Relátorio De Viagem Fazenda Experimental Pentecoste
CAPÍTULO 1 – INTRODUÇÃO
Os métodos estatísticos (modelos lineares) são amplamente usados como parte do processo de aprendizagem do método científico. Na biologia, física e ciências sociais, como também nos negócios e engenharia, os modelos lineares são úteis nos estágios de planejamento da pesquisa e na análise dos dados resultantes. Nas seções 1.1, 1.2 e
1.3 nós daremos uma breve introdução aos modelos de regressão linear simples, modelos de regressão linear múltipla e modelos de análise de variância.
1.1.
MODELO DE REGRESSÃO LINEAR SIMPLES
Na regressão linear simples, nós nos preocupamos em modelar a relação entre duas variáveis, por exemplo, rendimento e número de anos de educação, altura e peso de pessoas, comprimento e largura de envelopes, altitude e temperatura de ebulição da água, dose de uma droga e resposta, quantidade de adubo e produção de gramíneas.
Para uma relação linear, nós usamos um modelo da forma: y = β0 + β1 x + ε
(1.1)
onde y é a variável dependente ou variável resposta e x é a variável independente ou variável preditora. A variável aleatória ε é o termo de erro no modelo. Nesse contexto, o erro não significa engano ou equívoco, mas sim um termo estatístico que representa flutuações aleatórias, erros de medidas ou o efeito de fatores não controlados.
A linearidade do modelo em (1.1) é uma suposição. Geralmente, nós adicionamos outras suposições sobre a distribuição do erro, independência dos valores observados de y, assim por diante. Usando valores observados de x e y, nós estimamos β0 e β1 e fazemos inferências tais como intervalos de confiança e testes de hipóteses sobre β0 e β1. Nós também podemos usar o modelo estimado para prever ou predizer o valor de y para um particular valor de x.
Estimação e procedimentos inferenciais para o modelo de regressão linear simples são desenvolvidos e ilustrados no Capítulo 6.
1.2.
MODELO DE REGRESSÃO LINEAR MÚLTIPLA
Muitas vezes a resposta y é influenciada por