Escolar Documentos
Profissional Documentos
Cultura Documentos
Panejamento Experimento
Panejamento Experimento
J. Cadima (DM/ISA)
Modelao Estatstica II
2010-11
76 / 416
J. Cadima (DM/ISA)
Modelao Estatstica II
2010-11
77 / 416
As funes no lineares
partida, f uma funo no linear genrica, mas , em geral,
necessrio admitir algumas condies de regularidade (e.g.,
derivabilidade, etc.) para se poder fazer uma parte do estudo do
modelo.
No que se segue, admite-se que f verifica as propriedades que sejam
necessrias.
Tal como na Regresso Linear, admite-se que a forma genrica da
funo f conhecida, ficando em aberto a estimao e inferncia
associada ao vector de parmetros, .
Exemplos: f exponencial, f potncia, etc.
J. Cadima (DM/ISA)
Modelao Estatstica II
2010-11
78 / 416
A estimao de parmetros
Como na Regresso linear, os parmetros podem ser estimados
sem hipteses ulteriores pelo mtodo dos mnimos quadrados.
Com base em n observaes {(x1(i) , x2(i) , ..., xp(i) , yi )}ni=1 , toma-se
como estimador de , o vector que minimiza a soma de quadrados
dos resduos ei = yi yi = yi f (x1(i) , x2(i) , ..., xp(i) ; ):
n
min
i=1
2
yi f (x1(i) , x2(i) , ..., xp(i) ; ) .
J. Cadima (DM/ISA)
Modelao Estatstica II
2010-11
79 / 416
i N (0, 2 ) i = 1, ..., n
Nn (0, 2 In )
J. Cadima (DM/ISA)
Modelao Estatstica II
independentes,
2010-11
80 / 416
Modelao Estatstica II
2010-11
81 / 416
J. Cadima (DM/ISA)
Modelao Estatstica II
2010-11
82 / 416
x R
0.3
0.2
0.5 * exp(1.25 * x)
<0
0.0
0.1
100
150
200
>0
50
0.5 * exp(1.25 * x)
250
0.4
300
J. Cadima (DM/ISA)
Modelao Estatstica II
2010-11
83 / 416
y (x)
= ,
y(x)
y (x) = y(x)
J. Cadima (DM/ISA)
Modelao Estatstica II
2010-11
84 / 416
y(x) = e x
y(x) =
ek (x )
dois parmetros: e .
dois parmetros: e k
(k = e = e ).
y(x) = c ek (x )
trs parmetros: c, e k
Mas h sobreparametrizao:
k = e = c e .
y(x) = x
dois parmetros: e
( = e ).
J. Cadima (DM/ISA)
Modelao Estatstica II
2010-11
85 / 416
y (x )
y (x ) .
y(x) = ek (x )
y(x) = x
J. Cadima (DM/ISA)
Modelao Estatstica II
2010-11
86 / 416
A linearizao da exponencial
ln y = ln + x
y = 0 + 1 x
J. Cadima (DM/ISA)
Modelao Estatstica II
2010-11
87 / 416
Preveno
O modelo
yi = 0 + 1 xi + i
Nn (0, 2 In )
i = 1, ..., n
no equivalente ao modelo
yi = e xi + i
Nn (0, 2 In )
(y = ln y)
i = 1, ..., n
equivalente a um modelo
i = 1, ..., n
yi = e xi i
Lognormal
J. Cadima (DM/ISA)
Modelao Estatstica II
2010-11
88 / 416
0.8
0.6
0.5 * x^(1/2)
8
6
0.4
0.5 * x^2
10
>1
x R+
y = x
1.0
12
y = f ( |{z}
x
; , ) = x
|{z}
p=1
k =2
var .
param.
