

Seu próximo nível começa aqui
Seu desenvolvimento não pode ter limites. Garanta sua Assinatura Ilimitada e libere uma preparação completa com os melhores professores do Brasil.
Atenção: Para responder às questões de números 57 e 58, considere o código na linguagem R.
Y<-c(2,3,2,4,3,5,6,3,4) #1
X1<-c(10,13,9,18,12,22,27,13,21) #2
X2<-c(6,10,4,10,10,17,16,9,13) #3
dados<-data.frame(cbind(Y,X1,X2)) #4
modelo <- lm(Y ~ X1 + X2, data = dados) #5
summary(modelo) #6
coef(modelo) #7
formula(modelo) #8
plot(modelo) #9
p <- as.data.frame(cbind(13,4)) #10
colnames(p) <- cbind("X1","X2") #11
predict(modelo, newdata=p) #12
vcov(modelo) #13
Intercept<-rep(1,times=9) #14
X<-cbind(Intercept,X1,X2) #15
t(solve(t(X)%*%X)%*%t(X)%*%Y) #16
residuals(modelo) #17
É correto afirmar que
o comando da linha 6 calcula o somatório dos valores de Y, X1 e X2, gerando um vetor com esses três valores.
o comando da linha 9 gera um único gráfico de dispersão em 3 dimensões representando os pontos (Y, X1, X2).
o comando da linha 4 realiza o cálculo matricial Y(X1)T(X2), onde (X1)T é a transposta de X1.
os comandos das linhas 10 a 12 calculam, baseado no modelo de regressão linear denominado “modelo”, uma previsão para o valor de Y com os valores X1 = 13 e X2 = 4.
o comando da linha 7 obtém o valor do coeficiente de determinação (R2) do modelo de regressão linear ajustado.