Questão 8. Um gerente de operações modelou a demanda mensal de um produto ( y , em mil unidades) em função do investimento em publicidade ( x , em mil reais) e obteve a equação: \hat{y}=2,4+0,8 x, \operatorname{com} R^{2}=0,74.
a) Qual a demanda prevista para um investimento de \mathrm{R} \ 15.000$ em publicidade?
b) Interprete o valor de \mathrm{R}^{2}=0,74 no contexto do problema.
c) Se o orçamento de publicidade for zerado ( \mathrm{x}=\mathrm{o} ), qual seria a demanda prevista? Esse valor é realmente interpretável? Justifique.
d) O gerente pretende usar este modelo para prever a demanda com x=200(R \$ 200.000). Quais os riscos dessa extrapolação?

Passo 1

O enunciado fornece a regressão linear ajustada e pede quatro coisas. Dados que peguei do enunciado:
  • A equação estimada é \hat{y}=2,4+0,8\,x.
  • Aqui \hat{y} é a demanda mensal em mil unidades (ou seja, \hat{y}=1 representa 1{,}000 unidades).
  • x é o investimento em publicidade em mil reais (ou seja, x=1 representa R$ 1{,}000).
  • O coeficiente de determinação é R^{2}=0,74.
O enunciado pede:
a) a demanda prevista para investimento de R$ 15.000 em publicidade;
b) interpretar R^{2}=0,74 no contexto;
c) a demanda prevista se x=0 e se esse valor é interpretável (justifique);
d) comentar os riscos de usar o modelo para prever em x=200 (R$ 200.000).

Passo 2

Entendendo a equação e as unidades (a parte prática antes de calcular): a equação \hat{y}=2,4+0,8\,x tem duas partes importantes:
  • O intercepto \,2,4 é o valor previsto de \hat{y} quando x=0. Em palavras: é a demanda prevista (em mil unidades) quando não há investimento em publicidade (se assumirmos que o modelo é válido nessa situação).
  • O coeficiente angular \,0,8 é a variação esperada em \hat{y} (em mil unidades) para cada aumento de uma unidade em x (uma unidade de x = R$ 1{,}000). Ou seja, aumentar R$ 1{,}000 em publicidade aumenta a demanda prevista em 0,8 mil unidades = 800 unidades, segundo o modelo.
Antes de calcular, converter valores monetários para a unidade x da equação:
  • R$ 15.000 corresponde a x=15 (porque 15{,}000/1{,}000 = 15).
  • R$ 200.000 corresponde a x=200.

Passo 3

Cálculo da parte (a) passo a passo:
  • Substituir x=15 em \hat{y}=2,4+0,8\,x.
  • Calcular o termo linear: 0,8\times15. 0,8\times15 = 0,8\times(10+5)=0,8\times10+0,8\times5=8+4=12.
  • Somar o intercepto: 2,4+12=14,4.
    Interpretação do resultado numérico: \hat{y}=14,4 significa 14{,}4 mil unidades, isto é 14{,}400 unidades. Então a previsão para R$ 15{,}000 é 14{,}4 mil unidades (ou 14{,}400 unidades).

Passo 4

Explicando o que é R^{2} (didático e sem pular passos):
  • Definição prática: \;R^{2}=1-\dfrac{\text{SS}_{\text{res}}}{\text{SS}_{\text{tot}}}\,.
  • O que significam os termos:
    • \text{SS}_{\text{tot}} (soma total dos quadrados) mede a variabilidade total observada em y em torno da média de y.
    • \text{SS}_{\text{res}} (soma dos quadrados dos resíduos) mede quanto da variabilidade de y não é explicada pelo modelo (os erros).
  • Interpretação numérica: R^{2}=0,74 quer dizer que 74\% da variação observada na demanda (entre as observações usadas para ajustar o modelo) é explicada pela variação no investimento em publicidade, segundo esse modelo linear.
  • O que isso implica na prática:
    • É um ajuste razoavelmente bom: a publicidade explica a maior parte da variação observada, mas não tudo.
    • Ainda sobra 26\% da variabilidade que não é explicada pelo modelo — pode vir de fatores não incluídos (preço, sazonalidade, concorrência, erro aleatório etc.).
    • Atenção: R^{2} não prova causalidade (um alto R^{2} não garante que mais investimento sempre cause aumento na demanda) e não diz nada direto sobre a precisão de previsões fora da faixa dos dados observados.

