Análise descritiva e análise de correlação e regressão da relação

A regressão e a correlação são duas técnicas estreitamente relacionadas que envolvem uma forma de estimação. A análise de correlação e regressão compreende a análise de dados amostrais para saber se e como duas ou mais variáveis estão relacionadas uma com a outra em um determinado universo de dados. A regressão linear simples constitui uma tentativa de estabelecer uma equação matemática linear que descreva o relacionamento entre duas variáveis.
A análise de correlação fornece um número que resume o grau de relacionamento entre duas variáveis. Já a análise de regressão resulta numa equação matemática que descreve esse relacionamento, apontando suas características preliminares de correlação positiva (relação direta) ou negativa (relação inversa). Essa mesma equação pode ser usada para se predizer valores futuros de uma variável quando se tem valores de outra variável.
Há diversas maneiras em que as equações de regressão são utilizadas, como em situações em que as variáveis medem aproximadamente a mesma coisa. Por exemplo, a resistência e a dureza de um metal podem ser relacionadas de modo que, conhecendo-lhe a dureza, podemos estimar-lhe a resistência. Mas se o teste de resistência destrói o metal, enquanto que o teste de dureza não o destrói, um pesquisador interessado em estimar a resistência preferirá confiar nos resultados do teste de dureza.
A finalidade da equação de regressão portanto, é estimar valores de uma variável com base em valores conhecidos de outra, assim como demonstraremos mais adiante neste trabalho, para exemplificar a relação entre elas na regressão linear.
Outra utilização da equação de regressão é explicar valores de uma variável em termos de outra, podendo-se verificar uma relação de causa e efeito entre as variáveis. Mas neste caso, a lógica de uma relação causal provém de teorias externas ao âmbito da estatística, como por exemplo, se um economista tentar explicar variações na procura por automóveis usados em termos do desemprego,