Obtenha para os valores abaixo, o modelo de previsão, usando o método dos mínimos quadrados, para os valores calculados:
| X | 1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 |
|---|---|---|---|---|---|---|---|---|
| Y | 1,7 | 2,3 | 3,2 | 3,6 | 4,5 | 5,3 | 6,0 | 6,5 |
O documento deve ser feito em Markdown ou Quarto. Usando o R ou outra linguagem apropriada.
Descrição dos dados abaixo:
## x y
## 1 1 1.7
## 2 2 2.3
## 3 3 3.2
## 4 4 3.6
## 5 5 4.5
## 6 6 5.3
## 7 7 6.0
## 8 8 6.5Modelo abaixo:
##
## Call:
## lm(formula = y ~ x)
##
## Residuals:
## Min 1Q Median 3Q Max
## -0.18452 -0.08155 0.02143 0.09911 0.12143
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 0.96071 0.09397 10.22 5.10e-05 ***
## x 0.70595 0.01861 37.94 2.24e-08 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 0.1206 on 6 degrees of freedom
## Multiple R-squared: 0.9958, Adjusted R-squared: 0.9952
## F-statistic: 1439 on 1 and 6 DF, p-value: 2.24e-08O modelo de regressão linear simples ajustado revela uma relação positiva e estatisticamente significativa entre as variáveis xxx e yyy, com equação estimada y^=0,96071+0,70595⋅x = 0{,}96071 + 0{,}70595 xy^=0,96071+0,70595⋅x. O coeficiente de xxx indica que, a cada aumento de uma unidade em xxx, o valor esperado de yyy aumenta em aproximadamente 0,71 unidades. Ambos os coeficientes são altamente significativos (p < 0,001), e o modelo apresenta um excelente ajuste aos dados, com um R² de 99,58%, o que significa que quase toda a variação em yyy é explicada pela variável xxx. O baixo erro padrão residual (0,1206) e a distribuição equilibrada dos resíduos reforçam a adequação do modelo. Dessa forma, conclui-se que o modelo é confiável e que xxx é um forte preditor de yyy.