Estatística e probabilidade
Professora: Elisa Henning
Acadêmica: Helena Iunzkovski
Trabalho 4- parte III
1)
a) > horas_televisão=c(0,6,2,4,4,1,1,2,5,5,4,0,2,6) > agressão_física=c(0,3,2,3,4,1,0,3,3,2,3,1,3,4) > plot(horas_televisão,agressão_física,col="blue",pch=18,main=" ")
b) Com base no gráfico de dispersão acima, pode-se dizer que as duas variáveis estão relacionadas, pois a medida que aumentam as horas em que as crianças passam assistindo televisão, também aumenta o número de agressões físicas.
c) Cálculo do coeficiente de correlação: > cor(horas_televisão,agressão_física) [1] 0.7690119 Testando o coeficiente:
> cor.test(horas_televisão,agressão_física)
Pearson's product-moment correlation
data: horas_televisão and agressão_física t = 4.1674, df = 12, p-value = 0.001306 alternative hypothesis: true correlation is not equal to 0
95 percent confidence interval: 0.4027724 0.9229909 sample estimates: cor
0.7690119
p-valor é inferior a 0.05 (0.001306), isso significa que se rejeita Ho, isto é, há relação entre as variáveis.
Como o coeficiente de correlação vai de -1 até 1, o que se tem como resultado é um valor considerávelmente alto (0.7690119). Portanto, o que se tem é uma forte correlação.
d) Reta de regressão: > lm(formula=agressão_física~horas_televisão)
Call: lm(formula = agressão_física ~ horas_televisão)
Coefficients: (Intercept) horas_televisão 0.8374 0.4828
> modelo.1=lm(agressão_física~horas_televisão)
> modelo.1
Call: lm(formula = agressão_física ~ horas_televisão)
Coefficients: (Intercept) horas_televisão 0.8374 0.4828 e) Incluindo a reta no gráfico de dispersão:
> abline(modelo.1)
Traçando a linha sobre o gráfico de dispersão é possível observar ainda mais a relação crescente entre as duas variáveis.
f) A equação da reta é: y= 0.8374+0.4828x
Para saber qual o número de colegas