Page 1
Prof. Lorí Viali, Dr.Prof. Lorí Viali, Dr.Prof. Lorí Viali, Dr.Prof. Lorí Viali, [email protected] @[email protected] @mat.ufrgs.br
http://www.mat.ufrgs.br/~viali/http://www.mat.ufrgs.br/~viali/http://www.mat.ufrgs.br/~viali/http://www.mat.ufrgs.br/~viali/
Page 2
Prof. Lorí Viali, Dr. – UFRGS – Instituto de Matemática - Departamento de Estatística
É o grau de associação entre duas ou
mais variáveis. Pode ser:
correlacionalcorrelacionalcorrelacionalcorrelacional
ou
experimentalexperimentalexperimentalexperimental.
Page 3
Prof. Lorí Viali, Dr. – UFRGS – Instituto de Matemática - Departamento de Estatística
Numa relação experimental os valores de
uma das variáveis são controlados.
No relacionamento correlacional, por
outro lado, não se tem nenhum controle sobre
as variáveis sendo estudadas.
Page 5
Prof. Lorí Viali, Dr. – UFRGS – Instituto de Matemática - Departamento de Estatística
O Estoque de Moeda (M1) está
relacionado com a variação dos preços.
Verifique se existe correlação entre o IPC
americano com a oferta monetária,
considerando dados do período de 1960 a
2003.
Page 6
Prof. Lorí Viali, Dr. – UFRGS – Instituto de Matemática - Departamento de Estatística
Ano Y = M1 X = IPC1960 140,7 29,61961 145,2 29,91962 147,8 30,21963 153,3 30,61964 160,3 31,51965 167,8 32,4
... ... ...2000 1172,9 177,12002 1210,4 179,92003 1287,1 184,0
Page 7
Prof. Lorí Viali, Dr. – UFRGS – Instituto de Matemática - Departamento de Estatística
O primeiro passo para determinar se
existe relacionamento entre as duas
variáveis é obter o diagramadiagramadiagramadiagrama dededede dispersãodispersãodispersãodispersão
(scatter diagram).
Page 8
Prof. Lorí Viali, Dr. – UFRGS – Instituto de Matemática - Departamento de Estatística
20
60
100
140
180
100 300 500 700 900 1100 1300
M1
IPC
Page 9
Prof. Lorí Viali, Dr. – UFRGS – Instituto de Matemática - Departamento de Estatística
O diagrama de dispersão fornece
uma ideia do tipo de relacionamento entre
as duas variáveis. Neste caso, percebe-se
que existe um relacionamentorelacionamentorelacionamentorelacionamento linearlinearlinearlinear.
Page 10
Prof. Lorí Viali, Dr. – UFRGS – Instituto de Matemática - Departamento de Estatística
Quando o relacionamento entre
duas variáveis quantitativas for do tipo
linearlinearlinearlinear, ele pode ser medido através do:
Page 12
Prof. Lorí Viali, Dr. – UFRGS – Instituto de Matemática - Departamento de Estatística
Observado um relacionamentorelacionamentorelacionamentorelacionamento linearlinearlinearlinear
entre as duas variáveis é possível determinar
a intensidade deste relacionamento. O
coeficiente que mede este relacionamento é
denominado de Coeficiente de Correlação
(linear).
Page 13
Prof. Lorí Viali, Dr. – UFRGS – Instituto de Matemática - Departamento de Estatística
Quando se está trabalhando com amostras
o coeficiente de correlação é indicado pela letra
“rrrr” e é uma estimativa do coeficiente de
correlação populacional que é representado por
“ρρρρ” (rho).
Page 15
Prof. Lorí Viali, Dr. – UFRGS – Instituto de Matemática - Departamento de Estatística
Para determinar o coeficiente de
correlação (grau de relacionamento linear
entre duas variáveis) vamos determinar
inicialmente a variação conjunta entre elas,
isto é, a covariância.
