Correlação e Regressão Linear Simples

Correlação Linear Simples

Estudar a relação entre duas variáveis quantitativas.

- O peso (Kg) e a altura (m)

- O consumo de água (m³) e o esgoto tratado (m³)

- O preço do imóvel (R$) e a área construída (m²)

- O rendimento do combustível (Km / L) e o peso do veículo (ton)

Peso, Consumo de água, Preço do imóvel, Rendimento de
combustível

Gráfico Diagrama de Dispersão

Altura, Esgoto tratado, Área construída, Peso do veículo

 Peso (Kg) e altura (m)

130

120

110

100
Peso (Kg)

90

80

70

60

50

40
1,45 1,55 1,65 1,75 1,85
Altura (m)
 Altura (m) e Peso (Kg)

1,90

1,85

1,80

1,75

1,70
Altura (m)

1,65

1,60

1,55

1,50

1,45
40 50 60 70 80 90 100 110 120 130
Peso (Kg)
O peso de um veículo relacionado ao rendimento do
combustível

Peso do Veículo Rendimento

(centenas de Kg) (Km/litro)
13 14
26 6
14 13
24 8
18 12
22 9
16 11
14 14
12 16
19 9
 Dispersão
20

16
Rendimento (Km/L)

12

0
0 5 10 15 20 25 30

Peso (100 Kg)

 20

16
Rendimento (Km/L)

12

4
10 12 14 16 18 20 22 24 26 28

Peso (100 Kg)

 28

26

24

22
Peso (100 Kg)

20

18

16

14

12

10
4 6 8 10 12 14 16 18

Rendimento (Km/L)
 Coeficiente de correlação linear
Tem por objetivo medir e avaliar o grau de relação linear existente entre as variáveis.

Coeficiente de correlação linear de Pearson:

(Xi − x)(Yi − y)

𝜌=
[(Xi − x)² . (Yi − y)²]

σ𝑥σ𝑦
(Xi − 𝑋)(Y
ത i −𝑌)ത σ 𝑥𝑦 −
𝑟𝑋𝑌 = = 𝑛
ത . (Yi −𝑌)²]
[(Xi −𝑋)² ത σ𝑥 2 σ𝑦 2
σ 𝑥2 − σ 𝑦2 −
𝑛 𝑛
−1  r  1
r= 1 indica uma correlação linear positiva perfeita;
r = -1 indica uma correlação linear negativa perfeita;
r= 0 indica que não existe uma correlação linear entre as variáveis.
 r = 1, correlação linear positiva perfeita

14

12

10

8
Y
6

0
0 2 4 6 8 10 12 14
X
 r = -1, correlação linear negativa perfeita

12

10

Y 6

0
0 1 2 3 4 5 6
X
 r 1
10

Y 5

r  −1
0 2 4 6 8 10 12 14
X

10

Y 5

0
0 2 4 6 8 10 12 14
X
 r0
. .
12 7

10
. 6
. . .
8
. . . .
5

.
Y 6 . Y
4

4 . . . 3

.
2

2
1

0 0
0 1 2 3 4 5 6 0 1 2 3 4 5 6
X X

.. .
. .
6

5 .
Y4
. .
3
. .
2

1
. .
0
0 1 2 3 4 5 6
X
 Idade (anos) e peso (Kg)

55

50

45

40
Idade (anos)

35

30

25

20

15
40 50 60 70 80 90 100 110 120
Peso (Kg)
 Peso (Kg) e idade (anos)

120

110

100

90
Peso (Kg)

80

70

60

50

40
15 20 25 30 35 40 45 50 55
Idade (anos)
 Correlação linear

Valor de r
SENTIDO
negativa positiva
-1 0 +1

FORÇA Forte Moderada Fraca Fraca Moderada Forte

≤ -0,70 -0,40 a -0,69 -0,39 0,39 0,40 a 0,69 ≥ 0,70
O peso de um veículo relacionado ao rendimento do
combustível

