Calculadora de Regressão Linear

Q: Como encontrar a reta de regressão manualmente, sem as fórmulas dos desvios?

Você pode usar as fórmulas computacionais equivalentes: b = (nsum x_i y_i - sum x_i sum y_i)/(nsum x_i^2 - (sum x_i)^2) e a = (sum y_i - bsum x_i)/n . Basta tabular x_i , y_i , x_i y_i e x_i^2 , somar cada coluna e substituir. Os resultados são idênticos aos do método dos mínimos quadrados usado por esta calculadora — é apenas aritmética com somas brutas em vez de desvios em relação à média.

Q: Por que meu coeficiente de correlação aparece exatamente como 1 quando todos os valores de Y são idênticos?

Quando todos os valores de Y são iguais, S_yy = 0 e a fórmula de Pearson divide por zero, de modo que r é matematicamente indefinido. Esta calculadora reporta r = 1 nesse caso porque a reta ajustada é uma reta horizontal perfeita (inclinação 0). Esteja ciente de que uma reta horizontal significa que X não diz nada sobre Y — o r "perfeito" é um artefato, não evidência de uma relação.

Atualizado: 3 outubro 2026

Ajuste uma reta a dados pareados X–Y pelo método dos mínimos quadrados ordinários. Insira os dois conjuntos de dados e obtenha o coeficiente angular (inclinação), o intercepto, o coeficiente de correlação, o R², os resíduos e um valor previsto de Y para qualquer X.

Ajuste uma Reta aos Seus Dados

Fórmula da Regressão Linear

Fórmula

\[ b = \frac{S_{xy}}{S_{xx}} = \frac{\sum_{i=1}^{n}(x_i - \bar{x})(y_i - \bar{y})}{\sum_{i=1}^{n}(x_i - \bar{x})^2}, \qquad a = \bar{y} - b\bar{x} \\\ r = \frac{S_{xy}}{\sqrt{S_{xx} \cdot S_{yy}}}, \qquad R^2 = r^2, \qquad \hat{y} = a + b x^* \]

Onde:

\(b\) — coeficiente angular (inclinação) da reta ajustada
\(a\) — intercepto (valor ajustado de Y quando \(x = 0\))
\(x_i, y_i\) — os pontos de dados pareados
\(\bar{x}, \bar{y}\) — as médias dos conjuntos de dados X e Y
\(n\) — número de pontos de dados pareados
\(r\) — coeficiente de correlação de Pearson
\(R^2\) — coeficiente de determinação
\(\hat{y}\) — valor previsto de Y em \(x^*\)

Estas são as estimativas de mínimos quadrados ordinários (MQO): o coeficiente angular \(b\) e o intercepto \(a\) definem a reta que minimiza a soma dos quadrados das distâncias verticais entre os pontos observados e a própria reta.

Regressão Linear – Exemplo de Cálculo

Exemplo: um laboratório mede uma saída Y em oito configurações igualmente espaçadas de X, de 1 a 8. Os valores de X são 1, 2, 3, 4, 5, 6, 7, 8 e os valores de Y são 53, 61, 68, 74, 80, 85, 90, 95. Ajustamos uma reta e previmos Y em \(x = 9\).

\[ \bar{x} = \frac{1+2+\cdots+8}{8} = 4.5, \qquad \bar{y} = \frac{53+61+\cdots+95}{8} = 75.75 \]
\[ S_{xy} = \sum (x_i-\bar{x})(y_i-\bar{y}) = 248, \quad S_{xx} = \sum (x_i-\bar{x})^2 = 42, \quad S_{yy} = \sum (y_i-\bar{y})^2 = 1475.5 \]
\[ b = \frac{248}{42} = 5.9048, \qquad a = 75.75 - 5.9048 \times 4.5 = 49.1786 \]
\[ r = \frac{248}{\sqrt{42 \times 1475.5}} = 0.9962, \qquad R^2 = 0.9925 \]
\[ \hat{y} = 49.1786 + 5.9048 \times 9 = 102.3214 \]

Resultado: a reta ajustada é \(y = 49.1786 + 5.9048x\), com \(r = 0.9962\) e \(R^2 = 0.9925\) — um ajuste excelente. Em \(x = 9\), a reta prevê \(\hat{y} \approx 102.32\).

