Obtenha 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 em Quarto, usando o R ou outra linguagem aproproiada.
O modelo é apresentado a seguir:
##
## Call:
## lm(formula = x ~ y)
##
## 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 ***
## y 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-08O intercepto do modelo de regressão linear, estimado em -1,33654, representa o valor esperado da variável dependente x quando a variável independente y é igual a zero. Em termos práticos, isso significa que, na ausência de influência de y, o valor de x tende a ser negativo, especificamente -1,33654. Esse valor é estatisticamente significativo (p ≈ 0,000191), indicando que sua contribuição ao modelo não é fruto do acaso. Embora o intercepto nem sempre tenha uma interpretação direta dependendo do contexto dos dados, neste caso ele sugere que há um ponto de partida negativo para x antes que os efeitos de y sejam considerados, o que pode ser relevante para entender o comportamento inicial do fenômeno analisado.