<1
2
0
0.2
y = x
J. Cadima (DM/ISA)
Modelao Estatstica II
2010-11
89 / 416
Modelao Estatstica II
2010-11
90 / 416
ln y = ln + ln x
y = 0 + 1 x
J. Cadima (DM/ISA)
Modelao Estatstica II
2010-11
91 / 416
Preveno
O modelo
yi = 0 + 1 xi + i
Nn (0, 2 In )
i = 1, ..., n
(y = ln y
e x = ln x)
no equivalente ao modelo
(
yi = xi + i
i = 1, ..., n
Nn (0, 2 In )
equivalente a um modelo
(
yi = xi i
i = 1, ..., n
Lognormal
J. Cadima (DM/ISA)
Modelao Estatstica II
2010-11
92 / 416
Modelo Logstico
J. Cadima (DM/ISA)
Modelao Estatstica II
2010-11
93 / 416
y = f ( |{z}
x
; , k, ) =
k
| {z }
1 + e (x )
p=1
k =3
var .
param.
x R
0.8
0.6
0.4
0.2
0.0
1.0
J. Cadima (DM/ISA)
Modelao Estatstica II
2010-11
94 / 416
1+ek (x )
soluo da equao
k
y(x),
J. Cadima (DM/ISA)
Modelao Estatstica II
2010-11
95 / 416
Propriedades da logstica
y = uma assintota horizontal direita, e
y = 0 uma assintota horizontal esquerda.
y(x) uma funo estritamente crescente.
y(x) s toma valores em ]0, [.
diz-se a capacidade de sustentao do meio.
y atinge metade da capacidade de sustentao em x = :
y( ) = 2 .
y(x) tem:
y( )
y( + ) 0 .
Modelao Estatstica II
2010-11
96 / 416
Os parmetros da logstica
Na forma utilizada,
y(x) =
1 + ek (x )
ek (x )
,
1 + ek (x )
J. Cadima (DM/ISA)
Modelao Estatstica II
2010-11
97 / 416
y(x)
.
1 + ek x
Corresponde a tomar = ek .
J. Cadima (DM/ISA)
Modelao Estatstica II
2010-11
98 / 416
Modelo Gompertz
J. Cadima (DM/ISA)
Modelao Estatstica II
2010-11
99 / 416
y = f ( |{z}
x
; , k, ) = ee
| {z }
p=1
k =3
var .
param.
x R
1.5
0.5
1.0
=2
k=1
=3
0.0
2.0
10
J. Cadima (DM/ISA)
Modelao Estatstica II
2010-11
100 / 416
k (x )
soluo da equao
k ek (x ) ,
J. Cadima (DM/ISA)
Modelao Estatstica II
2010-11
101 / 416
Propriedades da Gompertz
y = uma assintota horizontal direita, e
y = 0 uma assintota horizontal esquerda.
y(x) uma funo estritamente crescente.
y(x) s toma valores em ]0, [.
diz-se a capacidade de sustentao do meio.
y(x) tem:
k
e .
Modelao Estatstica II
2010-11
102 / 416
Os parmetros da Gompertz
Na forma utilizada,
k (x )
y(x) = ee
J. Cadima (DM/ISA)
Modelao Estatstica II
2010-11
103 / 416
k=2
=5
k = 0.5
3
k=1
3
Gompertz varios k
4
6
x
J. Cadima (DM/ISA)
10
=1
2
1
0
=1
=3
=2
10
Modelao Estatstica II
10
2010-11
104 / 416
y(x) = ee
y(x)
k (x )
= ee
com
= ;
= + lnk .
J. Cadima (DM/ISA)
Modelao Estatstica II
2010-11
105 / 416
k (x )
y(x) = ee
y(x) = e e
kx
. (Corresponde a = ek )
y(x) = . (Corresponde a = e = ee e = ek ).
x
J. Cadima (DM/ISA)
Modelao Estatstica II
2010-11
106 / 416
Modelao Estatstica II
2010-11
107 / 416
Modelo de Richards
A tentativa de flexibilizar ao mximo curvas de crescimento sigmides
levou proposta da curva de Richards, com 4 parmetros:
i 1
h
k (x ) 1
y = f ( |{z}
x
; , k, , ) = 1 + ( 1) e
| {z }
p=1
k =4
var .
param.
x R
1.5
1.0
0.5
0.0
richards(x, 2, 1, 3, 2)
2.0
10
J. Cadima (DM/ISA)
Modelao Estatstica II
2010-11
108 / 416
z+
1 + zc
z
= ec e repare-se que, ao
1
1 + ( 1) ek (x )
=
,
1 =
c z
1
+
1
z
ek (x )
1+ 1
1
lim
z+
1 + zc
z =
k (x )
= ec = ee
,
ec
Modelao Estatstica II
2010-11
109 / 416
Propriedades da Richards
y = uma assintota horizontal direita, e
y = 0 uma assintota horizontal esquerda.
