/

$$ \beta = \frac{\sum_1^n((x_i- \bar{x}) (y_i- \bar{y}))}{\sum_1^n{(x_i- \bar{x})^2}} $$ </WRAP>

• 2.2. Crie um vetor para guardar o resultado de simulações;
• 2.3. Guarde o valor observado no objeto criado em 2.2;
• 2.4. Abra um ciclo de 2 a 1000;
• 2.5. Desordene o vetor brain e guarde no objeto sim_brain;
• 2.6. Calcule a inclinação entre o log(sim_brain) ~ log(body) e guarde no vetor resultado;
• 2.7. Feche o ciclo;
• 2.8. Faça o histograma dos valores simulados e compare com o valor observado da inclinação da relação;
• 2.9. Calcule a probabilidade da inclinação observada ter sido gerada por variáveis que são independentes;

Na aula de foi apresentado os dados do pacote car, chamado Davis, onde foi estudado a relação entre altura e peso de diferente pessoas. Utilizamos ele para mostrar o significado da interação entre variáveis preditoras. O modelo apresentado foi:

<code> library(car) data(Davis) modDavis ← lm(weigth ~ height + sex + heigth:sex)

<\coder> */