apostila

de χ2 que o valor de χ20,05(2) = 5, 99. Como o valor de
χ2calc e´ maior que o de χ
2
tab, este se encontra na regia˜o de rejeic¸a˜o de H0 portanto, rejeita-se
135
Tabela 6.3: Nu´mero de alunos matriculados em dois cole´dios em relac¸a˜o a` classe social
dos mesmos
Classe social
cole´gio Alta Me´dia Baixa Total
A 20(31,82) 40(36,36) 40(31,82) 100
B 50(31,18) 40(43,64) 30(38,18) 120
Total 70 80 70 220
( ) Frequ¨encia esperada
a hipo´tese de independeˆncia entre os cole´gios e a classe social dos alunos. Ou seja pode-se
afirmar, ao n´ıvel de 0,05 que a classe social e o cole´gio no qual os alunos estudam na˜o sa˜o
independentes.
Cap´ıtulo 7
Regressa˜o e Correlac¸a˜o linear
Estimac¸a˜o dos paraˆmetros do modelo de regressa˜o pelo me´todo dos mı´nimos
quadrados:
Seja o modelo:
yi = β0 + β1xi + ei (7.1)
em que:
yi e´ o valor observado da varia´vel resposta (dependente);
β0 e´ o intercepto do modelo;
β1 e´ coeficiente angular;
xi e´ o valor da varia´vel preditora e
ei e´ o erro aleato´rio associado a observac¸a˜o yi.
Ajustar um modelo de regressa˜o, via me´todo de mı´nimos quadrados, implica
procurar os valores (βˆi) tais que os valores estimados (preditos) de yi, yˆi = βˆ0 + βˆ1 sejam
os mais pro´ximos poss´ıveis dos valores observados. Isto e´ os erros sejam mı´nimos
Partindo-se do modelo 7.1 tem-se que o erro cometido ao se estimar uma
observac¸a˜o e´
ei = yi − β0 − β1xi.
Definindo a func¸a˜o
136
137
S(β0, β1) =
n∑
i=1
e2i =
n∑
i=1
(yi − β0 − β1xi)2 (7.2)
Os estimadores de mı´nimos quadrados de β0 e β1, βˆ0 e βˆ1 sa˜o aqueles que
minimizam a func¸a˜o 7.2. Assim, estes estimadores sa˜o obtidos solucionando-se o sistema:


∂S
∂β0
= 0
∂S
∂β1
= 0
 2
∑n
i=1(yi − βˆ0 − βˆ1xi)(−1) = 0
2
∑n
i=1(yi − βˆ0 − βˆ1x1)(−xi) = 0

∑n
i=1 yi − nβˆ0 − βˆ1
∑n
i=1 x1 = 0 (a)∑n
i=1 yixi − βˆ0
∑n
i=1 xi − βˆ1
∑n
i=1 x
2
i = 0 (b)
de (a) tem-se:
βˆ0 =
∑n
i=1 yi
n
− βˆ1
∑n
i=1 xi
n
βˆ0 = y¯ − βˆ1x¯ (7.3)
de (b) tem-se:
138
βˆ0
n∑
i=1
xi + βˆ1
n∑
i=1
x2i =
n∑
i=1
xiyi
(∑n
i=1 yi
n
− βˆ1
∑
i = 1nxi
n
) n∑
i=1
xi + βˆ1
n∑
i=1
x2i =
n∑
i=1
xiyi
∑n
i=1 yi
∑n
i=1 xi
n
− βˆ1
∑n
i=1 x
2
i
n
+ βˆ1
n∑
i=1
x2i =
n∑
i=1
xiyi
∑n
i=1 yi
∑n
i=1 xi
n
+ βˆ1
(
n∑
i=1
x2i −
∑n
i=1 x
2
i
n
)
=
n∑
i=1
xiyi
βˆ1
(
n∑
i=1
x2i −
∑n
i=1 x
2
i
n
)
=
n∑
i=1
xiyi −
∑n
i=1 yi
∑n
i=1 xi
n
βˆ1 =
∑n
i=1 xiyi −
∑n
i=1 yi
∑n
i=1 xi
n∑n
i=1 x
2
i −
∑n
i=1 x
2
i
n
(7.4)
βˆ1 =
SPXY
SQDX
Uma medida da qualidade do ajuste, do modelo obtido, aos dados e´ dada
pelo coeficiente de determinac¸a˜o (R2),
r2 =
SPXY 2
SQDX
SQDY
(7.5)
Exemplo: Os dados a seguir refrem-se ao nu´mero de CDs vendidos por uma
determinada gravadora, em milhares de unidades, em 10 semanas consecutivas apo´s o
lanc¸amento do mesmo. Ajustar um modelo de regressa˜o linear simples que descreva a
quantidade de CDs vendidos em func¸a˜o do tempo de lanc¸amento.
Semanas 1 2 3 4 5 6 7 8 9 10
CDs (Milunid) 5,0 6,7 6,0 8,7 6,2 8,6 11,0 11,9 10,6 10,8
Tem-se que: n = 10
∑10
i=1Xi = 55
∑10
i=1X
2
i = 385∑10
i=1 Yi = 85, 5
∑10
i=1XiYi = 529, 4
Substituindo esses valores em 7.4 tem-se:
βˆ1 =
529,4− (55)(85,5)
10
385− 552
10
= 0, 72
e em 7.3:
βˆ0 = 8, 55− (0, 72)(5, 5) = 4, 59
139
Portanto a equac¸a˜o de regressa˜o que descreve o nu´mero de Cds vendidos em
func¸a˜o do nu´mero de semanas apo´s o lanc¸amento e´:
y = 4, 59 + 0, 72x
Cujo coeficiente de determinac¸a˜o e´:
r2 =
59,152
82,5
54,565
= 0, 77