Carregar apresentação
A apresentação está carregando. Por favor, espere
PublicouThomas Zagalo Ferretti Alterado mais de 8 anos atrás
1
LINEARIDADE Kamila Dias Nayara Rayanne Pereira Renata Fernandes Solange Araújo
2
A regressão e a correlação são duas técnicas estreitamente relacionadas que envolvem uma forma de estimação. A análise da correlação e regressão compreende a análise de dados amostrais para saber se e como duas ou mais variáveis estão relacionadas uma com a outra numa população. A regressão dá uma equação que descreve o relacionamento em termos matemáticos; a correlação mede a força, ou grau de relacionamento entre duas variáveis. Linearidade
3
Regressão Linear Simples Análise de regressão é uma metodologia estatística que utiliza a relação entre duas ou mais variáveis quantitativas (ou qualitativas) de tal forma que uma variável pode ser predita a partir da outra ou outras. Exemplos: A população de bactérias pode ser predita a partir da relação entre população e o tempo de armazenamento. Concentrações de soluções de proteína de arroz integral e absorbâncias médias corrigidas. Relação entre textura e aparência.
4
Diagrama de Dispersão É um gráfico bidimensional, por meio do qual podemos analisar o comportamento das variáveis em estudo. O comportamento entre duas variáveis pode assumir diversas formas, que vão desde uma relação linear até complicadas formas não-lineares.
5
Se x e y crescem no mesmo sentido, existe uma correlação positiva entre as variáveis, que será tanto maior quanto menor fora a dispersão dos pontos.
6
Correlação Fraca Diagramas de dispersão que mostram correlação positiva entre as variáveis.
7
Diagramas de dispersão que mostram correlação positiva entre as variáveis. Correlação Forte
8
Diagramas de dispersão que mostram correlação positiva entre as variáveis. Correlação Perfeita
10
Se x e y variam em sentidos contrários, existe correlação negativa entre as variáveis. Essa correlação é tanto maior quanto menor é a dispersão dos pontos.
12
Se x cresce e y varia ao acaso, não existe correlação entre as variáveis.A correlação entre elas é nula.
13
Diagrama de Dispersão que mostra correlação nula entre variáveis.
14
Equação da Reta Toda reta pode ser representada pela seguinte expressão matemática: y = a + bx, onde a e b são valores que se determinam com base nos dados amostrais; a é a cota da reta em x=0 ou seja coeficiente linear, b é o coeficente angular. A variável y é a variável que deve ser predita, e x é o valor preditor.
15
y = a = bx x=1 yy y = a X = 0 Coef. Angular b = ∆y ∆x
16
17
18
Método dos Mínimos Quadrados O método mais usado para ajustar uma linha reta a um conjunto de pontos é conhecido como técnica do mínimos quadrados. Simbolicamente, o valor minimizado é ∑ u² = (y – yc)², sustituindo yc = a + bx na sua fórmula, resulta em: ∑ u² = (y – a – bx)².
19
As formulas para o calculo dos coeficientes de a e b: b = [nSxy – SxSy] [nSx 2 – (Sx) 2 ] a = (Sy – bSx) n
20
Utilidade Busca de relações de Causa e Efeito Predição de valores Economia em custos de projeção Estabelecer explanação sobre uma população a partir de uma amostra
21
Coeficiente de Determinação (r²) O Coeficiente de determinação mede o grau de ajustamento da reta de regressão ao dados observados. y = a = bx
22
Erro padrão das estimativas O erro padrão da estimativa (Se) é uma medida que avalia o grau de precisão da reta da regressão. Este erro padrão é o desvio padrão da distribuição de pontos em torno da reta de regressão.
23
Fórmula: S e = y 2 - a y - b xy n - 2
24
Suposições básicas de validação do modelo de regressão Os quatro principais pressupostos da regressão são: Independência de erros ou auto correlação residual; Homocedasticidade; Normalidade; Linearidade.
25
Referências: CORRAR,Luiz J.; THEÓFILO, Carlos Renato.Pesquisa Operacional para decisão em contabilidade e administração: Contabilometria. São Paulo:Atlas,2004. STEVENSON,William J.Estatística aplicada à administração.São Paulo:Harper & Row do Brasil,1981.
Apresentações semelhantes
© 2024 SlidePlayer.com.br Inc.
All rights reserved.