Carregando...
Carregando...
Ajude a melhorar a plataforma
Considere que temos um estudo sobre a fritura de batatas, onde a variável representa o tempo de fritura em segundos e a variável corresponde ao teor de umidade das batatas em porcentagem. Nosso objetivo é construir um modelo de regressão linear para prever o teor de umidade com base no tempo de fritura.
A partir dos dados coletados, verifique se a relação entre o tempo de fritura e o teor de umidade é linear. Observe as afirmativas a seguir:
I. Para verificar a adequação de um modelo linear, o gráfico de dispersão entre o tempo de fritura e o teor de umidade deve exibir os pontos distribuídos ao longo de uma linha reta.
II. A análise dos resíduos padronizados permite identificar possíveis pontos fora do padrão (outliers), e estes devem estar preferencialmente dentro do intervalo de
III. A relação linear pode ser confirmada se os pontos no gráfico de probabilidade normal dos resíduos se aproximarem de uma linha de 45 graus.
IV. O tempo de fritura é considerado a variável dependente, enquanto o teor de umidade é a variável independente neste contexto.
É correto o que se afirma em:
Explique melhor esta questão
Abre o Tutor com o enunciado e as alternativas já no campo — você revisa e envia.
Esta questão foi verificada por um de nossos administradores.
Alternativa E - I, II e III, apenas.
A questão aborda os critérios fundamentais para avaliar a adequação de um modelo de regressão linear. Para que um modelo linear seja considerado apropriado e suas inferências válidas, é essencial que a relação entre as variáveis seja de fato linear e que certas suposições sobre os erros (resíduos) sejam atendidas. Este processo de verificação é crucial antes de se utilizar o modelo para previsões.
A regressão linear é uma técnica estatística que busca modelar a relação entre uma variável dependente (resposta) e uma ou mais variáveis independentes (preditoras) através de uma equação linear. Para que um modelo linear seja bem ajustado e confiável, é necessário verificar algumas suposições-chave, geralmente através da análise dos resíduos (as diferenças entre os valores observados e os valores previstos pelo modelo):
Vamos analisar cada afirmativa individualmente:
| Afirmativa | Descrição | Análise e Justificativa | | :--------- | :--------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------- | :---------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------- | | I | Para verificar a adequação de um modelo linear, o gráfico de dispersão entre o tempo de fritura e o teor de umidade deve exibir os pontos distribuídos ao longo de uma linha reta. | CORRETA. O gráfico de dispersão (scatter plot) é a ferramenta visual mais fundamental e direta para inspecionar a linearidade da relação entre a variável preditora (tempo de fritura, X) e a variável resposta (teor de umidade, Y). Se os pontos se agrupam de forma a formar uma tendência linear, isso indica que um modelo de regressão linear é uma escolha apropriada para descrever a relação. Se um padrão curvo ou não linear for observado, um modelo linear seria inadequado. | | II | A análise dos resíduos padronizados permite identificar possíveis pontos fora do padrão (outliers), e estes devem estar preferencialmente dentro do intervalo de [-2, 2]. | CORRETA. Os resíduos padronizados são os resíduos divididos pelo seu desvio padrão estimado. Eles permitem comparar a magnitude dos resíduos em uma escala comum, similar à de um escore Z. Pontos com resíduos padronizados significativamente fora do intervalo de [-2, 2] (indicando que a observação está a mais de 2 desvios padrão do previsto) são considerados potenciais outliers. Outliers podem indicar erros na coleta de dados, eventos incomuns ou que o modelo não está se ajustando bem a essas observações específicas, e podem influenciar indevidamente os parâmetros do modelo. | | III | A relação linear pode ser confirmada se os pontos no gráfico de probabilidade normal dos resíduos se aproximarem de uma linha de 45 graus. | CORRETA. O gráfico de probabilidade normal dos resíduos (também conhecido como Q-Q plot normal) é usado para verificar a suposição de normalidade dos erros. Se os resíduos forem normalmente distribuídos, os pontos no gráfico devem se alinhar aproximadamente ao longo de uma linha reta (frequentemente uma linha de referência de 45 graus se as escalas forem ajustadas). Embora este gráfico não teste diretamente a linearidade da relação X-Y (o que é feito pelo gráfico de dispersão e pelo gráfico de resíduos versus X), a violação da normalidade dos resíduos frequentemente indica que o modelo está mal especificado, o que pode incluir uma suposição incorreta de linearidade. Assim, a normalidade dos resíduos é uma condição importante para a adequação geral do modelo linear e sua ausência pode apontar para problemas, inclusive a não-linearidade da relação original. Portanto, a proximidade dos pontos à linha de 45 graus contribui para a confirmação da adequação geral do modelo linear. | | IV | O tempo de fritura é considerado a variável dependente, enquanto o teor de umidade é a variável independente neste contexto. | INCORRETA. No enunciado, o objetivo é "prever o teor de umidade com base no tempo de fritura". Em um modelo de regressão linear, a variável que se deseja prever ou explicar é a variável dependente (Y), e a variável utilizada para fazer a previsão ou explicar é a variável independente (X). Portanto, o tempo de fritura é a variável independente (X) e o teor de umidade é a variável dependente (Y). A afirmativa inverte esses papéis. |
As afirmativas I, II e III estão corretas. A afirmativa IV está incorreta.
Para garantir a validade e a robustez de um modelo de regressão linear, é imprescindível realizar uma análise diagnóstica completa. Isso inclui a inspeção visual da linearidade através do gráfico de dispersão (I), a identificação de outliers por meio dos resíduos padronizados (II) e a verificação da suposição de normalidade dos erros com o gráfico de probabilidade normal dos resíduos (III). A correta identificação das variáveis dependente e independente (IV) é o passo inicial e fundamental na formulação do modelo. Com base na análise, as afirmativas I, II e III são válidas para verificar a adequação de um modelo linear, enquanto a afirmativa IV apresenta uma inversão incorreta dos papéis das variáveis.
Alternativa E.