Início / Lean Six Sigma / Análise estatística

Regressão linear simples e múltipla

Descubra quais fatores do processo mexem na resposta, quanto cada um pesa, qual combinação dá o melhor resultado e com que margem de erro, a partir dos dados que você já tem.

Ferramenta de pré-dimensionamento e estimativa: os resultados não substituem projeto, cálculo ou laudo assinado por profissional habilitado nem a verificação conforme as normas aplicáveis.

VerificaçãoRevisão 03/11/2026
Dados
Ver o que foi lido
Exemplos:
Modelo
Prever e otimizar

A otimização procura dentro da faixa observada de cada fator; fora dela o modelo não foi testado.

Os dados ficam só neste navegador e não são enviados. Desmarque para apagar.

—Quanto o modelo explica
—

Gráfico do modelo ajustado

Com 1 preditor: linha ajustada com bandas de confiança (IC) e de previsão (IP) e a equação. Com vários: valor observado × ajustado. Toque num ponto para excluí-lo só neste gráfico e ver a reta e o R² mudarem.

Toque no gráfico para ver os valores.

Simulador “e se”: perfil de predição

Mova cada fator e veja a resposta prevista com IC e IP. Cada curva mostra o efeito de um fator com os outros parados; o triângulo verde marca o ótimo.

Contorno e superfície da resposta

Resposta prevista para dois fatores contínuos; os demais ficam nos valores do simulador.

Toque no gráfico para ver os valores.

Efeitos padronizados

Pareto dos efeitos (|t| de cada termo) com a linha do t crítico, ou gráfico normal dos efeitos.

Toque no gráfico para ver os valores.

Quanto cada fator acrescenta

Aumento do R² quando o fator entra por último no modelo (impacto incremental).

Toque no gráfico para ver os valores.

Efeitos principais e interações

Médias ajustadas de cada fator (demais na média) e curvas de interação com o outro fator baixo e alto.

Interações

Resíduos: 4 em 1

Probabilidade normal, × ajustados (com LOWESS), histograma e × ordem. Pontos em vermelho: |resíduo padronizado| > 2, com o número da linha.

Resíduos × cada preditor

Procura curvatura ou funil em relação a cada fator.

Pontos atípicos e influentes

Alavancagem × resíduo padronizado; o tamanho da bolha é a distância de Cook.

Toque no gráfico para ver os valores.

Equação de regressão

Coeficientes

VIF calculado com os preditores contínuos centrados.

Sumário do modelo

Análise de variância

SQ ajustada de cada termo (tipo III). Falta de ajuste aparece quando há ensaios repetidos nos mesmos X.

Seleção do modelo

Ajustes e diagnósticos para observações incomuns

R: resíduo padronizado grande; X: alavancagem alta.

Previsão de novos valores

Otimizador de resposta

Melhor combinação dos fatores dentro da faixa dos dados, com a conveniência d (Derringer e Suich).

Próximo passo

Leve os resultados desta página para outra calculadora, com os campos já preenchidos.

O memorial reúne entradas, resultados, equações, hipóteses e referências desta página, com campos para projeto, responsável e revisão. O relatório completo traz também os gráficos e as interpretações, em cores. Na janela de impressão, escolha Salvar como PDF.

Método, hipóteses e referências

Equações usadas

y = Xb + e; b = (XᵀX)⁻¹Xᵀy por decomposição QR; S = √[SQE ÷ (n − p)]
EP(bⱼ) = S√[(XᵀX)⁻¹]ⱼⱼ; T = bⱼ ÷ EP(bⱼ); VIFⱼ = 1 ÷ (1 − R²ⱼ)
R² = 1 − SQE/SQT; R²aj = 1 − QME ÷ [SQT/(n − 1)]; PRESS = Σ[eᵢ ÷ (1 − hᵢ)]²; R²pred = 1 − PRESS/SQT
IC da média: ŷ ± t·S√(x₀ᵀ(XᵀX)⁻¹x₀); IP: ŷ ± t·S√(1 + x₀ᵀ(XᵀX)⁻¹x₀), t com n − p GL
rᵢ = eᵢ ÷ [S√(1 − hᵢ)]; Dᵢ (Cook) = rᵢ²hᵢ ÷ [p(1 − hᵢ)]; DW = Σ(eᵢ − eᵢ₋₁)² ÷ Σeᵢ²
Termo: F = [(SQE sem o termo − SQE) ÷ GL] ÷ QME; passo a passo: entra se p < α, sai se p > α (hierarquia mantida)

