Baixe o app para aproveitar ainda mais
Prévia do material em texto
Aluno: Juliano Nunes da Silva Exercícios do Minitab – Correlação e Regressão IV.1) Num teste de repetitividade, queremos determinar ser há correlação entre uma primeira medição (Xi) e a medição subsequente (Yi). Em termos práticos, isso significaria que um alto valor observado na primeira medição levaria a um alto valor na próxima medição. Efetuar o teste de correlação populacional para os dados amostrais indicados, ao nível de 10% (stat/basic statistics/correlation); convém, antes, observar os dados graficamente (graph/scatterplot). Xi 9,0 7,6 7,9 8,4 8,8 9,7 8,0 7,6 8,3 8,2 9,1 8,6 7,8 7,8 Yi 8,5 9,0 7,5 7,9 8,4 8,8 9,7 8,0 7,6 8,3 8,2 9,1 8,6 7,8 · Correlação: Xi; Yi Método Tipo de correlação Pearson Linhas usadas 14 ρ: correlação de Pearson pareada Correlações Xi Yi 0,133 Correlações de Pearson pareadas Amostra 1 Amostra 2 Correlação IC de 90% para ρ Valor-p Yi Xi 0,133 (-0,347; 0,558) 0,649 · Gráfico de Dispersão de Yi versus Xi IV.2) A tabela mostra a relação entre a produção anual de tinta de uma empresa, X, em bilhões de litros, e os respectivos lucros, Y, em milhões de reais. Pede-se: Ano 2001 2002 2003 2004 2005 2006 2007 2008 2009 2010 X 2010 2370 2600 2380 3125 3880 4978 5206 7000 8233 Y 20,51 40,33 51,49 67,46 72,11 109,52 114,24 171,71 192,06 236,37 a) Analisar as variáveis graficamente (graph/scatter plot) e calcular o coeficiente de correlação; · Gráfico de Dispersão de Y versus X b) Testar se existe correlação na população, com um nível de significância de 5% (stat/basic statistics/correlation); Método Tipo de correlação Pearson Linhas usadas 10 ρ: correlação de Pearson pareada Correlações X Y 0,976 Correlações de Pearson pareadas Amostra 1 Amostra 2 Correlação IC de 95% para ρ Valor-p Y X 0,976 (0,897; 0,994) 0,000 c) Achar a equação da regressão linear que melhor se adapta aos dados e estimar o lucro em 2011, quando se espera que a produção atinja 9000 bilhões de litros (stat/regression/regression). · Equação de Regressão Y = -29,0 + 0,03268 X (Litros) · Coeficientes Termo Coef EP de Coef Valor-T Valor-P VIF Constante -29,0 12,1 -2,40 0,043 X (Litros) 0,03268 0,00260 12,56 0,000 1,00 · Sumário do Modelo S R2 R2(aj) R2(pred) 16,6619 95,17% 94,57% 93,21% · Análise de Variância Fonte GL SQ (Aj.) QM (Aj.) Valor F Valor-P Regressão 1 43781 43781,1 157,70 0,000 X (Litros) 1 43781 43781,1 157,70 0,000 Erro 8 2221 277,6 Total 9 46002 IV.3) A tabela mostra a relação entre a área plantada de lavoura de café, X, em hectares, em função da renda bruta auferida, Y, em milhões de reais, para 10 propriedades agrícolas de uma mesma região do país. Pede-se, com alfa de 1%: X 21,2 12,7 15,1 9,7 29 7,3 39,3 45,4 38,7 26,6 Y 1406 1429 1628 1484 1937 1291 8322 9783 7461 3163 a) Ajustar uma função linear e calcular o coeficiente de explicação; avaliar a renda, se a área for de 50 hectares (stat/regression/regression); Equação de Regressão Y = -1722 + 225,0 X Coeficientes Termo Coef EP