Calculadora de Regressão Linear
A regressão linear ajusta uma reta aos seus dados pelo método dos mínimos quadrados: a reta que melhor resume a relação entre duas variáveis numéricas. Nesta calculadora de regressão linear, cole os pares x e y e veja inclinação, intercepto, R², resíduos e previsões, com gráfico de dispersão e tabela ANOVA — grátis e sem cadastro.
Seus dados
Reta de regressão
ŷ = 1,200 + 0,964x
Com 10 pares, a reta ŷ = 1,200 + 0,964x explica 92,9% da variação de y (R² = 0,929). A previsão para x = 6 é ŷ = 6,98, com intervalo de confiança de 95% de [6,35; 7,62].
Tabela ANOVA
| Fonte | SQ | gl | QM | F | p |
|---|---|---|---|---|---|
| Regressão | 76,61 | 1 | 76,61 | 104,04 | < 0,0001 |
| Resíduo | 5,89 | 8 | 0,74 | — | — |
| Total | 82,50 | 9 | — | — | — |
Resíduos (y − ŷ)
| x | y | ŷ | Resíduo |
|---|---|---|---|
| 1 | 2 | 2,16 | −0,16 |
| 2 | 3 | 3,13 | −0,13 |
| 3 | 5 | 4,09 | 0,91 |
| 4 | 4 | 5,05 | −1,05 |
| 5 | 6 | 6,02 | −0,02 |
| 6 | 8 | 6,98 | 1,02 |
| 7 | 7 | 7,95 | −0,95 |
| 8 | 9 | 8,91 | 0,09 |
| 9 | 11 | 9,87 | 1,13 |
| 10 | 10 | 10,84 | −0,84 |
Gráfico de dispersão e reta ajustada
Gráfico de dispersão dos 10 pares com a reta ajustada ŷ = 1,200 + 0,964x. O coeficiente de determinação é R² = 0,929.
Como calcular a regressão linear?
A reta de regressão ŷ = a + bx é a reta que minimiza a soma dos quadrados dos resíduos — as distâncias verticais entre cada ponto e a reta. O cálculo tem cinco passos:
1) Calcule as médias x̄ e ȳ. 2) Calcule as somas Sxx = Σ(x − x̄)², Syy = Σ(y − ȳ)² e Sxy = Σ(x − x̄)(y − ȳ). 3) A inclinação é b = Sxy ÷ Sxx. 4) O intercepto é a = ȳ − b·x̄. 5) O coeficiente de determinação é R² = Sxy² ÷ (Sxx·Syy).
No exemplo padrão desta calculadora — (1,2), (2,3), (3,5), (4,4), (5,6), (6,8), (7,7), (8,9), (9,11), (10,10) — as somas são Sxx = 82,50, Syy = 82,50 e Sxy = 79,50. Logo, b = 79,50 ÷ 82,50 = 0,964 e a = 6,50 − 0,964 × 5,50 = 1,200, ou seja, ŷ = 1,200 + 0,964x. As somas Sxx e Syy são as mesmas do desvio padrão: o desvio padrão de x é √(Sxx ÷ (n − 1)).
O que é R² na regressão?
R², o coeficiente de determinação, é a fração da variação de y que a reta explica: R² = 1 − (soma dos quadrados dos resíduos ÷ Syy). Ele vai de 0 a 1. No exemplo padrão, R² = 0,929 — a reta explica 92,9% da variação de y. Um R² de 1 significa ajuste perfeito, com todos os pontos sobre a reta; um R² de 0 significa que a reta não explica nada além da média de y.
Vale lembrar que R² é o quadrado do coeficiente de correlação r: aqui, r = 0,964 e 0,964² = 0,929. Um R² alto, porém, não prova causalidade: duas variáveis podem subir juntas por causa de uma terceira. Sobre isso, veja o guia em português sobre correlação e causalidade.
Como prever um valor com a reta de regressão?
Para prever y num valor x, basta substituir na reta: ŷ = a + bx. No exemplo padrão, para x = 6, ŷ = 1,200 + 0,964 × 6 = 6,98. A calculadora mostra ainda dois intervalos de 95%: o intervalo de confiança da média, [6,35; 7,62], que estima onde está a média de y quando x = 6; e o intervalo de previsão, [4,90; 9,06], que estima onde cairá um único novo valor de y — sempre mais largo, porque inclui a variação de um ponto individual.
Nunca extrapole: a reta foi ajustada para x entre 1 e 10, e prever para x = 50, por exemplo, seria chutar além dos dados. Dentro do intervalo observado, a reta é um bom resumo; fora dele, a relação pode mudar de forma, saturar ou até se inverter.
Exemplo resolvido: propaganda e vendas
Uma loja registrou, em oito meses, o investimento em propaganda (x, em R$ mil) e as vendas (y, em R$ mil): (1,3), (2,5), (3,4), (4,7), (5,8), (6,9), (7,11), (8,12). A reta ajustada é ŷ = 1,54 + 1,30x, com r = 0,978 e R² = 0,957. A leitura é direta: cada R$ 1 mil a mais em propaganda vai com cerca de R$ 1,30 mil a mais em vendas, e a reta explica 95,7% da variação das vendas.