y(x) uma funo estritamente crescente.
y(x) s toma valores em ]0, [.
diz-se a capacidade de sustentao do meio.
y(x) tem:
J. Cadima (DM/ISA)
Modelao Estatstica II
2010-11
110 / 416
Os parmetros da Richards
Na forma utilizada,
i 1
h
1
y(x) = 1 + ( 1) ek (x )
,
J. Cadima (DM/ISA)
Modelao Estatstica II
2010-11
111 / 416
O efeito do parmetro
A maior flexibilidade da curva de Richards, que permite controlar a
ordenada do ponto de inflexo, bem como a forma da curva,
ilustrada neste grfico, para trs valores de :
1.5
1.0
0.5
richards(x, 2, 1, 3, 2)
2.0
=5
=2
0.0
= 1.5
10
10
J. Cadima (DM/ISA)
Modelao Estatstica II
2010-11
112 / 416
1.5
0.5
1.0
=2
k=1
=3
0.0
2.0
10
J. Cadima (DM/ISA)
Modelao Estatstica II
2010-11
113 / 416
J. Cadima (DM/ISA)
Modelao Estatstica II
2010-11
114 / 416
J. Cadima (DM/ISA)
Modelao Estatstica II
2010-11
115 / 416
Na forma utilizada,
y(x) = [1 ek (x ) ],
J. Cadima (DM/ISA)
Modelao Estatstica II
2010-11
116 / 416
J. Cadima (DM/ISA)
Modelao Estatstica II
2010-11
117 / 416
Modelo Michaelis-Menten
Um modelo cujas propriedades qualitativas so semelhantes ao do
modelo von Bertalanffy o modelo de Michaelis-Menten:
x 0 (1 , 2 > 0)
0.20
0.15
0.10
0.00
0.05
x/(2 + 3 * x)
0.25
0.30
1 x
y = f ( |{z}
x
; 1 , 2 ) =
,
| {z }
2 + x
p=1
k =2
var .
param.
J. Cadima (DM/ISA)
Modelao Estatstica II
2010-11
118 / 416
1 x
2 + x
J. Cadima (DM/ISA)
1
Y
e x = x1 ,
Y = + x ,
Modelao Estatstica II
2010-11
119 / 416
J. Cadima (DM/ISA)
Modelao Estatstica II
2010-11
120 / 416
Parmetros da Michaelis-Menten
Na forma utilizada,
y(x) =
1 x
,
2 + x
J. Cadima (DM/ISA)
Modelao Estatstica II
2010-11
121 / 416
y(x) =
y(x) =
x
1+ kx
. (Corresponde a k = 2 , =
1
2 )
y(x) =
1 x
2 +x
x
+ x .
(Corresponde a =
2
1
e=
1
1 ).
J. Cadima (DM/ISA)
Modelao Estatstica II
2010-11
122 / 416
J. Cadima (DM/ISA)
Modelao Estatstica II
2010-11
123 / 416
Modelos de rendimento
Uma classe de modelos utilizada em produes agrcolas (mas no
s) a dos chamados modelos de rendimento, onde se relaciona:
y - rendimento total duma cultura (produo por unidade de rea).
x - densidade da cultura (nmero de plantas por unidade de rea).
Em geral, a produo/planta (y/x) tende a diminuir com o aumento de
densidade, devido concorrncia por recursos.
O rendimento global (y) pode:
aumentar sempre (os chamados modelos assintticos), de que o
modelo Michaelis-Menten exemplo; ou
diminuir a partir de certa altura (os chamados modelos
parablicos).
J. Cadima (DM/ISA)
Modelao Estatstica II
2010-11
124 / 416
0.8
0.6
0.4
0.0
0.2
1.5 * x * exp(x/2)
1.0
10
15
J. Cadima (DM/ISA)
Modelao Estatstica II
2010-11
125 / 416
Modelao Estatstica II
2010-11
126 / 416
Modelo hiperblico
Relaes em que y decresce medida que x aumenta podem ser
descritas por uma relao de (quase) proporcionalidade inversa:
x R ( > 0)
3
2
0
1/(0.2 + 3 * x)
1
y = f ( |{z}
x
; , ) =
,
|{z}
+x
p=1
k =2
var .
param.
