Introdução: Através da ferramenta estatística denominada análise de regressão linear múltipla se gerou equações preditivas de temperatura interna do ar de uma edificação com paredes e lajes compostas por painéis de concreto alveolar, com sistema de cobertura verde. Justificativa: Com equações preditivas é possível simular temperaturas internas de edificações utilizando uma pequena entrada de dados com uma precisão satisfatória. Utilizando tais equações é possível, também, corrigir erros de projetos antes de sua execução. Objetivos: Gerar equações preditivas para o período seco (outono e inverno) e para o período chuvoso (primavera e verão) para a edificação analisada. Metodologia: Foram selecionadas duas séries de dados, um referente ao período de característica seca e outro de característica chuvosa. Foram geradas equações preditivas de temperatura interna do ar máxima, média e mínima para os dois períodos, utilizando análise de regressão linear. Resultados: Foram geradas sete equações preditivas para o período seco e cinco para o período chuvoso. As diferenças máximas, em módulo, entre as temperaturas estimadas pelas equações e as monitoradas experimentalmente ficaram em aproximadamente 2°C. Conclusão: As equações preditivas geradas para os dois períodos considerados descrevem satisfatoriamente o comportamento térmico da edificação.

Introduction: Using a statistics tool called multiple linear regression, we created equations for predicting the indoor temperature in a building with walls and ceiling build from panels of alveolar concrete, with a green roof system. Explanation: Predictive equations enable simulations of indoor temperatures of buildings using a small number of data and with a satisfactory precision. They also allow corrections on project errors before they are put into effect. Objectives: Generate predictive equations for the building for the dry season (autumn and winter) and for the rainy season (spring and summer). Method: We selected two series of data, one for the dry and one for the rainy season. Using linear regression analysis we ran predictive equations for maximum, intermediate and minimum indoor temperatures of the air for both seasons. Results: We created seven predictive equations for the dry season and five for the wet season. The largest differences (in module) between the temperatures estimated using equations and monitored experimentally was approximately 2°C. Conclusion: The predictive equations generated for both periods described satisfactorily the thermal behavior of the building.