de Coef Valor-T Valor-P VIF Constante -1722 1038 -1,66 0,136 X 225,0 37,6 5,99 0,000 1,00 Sumário do Modelo S R2 R2(aj) R2(pred) 1519,38 81,76% 79,48% 72,50% Análise de Variância Fonte GL SQ (Aj.) QM (Aj.) Valor F Valor-P Regressão 1 82784566 82784566 35,86 0,000 X 1 82784566 82784566 35,86 0,000 Erro 8 18468143 2308518 Total 9 101252708 Ajustados e Diagnósticos para Observações Atípicas Obs. Y Ajuste Resíd Resíd Pad 5 1937 4803 -2866 -2,00 R R Resíduo grande b) Ajustar outras funções (stat/regression/fitted line plot) como, por exemplo: b1) Exponencial; b2) Potência; b3) Parabólica; b4) Cúbica · Exponencial - Regressão Não Linear: X = Theta1 * exp(Theta2 * X) * AVISO * Critério de Convergência não atingido: disposição relativa alcançada = 2,19527. Método Algoritmo Gauss-Newton Máximo de iterações 200 Tolerância 0,00001 Valores Iniciais para os Parâmetros Parâmetro Valor Theta1 1 Theta2 1 Equação X = 2,58212e-13 * exp(0,69661 * X) Estimativas dos Parâmetros Parâmetro Estimativa EP da Estimativa Theta1 0,000000 0,0000 Theta2 0,696610 18,9637 X = Theta1 * exp(Theta2 * X) Falta de Ajuste Não há réplicas. O Minitab não pode fazer o teste de ajuste baseado no erro puro. Sumário Iterações 200 SQE Final 6535,14 GLE 8 QME 816,893 S 28,5813 * AVISO * Algumas estimativas dos parâmetros estão altamente correlacionadas. Considere simplificar a função de expectativa ou transformar preditores ou parâmetros para reduzir colinearidades. · Cubica - Análise de Regressão Polinomial: Y versus X A equação de regressão é Y = 3899 - 408,6 X + 16,04 X^2 - 0,0864 X^3 Sumário do Modelo S R2 R2(aj) 854,152 95,68% 93,52% Análise de Variância Fonte GL SQ QM F P Regressão 3 96875251 32291750 44,26 0,000 Erro 6 4377458 729576 Total 9 101252708 Análise de Variância Sequencial Fonte GL SQ F P Linear 1 82784566 35,86 0,000 Quadrático 1 13971309 21,75 0,002 Cúbico 1 119376 0,16 0,700 IV.4) Uma empresa anotou as involuções de devoluções de um de seus produtos principais, Y, em mil unidades, ao longo de alguns meses de um ano. Pede-se, com alfa de 5%: Mês Jan Fev Mar Abr Maio Jun Jul Ago Set Out Devolução 213 194 165 123 95 77 63 52 42 19 a) Ajustar uma reta aos dados, calcular R2 e avaliar a devolução para dezembro (stat/regression/regression); em que data espera-se zerar a devolução? IV.4 Análise de Regressão Polinomial: Devolução_1 versus Mês - Num A equação de regressão é Devolução_1 = 256,8 - 38,36 Mês - Num + 1,519 Mês - Num^2 Sumário do Modelo S R2 R2(aj) 7,76499 98,95% 98,65% Análise de Variância Fonte GL SQ QM F P Regressão 2 39904,0 19952,0 330,91 0,000 Erro 7 422,1 60,3 Total 9 40326,1 Análise de Variância Sequencial Fonte GL SQ F P Linear 1 38685,8 188,68 0,000 Quadrático 1 1218,2 20,20 0,003 b) Idem, para as funções exponencial, potência, quadrática e cúbica (stat/regression/fitted line plot). Obs.: trata-se aqui de uma série temporal; para ela, deve-se criar uma alternativa para o tempo (X), na forma de uma progressão aritmética do tipo1, 2, 3, 4, .....10.
Compartilhar