Previsão de vendas
- Entrada
- X = investimento em publicidade (R$), Y = vendas
- Saída esperada
- Ŷ = 500 + 3.2 × X
Cada R$1 a mais em publicidade gera R$3.20 em vendas previstas.
regressão linear para previsão com OLS
Regressão Linear para Previsão — OLS
OLS minimiza a soma dos quadrados dos resíduos. A equação resultante Ŷ = β₀ + β₁X permite prever Y para qualquer X no domínio amostrado.
Como interpretar os coeficientes OLS
- β₁ (inclinação): cada unidade a mais em X aumenta/diminui Y em β₁ unidades. β₀ (intercepto): valor esperado de Y quando X = 0.
- Erro padrão mede a dispersão típica dos pontos em torno da reta. r² mede a porção da variância de Y explicada pelo modelo.
Exemplos
Altura × peso
- Entrada
- X = altura (cm), Y = peso (kg)
- Saída esperada
- Ŷ = −105 + 1.0 × X
Para 175cm: Ŷ = −105 + 175 = 70kg esperados.
FAQ da ferramenta completa
Regressão linear simples é um modelo estatístico que descreve a relação linear entre uma variável independente (X) e uma variável dependente (Y) como uma reta: Ŷ = β₀ + β₁X.
Perguntas frequentes
Posso prever valores muito além dos dados observados?
Não é recomendado. Extrapolação além do intervalo amostrado assume que a relação linear continua, o que frequentemente é inválido. O modelo só é confiável dentro do domínio observado.
Esta página substitui uma análise oficial ou profissional?
Não. Ela ajuda a entender o cenário e usar a ferramenta com mais segurança, mas decisões reais devem considerar fonte oficial, contexto completo e orientação qualificada quando necessário.