Page 16
Prof. Lorí Viali, Dr. – UFRGS – Instituto de Matemática - Departamento de Estatística
A covariância entre duas variáveis X e Y, é
representada por “CovCovCovCov(X(X(X(X;;;; Y)Y)Y)Y)” e calculada por:
1n
)YY)(XX()Y,X(Cov ii
−
∑ −−=
Page 17
Prof. Lorí Viali, Dr. – UFRGS – Instituto de Matemática - Departamento de Estatística
Mas
∑ −=
=+∑ −−=
=∑+∑ ∑−∑−=
=∑+∑ ∑−∑−=
=+∑ −−=
=∑ −−
YXnYX
YXnYXnYXnYX
YXXYYXYX
YXYXYXYX
]YXYXYXYX[
)YY)(XX(
ii
ii
iiii
iiii
iiii
ii
Page 18
Prof. Lorí Viali, Dr. – UFRGS – Instituto de Matemática - Departamento de Estatística
Então:
1n
YXnYX
1n
)YY)(XX()Y,X(Cov
ii
ii
−
∑ −=
=−
∑ −−=
Page 19
Prof. Lorí Viali, Dr. – UFRGS – Instituto de Matemática - Departamento de Estatística
A covariância poderia ser utilizada
para medir o graugraugraugrau e o sinalsinalsinalsinal do
relacionamento entre as duas variáveis, mas
ela é difícil de interpretar por variar de -∞ a
+∞. Assim é mais conveniente utilizar o
coeficiente de correlação linear de Pearson
(momento produto).
Page 20
Prof. Lorí Viali, Dr. – UFRGS – Instituto de Matemática - Departamento de Estatística
O coeficiente de correlação linear
(de Pearson) é definido por:
SS
)Y,X(Cov r
YX
=
Page 21
Prof. Lorí Viali, Dr. – UFRGS – Instituto de Matemática - Departamento de Estatística
Onde:
1nYnY
S
1nXnX
S
1n
YXnYX )Y,X(Cov
22i
Y
22i
X
ii
−
∑ −=
−
∑ −=
−
∑ −=
Page 22
Prof. Lorí Viali, Dr. – UFRGS – Instituto de Matemática - Departamento de Estatística
Esta expressão não é muito prática para
calcular o coeficiente de correlação. Pode-se
obter uma expressão mais conveniente para o
cálculo manual e o cálculo de outras medidas
necessárias mais tarde.
Page 23
Prof. Lorí Viali, Dr. – UFRGS – Instituto de Matemática - Departamento de Estatística
Tem-se:
( )( )∑ −∑ −
∑ −=
=
−
∑ −
−
∑ −
−
∑ −
=
==
YnYXnX
YXnYX
1nYnY
1nXnX
1n
YXnYX
SS
)Y,X(Cov r
22i
22i
ii
22i
22i
ii
YX
Page 24
Prof. Lorí Viali, Dr. – UFRGS – Instituto de Matemática - Departamento de Estatística
Fazendo:
S.S
S r :seTem
YnYS
XnXS
YXnYXS
YYXX
XY
22iYY
22iXX
iiXY
=−
∑ −=
∑ −=
∑ −=F
a
z
e
n
d
0
Page 25
Prof. Lorí Viali, Dr. – UFRGS – Instituto de Matemática - Departamento de Estatística
A vantagem do coeficiente de
correlação (de Pearson) é ser adimensional e
variar de – 1 a + 1, que o torna de fácil
interpretação.
Page 26
Prof. Lorí Viali, Dr. – UFRGS – Instituto de Matemática - Departamento de Estatística
Assim se r = -1, temos uma
relacionamento linear negativo perfeito, isto é,
os pontos estão todos alinhados e quando X
aumenta Y decresce e vice-versa.
Page 27
Prof. Lorí Viali, Dr. – UFRGS – Instituto de Matemática - Departamento de Estatística
0
10
20
30
40
50
10 15 20 25 30
1r −=
Page 28
Prof. Lorí Viali, Dr. – UFRGS – Instituto de Matemática - Departamento de Estatística
Se r = +1, temos uma relacionamento
linear positivo perfeito, isto é, os pontos
estão todos alinhados e quando X aumenta Y
também aumenta.
Page 29
Prof. Lorí Viali, Dr. – UFRGS – Instituto de Matemática - Departamento de Estatística
0
10
20
30
40
50
10 15 20 25 30
1r +=
Page 30
Prof. Lorí Viali, Dr. – UFRGS – Instituto de Matemática - Departamento de Estatística
Assim se r = 0, temos uma ausência de
relacionamento linear, isto é, os pontos não
mostram “alinhamento”.