Para um mês com R$ 6 mil de propaganda, a previsão é ŷ = 1,54 + 1,30 × 6 = 9,32 — cerca de R$ 9,32 mil em vendas. Use o botão “Propaganda × vendas” acima para ver o cálculo completo. A regressão não é tema do ENEM, mas aparece em concursos, pesquisas e no dia a dia de empresas que precisam prever vendas, demanda e custos.
Regressão linear no Excel
No Excel em português, a inclinação é INCLINAÇÃO(y; x) e o intercepto é INTERCEPÇÃO(y; x); RQUAD(y; x) devolve o R². Para a saída completa — inclinação, intercepto, erros padrão e R² numa só tabela — use PROJ.LIN(y; x; VERDADEIRO; VERDADEIRO). Atenção à ordem: nessas funções, o intervalo de y vem primeiro. Os nomes foram confirmados no Suporte da Microsoft em português.
Perguntas frequentes
O que significam inclinação e intercepto?
A inclinação b diz quanto ŷ muda quando x aumenta 1 unidade. No exemplo padrão, b = 0,964: cada unidade a mais de x vai com cerca de 0,96 a mais em y. O intercepto a é o valor previsto de y quando x = 0 — aqui, 1,200. O intercepto só tem sentido prático quando x = 0 está dentro (ou perto) dos dados observados.
Como interpretar o R²?
R² é a fração da variação de y explicada pela reta, de 0 a 1. Um R² de 0,929, como no exemplo padrão, significa que 92,9% da variação de y é explicada pela reta. Em ciências exatas, valores acima de 0,9 são comuns; em ciências sociais, 0,3 já pode ser relevante. O contexto manda: compare com estudos da sua área, não com uma regra fixa.
Correlação ou regressão: qual é a diferença?
O coeficiente de correlação r mede a força e a direção da relação linear, de −1 a +1; a regressão entrega a reta ŷ = a + bx e permite prever valores. Os dois estão ligados: R² = r². Para medir a associação, use a calculadora de coeficiente de correlação; para prever y a partir de x, use esta calculadora.
Por que não extrapolar a reta?
A reta só foi ajustada dentro do intervalo observado de x — no exemplo padrão, de 1 a 10. Fora dele, a relação pode mudar de forma, saturar ou até se inverter. Prever para x = 50 com uma reta ajustada entre 1 e 10 é chutar: o intervalo de previsão ficaria enorme e a estimativa, sem garantia.
O que são resíduos?
O resíduo de um ponto é y − ŷ: quanto o valor observado ficou acima ou abaixo da reta. No exemplo padrão, o maior resíduo é 1,13 (x = 9) e o menor é −1,05 (x = 4); a soma de todos é zero. Resíduos com padrão — por exemplo, todos positivos no meio e negativos nas pontas — indicam que a relação não é uma reta, e outro modelo pode servir melhor.
Intervalo de previsão ou de confiança?
O intervalo de confiança de 95% estima a média de y para um dado x: no exemplo padrão, em x = 6, é [6,35; 7,62]. O intervalo de previsão de 95% estima um único novo valor de y nesse x: [4,90; 9,06]. O de previsão é sempre mais largo, porque um ponto individual varia mais que a média. Use o de confiança para a média e o de previsão para um caso novo.
Outliers e alavancagem: o que observar?
Um ponto com x muito afastado dos demais tem alavancagem: ele puxa a reta para si. Um ponto com resíduo grande é um outlier. Os dois juntos podem mudar a inclinação por completo. Antes de confiar na reta, olhe o gráfico de dispersão e a tabela de resíduos: um único ponto estranho pode dominar o ajuste.
Onde a regressão aparece em negócios e pesquisas?
Em vendas contra propaganda, preço contra demanda, dose contra resposta e horas de estudo contra nota. A regressão linear é a ferramenta mais usada para quantificar relações e fazer previsões simples — e é o primeiro passo antes de modelos mais complexos. Ela não é tema do ENEM, mas é cobrada em concursos e em cursos de estatística.
Mais Ferramentas para Explorar
Calculadora de Coeficiente de Correlação
O r de Pearson do mesmo conjunto de pares, com teste de significância e intervalo de confiança.
Calcular →Calculadora de Desvio Padrão
As somas Sxx e Syy por trás da reta de regressão, passo a passo.
Calcular →Calculadora de Distribuição Normal
A distribuição dos resíduos e a base dos intervalos de confiança da reta.
Calcular →Correlação vs Causalidade
Correlação não é causalidade: veja exemplos reais e os critérios de Bradford Hill.
Ler →Calculadoras de Estatística
Veja as 20 calculadoras gratuitas em português: regra empírica, normal, escore z, curva de sino, desvio padrão, percentil, Chebyshev e mais.
Ver todas →Fontes: NIST/SEMATECH e-Handbook of Statistical Methods, seção 4.1.4.1, Linear Least Squares Regression. Metodologia: nossa metodologia. Por Afan Shafiq — BS AI student. Revisado em 16 de novembro de 2026.