Peso do Veículo Rendimento

(centenas de Kg) (Km/litro)
13 14
26 6
14 13
24 8
18 12
22 9
16 11
14 14
12 16
19 9
 20

16
Rendimento (Km/L)

12

4
10 12 14 16 18 20 22 24 26 28

Peso (100 Kg)

  xy −  x y
rXY = n

 x −
2
( x)
2
 
  y −
2
( y) 
2


 n  n 
 

178112
1861−
rXY = 10
 (178)  
2
(112) 
2

3382 −   1344 − 
 10   10 
Forte correlação linear
rXY = − 0,958492...  − 0,9585 negativa
(Por quê?)
 28

26

24

22
Peso (100 Kg)

20

18

16

14

12

10
4 6 8 10 12 14 16 18

Rendimento (Km/L)
  xy −  x y
rXY = n

 x −
2
( x)
2
 
  y −
2
( y) 
2


 n  n 
 

112 178
1861 −
rXY = 10
 (112)  
2
(178) 
2

1344 −   3382 − 
 10   10 
Forte correlação linear
rXY = − 0,958492...  − 0,9585 negativa
(Por quê?)
 Quantidade produzida e custo de produção

Número de peças Custo (R$)

70 27,00
30 43,00
50 32,00
30 38,00
50 33,00
90 21,00
50 26,00
70 23,00
90 14,00
70 19,00
Obter o coeficiente de correlação de Pearson
 50

45

40
(mg/g)

35
Custo (R$)

30
Potência

25

20

15

10

0
0 20 40 60 80 100
Temperatura
Número de (ºC)
peças

Coeficiente de correlação r = −0,9198319...  −0,9198

(Por quê?)
 60

50

40
Custo (R$)

30 X Y
70 27
30 43
20
50 32
30 38
50 33
90 47
10 50 26
70 23
90 50
70 19
0
0 20 40 60 80 100
Número de peças

(90 ; 21) e (90 ; 14) por (90 ; 47) e (90 ; 50)

Coeficiente de correlação r = 0,1277904...  0,1278

Regressão Linear Simples
 Regressão Linear Simples

Estudar a relação de causalidade entre duas variáveis quantitativas.

- O consumo de água e a quantidade de esgoto tratado

- A temperatura do formo e a resistência da cerâmica

- A área construída relacionada ao preço do imóvel

- O peso de um veículo relacionado ao rendimento do

combustível
Consumo de água, Temperatura do formo , Área construída,
Peso do veículo
X (fixo)

Gráfico Diagrama de Dispersão

Y
(aleatório)
Esgoto tratado, Resistência da cerâmica, Preço do imóvel,
Rendimento de combustível
Resistência da cerâmica em função da temperatura do formo

X (fixo) Y (aleatório)
Níveis de temperatura Resistência mecânica
equidistantes (ºC) (MPa = 10,19 Kgf/cm²)
0,5 10
1,0 14
1,5 15
2,0 18
2,5 20
3,0 22
3,5 22
 23
Dispersão
21

19
Resistência (MPa)

17

15

13

11

9
0,0 0,5 1,0 1,5 2,0 2,5 3,0 3,5 4,0
Nível de temperatura (ºC)

Coeficiente de correlação linear Forte correlação linear

positiva
rXY = 0,977541...  0,9775 (Por quê?)
 REGRESSÃO LINEAR SIMPLES
Observando o gráfico, os pontos estão praticamente em uma
linha reta
23

21

19
Resistência (MPa)

17

15

13

11

9
0,0 0,5 1,0 1,5 2,0 2,5 3,0 3,5 4,0

Nível de temperatura (ºC)

Resistência da cerâmica em função da temperatura do formo

 REGRESSÃO LINEAR SIMPLES
É possível obter uma relação funcional entre as duas variáveis
expressa, neste caso, pela equação de uma reta
23

21

19
Resistência (MPa)

17

15

13

11

9
0,0 0,5 1,0 1,5 2,0 2,5 3,0 3,5 4,0

Nível de temperatura (ºC)