Passo 5

Parte (c): calcular \hat{y} quando x=0 e discutir interpretabilidade.
  • Cálculo: \hat{y}=2,4+0,8\times0=2,4.Então \hat{y}=2,4 mil unidades = 2{,}400 unidades.
  • Interpretação e justificativa (por que ter cuidado):
    • Em termos do modelo, esse valor é a demanda prevista quando não há investimento em publicidade — pode ser chamado de demanda-base.
    • Porém, a interpretação está sujeita a condições:
      • Se nos dados usados para ajustar o modelo havia observações com x próximas de zero, o intercepto é mais confiável como estimativa da demanda sem publicidade.
      • Se nenhuma observação estava perto de x=0, então o intercepto é uma extrapolação e pode não refletir a realidade.
      • Mesmo com dados próximos de zero, é preciso verificar se o intercepto é estatisticamente significativo e se não há viés por variáveis omitidas (por exemplo, promoções, presença de concorrentes).
    • Conclusão: numericament e a previsão é 2{,}4 mil unidades, e em princípio isso representa a demanda sem publicidade, mas essa interpretação deve ser feita com cautela e verificações adicionais.

Passo 6

Parte (d): risco de extrapolar para x=200 (R$ 200.000).
  • Primeiro, cálculo ilustrativo (mostrar por que o número pode parecer atraente, mas perigoso): \hat{y}=2,4+0,8\times200=2,4+160=162,4,ou seja \hat{y}=162,4 mil unidades = 162{,}400 unidades (previsão numérica se simplesmente aplicar a reta).
  • Lista dos riscos e razões técnicas e práticas:
    • Extrapolação além da faixa de dados: se os dados usados no ajuste não chegam perto de x=200, o comportamento do relacionamento fora da faixa observada é desconhecido; a relação pode deixar de ser linear.
    • Efeito de saturação/diminuição de retornos: em marketing é comum existir saturação (mais gasto não gera aumento proporcional de demanda) — a relação pode achatar.
    • Limites de mercado: capacidade produtiva, tamanho do mercado ou estoque podem impedir que a demanda alcance valores tão altos.
    • Intervalos de previsão largos: mesmo que a reta dê um número, o erro padrão da previsão cresce fora da amostra, tornando a previsão pouco confiável.
    • Mudanças estruturais: campanhas muito grandes podem ter efeitos qualitativamente diferentes (ex.: mudança de público-alvo, resposta da concorrência).
    • Suposições do modelo podem falhar: heteroscedasticidade, não linearidade, variáveis omitidas, ou efeitos temporais não considerados.
  • Recomendações rápidas (o que fazer antes de aceitar tal previsão):
    • Checar a faixa dos dados usados no ajuste; coletar dados para investimentos elevados se possível.
    • Considerar modelos não lineares (por exemplo modelos de saturação) ou adicionar termos (quadrático, logarítmico).
    • Calcular intervalos de previsão e examinar se a previsão é plausível economicamente.

Passo 7

Resumo motivador: a conta é simples e foi feita passo a passo — respira fundo: com prática isso vira automático. Se precisar, faço as contas usando outros valores de x para treinar e mostrarei como montar um intervalo de confiança para a previsão.

Resposta

(a) \hat{y}=14,4 (mil unidades) =14\,400 unidades.
(b) R^{2}=0,74 significa que 74\% da variação observada na demanda (nas observações usadas) é explicada pelo investimento em publicidade; 26\% permanece sem explicação pelo modelo.
(c) \hat{y}=2,4 (mil unidades) =2\,400 unidades. Em princípio é a demanda prevista sem publicidade (demanda-base), mas a interpretação exige cautela (depende da presença de dados próximos a x=0, significância do intercepto e de possíveis variáveis omitidas).
(d) Aplicando a equação obteríamos \hat{y}=162,4 (mil unidades) =162\,400 unidades para x=200, porém esse é um caso de extrapolação perigosa: a relação pode não ser linear fora da amostra, existe risco de saturação, limites de mercado, grandes intervalos de previsão e violação das suposições do modelo — logo a previsão é pouco confiável sem dados/ajuste adicionais.

Exercícios relacionados