J. Cadima (DM/ISA)
Modelao Estatstica II
2010-11
127 / 416
Y = + x .
J. Cadima (DM/ISA)
Modelao Estatstica II
2010-11
128 / 416
ei2
i=1
= min
i=1
= min ky f k2 ,
onde
= (1 , 2 , ..., k ) o vector dos k parmetros (incgnitas de S);
y vector com as n observaes de Y ;
f vector com os n valores da funo f (x, ), dadas as n
observaes dos preditores xi e valores para os parmetros .
J. Cadima (DM/ISA)
Modelao Estatstica II
2010-11
129 / 416
Rp+1
(x1 , y1 )
(x2 , y2 )
e1
Y = f (x, )
en
(x3 , y3 )
(xn , yn )
xp
x1
x3
x2
J. Cadima (DM/ISA)
Modelao Estatstica II
2010-11
130 / 416
Rk +1
z = S( )
p
2
min
3
Modelao Estatstica II
2010-11
131 / 416
J. Cadima (DM/ISA)
S
( ) = 0 ,
j
Modelao Estatstica II
j = 1, ..., k .
2010-11
132 / 416
i=1
S
j = 1, ..., k
j ( ) = 0 ,
n
[yi f (xi , )] f j (xi , ) =
i=1
0,
j = 1, ..., k
Designando
e [y
h i f (xi , i)] vector dos n resduos;
et fj( ) ,
J. Cadima (DM/ISA)
j = 1, ..., k .
Modelao Estatstica II
2010-11
133 / 416
Modelao Estatstica II
2010-11
134 / 416
= X,
Modelao Estatstica II
2010-11
135 / 416
Exemplo 1 (cont.)
(Xt X)1 Xt Y = ,
J. Cadima (DM/ISA)
Modelao Estatstica II
2010-11
136 / 416
(x; , ) = x
f
(x; , ) = x ln x
Logo, a matriz D de dimenso n 2 e depende de , tal como o
vector dos residuos e :
J. Cadima (DM/ISA)
x1
x2
x3
..
.
xn
x1 ln x1
x2 ln x2
x3 ln x3
,
..
xn ln xn
Modelao Estatstica II
y1 x1
y2 x2
y3 x3
..
.
yn xn
2010-11
137 / 416
Exemplo 2 (cont.)
Logo, a condio necessria vem:
Dt e = 0
xi (yi xi )
= 0
i=1
xi ln xi (yi xi ) = 0
i=1
n
n
=
xi2
yi xi
i=1
yi xi ln xi
i=1
i=1
2
xi
i=1
n
ln xi
J. Cadima (DM/ISA)
Modelao Estatstica II
2010-11
138 / 416
[0]
[0]
J. Cadima (DM/ISA)
Modelao Estatstica II
2010-11
139 / 416
Gauss-Newton (cont.)
( [0] )
f ( ) f ( [0] ) + (grad f )t
= [0]
f
f
[0]
[0]
( [0] )(1 1 ) +
( [0] )(2 2 ) +
f ( ) f ( [0] ) +
1
2
f
[0]
+ ... +
( [0] )(k k )
k
J. Cadima (DM/ISA)
Modelao Estatstica II
2010-11
140 / 416
Gauss-Newton (cont.)
Passo 3: Aproximar S( ), usando a aproximao linear de f .
[0]
S( ) S [0] ( ) = k Y f(x, [0] ) D ( [0] )k2
{z
}
|
[0]
=e
= k
[0]
[0]
e + D [0]
|
{z
}
[0]
sem , apenas
[0]
D k2
Modelao Estatstica II
2010-11
141 / 416
Gauss-Newton (cont.)
Passo 4: Minimizar a funo objectivo aproximada, S [0] ( ):
[0] t [0]
D D
1
[0] t
[0]
[0]
e + D [0]
[1]
[0]
1
[0] t [0]
[0] t [0]
+ D D
D e .
