Bom dia a todos, Possuo dados gerados aleatoriamente e gostaria de modelá-los linearmente com diversos graus. A intenção é medir qual grau apresenta a melhor modelagem. Não trabalharei com previsão, mas sim buscarei as raízes reais desses polinômios. O problema ocorre quando é feita a modelagem para um polinômio de alto grau. Se tentar modelar com grau 20, por exemplo, não necessariamente a resposta terá grau 20, mas poderá apresentar qualquer grau inferior, como 19, por exemplo. É possível fixar que o maior grau exigido conste na resposta, ao modelar dados linearmente? Segue abaixo um exemplo de código. --- a<-NULL LT<-round(urtriang(10000,2.5,10,12.5)) DLT<-matrix(nrow=10000) for (i in 1:10000){ DLT[i]=sum(urtriang(LT[i],2.5,10,12.5)) } H<-hist(DLT[DLT>0],breaks=100,plot=FALSE) Dens<-H$density Int<-H$mids for (degreeTest in 2:20){ model<-lm(Dens~poly(Int,degreeTest,raw=TRUE)) Coeff1<-data.frame(model$coefficients[]) for (m in 1:nrow(Coeff1)) a <- c(a,Coeff1[m,1]) #end for m a <- c(a,rep(NA,21-m)) } b<-array(a,c(21,19),c("Coef","Grau")) ---- Os coeficientes de cada polinômio estão em *b*, sendo b[n,] os coeficientes de grau n-1. Exemplo: b[21,] = coeficientes de grau 20. Em *b* será possível observar que nem todos os graus (colunas) apresentarão coeficiente para seu maior expoente desejado. Obrigado, Henrique Ewbank Centro de Estudos em Logística COPPEAD