Utilizando um modelo de regressão linear simples para relacionar o peso de veículos com seu consumo de combustível, um analista realizou a análise de variância (ANOVA) e obteve um valor F bastante elevado, com p-valor muito próximo de zero.Nessa situação hipotética,
Ao resultado indica que exatamente 50% da variação no consumo pode ser explicada pelo peso do veículo, pois a estatística F mede a proporção de variância explicada em escala percentual.
Bo valor F elevado indica a existência de muita variabilidade nos dados, que não pode ser explicada pelo modelo, o que sugere que o peso não é uma boa variável explicativa para o consumo.
Cum valor F muito alto é sempre problemático e indica que o modelo está superajustado aos dados, devendo ser descartado e substituído por um modelo mais simples.
Do valor F elevado com p-valor próximo de zero indica que o modelo de regressão como um todo é estatisticamente significativo, ou seja, a variável peso ajuda a explicar a variação no consumo de combustível.
Eo p-valor próximo de zero significa que praticamente não há relação entre peso e consumo, pois a probabilidade de associação entre as variáveis é quase nula.
Revelar gabarito e comentário▾
GabaritoD — o valor F elevado com p-valor próximo de zero indica que o modelo de regressão como um todo é estatisticamente significativo, ou seja, a variável peso ajuda a explicar a variação no consumo de combustível.
Comentário gerado por IA. É um apoio ao estudo, ancorado em fontes, mas pode conter imprecisões — confira sempre na fonte oficial (lei, súmula, edital e gabarito da banca). Encontrou um erro? Use “Reportar”.
Teste F na regressão linear simples
Gabarito: letra D. Em um modelo de regressão linear simples, a estatística F da ANOVA testa a hipótese nula de que o coeficiente angular é zero (H₀: β = 0). Um valor F elevado com p-valor próximo de zero fornece forte evidência contra H₀, indicando que a variável explicativa (peso) é estatisticamente significativa para explicar a variação da variável resposta (consumo). As demais alternativas confundem o papel do F com o R², com a variabilidade residual ou com superajustamento.
A análise de variância (ANOVA) na regressão decompõe a soma de quadrados total (SQT) em soma de quadrados do modelo (SQM) e soma de quadrados dos resíduos (SQR). A estatística F é a razão entre o quadrado médio do modelo e o quadrado médio dos resíduos:
Sob H₀, essa estatística segue uma distribuição F de Snedecor com 1 grau de liberdade no numerador e n−2 no denominador. O p-valor é a probabilidade de se obter um valor de F tão ou mais extremo quanto o observado, assumindo que H₀ é verdadeira. Um p-valor muito pequeno indica que é altamente improvável observar um F tão grande se o coeficiente fosse realmente zero — logo, rejeitamos H₀ e concluímos que o modelo é significativo.
A pegadinha central desta questão é associar o valor F diretamente à proporção de variância explicada (que é papel do R²) ou interpretar o p-valor como ausência de relação. O F elevado não diz, por si só, o percentual explicado; ele apenas indica que a relação é estatisticamente significativa. O R², por sua vez, mede a proporção da variabilidade total explicada pelo modelo, mas não é informado no enunciado.
Hipótese
F observado
p-valor
Decisão sobre H₀
Conclusão sobre o modelo
H₀: β = 0 (sem relação)
Elevado
Próximo de zero
Rejeita-se H₀
Modelo é estatisticamente significativo
H₁: β ≠ 0 (há relação)
Elevado
Próximo de zero
Aceita-se H₁
Peso ajuda a explicar o consumo
Alternativa A — ❌ Incorreta
A estatística F não mede a proporção de variância explicada. Essa é a função do coeficiente de determinação R², definido como . O valor F é uma razão de quadrados médios e não tem interpretação percentual direta. Além disso, o enunciado não fornece o R², então não há como afirmar que é exatamente 50%.
Alternativa B — ❌ Incorreta
Um valor F elevado indica que a variabilidade explicada pelo modelo é grande em relação à variabilidade residual — ou seja, o modelo explica bem os dados. Não indica "muita variabilidade não explicada". Pelo contrário, um F alto sugere que a variável peso é uma boa explicativa para o consumo.
Alternativa C — ❌ Incorreta
Um valor F alto não é "sempre problemático" nem indica superajustamento. Superajustamento (overfitting) é um conceito relacionado à inclusão excessiva de variáveis ou à complexidade do modelo, não a um F elevado. Na regressão linear simples, um F alto é desejável, pois indica significância estatística do modelo.
Alternativa D — ✅ Correta ⟵ GABARITO
Exatamente. O teste F na regressão linear simples testa H₀: β = 0 contra H₁: β ≠ 0. Um F elevado com p-valor próximo de zero leva à rejeição de H₀, concluindo que o coeficiente angular é diferente de zero e, portanto, a variável peso ajuda a explicar a variação no consumo de combustível. É a interpretação correta do resultado da ANOVA.
Alternativa E — ❌ Incorreta
O p-valor próximo de zero indica justamente o oposto: há forte evidência de relação entre as variáveis. O p-valor é a probabilidade de observar um F tão extremo sob H₀; sendo muito pequeno, rejeitamos a hipótese de ausência de relação. Portanto, não significa que a associação é quase nula.
NÃO CAIA NESSA!
A banca explora a confusão entre o que o F mede e o que o R² mede. O F é uma razão de variâncias (quadrados médios) usada no teste de significância; o R² é a proporção de variância explicada. Muitos candidatos leem "F elevado" e pensam em "percentual explicado", caindo na alternativa A. Lembre-se: F alto + p-valor baixo = modelo significativo; R² alto = boa explicação. São conceitos distintos!
PEGA ESSA DICA!
Na prova, ao ver "F elevado" ou "p-valor próximo de zero" em regressão, associe imediatamente a "rejeição de H₀" e "significância estatística". Se a alternativa falar em "proporção de variância explicada", ela está se referindo ao R², não ao F. Essa distinção resolve a maioria das questões sobre ANOVA da regressão.