J. Cadima (DM/ISA)
Modelao Estatstica II
2010-11
142 / 416
Gauss-Newton (cont.)
Passo 5: Processo iterativo:
Dada uma soluo provisria [j] , linearizar f em torno de [j] :
f ( ) f ( [j] ) + (grad f )t = [j] ( [j] )
Usando as observaes {(xi , yi )}ni=1 e esta linearizao, construir
uma nova aproximao da funo objectivo:
S( ) S [j]( )
[j]
k Y f(x, [j] ) D ( [j] )k2
{z
}
|
[j]
=e
J. Cadima (DM/ISA)
Modelao Estatstica II
2010-11
143 / 416
[j+1]
fr pequena:
Modelao Estatstica II
2010-11
144 / 416
[j ]
comprometendo o clculo de (D D )1 .
J. Cadima (DM/ISA)
Modelao Estatstica II
2010-11
145 / 416
A estimao de parmetros no
A funo nls (de Nonlinear Least Squares) utiliza uma variante do
mtodo Gauss-Newton para estimar os parmetros duma regresso
no linear pelo mtodo dos mnimos quadrados.
Na sua forma mnima, o comando nls exige dois argumentos:
a formula que indica a relao no linear entre a varivel
resposta Y e os preditores X1 , ..., Xp .
o vector start com os valores iniciais dos parmetros da frmula.
Exemplo: Caso se pretenda ajustar um modelo potncia y = x a
partir de valores iniciais 0 = 3 e 0 = 2, o comando tomaria a forma:
> nls(y ~ alfa*x^beta, start=c(alfa=3, beta=2))
J. Cadima (DM/ISA)
Modelao Estatstica II
2010-11
146 / 416
A estimao de parmetros no
(cont.)
[j+1]
[j]
1
[j] t [j]
[j] t [j]
+ D D
D e .
J. Cadima (DM/ISA)
Modelao Estatstica II
2010-11
147 / 416
A estimao de parmetros no
(cont.)
[j]
J. Cadima (DM/ISA)
Modelao Estatstica II
2010-11
148 / 416
A estimao de parmetros no
(cont.)
Modelao Estatstica II
2010-11
149 / 416
Modelao Estatstica II
2010-11
150 / 416
A distribuio Multinormal
(2 )n/2
1
p
e 2 (y )
1
)
det(
(y )
y Rn
).
Nesse caso, escreve-se: Y Nn ( ,
J. Cadima (DM/ISA)
Modelao Estatstica II
2010-11
151 / 416
z
y
J. Cadima (DM/ISA)
Modelao Estatstica II
2010-11
152 / 416
J. Cadima (DM/ISA)
Modelao Estatstica II
2010-11
153 / 416
..
..
0
. 13
11 .
..
..
= 0
.
.
22
23
.
.
31 .. 32 .. 33
Modelao Estatstica II
2010-11
154 / 416
i Normais.
E [i ] = 0.
V [i ] = 2 .
{i }ni=1 variveis independentes (porque Cov(i , j ) = 0 se i 6= j).
J. Cadima (DM/ISA)
Modelao Estatstica II
2010-11
155 / 416
Primeiras consequncias
Consequncia:
As observaes da varivel resposta, Yi so independentes e:
i = 1, ...., n
Yi N f (xi , ), 2
J. Cadima (DM/ISA)
Modelao Estatstica II
2010-11
156 / 416
Modelao Estatstica II
2010-11
157 / 416
J. Cadima (DM/ISA)
Modelao Estatstica II
2010-11
158 / 416
g(yi , ) .
i=1
g(yi , ) .
i=1
Modelao Estatstica II
2010-11
159 / 416
f (xi , ), 2 .
[y f (xi ; )]2
1
12 i
2
i=1 2
n
n
1 2 [yi f (xi , )]2
1
2 i=1
e
=
2 2
L( , 2 , y, X) =
Modelao Estatstica II
2010-11
160 / 416
J. Cadima (DM/ISA)
Modelao Estatstica II
2010-11
161 / 416
I = E [H ]
a matriz de Informao de Fisher, sendo H a matriz Hessiana
da log-verosimilhana L , no ponto , cujo elemento (j, m) :
H
J. Cadima (DM/ISA)
(j,m)
2 L
j m
Modelao Estatstica II
2010-11
162 / 416
1 t
D D
2
= 2 (Dt D )1
E [H ] =
I 1
Nk , 2 (Dt D )1
J. Cadima (DM/ISA)
Modelao Estatstica II
2010-11
163 / 416
J. Cadima (DM/ISA)
at at
2 at (Dt D )1 a
N (0, 1) .