Como Usar a Calculadora de Regressão Linear

Digite os valores da variável independente no campo Conjunto de dados X (variável independente), separados por vírgula, espaço, ponto e vírgula ou quebra de linha.
Digite os valores pareados da variável dependente em Conjunto de dados Y (variável dependente), exatamente na mesma ordem dos valores de X. Os dois conjuntos devem conter o mesmo número de valores.
Opcionalmente, digite um valor em Prever Y para X = — o ponto em que você deseja avaliar a reta ajustada. Deixe vazio se você só precisa da própria reta.
Leia os resultados: a Inclinação, o Intercepto, o Coeficiente de correlação, o Coeficiente de determinação e o Valor previsto são exibidos no topo, seguidos pela reta de regressão, uma interpretação em linguagem simples e uma tabela com os valores ajustados e os resíduos de cada ponto de dados.

O Que É Regressão Linear?

A regressão linear simples modela a relação entre uma variável independente \(x\) e uma variável dependente \(y\) como uma reta: \(y = a + bx\). O método dos mínimos quadrados encontra a reta que minimiza a soma dos quadrados das distâncias verticais (resíduos) entre os pontos de dados observados e a reta. Como são usados os desvios quadrados, pontos distantes da reta puxam o ajuste com mais força do que pontos próximos dela.

Os dois coeficientes têm significados diretos. A inclinação \(b\) é a variação estimada de Y para cada aumento de uma unidade em X — se \(b\) for negativo, Y diminui à medida que X aumenta. O intercepto \(a\) é o valor ajustado de Y quando \(x = 0\). Ele só tem significado se o zero estiver dentro (ou próximo) da faixa dos valores observados de X; caso contrário, é apenas uma âncora matemática da reta.

O coeficiente de correlação \(r\) varia de \(-1\) a \(+1\) e mede tanto a força quanto a direção da relação linear. O coeficiente de determinação \(R^2 = r^2\) situa-se entre 0 e 1 e é mais fácil de interpretar: é a proporção da variação de Y que é explicada pela relação linear com X. Um \(R^2\) de 0,99, como no exemplo acima, significa que cerca de 99% da variação de Y é explicada pela reta — um ajuste excelente. Valores abaixo de aproximadamente 0,5 indicam que uma reta descreve os dados apenas de forma fraca, e um modelo curvilíneo ou multivariável pode ser mais apropriado.

Os resíduos na tabela de resultados mostram a que distância cada \(y_i\) observado está do seu valor ajustado \(\hat{y}_i\). Inspecioná-los é um diagnóstico rápido: resíduos dispersos aleatoriamente em torno de zero sugerem que o modelo linear é razoável, enquanto um padrão claro (curvatura, ou resíduos que crescem com X) sugere que a relação não é realmente linear.

Premissas, Limitações e Dicas Práticas

Dados pareados são obrigatórios: cada valor de X deve ter um valor de Y correspondente, digitado na mesma ordem. A calculadora reportará um erro se os dois conjuntos tiverem tamanhos diferentes.
Linearidade: o método de MQO assume que a relação subjacente é uma reta. Se um gráfico de dispersão dos seus dados mostrar uma curva, a reta ajustada — e o seu \(R^2\) — serão enganosos.
Pelo menos dois pontos: com menos de dois valores distintos de X, não é possível ajustar uma reta única; com poucos pontos, o ajuste é altamente sensível a cada observação.
Correlação não é causalidade: um \(r\) forte mostra associação, e não que X causa Y. Uma terceira variável pode influenciar ambos.
Cuidado com a extrapolação: prever Y em valores de X muito fora da faixa dos seus dados (como \(x = 9\) no exemplo, logo além do máximo observado de 8) é uma suposição, não uma medição — a relação pode não permanecer linear além da faixa observada.
Valores atípicos importam: como os mínimos quadrados elevam os erros ao quadrado, um único ponto extremo pode inclinar toda a reta. Verifique na tabela de resíduos os pontos com resíduos incomumente grandes e confirme que são medições reais, e não erros de digitação.
Unidades: a inclinação é expressa em unidades de Y por unidade de X. Ao comparar inclinações de conjuntos de dados diferentes, certifique-se de que as unidades coincidem.

