Curso: Pós-Graduação Lato Sensu em Georreferenciamento de Imóveis

Rurais
Disciplina: Ajustamento de observações
Estudante João Victor Lima Souza
:

Após o estudo da Unidade 3 e com os dados da tabela abaixo, calcule:

a) MMQ.

4* 261 -39* 30 = -0,4

4 * 459 - (39)²

b) Regressão linear.

Ponto X Y
1 3 9
2 12 12
3 9 7,5
4 15 1,5
30 / 4 –(0,4)*39/4 = 11,04

Y= bx+a

y= -0,4x +11,04
> #DADOS TABELA
> X<-c(3,12,9,15)
> Y<-c(9,12,7.5,1.5)
> #ANALISE DOS MINIMOS QUADRADOS
> linear_model<-lm(Y~X)
> #COEFICIENTES DA REGRESSÃO
> intercept<-coef(linear_model)[1]
> slope<-coef(linear_model)[2]
> #EQUAÇÃO DA REGRESSÃO LINEAR
> equation<-paste("y=",slope,"x+",intercept)
> #RESULTADOS
> print("ANALISE DOS MIMINOS QUADRADOS:")
[1] "ANALISE DOS MIMINOS QUADRADOS:"
> print(summary(linear_model))
Call:
lm(formula = Y ~ X)
Residuals:
1 2 3 4
-1.2 5.4 -0.3 -3.9
Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) 11.4000 5.7829 1.971 0.187
X -0.4000 0.5398 -0.741 0.536
Residual standard error: 4.791 on 2 degrees of freedom
Multiple R-squared: 0.2154, Adjusted R-squared: -0.1769
F-statistic: 0.549 on 1 and 2 DF, p-value: 0.5359
> print("EQUAÇÃO DA REGRESSÃO LINEAR:")
[1] "EQUAÇÃO DA REGRESSÃO LINEAR:"
> print(equation)
[1] "y= -0.4 x+ 11.4"
> #GRAFICO DA REGRESSÃO LINEAR
> plot(X,Y,main="REGRESSÃO LINERA",xlab="X",ylab="Y",pch=19,col="blue")
> abline(linear_model,col="red")
>save.image("C:\\Users\\Joao\\Desktop\\Uny")
> save.image("C:\\Users\\Joao\\Desktop\\Uny")

REGRESSÃO LINERA
 Equation “y=-0.4 x + 11.4”
Intercept Named Num 11.4
Slope Named Num -0.4
X Num [1:4] 3 12 9 15
Y Num [1:4] 9 12 7.5 1.5

Cálculo
Xi Yi Xy X2
1 3 9 27 9
2 12 12 144 144
3 9 7,5 67,5 81
4 15 1,5 22,5 225
39 30 261 449

a) 4* 261 -39* 30 = -0,4

4 * 459 - (39)²

b) = 30 / 4 –(0,4)*39/4 = 11,04

Y= bx+a y= -0,4x +11,04

Bom trabalho!