Logo Passei Direto
Buscar
Material
páginas com resultados encontrados.
páginas com resultados encontrados.

Escolha uma das opções e acesse esse e outros materiais sem bloqueio. 🤩

Cadastre-se ou realize login

Ao continuar, você aceita os Termos de Uso e Política de Privacidade

Escolha uma das opções e acesse esse e outros materiais sem bloqueio. 🤩

Cadastre-se ou realize login

Ao continuar, você aceita os Termos de Uso e Política de Privacidade

Escolha uma das opções e acesse esse e outros materiais sem bloqueio. 🤩

Cadastre-se ou realize login

Ao continuar, você aceita os Termos de Uso e Política de Privacidade

Prévia do material em texto

EMR 2024
REGRESSÃO LINEAR SIMPLES
Vitoria Lima Da Silva1, Jayane David Do Nascimento Reis1
Jayane|Vitoria@gmail.com
1 Universidade Ferderal Rural Da Amazônia - Capanema, Brasil..
1 Introdução
A regressão linear é uma técnica de análise de dados que prevê o valor de dados
desconhecidos usando outro valor de dados relacionado e conhecido. Ele modela
matematicamente a variável desconhecida ou dependente e a variável conhecida ou
independente como uma equação linear. É um modelo matemático que descreve a relação
entre diversas variáveis , utilizado para prever o futuro por meio de procedimentos
estatísticos em campos científicos e nos negócios.Os modelos são relativamente simples e
fornece uma fórmula matemática fácil de interpretar para gerar previsões.
2 Seção 2
Dependendo dos objetivos do estudo, você pode escolher entre diversos tipos de
análise de regressão, entre eles:
Regressão linear simples:
A regressão linear busca relacionar uma variável independente a uma dependente por
meio de uma linha reta. Quando os pontos estão desordenados, a reta é ajustada para
minimizar a distância dos pontos a ela, utilizando a função de perda para calcular essa
distância.
A equação de uma linha reta tem a seguinte forma:
Y = β₀ + β₁X + ε,
Onde, Y é a variável dependente. β₀ e β₁ são constantes desconhecidas que indicam,
respectivamente, o ponto onde a reta cruza o eixo Y e sua inclinação. ε (épsilon)
representa a função de perda.
mailto:email@autor1.com
A aplicação da regressão linear simples envolve prever diferentes resultados com
base em variáveis. Por exemplo, a colheita pode ser prevista a partir da precipitação, onde
a precipitação é a variável independente e a colheita, a dependente. Da mesma forma, para
determinar as notas dos alunos, as horas de estudo funcionam como variável independente
e as notas como dependente. Outro exemplo é prever salários em relação à experiência,
com a experiência sendo a variável independente e o salário, a dependente.
Contudo, a regressão linear simples apresenta limitações. Ela indica apenas que há
uma relação entre as variáveis, mas não demonstra causalidade; ou seja, embora Y
dependa de X, isso não significa que X causa Y. Para explorar relações mais complexas,
análises adicionais são necessárias.
Regressão Linear Múltipla
A regressão linear múltipla analisa a conexão entre várias variáveis independentes e
uma variável dependente. Sua fórmula é expressa como:
Y = β₀ + β₁X₁ + β₂X₂ + … + βₐXₐ + ε
Aqui, Y representa a variável dependente, X denota as variáveis independentes, β são
os coeficientes, e ε (épsilon) indica a função de perda.
Ao fazer uma regressão linear existem alguns cuidados a serem tornados, como:
 Verificação da linearidade: é essencial checar se há uma relação linear entre as
variáveis independentes e a variável dependente.
 Tratamento de outliers: outliers podem influenciar de maneira significativa o modelo
de regressão linear, por isso é crucial identificá-los e decidir como tratá-los.
 Verificação da multicolinearidade: a presença de duas ou mais variáveis
independentes altamente correlacionadas pode prejudicar o modelo de regressão
linear.
 Verificação da normalidade: é fundamental analisar se a distribuição dos resíduos é
normal, pois essa é uma suposição chave na regressão linear.
 Seleção de variáveis: é importante escolher adequadamente as variáveis
independentes a serem incluídas no modelo, o que pode ser realizado por meio de
métodos estatísticos.
 Validação do modelo: é necessário validar o modelo de regressão linear usando dados
de teste ou dados independentes para avaliar sua capacidade de previsão.
3 Conclusão
Conclui-se que a regressão linear é uma técnica de extrema importância na análises
de dados e na previsão do futuro, e por ser um sistema matemático de simples
interpretação e rapidez, tem ser tornado bastante popular em áreas diversas desde ciências
biológicas, comportamentais, ambientais sociais, da medicina à agronomia.
Referências bibliográficas
https://edisciplinas.usp.br/pluginfile.php/5810191/mod_resource/content/1/PNV%203421_Regres
saoLinearSimples.pdf
https://ebaconline.com.br/blog/regressao-linear-seo
https://fm2s.com.br/blog/regressao-linear-economizar-milhoes
https://aws.amazon.com/pt/what-is/linear-regression/
XVIII Escola de Modelos de Regressão
https://edisciplinas.usp.br/pluginfile.php/5810191/mod_resource/content/1/PNV%203421_RegressaoLinearSimples.pdf
https://edisciplinas.usp.br/pluginfile.php/5810191/mod_resource/content/1/PNV%203421_RegressaoLinearSimples.pdf
https://ebaconline.com.br/blog/regressao-linear-seo
https://fm2s.com.br/blog/regressao-linear-economizar-milhoes
https://aws.amazon.com/pt/what-is/linear-regression/
	1Introdução
	2Seção 2
	3Conclusão
	Referências bibliográficas