Perguntas frequentes

Como encontrar a reta de regressão manualmente, sem as fórmulas dos desvios?

Você pode usar as fórmulas computacionais equivalentes: \( b = \frac{n\sum x_i y_i - \sum x_i \sum y_i}{n\sum x_i^2 - (\sum x_i)^2} \) e \( a = \frac{\sum y_i - b\sum x_i}{n} \). Basta tabular \( x_i \), \( y_i \), \( x_i y_i \) e \( x_i^2 \), somar cada coluna e substituir. Os resultados são idênticos aos do método dos mínimos quadrados usado por esta calculadora — é apenas aritmética com somas brutas em vez de desvios em relação à média.

O que é um bom valor de R²?

Depende da área. Em experimentos de física ou engenharia, valores acima de 0,9 são esperados. Em economia, biologia ou ciências sociais, onde o ruído é alto, um R² de 0,3–0,6 pode ser um resultado significativo. Não existe um limiar universal: um R² baixo não torna um modelo inútil, e um R² alto não prova que o modelo está correto — uma relação curvilínea também pode produzir um R² alto para a reta errada. Sempre trace o gráfico dos dados.

Importa qual variável eu coloco em X e em Y?

Sim. A regressão de Y sobre X responde a "como Y varia com X?" e minimiza os erros verticais. Se você trocar os conjuntos, obterá uma reta diferente, que minimiza os erros horizontais, com inclinação diferente (a nova inclinação é \( r^2 \) dividido pela antiga, e não o seu inverso). Decida com base na sua pergunta: se você quer prever uma quantidade a partir da outra, a variável a ser prevista vai em Y.

Qual é a diferença entre r e R²?

O coeficiente de correlação r (de −1 a +1) indica tanto a direção quanto a força da associação linear: r = −0,9 é uma relação negativa forte. R² = r² elimina o sinal e mede apenas a qualidade do ajuste: tanto r = −0,9 quanto r = +0,9 dão R² = 0,81. Use r quando a direção importa, e R² quando você quer a interpretação simples de "porcentagem da variação explicada".

Por que meu coeficiente de correlação aparece exatamente como 1 quando todos os valores de Y são idênticos?

Quando todos os valores de Y são iguais, \( S_{yy} = 0 \) e a fórmula de Pearson divide por zero, de modo que r é matematicamente indefinido. Esta calculadora reporta r = 1 nesse caso porque a reta ajustada é uma reta horizontal perfeita (inclinação 0). Esteja ciente de que uma reta horizontal significa que X não diz nada sobre Y — o r "perfeito" é um artefato, não evidência de uma relação.

De quantos pontos de dados eu preciso para uma regressão confiável?

O mínimo são 2 pontos com valores distintos de X, mas esse ajuste não tem significado estatístico — quaisquer dois pontos definem uma reta exatamente. Como regra geral, procure ter pelo menos 10 pontos, ou mais se os dados forem ruidosos. Com amostras pequenas, um único ponto atípico pode dominar a inclinação e inflar o R², então verifique a tabela de resíduos e trate com cautela os resultados obtidos com menos de 5 pontos.

Meus resultados parecem errados — quais são os erros mais comuns de digitação dos dados?

Verifique três coisas: (1) as duas listas devem ter o mesmo número de valores, e cada Y deve estar em frente ao seu X correspondente, na mesma ordem — um único valor deslocado ou ausente inclina toda a reta; (2) separadores de milhar, símbolos de moeda ou letras soltas tornam um elemento inválido; (3) misturar unidades (por exemplo, anos 2020–2024 em um conjunto de dados e 0–4 em outro) muda drasticamente o intercepto, embora as previsões permaneçam as mesmas.