Obtenha para os valores abaixo, o modelo de previsão usando o método dos mínimos quadrados, para os valores calculados:
| Y | 1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 |
| X | 1,7 | 2,3 | 3,2 | 3,6 | 4,5 | 5,3 | 6,0 | 6,5 |
O documento deve ser feito em Markdown ou em Quarto, usando o R ou outra linguagem apropriada.
##
## Call:
## lm(formula = y ~ x)
##
## Residuals:
## Min 1Q Median 3Q Max
## -0.17752 -0.13046 -0.03646 0.11088 0.25822
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) -1.33654 0.16523 -8.089 0.000191 ***
## x 1.41065 0.03718 37.937 2.24e-08 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 0.1705 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-08Os dados apresentados referem-se ao resultado de uma regressão linear simples entre as variáveis yy e xx. O modelo estimado foi altamente significativo, com um valor de p extremamente baixo para o coeficiente de xx (p < 0.001), indicando forte evidência de que a variável xx é um bom preditor de yy. O coeficiente de determinação (R² = 0,9958) revela que aproximadamente 99,6% da variação em yy é explicada por xx, o que sugere um excelente ajuste do modelo. O coeficiente estimado para xx foi 1,41065, o que indica que, para cada unidade de aumento em xx, espera-se um aumento de cerca de 1,41 unidades em yy, enquanto o intercepto foi -1,33654. Os resíduos estão bem distribuídos, com valores relativamente pequenos, e o erro padrão residual também é baixo (0,1705), reforçando a qualidade do ajuste.