92% confiança
Levando em consideração as ferramentas básicas de qualidade, o diagrama de dispersão é considerado apenas uma representação da provável relação entre duas variáveis que mostra, na forma de gráfico, os dados numéricos e sua relação. Considerando essas informações e o conteúdo estudado, analise as afirmativas a seguir e assinale V para a(s) verdadeira(s) e F para a(s) falsa(s). I. ( ) Um modelo de regressão linear dá respostas exatas; assim, para um determinado valor de x da variável X espera-se, em média, que y^ = b x + b. II. ( ) A estimação, ou previsão, de uma variável com base em valores conhecidos da outra deve ser cautelosa! Não deve ser feita qualquer extrapolação dessa reta para valores fora do âmbito dados. O perigo de extrapolar para fora do âmbito dos dados amostrais é que a mesma relação possa não mais se verificar. III. ( ) A existência de correlação nada diz sobre a natureza da relação causal que porventura exista entre as variáveis. Ao interpretar um coeficiente de correlação deve ter-se presente, que um valor elevado de R não significa que X seja causa de Y ou Y seja causa de X. IV. ( ) Além do tipo de curva, outro fator importante na análise de regressão é o número de variáveis envolvidas.
Questão
Levando em consideração as ferramentas básicas de qualidade, o diagrama de dispersão é considerado apenas uma representação da provável relação entre duas variáveis que mostra, na forma de gráfico, os dados numéricos e sua relação.
Considerando essas informações e o conteúdo estudado, analise as afirmativas a seguir e assinale V para a(s) verdadeira(s) e F para a(s) falsa(s).
I. ( ) Um modelo de regressão linear dá respostas exatas; assim, para um determinado valor de x da variável X espera-se, em média, que y^ = b x + b.
II. ( ) A estimação, ou previsão, de uma variável com base em valores conhecidos da outra deve ser cautelosa! Não deve ser feita qualquer extrapolação dessa reta para valores fora do âmbito dados. O perigo de extrapolar para fora do âmbito dos dados amostrais é que a mesma relação possa não mais se verificar.
III. ( ) A existência de correlação nada diz sobre a natureza da relação causal que porventura exista entre as variáveis. Ao interpretar um coeficiente de correlação deve ter-se presente, que um valor elevado de R não significa que X seja causa de Y ou Y seja causa de X.
IV. ( ) Além do tipo de curva, outro fator importante na análise de regressão é o número de variáveis envolvidas.
Alternativas
A) F, F, F, V.
B) V, F, F, F.
C) F, F, V, V.
D) V, F, V, F.
E) F, V, V, V.
Explicação
Vamos julgar cada afirmativa.
I. “Um modelo de regressão linear dá respostas exatas; assim, para um determinado valor de espera-se, em média, que .”
- Em regressão linear, não se obtêm “respostas exatas” (há erro/resíduo). O que se modela é o valor médio esperado de dado , via uma reta estimada (em geral ). Logo, a parte “dá respostas exatas” torna a afirmativa falsa. ✅ F
II. A previsão deve ser cautelosa e não se deve extrapolar a reta para fora do intervalo dos dados, pois a relação pode não se manter.
- Isso é um princípio clássico: extrapolação pode gerar previsões enganosas. ✅ V
III. Correlação não implica causalidade; mesmo um R\ elevado não significa que cause ou vice-versa.
- Correlação mede associação linear, não estabelece causa. ✅ V
IV. Além do tipo de curva, outro fator importante é o número de variáveis envolvidas.
- Sim: regressão pode ser simples (uma variável explicativa) ou múltipla (várias), e isso é crucial na análise. ✅ V
Padrão: F, V, V, V.
Alternativa correta: E.