Page 31
Prof. Lorí Viali, Dr. – UFRGS – Instituto de Matemática - Departamento de Estatística
0
10
20
30
40
50
10 15 20 25 30
0r =
Page 32
Prof. Lorí Viali, Dr. – UFRGS – Instituto de Matemática - Departamento de Estatística
Assim se –1 < r < 0, temos uma
relacionamento linear negativo, isto é, os
pontos estão mais ou menos alinhados e
quando X aumenta Y decresce e vice-versa.
Page 33
Prof. Lorí Viali, Dr. – UFRGS – Instituto de Matemática - Departamento de Estatística
0
10
20
30
40
50
10 15 20 25 30
0r1 <<−
Page 34
Prof. Lorí Viali, Dr. – UFRGS – Instituto de Matemática - Departamento de Estatística
Assim se 0 < r < 1, temos uma
relacionamento linear positivo, isto é, os
pontos estão mais ou menos alinhados e
quando X aumenta Y também aumenta.
Page 35
Prof. Lorí Viali, Dr. – UFRGS – Instituto de Matemática - Departamento de Estatística
0
10
20
30
40
50
10 15 20 25 30
1r0 <<
Page 36
Prof. Lorí Viali, Dr. – UFRGS – Instituto de Matemática - Departamento de Estatística
Uma correlação amostral não significa
necessariamente uma correlação populacional e
vice-versa. É necessário testar o coeficiente de
correlação para verificar se a correlação
amostral é também populacional.
Page 37
Prof. Lorí Viali, Dr. – UFRGS – Instituto de Matemática - Departamento de Estatística
Observada uma amostra de seis pares,
pode-se perceber que a correlação é quase um,
isto é, rrrr ≅≅≅≅ 1111. No entanto, observe o que ocorre
quando mais pontos são acrescentados, isto é,
quando se observa a população!
Page 38
Prof. Lorí Viali, Dr. – UFRGS – Instituto de Matemática - Departamento de Estatística
0
10
20
30
40
50
10 15 20 25 30
r r r r ≅≅≅≅ 1111
ρ ρ ρ ρ ≅≅≅≅ 0000
Page 39
Prof. Lorí Viali, Dr. – UFRGS – Instituto de Matemática - Departamento de Estatística
Page 40
Prof. Lorí Viali, Dr. – UFRGS – Instituto de Matemática - Departamento de Estatística
Determinar o “grau de relacionamento
linear” entre as variáveis X = Índice de
Preços ao Consumidor versus Y = Estoque de
Moeda, para os valores da Economia
Americana de 1960 a 2003.
Page 41
Ano X Y XY X2 Y2
1960 140,7 29,6
1961 145,2 29,91962 147,8 30,21963 153,3 30,61964 160,3 31,51965 167,8 32,4
... ... ...2000 1172,9 177,12002 1210,4 179,92003 1287,1 184,0Total 25894,5 4102,9 3295760,69 21856837,21 503187,97
Page 42
Prof. Lorí Viali, Dr. – UFRGS – Instituto de Matemática - Departamento de Estatística
Vamos calcular “r” utilizando a
expressão em destaque vista anteriormente,
isto é, através das quantidades, SxY, SXX e
SYY.
Page 43
Prof. Lorí Viali, Dr. – UFRGS – Instituto de Matemática - Departamento de Estatística
Tem-se:
97,503187Y 21,21856837X
69,13295760 XY 2477,39Y 5114,588X
90,4102 Y 50,25894X 44n
22 =∑=∑
∑ ===
∑ =∑ ==
EntãoEntãoEntãoEntão::::
4161,881157
YXnYXS iiXY
=
=∑ −=
Page 44
Prof. Lorí Viali, Dr. – UFRGS – Instituto de Matemática - Departamento de Estatística
7043,6617629
XnXS 22iXX
=
=∑ −=
8698,120601
YnYS 22iYY
=
=∑ −=
Page 45
Prof. Lorí Viali, Dr. – UFRGS – Instituto de Matemática - Departamento de Estatística
9863,0
8698,120601.7043,6617629
4161,881157
S.S
S r
YYXX
XY
=
==
==
Page 46
Prof. Lorí Viali, Dr. – UFRGS – Instituto de Matemática - Departamento de Estatística
Apesar de “rrrr” ser um valor
adimensional, ele não é uma taxataxataxataxa. Assim
o resultado não deve ser expresso em
percentagem.