Resistência da cerâmica em função da temperatura do formo

 REGRESSÃO LINEAR SIMPLES
No estudo da variação de uma variável Y em função de uma
variável X, Y é a variável dependente ou resposta e
X a variável explanatória, independente ou preditora
Com n pares de valores, (x1; y1); (x2; y2); .... ; (xN; yN) e
admitindo-se Y função linear de X, pode-se estabelecer
uma regressão linear simples, cujo modelo estatístico é

Yi =  +  X i +  i i = 1, 2, ..., n

sendo  e β parâmetros a serem estimados

Yi =  0 + 1 X i +  i
Y j =  0 + 1 X 1 j +  2 X 2 j +  j
 Yi =  +  X i +  i i = 1, 2, ..., n

método dos mínimos quadrados dos desvios Yˆi = a + b X i

23 i² = (Yi -  - Xi)²

e7
21 e6

19
e5
Resistência (MPa)

e4
17

15
e3
e2
13

11
e1
9
0,0 0,5 1,0 1,5 2,0 2,5 3,0 3,5 4,0
Nível de temperatura (ºC)
 Yi =  +  X i +  i i = 1, 2, ..., n

Mostra-se (método dos mínimos quadrados) Yˆi = a + b X i

i² = (Yi -  - Xi)²

 → a = y −b x

 xy −  x y
 →b= n
( x)
2

x − n
2
 A reta estimada pelo método dos mínimos quadrados

Yˆi = a + b X i
23

21

19
Resistência (MPa)

17

15

13

11

9
0,0 0,5 1,0 1,5 2,0 2,5 3,0 3,5 4,0
Nível de temperatura (ºC)
 A reta estimada pelo método dos mínimos quadrados

Yˆi = a + b X i

 xy −  x y
Coeficiente angular
b= n ou
( x)
2
Coeficiente de regressão
x − n
2

Coeficiente linear a = y −b x
 A equação de regressão para o exemplo

ˆ
Yi = 9,1429+ 4,0714X i


 xy − n
x y 270,5 −
14.121
b= 7  4,0714
b=
( x)
2
(14)2

x − n
2 35 −
7

 121  14 
a = y −b x a=  − 4,0714...   9,1429
 7  7
 Yˆi = 9,1429+ 4,0714X i

x y ŷ e = y − yˆ
0,5 10 11,17857143 -1,17857143

1,0 14 13,21428571 0,78571429

1,5 15 15,25000000 -0,25000000

2,0 18 17,28571429 0,71428571

2,5 20 19,32142857 0,67857143

3,0 22 21,35714286 0,64285714

3,5 22 23,39285714 -1,39285714
14 121 121,00000000 0,00000000
 Modelo linear Yˆi = 9,1429 + 4,0714 X i
23

21

19
Resistência (MPa)

17

15

13

11

9
0,0 0,5 1,0 1,5 2,0 2,5 3,0 3,5 4,0

Nível de temperatura (ºC)

Resistência da cerâmica em função da temperatura do formo

 PREDIÇÃO Yˆi = 9,1429+ 4,0714X i x = 2,8  yˆ = ?
Modelo linear yˆ = 9,1429 + ( 4,0714 2,8)
23
yˆ = 20,5428 "20,5MPa"
21

19
Resistência (MPa)

17

15

13

11

9
0,0 0,5 1,0 1,5 2,0 2,5 3,0 3,5 4,0

Nível de temperatura (ºC)

 Modelo linear Yˆi = 9,1429+ 4,0714X i y = 16  xˆ = ?
16 = 9,1429 + 4,0714 x̂
xˆ = 1,6842  1,7º C
23

21

19
Resistência (MPa)

17

15

13

11

9
0,0 0,5 1,0 1,5 2,0 2,5 3,0 3,5 4,0

Nível de temperatura (ºC)

 Características da reta ajustada
- É válida dentro dos valores observados da variável X

