linear entre os dados do
problema. Nesse caso, podemos ter uma relação não linear e o problema precisa
ser abordado de outras maneiras.
Mas como podemos calcular o coeficiente de Pearson a partir de um
conjunto de pontos?
De um modo bastante parecido com os cálculos que realizamos para
obtermos o coeficiente angular da reta de regressão.
A diferença é que agora, além dos valores de n,  x ,  y ,  xy ,  x 2

e  x  , precisamos também de  y
2 2
e  y  .
2

Esses valores podem ser organizados em uma tabela.

Como exemplo, vamos considerar o problema do vendedor de cachorros-
quentes com as vendas de segunda a sexta-feira.

Tabela 5 – Representação do exemplo

Dia Segunda Terça Quarta Quinta Sexta

Quantidade 180 192 206 220 254

Calculando os valores necessários para a obtenção do coeficiente de

correlação, temos

16
 Tabela 6 – Resolução do exemplo

x y xy x2 y2
1 180 180 1 32400
2 192 384 4 36864
3 206 618 9 42436
4 220 880 16 48400
5 254 1270 25 64516
15 1052 3332 55 224616

Logo, n=5,  x  15 ,  y  1052 ,  xy  3332 , x 2

 55 ,

 x2
 15 2  225 , y 2
 224616 e  y   1052  1106704 .
2 2
Substituindo

esses valores em
n xy   x y
r
n x 2

  x  n y 2   y 
2 2

temos
(5).(3332)  (15).(1052)
r
(5).(55)  15 (5).(224616)  1052 
2 2

16660  15780
r
275  2251123080  1106704
880
r
5016376
880
r
818800
880
r
904,8756821
r  0,972509
O coeficiente de correlação de Pearson corresponde a 0,972509, que é
positivo e muito próximo de 1. Nesse caso, podemos dizer que a reta que melhor
se aproxima dos pontos é crescente e que a correlação é forte.
Em porcentagem, esse valor corresponde a 97,25%. Para isso, basta
multiplicarmos 0,972509 por 100.
Nesse caso, a reta de regressão obtida tem uma ótima aproximação.

17
 Vimos um exemplo de aplicação relacionada à regressão linear. A seguir
teremos mais alguns exemplos de situações nas quais é possível utilizarmos a
regressão linear.

TEMA 5 – APLICAÇÕES

Sabemos que a regressão linear pode ser utilizada em diversas situações

reais.
Veremos a seguir alguns exemplos de aplicações relacionadas a esse
importante tema com as respectivas resoluções.

Exemplo 1:

Uma indústria tem uma variação de custo em reais referente à quantidade

produzida de um determinado bem. Encontre, por meio do GeoGebra, a reta que
melhor se ajusta ao conjunto de pontos representado e, em seguida, faça uma
previsão para o custo referente à produção de 140 unidades.

Tabela 7 – Representação do exemplo

Produção (x) 80 90 100 110 120 130

Custo (y) 1000 1050 1080 1110 1200 1250

Resolução:
Inicialmente precisamos criar a lista de pontos:
lista={(80,1000),(90,1050),(100,1080),(110,1110),(120,1200),(130,1250)}
Em seguida, basta utilizarmos o comando RetaDeRegressão:
RegressãoLinear[lista]

18
 Figura 15 – Resolução do exemplo

Fonte: GeoGebra, 2017.

A reta de regressão corresponde a y = 4,94x+596 e a previsão para a

produção de 140 unidades é de um custo de R$ 1.288,00.

Exemplo 2:

A tabela a seguir apresenta o consumo de combustível de um automóvel

em função da velocidade:

Tabela 8 – Representação do exemplo

Velocidade (em km/h) Consumo (em km/l)

60 13,2
70 12,5
80 11,4
90 10,7
100 9,9
110 9,2

Qual é a reta que melhor ajusta esses pontos? Qual é a previsão de

consumo para uma velocidade de 85 km/h?

Resolução:
No GeoGebra, basta digitarmos a lista de pontos correspondente:
lista={(60,13.2),(70,12.5),(80,11.4),(90,10.7),(100,9.9),(110,9.2)}
Em seguida, basta digitar

19
 RegressãoLinear[lista]
Para a estimativa de consumo, é só digitar no GeoGebra
f(85)

Figura 16 – Resolução do exemplo

Fonte: GeoGebra, 2017.

A reta de regressão corresponde a y=-0,08x+18,07, e para uma

velocidade de 85 km/h a previsão de consumo é de 11,5 km/l.

Exemplo 3:

A relação entre os primeiros meses do ano e a produção de uma indústria

é apresentada na tabela abaixo.

Tabela 9 – Representação do exemplo

Mês 1 2 3 4 5
Produção 120 110 125 130 132

a. Qual é a reta que melhor se ajusta aos pontos?

b. Qual é a previsão de produção para o sexto mês?

Resolução:

No Geogebra, basta digitar

lista={(1,120),(2,110),(3,125),(4,130),(5,132)}
e em seguida
RegressãoLinear[lista]
Digitando no GeoGebra
f(6)
temos a previsão de produção referente ao sexto mês.

20
 Figura 17 – Resolução do exemplo

Fonte: GeoGebra, 2017.

A reta de regressão corresponde a y=4,4x+110,2 e a previsão de

produção para o sexto mês é de 136,6 unidades. Considerando uma quantidade
inteira, podemos arredondar esse valor para 137 unidades.

Exemplo 4:

Uma peixaria tem as seguintes demandas de camarão, em quilos, de

segunda a sexta-feira:

Tabela 10 – Representação do exemplo

Dia 1 2 3 4 5
Demanda 7 6 9 11 13

a. Qual é a reta que melhor se ajusta aos pontos?

b. Qual é a demanda de camarão prevista para o sábado?

Resolução:

No GeoGebra, basta digitarmos a lista

lista={(1,7),(2,6),(3,9),(4,11),(5,13)}
e depois
RegressãoLinear[Lista]
Para obtermos a previsão, é só digitar
f(6)
no campo de entrada do GeoGebra.

21
 Figura 18 – Resolução do exemplo

Fonte: GeoGebra, 2017.

A reta que melhor se ajusta aos pontos é dada por y=1,7x+4,1 e a previsão
para o sábado é de 14,3 quilos de camarão.

FINALIZANDO

Chegamos ao final da nossa quarta aula de Métodos Quantitativos. Nesta

aula, vimos o que é regressão linear. Vimos também algumas aplicações
relacionadas a esse importante tema. Aprendemos a fazer o diagrama de
dispersão, obter a reta de regressão, calcular o coeficiente de correlação de
Pearson e a fazer algumas previsões com base nas informações conhecidas.

22
 REFERÊNCIAS

CASTANHEIRA, N. P. Matemática aplicada. 3. ed. Curitiba: Ibpex, 2010.

DEMANA, F. D.; WAITS, B. K.; FOLEY, G. D.; KENNEDY, D. Pré-cálculo. 2. ed,

São Paulo: Pearson, 2013.

MICROSOFT EXCEL. [S.l.]: Microsoft Corporation.

FLEMING, D. M.; GONÇALVES, M. B. Cálculo A: função de uma variável. 2. ed.

São Paulo: Pearson, 2007.

GEOGEBRA. [S.l.]: International GeoGebra Corporation, 2017. Disponível em:

<https://www.geogebra.org/>. Acesso em: 21 set. 2017.

23