Utilizador:Antonio Cruz/Rascunhos: diferenças entre revisões
Conteúdo apagado Conteúdo adicionado
acrescentar texto, limitações |
actualização primeira parte |
||
Linha 1:
==Técnicas de Previsão: Regressão Linear
De acordo com Sousa (2009, p. 3), deve-se utilizar a regressão linear simples quando se está perante amostras com duas variáveis, <math>x\,\!</math> e <math>Y\,\!</math> cujos valores estão relacionados de forma linear entre si.
Exemplos típicos da regressão linear são a relação entre altura e peso de uma pessoa, ou o tronco e a altura de uma árvore. Em ambos os casos tem-se uma variável que depende linearmente da outra.
variável aleatória dependente <math>\text {Y}\,\!</math> e uma variável independente <math>\text {x}\,\!</math>, com a seguinte expressão:▼
▲Sousa (2009, p. 2) define regressão linear simples como um modelo de relação entre uma variável aleatória dependente <math>
<math>Y = b + mx + e\,\!</math>
Onde:
:<math>Y\,\!</math>
:<math>
:<math>b\,\!</math>
:<math>m\,\!</math>
:<math>e\,\!</math>
Assume-se <math>e\ \sim\ \mathcal{N}(0,\,\sigma^2). \,</math>
Os parâmetros da recta de regressão a serem estimados são <math>m\,\!</math> e <math>b\,\!</math>.
Segundo Filho (2010, p. 94), e de acordo com o método dos mínimos quadrados, as estimativas dos parâmetros <math>m\,\!</math> e <math>b\,\!</math> são dados por:
:<math>m = \frac{\displaystyle \ S_{xy}}{\displaystyle \ S_{xx}}</math>
:<math>b=\overline Y - m\overline X \,</math>
Onde:
: <math>S_{xx}\ \,</math> Representa a variabilidade de <math>x\,\!</math>, e é dada por <math>\sum_{i=1}^\infty ({x_i}^2 - n\overline x^2)\,</math> ;
: <math>S_{xy}\ \,</math> Representa a variabilidade entre <math>x\,\!</math> e <math>Y\,\!</math>, e é dada por <math>\sum_{i=1}^\infty (x_iy_i - n\overline x\overline y )\,</math>;
: <math>\overline X \,</math> Representa a média das observações da variável <math>x\,\!</math>, dada por <math> \frac{\displaystyle \sum_{i=1}^n X_i}{n}\,</math>
: <math>\overline Y \,</math> Representa a média das observações da variável <math>Y\,\!</math>, dada por <math> \frac{\displaystyle \sum_{i=1}^n Y_i}{n}\,</math>
: <math>n\,</math> Representa o número de observações.
==Qualidade do ajuste, regressão linear - Falta colocar em formato wiki==
|