23

21

19

17

15

13

11

9
0,0 0,5 1,0 1,5 2,0 2,5 3,0 3,5 4,0
 Características da reta ajustada
- Se o coeficiente de regressão é positivo b  0
a reta é ascendente da esquerda para a direita
23

21

19

17

15
Yˆi = 9,1429+ 4,0714X i
13

11
b = 4,0714
9
0,0 0,5 1,0 1,5 2,0 2,5 3,0 3,5 4,0
 Características da reta ajustada
- A reta ajustada (método dos mínimos quadrados) sempre
passa pelo ponto ( x, y )
23

21

19

X Y
17
0,5 10
1,0 14
15
1,5 15
2,0 18
13
2,5 20
3,0 22
11 3,5 22
x = 2,0 y = 17,3
9
0,0 0,5 1,0 1,5 2,0 2,5 3,0 3,5 4,0
 Interpretação dos coeficientes
- Coeficiente angular ou Coeficiente de regressão (b )
Quanto varia Y para o aumento de uma unidade em X
x y ŷ
0,5 10 11,1786
1,0 14 13,2143
1,5 15 15,2500 b = 4,0714
2,0 18 17,2857
2,5 20 19,3214
3,0 22 21,3571
3,5 22 23,3928

No exemplo: para cada aumento de um grau na temperatura

(X) há um aumento (b positivo) de aproximadamente
4 MPa na resistência da cerâmica(Y)
23

21
-b
θ
19

17
tg(θ) = b
15
θ ≈ 76° 12’
13 b = 4,0714 MPa
θ
11 1°C

9
0,0 0,5 1,0 1,5 2,0 2,5 3,0 3,5 4,0

Aumento de uma unidade em X

 - Coeficiente linear (a )

23

21

19 Yˆi = a + b X i

17

Xi = 0
15

Yˆi = a
13

11
Yˆi = 9,1429+ 4,0714X i Yˆi = 9,1429
9
??
0,0 0,5 1,0 1,5 2,0 2,5 3,0 3,5 4,0

Neste exemplo, teoricamente, para uma temperatura de

zero °C, há uma resistência de aproximadamente 9 MPa.
 Coeficiente de determinação (R2)
Mede a proporção da variação total da variável dependente Y
que é explicada pela variação da variável independente X
por meio do modelo de regressão ajustado

SQT − SQE SQReg

R =
2
=
SQT SQT
n
SQT =  ( yi − y ) 2
= y −
2
( y)
2

Soma de quadrados total de Y

i =1 n
Mede a variabilidade dos valores observados em torno de sua média
n
SQE = ( yi − yi )
ˆ 2
Soma de quadrados dos erros (resíduos)
i =1
Mede o ajuste do modelo considerado
 n
SQReg =  ( yˆ i − y ) 2 Soma de quadrados da Regressão
i =1

Mede a variabilidade dos valores estimados em torno de sua média

SQT = SQE + SQReg

n n n

( yi − y ) = ( yi − yi ) + ( yi − y )
i =1
2

i =1
ˆ 2
ˆ
i =1
2

SQT − SQE SQReg

R =
2
= 0  R 1
2
SQT SQT

AVALIAR A QUALIDADE DO AJUSTE DO MODELO

 X Y
Níveis de temperatura Resistência mecânica
equidistantes (ºC) (MPa = 10,19 Kgf/cm²)
0,5 10
1,0 14
1,5 15
2,0 18
2,5 20
3,0 22
3,5 22

Modelo linear

Yˆi = 9,1429+ 4,0714X i

 Yˆi = 9,1429+ 4,0714X i

y e = y − yˆ e = ( y − ŷ )
2
x ŷ 2

0,5 10 11,17857143 -1,17857143 (-1,17857143)²

1,0 14 13,21428571 0,78571429 (0,78571429)²
1,5 15 15,25000000 -0,25000000 (-0,25000000)²