Modelao Estatstica II
2010-11
164 / 416
Inferncia Multivariada
( )t (Dt D )( )
k2 .
J. Cadima (DM/ISA)
Modelao Estatstica II
2010-11
165 / 416
Estimador MV para 2
L 2
( ; x, y, ) = 0
2
1
n
S( ) = 0
2+
2
2( 2 )2
S( )
.
2 =
n
Modelao Estatstica II
2010-11
166 / 416
Estimador MQ para 2
Linearize-se f em torno do verdadeiro vector dos parmetros, que
neste ponto indicado por = v (para diferenciar do que
representa a varivel livre)):
( v )
f ( ) f ( v ) + (grad f )t
=v
f ( v ) + D v ( v )
sendo D v a matriz das derivadas parciais, calculada em = v .
Esta linearizao uma primeira fonte de aproximao.
Por analogia com o que se fez no acetato 141, obtm-se, com base
nesta aproximao, uma aproximao funo da soma de
quadrados de resduos, S( ).
J. Cadima (DM/ISA)
Modelao Estatstica II
2010-11
167 / 416
A inferncia (cont.)
Considere esta aproximao soma de quadrados dos resduos:
S( ) k Y f(x, v ) D v ( v )k2
|
{z
}
=
= k( + D v v ) D v k2 ,
= v + (Dt v D v )1 Dt v ,
D v ( v ) = D v (Dt v D v )1 Dt v = PD v ,
Modelao Estatstica II
2010-11
168 / 416
A inferncia (cont.)
2
Xt AX tr(A)
A
= A
.
se e s se A
Tomando X = e A =
In PD v
J. Cadima (DM/ISA)
Modelao Estatstica II
2010-11
169 / 416
A inferncia (cont.)
2 , ter-se-ia:
Admitindo a distribuio nk
#
"
S( )
= nk
E
2
"
S( )
E
nk
= 2 ,
2 =
J. Cadima (DM/ISA)
S( )
.
nk
Modelao Estatstica II
2010-11
170 / 416
A inferncia (cont.)
Os resultados distribucionais (aproximados) do acetato 164 significam,
por analogia com o Modelo Linear, que para qualquer combinao
linear dos k parmetros, at = a1 1 + a2 2 + ... + ak k (agora volta a
designar o verdadeiro valor dos parmetros), se tem:
at at
2 at (Dt D )1 a
N (0, 1)
at at
2 at (Dt D )1 a
tnk .
Modelao Estatstica II
2010-11
171 / 416
A inferncia (cont.)
at = a1 1 + a2 2 + ... + ak k
J. Cadima (DM/ISA)
Modelao Estatstica II
2010-11
172 / 416
J. Cadima (DM/ISA)
Modelao Estatstica II
2010-11
173 / 416
sendo
q
2 (Dt D )1
(j,j ) .
Soma/diferena de parmetros (a = ei ej )
um intervalo a (1 ) 100% de confiana para i j :
i
h
(i j ) t 2 ;nk i j , (i j ) + t 2 ;nk i j
,
com =
i
J. Cadima (DM/ISA)
q
i , j ].
[i ] + V
[j ] 2 Cov[
V
Modelao Estatstica II
2010-11
174 / 416
H0 : at = c
Estatstica do Teste:
T=
vs.
at at |H0
at
H1 : at 6= c
tnk
q
(com at = 2 at (Dt D )1 a).
at c
,
at
J. Cadima (DM/ISA)
Modelao Estatstica II
2010-11
175 / 416
Hipteses:
H0 : at c
at
H1 : at > c
vs.
at
Estatstica do Teste: T = t
a
q
com at = 2 at (Dt D )1 a .
tnk
J. Cadima (DM/ISA)
Modelao Estatstica II
2010-11
176 / 416
at .