Hipóteses e limites

  • Resíduos independentes, de média zero e variância constante; normalidade importa para amostras pequenas (menos de 15 linhas).
  • O modelo só vale dentro da faixa observada dos fatores. Relação estatística não prova causa: confirme o efeito com um ensaio planejado.
  • A otimização é uma busca numérica (grade + refino) e dá uma boa combinação, não necessariamente o ótimo global. A exclusão de pontos com toque é só um teste visual.

Normas e documentos técnicos

  • Montgomery, D. C.; Peck, E. A.; Vining, G. G. Introduction to Linear Regression Analysis, 5th ed. Wiley, 2012
  • Kutner, M. H.; Nachtsheim, C. J.; Neter, J.; Li, W. Applied Linear Statistical Models, 5th ed. McGraw-Hill, 2005
  • Draper, N. R.; Smith, H. Applied Regression Analysis, 3rd ed. Wiley, 1998
  • Cook, R. D. Detection of influential observation in linear regression. Technometrics 19(1), 1977, p. 15–18
  • Durbin, J.; Watson, G. S. Testing for serial correlation in least squares regression II. Biometrika 38, 1951, p. 159–178
  • Derringer, G.; Suich, R. Simultaneous optimization of several response variables. Journal of Quality Technology 12(4), 1980, p. 214–219
  • Minitab. Assistant white papers: Simple Regression; Multiple Regression (critérios do cartão de verificação)
  • Brownlee, K. A. Statistical Theory and Methodology in Science and Engineering, 2nd ed. Wiley, 1965 (dados de stack loss)
  • NIST/SEMATECH e-Handbook of Statistical Methods, seção 4 (Process Modeling)

Legislação e regulamentos no Brasil

  • ABNT NBR ISO 9001:2015, item 9.1.3: análise e avaliação de dados
  • ABNT ISO/TR 10017:2005: orientação sobre técnicas estatísticas para a ABNT NBR ISO 9001

Perguntas frequentes

Qual a diferença entre R² e R² ajustado?

O R² sempre sobe quando se acrescenta um termo, mesmo inútil. O R² ajustado desconta o número de termos e só sobe se o termo melhora o modelo de verdade. Compare modelos pelo ajustado e veja também o R² de previsão: se ele ficar muito abaixo, o modelo decorou os dados.

O que é o intervalo de previsão e quando usá-lo?

É a faixa onde deve cair uma única nova medição. O intervalo de confiança é só para a média. Para saber se uma peça ou lote vai atender à especificação, use o intervalo de previsão, que é mais largo.

Quantos dados preciso para uma regressão múltipla?

O Assistente do Minitab recomenda cerca de 40 linhas para até 3 termos, 45 para até 6 e 50 para 7 ou 8. Com menos, o R² pode variar bastante de uma amostra para outra. A página mostra o número recomendado para o seu modelo no cartão de verificação.

O que fazer com observações incomuns?

Investigue a causa: erro de digitação, instrumento, evento especial ou condição fora do normal. Não apague um ponto só porque é incomum. Toque nele no gráfico para ver quanto a equação muda sem ele.

Como usar o simulador “e se” e o otimizador?

Arraste os controles de cada fator e veja a resposta prevista com IC e IP; as curvas mostram o efeito de cada fator com os outros parados. O otimizador procura, dentro da faixa dos dados, a combinação que maximiza, minimiza ou atinge o alvo. Confirme o ótimo com um lote de teste.

Quando usar termos quadráticos e interações?

Use quadrático quando a resposta tem um ponto de máximo ou mínimo dentro da faixa (curva no gráfico de resíduos) e interação quando o efeito de um fator depende do nível de outro (linhas não paralelas). A seleção passo a passo ajuda a escolher só os termos que contam.

Os resultados batem com os de softwares estatísticos?

Sim. Coeficientes, erros-padrão, valores-p, VIF, ANOVA, R² de previsão, Durbin-Watson e intervalos foram conferidos com exemplos publicados (Minitab, Brownlee e dados certificados do NIST) e com o statsmodels.