2,0 18 17,28571429 0,71428571 (0,71428571)²

2,5 20 19,32142857 0,67857143 (0,67857143)²

3,0 22 21,35714286 0,64285714 (0,64285714)²

3,5 22 23,39285714 -1,39285714 (-1,39285714)²
14,0 121 121,00000000 0,00000000 5,39285714
 n
SQT =  ( yi − y ) 2
= y −
2
( y)
2

=
i =1 n
(121) 2
= 2.213 - = 121,428571..  121,4286
7
n
SQE =  ( yi − yˆ i ) 2 =
i =1

= (-1,17857143) + ... + (-1,39285714) =

2 2

= 5,3928571...  5,3929
121,4286 − 5,3929
R 2
 0,955587...  0,9556
121,4286
Por meio do modelo de regressão linear, 95,56% da variação total na
resistência da cerâmica é explicada pela variação da temperatura
 Coeficiente de determinação (R2)
no
Modelo Linear

Coeficiente de correlação r = 0,97754193...  0,9775

R 2 = (0,97754193...) 2  0,9556

Por meio do modelo de regressão linear, 95,56% da variação total na

resistência da cerâmica é explicada pela variação da temperatura
 Modelo linear Yˆi = 9,1429+ 4,0714X i R 2 = 0,9556

23

21

19
Resistência (MPa)

17

15

13

11

9
0,0 0,5 1,0 1,5 2,0 2,5 3,0 3,5 4,0

Nível de temperatura (ºC)

 Coeficiente de determinação (R2)
Cuidados na utilização do R2

- Depende do número de observações (n), tendendo a crescer

quando n diminui. (n = 2 , tem-se sempre R² = 1)

- A estatística R² pode tornar-se igual a 1, adicionando-se

termos ao modelo, por exemplo:

Para um ajuste “perfeito” (R² = 1) com n pares, basta ajustar

um modelo polinomial com grau “n – 1”.
(Não ocorrendo valores repetidos, ou seja, mais de um
valor y diferente para um mesmo x)
 Modelo polinomial de 6º grau (n-1)

Yˆi = −41,00 + 216,57 X i − 334,09 X i2 + 256,50 X 3 − 103,22 X 4 + 20,93X 5 − 1,69 X 6

25

20
Resistência (MPa)

15

R 2 = 1,0000
10

0
0,0 0,5 1,0 1,5 2,0 2,5 3,0 3,5 4,0

Nível de temperatura (ºC)

 Os dados abaixo representam o custo de produção de determinada
peça em função da quantidade produzida.

Número de peças Custo (R$)

30 38,00
30 43,00
50 32,00
50 33,00
50 26,00
70 19,00
70 23,00
70 27,00
90 21,00
90 14,00
Pede-se:

a-) Obter o diagrama de dispersão.

b-) Estimar a reta de regressão, pelo método dos mínimos

quadrados.

c-) Traçar a reta ajustada no diagrama de dispersão.

d-) Para 60 peças produzidas, qual o custo necessário?

e-) Interpretar o coeficiente de regressão.

f-) Interpretar o coeficiente linear.

g-) Obter o coeficiente de determinação e interpretá-lo.

a-) 50

45

40
(mg/g)

35
Custo (R$)

30
Potência

25

20

15

10

0
0 20 40 60 80 100
Temperatura
Número de (ºC)
peças

Coeficiente de correlação r = −0,9198319...  −0,9198

 b = −0,3809523... a = 50,4571428...
b-)
Yˆ = 50,4571 − 0,3810 X
i i

50 c-)

45 X = 30  Yˆi = 39,028  39
4039 X = 90  Yˆi = 16,171  16
(mg/g)

35
Custo (R$)

30
Potência

25

20
16
15

10

0
30 90
0 20 40 60 80 100
Temperatura
(ºC)
Número de peças
 x = 60 → yˆ = ?
d-)

yˆ = 50,4571− (0,3810 60) = 27,5971  R$ 27,60

50

45

40
(mg/g)

35
Custo (R$)

30
Potência

25

20

15

10

0
0 20 40 60 80 100
Temperatura(ºC)
Número de peças
 Para cada aumento de uma peça produzida há uma
e-) diminuição de aproximadamente R$ 0,38 no custo de
produção.
50

45

40
(mg/g)

35
Custo (R$)

30
Potência

25 b = −0,3810
20

15

10

0
0 20 40 60 80 100
Temperatura
(ºC)
Número de peças
f-) TEORICAMENTE x = 0 → yˆ = ? yˆ = 50,4571 − (0,3810  0) = 50,4571  50,46
Para nenhuma peça produzida teoricamente o custo de produção seria de R$ 50,46.