Page 48
Prof. Lorí Viali, Dr. – UFRGS – Instituto de Matemática - Departamento de Estatística
Em muitas situações duas ou mais
variáveis estão relacionadas e surge então a
necessidade de determinar a natureza deste
relacionamento.
Page 49
Prof. Lorí Viali, Dr. – UFRGS – Instituto de Matemática - Departamento de Estatística
A análise de regressão é uma técnica
estatística para modelar e investigar o
relacionamento entre duas ou mais
variáveis.
Page 50
Prof. Lorí Viali, Dr. – UFRGS – Instituto de Matemática - Departamento de Estatística
De fato a regressão pode ser dividida
em dois problemas:
(i)(i)(i)(i) o da especificação e
((((iiiiiiii)))) o da determinação.
Page 51
Prof. Lorí Viali, Dr. – UFRGS – Instituto de Matemática - Departamento de Estatística
O problema da especificação é
descobrir dentre os possíveis modelos (linear,
quadrático, exponencial, etc.) qual o mais
adequado.
Page 52
Prof. Lorí Viali, Dr. – UFRGS – Instituto de Matemática - Departamento de Estatística
O problema da determinação é uma
vez definido o modelo (linear,
quadrático, exponencial, etc.) estimar os
parâmetros da equação.
Page 53
Prof. Lorí Viali, Dr. – UFRGS – Instituto de Matemática - Departamento de Estatística
Normalmente é suposto que exista uma
variável Y (dependente ou resposta), que está
relacionada a “k” variáveis (independentes ou
regressoras) Xi (i = 1, 2, ..., k).
Page 54
Prof. Lorí Viali, Dr. – UFRGS – Instituto de Matemática - Departamento de Estatística
A variável resposta YYYY é aleatória,
enquanto que as variáveis regressoras Xi são
normalmente controladascontroladascontroladascontroladas. O relacionamento
entre elas é caracterizado por uma equação
denominada de “equaçãoequaçãoequaçãoequação dededede regressãoregressãoregressãoregressão”.
Page 55
Prof. Lorí Viali, Dr. – UFRGS – Instituto de Matemática - Departamento de Estatística
Quando existir apenas uma variável
regressora (X) tem-se a regressãoregressãoregressãoregressão simplessimplessimplessimples,
se Y depender de duas ou mais variáveis
regressoras, então tem-se a “regressãoregressãoregressãoregressão
múltiplamúltiplamúltiplamúltipla”.
Page 56
Prof. Lorí Viali, Dr. – UFRGS – Instituto de Matemática - Departamento de Estatística
Vamos supor que a regressão é do tipo
simplessimplessimplessimples e que o o modelo seja linearlinearlinearlinear, isto é,
vamos supor que a equação de regressão seja
do tipo: Y = α + βX + U .
Page 57
Prof. Lorí Viali, Dr. – UFRGS – Instituto de Matemática - Departamento de Estatística
x 1 x 2 x nx
y
Y = α + βX + U;
Page 58
Prof. Lorí Viali, Dr. – UFRGS – Instituto de Matemática - Departamento de Estatística
O termo “U” é o termo erro, isto é, “U”
representa outras influências sobre a variável
Y, além da exercida pela variável “X”. A
variação residual (termo U) é suposto de
média zero e desvio constante e igual a σ.
Page 59
Prof. Lorí Viali, Dr. – UFRGS – Instituto de Matemática - Departamento de Estatística
Ou ainda pode-se admitir que o modelo
fornece o valor médio de Y, para um dado
“x”, isto é:
E(Y/x) = α + βX
Page 60
Prof. Lorí Viali, Dr. – UFRGS – Instituto de Matemática - Departamento de Estatística
Y = α + βX + U;
E(Y/x) = α + βX, isto é, E(U) = 0
V(Y/x) = σ2;
Cov(Ui, Uj) = 0, para i ≠ j;
A variável X permanece fixa em observações
sucessivas e os erros U são normalmente distribuídos.
