Progressão Linear
Progressão Linear
Aluna:
Professor: Joelmir – Probabilidade e Estatística
Sumário
1234-
Introdução
Desenvolvimento
Conclusão
Referências
Introdução
Neste trabalho irei mostrar e exemplificar sobre regressão linear. A regressão linear consiste num método para se estimar um valor esperado de uma variável y, tendo os valores de variáveis x e estimar o quanto x influencia ou modifica y. Ela é chamada “linear” porque é representada por uma reta. No decorrer do trabalho falaremos mais sobre os métodos para resolução, alguns exercícios resolvidos, e aplicações na área de Computação.
Desenvolvimento
Considere o modelo com uma variável preditora e que a função de regressão é linear. O modelo é dado por:
Onde:
Yi é o i-ésimo valor da variável resposta;
Xi é o i-ésimo valor da variável preditora (é uma constante conhecida, fixo).
Covariância (o resultado em qualquer experimento não tem efeito no termo do erro de qualquer outro experimento)
i=1,2,...,n.
• quantificar a relação entre Y e X;
• usar a relação para predizer uma nova resposta Y0 para um dado valor de X0 (não incluído no estudo); • calibração – ou capacidade de predição de novas observações, pode ser feita usando uma nova amostra e comparando os valores estimados com os observados.
- dado um valor de Y0, para o qual o correspondente valor de X0 é desconhecido, estimar o valor de X0.
Aplicações:
- Modelo de Regressão Linear da Microsoft
O algoritmo Regressão Linear da Microsoft é uma variação do algoritmo Árvores de Decisão da Microsoft que o ajuda a calcular uma relação linear entre uma variável dependente e uma independente e, depois, a usar aquela relação para previsão.
A relação assume a forma de uma equação para uma linha que melhor represente uma série de dados. Por exemplo, a linha no diagrama a seguir é a melhor representação linear possível dos dados.
Cada ponto de dados no diagrama tem um erro associado à sua