Hipteses:
H0 : at c
H1 : at < c
vs.
at
Estatstica do Teste: T = t
a
q
com at = 2 at (Dt D )1 a .
tnk
J. Cadima (DM/ISA)
Modelao Estatstica II
2010-11
177 / 416
p-values
J. Cadima (DM/ISA)
Modelao Estatstica II
2010-11
178 / 416
A inferncia no
Existem mtodos para os objectos produzidos pela funo nls,
semelhana do que sucedia com o comando lm na Regresso Linear.
Eis alguns exemplos.
O comando summary aplicado aos dados do Exerccio 6:
> videiras.nls <- nls(Area ~ alfa * NP^beta, start = c(alfa=1,beta=1),
+
data = videiras)
> summary(videiras.nls)
Formula: Area ~ alfa * NP^beta
Parameters:
Estimate Std. Error t value Pr(>|t|)
alfa 1.59338
0.16208
9.831
<2e-16 ***
beta 1.92777
0.04031 47.821
<2e-16 ***
--Residual standard error: 28.84 on 598 degrees of freedom
Number of iterations to convergence: 7
Achieved convergence tolerance: 2.135e-07
J. Cadima (DM/ISA)
Modelao Estatstica II
2010-11
179 / 416
A inferncia no
(cont.)
gama
-0.2621344
J. Cadima (DM/ISA)
0.47802733 -0.74147086
0.87129731 0.19623601
Modelao Estatstica II
2010-11
180 / 416
A inferncia no
(cont.)
)
Nota: O valor do erro padro estimado, 2 = S(
nk dado na listagem
produzida pelo comando summary, com a designao Residual
standard error.
J. Cadima (DM/ISA)
Modelao Estatstica II
2010-11
181 / 416
A inferncia no
(cont.)
Modelao Estatstica II
2010-11
182 / 416
Inferncia multivariada
J vimos que, assintoticamente,
Q =
e
( )t (Dt D )( )
k2 .
S( )
2
nk
2
J. Cadima (DM/ISA)
Modelao Estatstica II
F(k ,nk ) .
2010-11
183 / 416
J. Cadima (DM/ISA)
Modelao Estatstica II
2010-11
184 / 416
0.9
9
0.9
0.9
1.0
1.2
1.4
1.6
1.8
2.0
2.2
J. Cadima (DM/ISA)
Modelao Estatstica II
2010-11
185 / 416
Testes multivariados a
Hipteses:
H0 : =
vs.
Estatstica do Teste:
F =
H1 : 6=
( )t (Dt D )( )
k 2
F(k ,nk ) ,
sob H0 .
( )t (Dt D )( )
.
k 2
Modelao Estatstica II
2010-11
186 / 416
Comentrios
As regies de confiana multivariadas agora referidas tornam-se
impraticveis para mais do que dois parmetros, embora testes de
hipteses para hipteses nulas simples continuem a ser viveis.
Uma forma alternativa de pensar no problema dam inferncia passa
pelas chamadas funes de perfis. Estas funes so tambm teis
no estudo da qualidade da aproximao linear.
Comecemos por recordar um resultado geral de inferncia, j
estudado na disciplina de Complementos de Probabilidades e
Estatstica (e que voltar a ser de grande utilidade no captulo 3 desta
disciplina): o Teorema de Wilks.
J. Cadima (DM/ISA)
Modelao Estatstica II
2010-11
187 / 416
A razo de verosimilhanas
Seja (Y1 , Y2 , ..., Yn ) uma amostra aleatria. Seja L( |x) a sua funo
verosimilhana, onde designa um vector de parmetros. Designa-se
razo de verosimilhanas a:
max L( |x)
0
Rn (x) =
L( |x)
max
(0 1 )
onde 0 e 1 designam dois conjuntos alternativos de condies
sobre os valores dos parmetros .
A transformao = 2 ln(Rn ) utilizada como estatstica de um
teste s hipteses:
H 0 : 0
J. Cadima (DM/ISA)
vs.
H 1 : 1 .
Modelao Estatstica II
2010-11
188 / 416
Teorema de Wilks
J. Cadima (DM/ISA)
(0 1 )
Modelao Estatstica II
2010-11
189 / 416
J. Cadima (DM/ISA)
Modelao Estatstica II
2010-11
190 / 416
J. Cadima (DM/ISA)
S( H0 ) S( )
12 .