Page 61
Prof. Lorí Viali, Dr. – UFRGS – Instituto de Matemática - Departamento de Estatística
O modelo suposto E(Y/x)E(Y/x)E(Y/x)E(Y/x) ==== αααα ++++ ββββXXXX é
populacional.
Vamos supor que se tenha n pares de
observações, digamos: (x(x(x(x1111,,,, yyyy1111),),),), (x(x(x(x2222,,,, yyyy2222),),),), ............,,,, ((((xxxxnnnn,,,, yyyynnnn))))
e que através deles queremos estimar o modelo
acima.
Page 62
Prof. Lorí Viali, Dr. – UFRGS – Instituto de Matemática - Departamento de Estatística
A reta estimada será representada por:
EbXaY ou bXaY ++=+=
Onde “aaaa” é um estimador de α e “bbbb” é um
estimador de β, sendo um estimador de E(Y/x).Y
Page 63
Prof. Lorí Viali, Dr. – UFRGS – Instituto de Matemática - Departamento de Estatística
Existem diversos métodos para a
determinação da reta desejada. Um deles,
denominado de MMQMMQMMQMMQ (MMMMétodos dos MMMMínimos
QQQQuadrados), consiste em minimizar a “somasomasomasoma
dosdosdosdos quadradosquadradosquadradosquadrados dasdasdasdas distânciasdistânciasdistânciasdistâncias dadadada retaretaretareta aosaosaosaos
pontos”pontos”pontos”pontos”.
Page 64
Prof. Lorí Viali, Dr. – UFRGS – Instituto de Matemática - Departamento de Estatística
Tem-se:
Yi = a + bxi + Ei,
Então:
Ei = Yi - (a + bxi)
Page 65
Prof. Lorí Viali, Dr. – UFRGS – Instituto de Matemática - Departamento de Estatística
Deve-se minimizar:
∑ −−=
=∑ −=∑=φ
=
==
n
1i
2
n
1i
2n
1i
2i
)XbaY(
)YY(E
ii
ii
Page 66
Prof. Lorí Viali, Dr. – UFRGS – Instituto de Matemática - Departamento de Estatística
EXbaY iii ++=
E iy i
y i
x i
Page 67
Prof. Lorí Viali, Dr. – UFRGS – Instituto de Matemática - Departamento de Estatística
Derivando parcialmente tem-se:
)XbaY(x2b
)XbaY(2a
ii
n
1ii
n
1iii
−−∑−=∂
φ∂
∑ −−−=∂
φ∂
=
=
Page 68
Prof. Lorí Viali, Dr. – UFRGS – Instituto de Matemática - Departamento de Estatística
Igualando as derivadas parciais a
zero vem:
0)XbaY(x
0)XbaY(
ii
n
1ii
n
1iii
=−−∑
=∑ −−
=
=
Page 69
Prof. Lorí Viali, Dr. – UFRGS – Instituto de Matemática - Departamento de Estatística
Isolando as incógnitas, tem-se:
∑+∑=∑
∑+=∑
XbXnYX
XbnaY2iii
ii
i
Page 70
Prof. Lorí Viali, Dr. – UFRGS – Instituto de Matemática - Departamento de Estatística
Resolvendo para “a” e “b”, segue:
XbYa
S
S
XnX
YXnyXb
XX
XY22
i
ii
−=
=∑ −
∑ −=
Page 71
Prof. Lorí Viali, Dr. – UFRGS – Instituto de Matemática - Departamento de Estatística
∑ −=
∑ −=
∑ −=
YnYS
XnXS
YXnYXS
22iYY
22iXX
iiXY
Lembrando que:
Page 72
Prof. Lorí Viali, Dr. – UFRGS – Instituto de Matemática - Departamento de Estatística
Page 73
Prof. Lorí Viali, Dr. – UFRGS – Instituto de Matemática - Departamento de Estatística
Considerando os valores das variáveis
“Oferta Monetária” e “Índice de Preços ao
Consumidor”, consideradas anteriormente,
determinar uma equação de regressão linear para
prever o IPC dado um determinado nível de
Oferta Monetária.
