Calculadora de Regressão Linear

O que esta calculadora de regressão linear resolve

A calculadora de regressão linear simples estima a relação média entre duas variáveis numéricas observadas em pares. Ela recebe uma variável explicativa, representada por X, e uma variável resposta, representada por Y. A partir dos dados, encontra a reta que minimiza a soma dos quadrados das diferenças entre os valores observados de Y e os valores previstos pela reta.

O resultado principal é apresentado como Y = a + bX. O número a é o intercepto, isto é, o valor estimado de Y quando X é igual a zero. O número b é o coeficiente angular: informa quanto Y tende a variar, em média, quando X aumenta uma unidade. A ferramenta também mostra o coeficiente de correlação de Pearson, o R² e, quando solicitado, a previsão de Y para um valor de X.

Essa é a intenção prática de uma calculadora de regressão linear: transformar uma lista de pares de observações em uma reta de ajuste reproduzível. Em marketing, por exemplo, X pode ser o investimento em mídia e Y pode ser o número de leads. Em vendas, X pode ser o número de contatos comerciais e Y o faturamento. Em estudos técnicos, as unidades podem ser outras, desde que cada linha reúna observações comparáveis feitas no mesmo contexto.

Como usar a calculadora, campo a campo

Pares de dados X; Y

Digite um par por linha, colocando X primeiro e Y depois. O separador pode ser ponto e vírgula ou ponto. Para evitar ambiguidade quando usar vírgula decimal, o ponto e vírgula é a opção mais segura. Assim, 2,5; 18,7 significa X igual a 2,5 e Y igual a 18,7. São necessários pelo menos dois pares válidos, mas uma análise minimamente útil normalmente requer mais observações e dados com variação em X.

Não misture unidades em uma mesma coluna. Se X representa investimento, todos os valores devem estar na mesma unidade, como reais ou milhares de reais. Se Y representa conversões, use a mesma definição de conversão em todas as linhas. Linhas com textos, campos ausentes ou mais de dois valores são rejeitadas para impedir um cálculo silenciosamente incorreto.

Valor de X para previsão

Este campo é opcional. Ao preenchê-lo, a calculadora substitui o valor informado na equação estimada e mostra o Y previsto. A previsão é matemática; ela não confirma que o resultado ocorrerá. Especialmente fora da faixa de X observada, trata-se de extrapolação e deve ser interpretada com cautela.

Como ler os resultados

Fórmula da regressão linear simples e passo a passo

Considerando n pares de dados (x_i, y_i), a reta estimada por mínimos quadrados é:

ŷ = a + bx

O coeficiente angular é calculado por:

b = [nΣ(xy) − ΣxΣy] / [nΣ(x²) − (Σx)²]

Depois, o intercepto é:

a = ȳ − b x̄

Em que x̄ é a média dos valores de X e ȳ é a média dos valores de Y. A calculadora soma X, Y, X² e XY; calcula b; encontra a; e monta a equação. O valor previsto para qualquer X informado é obtido por ŷ = a + bX. Para a correlação, é usada a fórmula de Pearson. Em regressão linear simples com intercepto, R² corresponde ao quadrado de r.

O método dos mínimos quadrados dá mais peso a desvios grandes porque eles são elevados ao quadrado. Isso é útil para otimização da reta, mas torna o ajuste sensível a valores extremos. Por essa razão, o cálculo numérico deve ser acompanhado de uma inspeção dos dados e, quando possível, de um gráfico de dispersão.

Exemplos resolvidos de regressão linear

Exemplo 1: investimento e leads

Suponha os pares X;Y: 1;12, 2;15, 3;17, 4;21 e 5;24, em que X é o investimento em milhares de reais e Y é o número de leads em dezenas. O ajuste gera aproximadamente ŷ = 8,9 + 3X. Para X igual a 6, a estimativa é 26,9 dezenas de leads. A interpretação é que, dentro desse conjunto específico, cada mil reais adicionais estão associados a cerca de três dezenas adicionais de leads previstos.

Exemplo 2: horas de treinamento e produtividade

Considere 2;48, 4;53, 6;59, 8;63 e 10;68, onde X são horas de treinamento e Y é um índice de produtividade. A relação é positiva: os dados sugerem que a produtividade cresce conforme aumentam as horas. A reta fornece uma estimativa média, mas não demonstra que o treinamento seja a única causa: experiência, equipe, demanda e método de medição também podem influenciar o índice.

Exemplo 3: desconto e unidades vendidas

Use os pares 0;100, 5;112, 10;126, 15;133 e 20;149, sendo X o desconto percentual e Y as unidades vendidas. A inclinação positiva indica associação entre desconto e vendas nesse recorte. Ainda assim, não se deve aplicar automaticamente uma previsão para 50% de desconto: a relação pode deixar de ser linear, a margem pode cair e a disponibilidade de estoque pode limitar as vendas.

Base técnica aplicável

A regressão linear simples por mínimos quadrados é um procedimento clássico de estatística inferencial e análise de dados. A formulação pressupõe que se busca modelar a média condicional de Y por uma função linear de X. Para inferências formais, como testes de hipótese e intervalos de confiança, entram condições adicionais sobre independência das observações, comportamento dos resíduos, variância e adequação do modelo.

O coeficiente de correlação de Pearson mede a associação linear padronizada entre duas variáveis. Ele não mede necessariamente relações curvas e não prova causa e efeito. Um R² alto também não valida, por si só, a qualidade da decisão: dados enviesados, variáveis omitidas e uma extrapolação além do intervalo observado continuam sendo riscos relevantes.

Erros comuns ao calcular e interpretar

• Trocar X e Y sem considerar qual variável se pretende explicar ou prever.
• Usar valores de X todos iguais; nesse caso, não há variação para estimar a inclinação.
• Inserir percentuais em algumas linhas como 10 e em outras como 0,10.
• Concluir que correlação positiva prova causalidade entre as variáveis.
• Ignorar um outlier que altera fortemente a inclinação da reta.
• Prever muito além do menor e do maior X observados.
• Comparar dados coletados em períodos, públicos ou critérios de medição diferentes.

Limites do resultado

O cálculo descreve o melhor ajuste linear para os valores inseridos, não uma lei de comportamento. Se os pontos formarem uma curva, tiverem grupos distintos ou apresentarem dispersão muito desigual, a reta poderá resumir mal o fenômeno. O R² informa aderência dentro da amostra, mas não garante desempenho em novos dados.

Para decisões relevantes, complemente a análise com gráfico de dispersão, verificação de resíduos, tamanho de amostra, contexto operacional e validação em dados diferentes. Quando houver várias variáveis explicativas, sazonalidade, efeitos de preço ou dependência temporal, a regressão linear simples pode ser insuficiente. A calculadora é adequada para obter o ajuste inicial e conferir rapidamente os cálculos, não para substituir uma análise estatística completa.