50

45

40
(mg/g)

35 “extrapolação” ????
Custo (R$)

30
Potência

25

20

15

10

0
0 20 40 60 80 100
Temperatura
(ºC)
Número de peças
g-)

Coeficiente de determinação (R2) do modelo linear

Coeficiente de correlação r = −0,919831...  −0,9198

R 2 = (−0,9198319...) 2  0,8461

Por meio do modelo de regressão linear, 84,61% da variação total

no custo é explicada pela variação do número de peças
 60

50

40

X Y
30 38
Custo (R$)

30
30 43
50 32
50 33
20 50 26
70 19
70 23
10 70 27
90 47
90 50
0
0 20 40 60 80 100
Número de peças

(90 ; 21) e (90 ; 14) por (90 ; 47) e (90 ; 50)

r = 0,1277904...  0,1278 b = 0,061904... a = 30,085714...

Yˆi = ??? Yˆi = 30,0857 + 0,0619X i
R2 = ??
 Coeficiente de correlação do modelo linear

r = 0,1277904...  0,1278

Coeficiente de determinação (R2)

R 2 = (0,1277904...) 2  0,0163

Por meio do modelo de regressão linear, 1,63% da variação total

no custo é explicada pela variação do número de peças
 Modelo linear Yˆi = 30,0857 + 0,0619X i R 2 = 0,0163
60

50

40

X Y
30 38
Custo (R$)

30
30 43
50 32
50 33
20 50 26
70 19
70 23
10 70 27
90 47
90 50
0
0 20 40 60 80 100
Número de peças

(90 ; 21) e (90 ; 14) por (90 ; 47) e (90 ; 50)

 Modelo Quadrático
Yi =  +  X i +  X i2 +  i Yˆi = a + bX i + cX i2

c = 0,022291.... b = −2,6130952... a = 100,973214...

60 Yˆ = 100,9732 − 2,6131X + 0,0223X 2
i i R2 = ??
i

50

40

X Y
Custo (R$)

30 30 38
30 43
50 32
20 50 33
50 26
70 19
70 23
10
70 27
90 47
90 50
0
0 20 40 60 80 100
Número de peças
 y e = y − yˆ e = ( y − ŷ )
2
x ŷ 2

30 38 42,64285714 -4,64285714 (-4,64285714)²

30 43 42,64285714 0,35714286 (0,35714286)²
50 26 26,04761905 -0,04761905 (-0,04761905)²

50 32 26,04761905 5,95238095 (5,95238095)²

50 33 26,04761905 6,95238095 (6,95238095)²

70 19 27,28571429 -8,28571429 (-8,28571429)²

70 23 27,28571429 -4,28571429 (-4,28571429)²
70 27 27,28571429 -0,28571429 (-0,28571429)²

90 47 46,35714286 0,64285714 (0,64285714)²

90 50 46,35714286 3,64285714 (3,64285714)²
338 338 -0,00000002 206,23809524
 n
SQT =  ( yi − y ) 2
= y −
(
2 y)
2

=
i =1 n
(338)2
= 12410 - = 985,6
10
n
SQE =  ( yi − yi ) =
ˆ 2

i =1

= (-4,64285714) + ... + (3,64285714) =

2 2

= 206,23810470  206,2381
985,6 − 206,2381
R 
2
 0,7907486...  0,7907
985,6
Por meio do modelo de regressão quadrático, 79,07% da variação
total no custo é explicada pela variação do número de peças
 Modelo linear Yˆi = 30,0857 + 0,0619X i R 2 = 0,0163

