CORRELAÇÃO E REGREÇÃO

Eduardo Rogerio Borges1 E-mail: eduardorogerioborges@gmail.com

Acadêmico do Curso de Graduação em Engenharia Mecânica da Universidade Federal do Pampa –
Unipampa Alegrete –RS.

Mauricio Mombach2 E-mail: mauriciomombach@hotmail.com

Acadêmico do Curso de Graduação em Engenharia Mecânica da Universidade Federal do Pampa –
Unipampa Alegrete –RS.

1. CORRELAÇÃO
A associação entre duas variáveis pode ser ocorrida de duas maneiras correlacional e
experimenta, sendo no relacionamento correlacional. No relacionamento correlacional, por
outro lado, não se tem nenhum controle sobre as variáveis sendo estudadas. Elas são observadas
como ocorrem no ambiente natural, sem nenhuma interferência, isto é, as duas variáveis são
aleatórias. Assim a diferença entre as duas situações é que na experimental nós atribuímos
valores ao acaso de uma forma não tendenciosa e na outra a atribuição é feita pela natureza.
1.1.TIPOS DE CORRELAÇÃO
Correlação Simples: quando se estuda o grau de relação entre duas variáveis, sendo uma
dependente (Yi ) e outra independente (Xi ).
Correlação Múltipla: quando se estuda o grau de relação simultânea entre a variável
dependente e duas ou mais variáveis independentes.
Correlação Parcial: no caso de uma relação múltipla, quando se estuda a relação pura
entre duas variáveis, depois de eliminada estatisticamente a influência de outras variáveis
independentes.
1.2. LINEARIDADE E NORMALIDADE
Somente relações lineares são detectadas pelo coeficiente de correlação que acabamos de
descrever (também chamado coeficiente de correlação de Pearson). Nos dados abaixo, mesmo
existindo uma clara relação (não-linear) entre e y, o coeficiente de correlação é zero.
1.3. CORRELAÇLÃO LINEAR
 Investiga a existência de associação entre duas variáveis, isto é, o grau de inter-
relacionamento entre a variável dependente e a independente. Porém devemos ficar atentos que
a correlação linear simplesmente comprova uma variação concomitante entre duas variáveis,
não significando, a priori, que uma é causa da outra, visto que muitas outras variáveis, não
consideradas no estudo, podem afetar o comportamento da variável dependente. De acordo com
a relação entre as variáveis esta correlação pode ser:
Direta ou Positiva: quando a variável dependente está diretamente relacionada com a
variável independente. Ex.: Renda e Consumo.
Indireta ou Negativa: quando a variável dependente tem relação inversamente
proporcionalmente com a variável independente. Ex.: Preço e Demanda.
Nula: quando não há inter-relação entre as variáveis.

1.4. EXEMPLO DE APLICAÇÃO

É esperado que a massa muscular de uma pessoa diminua com a idade. Para estudar essa
relação, uma nutricionista selecionou 18 mulheres, com idade entre 40 e 79 anos, e observou
em cada uma delas a idade (X) e a massa muscular (Y).

Massa muscular (Y) Idade (X)

82.0 71.0

91.0 64.0

100.0 43.0

68.0 67.0

87.0 56.0

73.0 73.0

78.0 68.0

80.0 56.0

65.0 76.0

84.0 65.0
 116.0 45.0

76.0 58.0

97.0 45.0

100.0 53.0

105.0 49.0

77.0 78.0

73.0 73.0

78.0 68.0

(a) Construa o diagrama de dispersão e interprete-o.

120

110

100
M.muscular

90

80

70

60
40 50 60 70 80
Idade

No gráfico de dispersão entre a variável massa muscular e idade, pode-se observar que há um
forte indício de relação linear decrescente entre as variáveis em estudo. Nota-se que a massa
muscular das pessoas diminui à medida que a idade aumenta.

(b) Calcule o coeficiente de correlação linear entre X e Y.

Denotamos as variáveis: Y = Massa Muscular e X = Idade n=18
 18 18 18
X = 61,556 Y = 85 X
i =1
i
2
= 70362 Y
i =1
i
2
= 133300 Y X
i =1
i i = 91964

( )
18
S XX =  X i2 − 18 X
2
= 70362 − 18(61,556) 2 = 2157,460
i =1

()
18
SYY =  Yi 2 − 18 Y
2
= 133300 − 18(85) 2 = 3250
i =1

18 18

 ( X i − X )(Yi − Y ) X Y i i − 18 XY
91964 − 18(85)(61,556)
r= i =1
= i =1
= = -0,837
S XX S YY S XX S YY (2157,460)(3250)

Segundo o resultado da correlação obtida, pode-se notar que há uma forte correlação linear
entre a variável massa muscular e idade. Nota-se que à medida que a idade da pessoa aumenta
a massa muscular diminui, o que é coerente com o gráfico de dispersão apresentada
anteriormente.

2. REGRESSÃO
A análise de regressão linear tem como resultado uma regressão matemática que descreve o
relacionamento entre duas variáveis. Utiliza-se a Regressão Linear para estimar o valor de uma
variável com base em valores conhecidos de outro. Pressupõe-se alguma relação de causa e
efeito, de explanação do comportamento entre as variáveis.

Ex: A idade e o peso de cada bezerro; a alíquota de imposto e a arrecadação; preço e quantidade.

Regressão Linear Simples: Relação casual entre duas variáveis, e pode ser descrita por uma
reta; Uma variável chamada dependente, e uma outra chamada independente. Também tem por
objetivo determinar a equação da reta ajustada(modelo matemático linear).
Regressão Linear múltipla: Relação casual com mais de duas variáveis. Isto é, quando o
comportamento de Y é explicado por mais de uma variável independente X1, X2, ....Xn. É a
técnica adequada para se utilizar quando se quer investigar simultaneamente os efeitos, sobre
Y, de 2 ou mais variáveis preditoras.
Reta de Regressão Linear: Se um diagrama de dispersão sugere uma relação linear, é de
interesse representar este padrão através de uma reta. Usa-se o método dos mínimos quadrados
para ajustar uma reta de regressão ao conjunto de pontos do diagrama A reta de regressão
descreve como uma variável resposta (dependente) Y varia em relação a uma variável
explanatória (independente) X.

Exemplo:
Após uma regulagem eletrônica um veículo apresenta um rendimento ideal no que tange
a rendimento de combustível. Contudo, com o passar do tempo esse rendimento vai se
degradando. Os dados que aparecem na Tabela representam o rendimento medido mês a mês
após a regulagem. Calcule o coeficiente de correlação.

Tabela 1 Rendimento mês á mês

Tabela 2 Cálculos Iniciais

 Interpretação: Existe uma correlação linear inversa na amostra entre meses após a
regulagem e rendimento. A intensidade desta correlação é forte.

3. REFERÊNCIS BIBLIOGRÁFICAS
RIBERO, J, L, D Regressão Linear Simples, PPENG-UFRGS;

RODRIGUES, P, C. Bioestatística, Universidade Federal Fluminense (UFF);

PETERNELLI, L, A. Cap 9, Regressão Linear e Correlação;

VIALI, L. Série Estatistica Básica p 2,21;