Um açougue tem as seguintes demandas de alcatra, em quilos, de segunda a sexta-feira: Dia 1 Demanda 10 Dia 2 Demanda 12 Dia 3 Demanda 11 Dia 4 Dema...

Para encontrar a equação da reta que melhor se ajusta aos dados, podemos utilizar o método dos mínimos quadrados. Vamos calcular a média dos valores de x (dias) e y (demandas) e utilizar a fórmula: y = mx + b Onde m é o coeficiente angular (inclinação da reta) e b é o coeficiente linear (intercepto no eixo y). Calculando a média dos valores de x: (1 + 2 + 3 + 4 + 5) / 5 = 3 Calculando a média dos valores de y: (10 + 12 + 11 + 14 + 15) / 5 = 12.4 Agora, vamos calcular o coeficiente angular (m): m = Σ((xi - x̄)(yi - ȳ)) / Σ((xi - x̄)²) Onde Σ representa a soma dos valores. Calculando o numerador: ((1 - 3)(10 - 12.4)) + ((2 - 3)(12 - 12.4)) + ((3 - 3)(11 - 12.4)) + ((4 - 3)(14 - 12.4)) + ((5 - 3)(15 - 12.4)) = -4.8 Calculando o denominador: ((1 - 3)²) + ((2 - 3)²) + ((3 - 3)²) + ((4 - 3)²) + ((5 - 3)²) = 10 m = -4.8 / 10 = -0.48 Agora, vamos calcular o coeficiente linear (b): b = ȳ - m * x̄ b = 12.4 - (-0.48 * 3) = 12.4 + 1.44 = 13.84 Portanto, a equação da reta que melhor se ajusta aos dados é: y = -0.48x + 13.84 Nenhuma das alternativas fornecidas corresponde à equação correta.

from sklearn.linear_model import LinearRegression

import numpy as np

# Dados da demanda de alcatra

dias_semana = np.array([1, 2, 3, 4, 5])  # De segunda a sexta-feira (1 a 5)

demanda_alcatra = np.array([10, 12, 11, 14, 15])  # Substitua x1, x2, x3, x4, x5 pelos valores reais da demanda

# Reshape dos dados para o formato correto

dias_semana = dias_semana.reshape(-1, 1)

# Criando o modelo de regressão linear

modelo = LinearRegression()

# Treinando o modelo com os dados

modelo.fit(dias_semana, demanda_alcatra)

# Fazendo previsões para todos os dias da semana

previsoes = modelo.predict(dias_semana)

# Coeficiente angular (inclinação da reta)

coef_angular = modelo.coef_[0]

# Intercepto (ponto onde a reta corta o eixo y)

intercepto = modelo.intercept_

print(f"Equação da reta de melhor ajuste: y = {coef_angular:.2f}x + {intercepto:.2f}")

RESPOSTA 1,20x+8,80