Page 74
Prof. Lorí Viali, Dr. – UFRGS – Instituto de Matemática - Departamento de Estatística
Ano Y = IPC X = M1 1960 29,6 140,71961 29,9 145,21962 30,2 147,81963 30,6 153,31964 31,5 160,31965 32,4 167,8
... ... ...2000 177,1 1172,92002 179,9 1210,42003 184,0 1287,1
Page 75
Prof. Lorí Viali, Dr. – UFRGS – Instituto de Matemática - Departamento de Estatística
Da mesma forma que para
calcular o coeficiente de correlação é
necessário a construção de três novas
colunas. Uma para X2, uma para Y2 e
outra para XY.
Page 76
Prof. Lorí Viali, Dr. – UFRGS – Instituto de Matemática - Departamento de Estatística
Ano X Y XY X2 Y2
1960 140,7 29,6
1961 145,2 29,91962 147,8 30,21963 153,3 30,61964 160,3 31,51965 167,8 32,4
... ... ...2000 1172,9 177,12002 1210,4 179,92003 1287,1 184,0Total 25894,5 4102,9 3295760,69 21856837,21 503187,97
Page 77
Prof. Lorí Viali, Dr. – UFRGS – Instituto de Matemática - Departamento de Estatística
Tem-se:
97,503187Y 21,21856837X
69,13295760 XY 2477,39Y 5114,588X
90,4102 Y 50,25894X 44n
22 =∑=∑
∑ ===
∑ =∑ ==
Então:
4161,881157
YXnYXS iiXY
=
=∑ −=
Page 78
Prof. Lorí Viali, Dr. – UFRGS – Instituto de Matemática - Departamento de Estatística
7043,6617629
XnXS 22iXX
=
=∑ −=
8698,120601
YnYS 22iYY
=
=∑ −=
Page 79
Prof. Lorí Viali, Dr. – UFRGS – Instituto de Matemática - Departamento de Estatística
A equação de regressão, será, então:
89,1414,8857
5114,588.1332,02477,93XbYa
13,01332,07043,6617629
4161,881157
S
Sb
XX
XY
≅=
=−=−=
≅===
x13,089,14Y +=
Page 80
Prof. Lorí Viali, Dr. – UFRGS – Instituto de Matemática - Departamento de Estatística
A pergunta que cabe agora é: este
modelo representa bem os pontos dados? A
resposta é dada através do erro padrão da
regressão.
Page 81
Prof. Lorí Viali, Dr. – UFRGS – Instituto de Matemática - Departamento de Estatística
Page 82
Prof. Lorí Viali, Dr. – UFRGS – Instituto de Matemática - Departamento de Estatística
O objetivo do MMQ é minimizar a
variação residual em torno da reta de
regressão. Uma avaliação desta variação é
dada por:
2n
)bXaY(
2n
ES
222
−
∑ −−=
−
∑=
Page 83
Prof. Lorí Viali, Dr. – UFRGS – Instituto de Matemática - Departamento de Estatística
O cálculo da variância residual, por esta
expressão, é muito trabalhoso, pois é necessário
primeiro determinar os valores previstos.
Entretanto é possível obter uma expressão que
não requeira o cálculo dos valores previstos, isto
é, de .bXaY +=
Page 84
Prof. Lorí Viali, Dr. – UFRGS – Instituto de Matemática - Departamento de Estatística
SbSb2S
)XX(b)YY)(XX(b2)YY(
)]XX(bYY[]bXXbYY[
]bX)XbY(Y[)bXaY(
XX2
XYYY
222
22
22
+−=
=∑ −+−∑ −∑ −−=
=∑ −−−=∑ −+−=
=∑ −−−=∑ −−
Desenvolvendo o numerador da expressão,
vem:
Page 85
Prof. Lorí Viali, Dr. – UFRGS – Instituto de Matemática - Departamento de Estatística
SYnY)YY(
SXnX)XX(
SYXnYX
)YY)(XX(
YY22
i2
XX22
i2
XYii
=∑ −=∑ −
=∑ −=∑ −
=∑ −=
=∑ −−
UmaUmaUmaUma vezvezvezvez quequequeque::::
Page 86
Prof. Lorí Viali, Dr. – UFRGS – Instituto de Matemática - Departamento de Estatística
Deste modo, tem-se:
Mas:
SbSb2S)bXaY( XX2
XYYY2 +−=∑ −−
SbSS
Sb XXXY
XX
XY =⇒=
Então:
SbSSbSb2S
SbSb2S)bXaY(
XX2
YYXX2
XX2
YY
XX2
XYYY2
−=+−=
=+−=∑ −−
Page 87
Prof. Lorí Viali, Dr. – UFRGS – Instituto de Matemática - Departamento de Estatística
Assim:
2n
SbS
2n
SbSs XYYYXX
2YY
-
-
-
-==
2n
)bXaY(
2n
Es
22
-
∑ --
-
∑==
Será, finalmente:
Page 88
Prof. Lorí Viali, Dr. – UFRGS – Instituto de Matemática - Departamento de Estatística
Page 89
Prof. Lorí Viali, Dr. – UFRGS – Instituto de Matemática - Departamento de Estatística
Considerando os valores do exemplo
anterior, determinar o erro padrão da regressão.
