Vamos analisar cada uma das alternativas sobre regressão linear: A. Na regressão linear um polinômio de grau 2 é ajustado a um conjunto de pares de observação (x1,y1), (x2,y2),..., (xn,yn). - Esta afirmação é incorreta, pois a regressão linear simples ajusta uma reta (polinômio de grau 1), não um polinômio de grau 2. B. Na regressão linear ajustamos uma reta que passa por todos os pontos observados. - Esta afirmação é falsa. Na regressão linear, a reta não necessariamente passa por todos os pontos; ela é ajustada para minimizar a soma dos quadrados dos erros. C. Na regressão linear o coeficiente r² é chamado de coeficiente de correlação. - Esta afirmação é incorreta. O coeficiente r² é o coeficiente de determinação, que indica a proporção da variabilidade dos dados que é explicada pelo modelo. O coeficiente de correlação é diferente. D. Na regressão linear a estratégia utilizada para encontrar a “melhor” reta que representa a tendência geral dos dados é minimizar o valor absoluto da soma dos erros residuais para todos os dados disponíveis. - Esta afirmação é falsa. A técnica utilizada é minimizar a soma dos quadrados dos erros residuais, não o valor absoluto. E. Na regressão linear o erro padrão da estimativa quantifica a dispersão em torno da reta de regressão. - Esta afirmação é verdadeira. O erro padrão da estimativa mede a dispersão dos pontos em relação à reta de regressão. Portanto, a alternativa correta é: E. Na regressão linear o erro padrão da estimativa quantifica a dispersão em torno da reta de regressão.