2
Modelao Estatstica II
2010-11
191 / 416
Estatstica F
J vimos que, sob H0 :
=
S( H0 ) S( )
12 .
2
e, sempre:
S( )
2
.
nk
2
Logo (admitindo a independncia destas duas quantidades), sob H0 :
F =
J. Cadima (DM/ISA)
S( H0 ) S( )
F(1,nk ) .
2
Modelao Estatstica II
2010-11
192 / 416
As funes perfil
Define-se a funo perfil associada ao parmetro j como:
j ( ) = sgn( j )
S( ) S( )
,
2
2 (H0 ) = F
Nota: No ponto j = j a funo j toma valor nulo.
J. Cadima (DM/ISA)
Modelao Estatstica II
2010-11
193 / 416
As funes perfil no
> profile(videiras.nls)
$alfa
tau par.vals.alfa par.vals.beta
1 -2.7089270
1.206595
2.037579
2 -2.1636834
1.276421
2.015390
3 -1.6185192
1.350077
1.993249
4 -1.0734452
1.427761
1.971156
5 -0.5288724
1.509617
1.949127
6
0.0000000
1.593382
1.927774
7
0.5030119
1.677148
1.907504
8
0.9954650
1.763212
1.887693
9
1.4882202
1.853534
1.867906
10 1.9810207
1.948267
1.848151
11 2.4738720
2.047615
1.828428
12 2.9667738
2.151794
1.808737
$beta
tau par.vals.alfa par.vals.beta
1 -2.5869917
2.069996
1.823696
2 -2.0692432
1.964877
1.844450
3 -1.5514894
1.864858
1.865242
4 -1.0337303
1.769702
1.886072
5 -0.5159727
1.679186
1.906940
6
0.0000000
1.593382
1.927774
7
0.5150150
1.511914
1.948608
8
1.0308813
1.434300
1.969515
9
1.5467362
1.360494
1.990460
10 2.0625856
1.290317
2.011444
11 2.5784294
1.223597
2.032468
12 3.0942678
1.160174
2.053531
J. Cadima (DM/ISA)
Modelao Estatstica II
2010-11
194 / 416
H0 : j =
vs.
H1 : j 6=
j ( ) = sgn( j )
S( ) S( )
tnk ,
2
J. Cadima (DM/ISA)
Modelao Estatstica II
2010-11
195 / 416
J. Cadima (DM/ISA)
Modelao Estatstica II
2010-11
196 / 416
J. Cadima (DM/ISA)
Modelao Estatstica II
2010-11
197 / 416
0.0
1.0
2.0
> par(mfrow=c(2,1))
> plot(profile(videiras.nls))
1.2
1.4
1.6
1.8
2.0
0.0
1.0
2.0
alfa
1.85
1.90
1.95
2.00
beta
J. Cadima (DM/ISA)
Modelao Estatstica II
2010-11
198 / 416
J. Cadima (DM/ISA)
Modelao Estatstica II
2010-11
199 / 416
O estudo de resduos
i
resduos padronizados (standardizados): ri = e1h
, onde hii o
ii
i-simo elemento diagonal da matriz de projeco ortogonal
sobre o subespao gerado pelas colunas da matriz D .
J. Cadima (DM/ISA)
Modelao Estatstica II
2010-11
200 / 416
J. Cadima (DM/ISA)
Modelao Estatstica II
2010-11
201 / 416
Grficos de resduos no
Ao contrrio do que sucede nos modelos lineares, os grficos de
resduos tm de ser explicitamente construdos pelos utilizadores,
atravs de comandos como:
> plot(fitted(videiras.nls),residuals(videiras.nls))
> qqnorm(residuals(videiras.nls))
100
50
0
100
50
Sample Quantiles
50
0
50
100
residuals(videiras.nls)
100
Normal QQ Plot
100
200
300
400
J. Cadima (DM/ISA)
Theoretical Quantiles
fitted(videiras.nls)
Modelao Estatstica II
2010-11
202 / 416
Modelao Estatstica II
2010-11
203 / 416