7043,6617629S
4161,881157S
XX
XY
=
=Tem-se:
1332,07043,6617629
4161,881157
S
Sb
XX
XY ===
Page 90
Prof. Lorí Viali, Dr. – UFRGS – Instituto de Matemática - Departamento de Estatística
Então:
83,88278,8
244
4161,881157.1332,08698,120601
2n
SbSs XYYY
≅=
==
==
-
-
-
-
Page 91
Prof. Lorí Viali, Dr. – UFRGS – Instituto de Matemática - Departamento de Estatística
A pergunta, agora, é: este erro é
razoável?, quer dizer, ele não é muito grande?
A resposta envolve o cálculo do erro
relativo, isto é, devemos comparar este
resultado com a variável de interesse.
Page 92
Prof. Lorí Viali, Dr. – UFRGS – Instituto de Matemática - Departamento de Estatística
A variável envolvida aqui é a Y, isto é, a
base monetária, então, o erro relativo, será:
%47,92477,93
8278,8
Y
sg s ===
Page 93
Prof. Lorí Viali, Dr. – UFRGS – Instituto de Matemática - Departamento de Estatística
Page 94
Prof. Lorí Viali, Dr. – UFRGS – Instituto de Matemática - Departamento de Estatística
x i
Y
Y
Y
YY −
YY −YY −
YYYYYY −+−=−
∑ −+∑ −=∑ − )YY()YY()YY(222
VEVRVT +=
Page 95
Prof. Lorí Viali, Dr. – UFRGS – Instituto de Matemática - Departamento de Estatística
(aaaa) Variação Total: VT
(bbbb) Variação Residual: VR
( ) SYYVT YY2
=∑ −=
( ) VEVTSbSYYVR XX2
YY2
−=−=∑ −=
(cccc) Variação Explicada: VE
( ) SbYYVE XX22
=∑ −=
Page 96
Prof. Lorí Viali, Dr. – UFRGS – Instituto de Matemática - Departamento de Estatística
Uma maneira de medir o grau de
aderência (adequação) de um modelo é
verificar o quanto da variação total de Y é
explicada pela reta de regressão.
Page 97
Prof. Lorí Viali, Dr. – UFRGS – Instituto de Matemática - Departamento de Estatística
Para isto, toma-se o quociente entre a
variação explicada, VE e a variação total ,VT:
RRRR2222 ==== VEVEVEVE //// VTVTVTVT
Este resultado é denominado de
“CoeficienteCoeficienteCoeficienteCoeficiente dededede DeterminaçãoDeterminaçãoDeterminaçãoDeterminação”.
Page 98
Prof. Lorí Viali, Dr. – UFRGS – Instituto de Matemática - Departamento de Estatística
Este resultado mede o quanto as
variações de uma das variáveis são explicadas
pelas variações da outra variável.
SS
S
S
Sb
S
Sb
VT
VER
XX YY
2XY
YY
XY
YY
XX2
2 ====
Page 99
Prof. Lorí Viali, Dr. – UFRGS – Instituto de Matemática - Departamento de Estatística
Ou ainda, ele mede a parcela da variação
total que é explicada pela reta de regressão, isto é:
VE = b2SXX = R2SYY
A variação residual corresponde a:
VR = (1 – R2)SYY
Assim 1 – R2 é o Coeficiente de
Indeterminação.