Modelo quadrático Yˆi = 100,9732 − 2,6131X i + 0,0223X i2 R 2 = 0,7907

60

50

40
Custo (R$)

30

20

10

0
0 20 40 60 80 100
Número de peças

(90 ; 21) e (90 ; 14) por (90 ; 47) e (90 ; 50)

(a) (b)

(c) (d)
 (e) (f)

Fonte: BUSSAB, W. O. Análise de Variância e Regressão. São Paulo: Atual,1986.

 y


x−
 
x−

x
- - α>0;β>0
α>0;β<0
(g) (h)

(i) x
Fonte: BUSSAB, W. O. Análise de Variância e Regressão. São Paulo: Atual,1986.

n
 x x
e = lim 1 +  ; e = lim (1 + n ) n
x x
n →  n n →0 +


xn
e =
x
; x =1 e = 2,718 . . .
n =0 n!
As reações catalisadas por enzimas são saturáveis, e a sua
velocidade de catálise não indica uma resposta linear face ao
aumento de substrato. Se a velocidade inicial da reação é medida
sobre uma escala de concentrações de substrato (denotada como
[S]), a velocidade da reação (V) aumenta com o acréscimo de [S].
Todavia, à medida que [S] aumenta, a enzima satura-se e a
velocidade atinge o valor máximo Vmax.
[S] (g/L) V (g/L.h)
0,25 0,78
0,51 1,25
1,03 1,66
2,52 2,19
4,33 2,35
7,25 2,57
Ajustar um modelo de regressão linear, logarítmico e hiperbólico.
Qual modelo ajusta-se melhor aos dados? Por quê?
Velocidade (g/L.h)

Concentração (g/L)
Modelo linear Yˆi = 1,2077 + 0,2237 X i R 2  0,7672
Velocidade (g/L.h)

Concentração (g/L)

Por meio do modelo de regressão linear, 76,72% da variação total na

velocidade da reação é explicada pela variação na concentração
 Modelo
logarítmico 𝑌෠𝑖 = 1,5920 + 0,5331𝐿𝑛 𝑋𝑖 𝑅2 ≅ 0,9892

3,0

2,5
Velocidade (g/L.h)

2,0

1,5

1,0

0,5

0,0
0 1 2 3 4 5 6 7 8

Concentração (g/L)

Por meio do modelo de regressão logarítmico, 98,92% da variação

total na velocidade da reação é explicada pela variação na
concentração
 y


x−
 
x−

x
- - α>0;β>0
α>0;β<0
(g) (h)

Modelo hiperbólico

Xi
Yi =
 Xi + 

(i) x
 [S] (g/L) V (g/L.h)
0,25 0,78
0,51 1,25
1,03de Variância e Regressão.
Fonte: BUSSAB, W. O. Análise 1,66 São Paulo: Atual,1986.
2,52 2,19
4,33 2,35
7,25 2,57
 Xi
Modelo hiperbólico Yˆi = R 2 = 0,9991
0,3668 X i + 0,2280
Xi
Yi =
 Xi + 
Velocidade (g/L.h)

Concentração (g/L)

Por meio do modelo de regressão hiperbólico, 99,91% da variação total

na velocidade da reação é explicada pela variação na concentração
 Concentração e Velocidade da reação

Modelo linear Yˆi = 1,2077 + 0,2237 X i R 2  0,7672

Modelo
logarítmico 𝑌෠𝑖 = 1,5920 + 0,5331𝐿𝑛 𝑋𝑖 𝑅2 ≅ 0,9892

ˆ Xi
Modelo hiperbólico Yi = R 2  0,9991
0,3668 X i + 0,2280

Qual modelo ajusta-se melhor aos dados? Por quê?

O modelo hiperbólico com um maior coeficiente de

determinação (R2 ), neste caso, conhecido como
Modelo Michaelis - Menten