Escolar Documentos
Profissional Documentos
Cultura Documentos
n
X
Q= Xi2 = Q1 + Q2 + ... + Qk
i=1
em que Qi , i = 1, 2, ..., k sao formas quadraticas semi positivas
definidas em X1 , X2 , ..., Xn , i.e.,
Qi = X0 Ai X, i = 1, 2, ..., k
Pk
e defina ri = r (Ai ). Se i=1 ri = n, entao
1 Qi Qj , i 6= j.
2 Qi 2 2(ri ) .
Prof. Caio Azevedo
Parametrizacao, identificabilidade, estimabilidade e testabilidade em modelos normais lineares
Voltemos ao exemplo dos solventes (um unico fator com
varios nveis)
Modelo de medias
Yij = i + ij , i = 1, 2, .., k
L( 1 ) 6= L( 2 )
Pk
Desvios com restricao: i=1 i = 0.
1
Pk
: media das medias dos grupos = = k i=1 i .
i : incremento (positivo ou negativo) da media do grupo i com
relacao a media das medias, i = i .
Em geral, considera-se que k = k1
P
i=1 i .
Casela de referencia: 1 = 0.
Neste
caso, temos
que
Y11 1 0 0 0 0 11
Y12
1 0 0 0 0
12
Y13
1 0 0 0 0
13
Y14 1 0 0 0 0 1 14
2
Y15
1 0 0 0 0
15
Y= , X = , = , =
Y21
0 1 0 0 0 3
21
.. .. .. .. .. .. 4 ..
. . . . . . .
5
Y51
0 0 0 0 1
51
..
.. .. .. .. ..
..
.
. . . . .
.
Y55 0 0 0 0 1 55
Neste
caso, temos
que
Y11 1 0 0 0 0 11
Y12
1 0 0 0 0
12
Y13
1 0 0 0 0
13
Y14 1 0 0 0 0 14
2
Y15
1 0 0 0 0
15
Y= , X = , = , =
Y21
1 1 0 0 0 3
21
.. .. .. .. .. .. 4 ..
. . . . . . .
5
Y51
1 0 0 0 1
51
..
.. .. .. .. ..
..
.
. . . . .
.
Y55 1 0 0 0 1 55
Neste
caso, temos
que
Y11 1 1 0 0 0 11
Y12
1 1 0 0 0
12
Y13
1 1 0 0 0
13
Y14 1 1 0 0 0 14
1
Y15
1 1 0 0 0
15
Y= , X = , = , =
Y21
1 0 1 0 0 2
21
.. .. .. .. .. .. 3 ..
. . . . . . .
4
Y51
1 1 1 1 1
51
..
.. .. .. .. ..
..
.
. . . . .
.
Y55 1 1 1 1 1 55
Neste
caso, temos
que
Y11 1 1 0 0 0 0 11
Y12
1 1 0 0 0 0
12
Y13 1 1 0 0 0 0 13
Y14
1 1 0 0 0 0
14
1
Y15
1 1 0 0 0 0
15
2
Y= , X = , = , =
Y21
1 0 1 0 0 0
3 21
.. .. .. .. .. .. .. ..
.
. . . . . .
4
.
Y51
1 0 0 0 0 1 5
51
..
.. .. .. .. .. ..
..
.
. . . . . .
.
Y55 1 0 0 0 0 1 55
(X0 X)
b = X0 Y
b = (X0 X)1 X0 Y
b = GX0 Y
Se X0 X = 0 X = 0.
1 G0 e uma ig de X0 X.
2 GX0 e uma ig de X, ou seja XGX0 X = X.
3 XGX0 e invariante relativamente a escolha de G.
4 XGX0 e simetrica, mesmo quando G nao o e.
= Y0 (I XGX0 )0 (I XGX0 )Y
n1 XGX0 J = n1 J.
A e simetrica e idempotente de sorte que r (A) = r (X) 1.
BA = AB = 0.
Sob H0 , SQM/ 2 2(r (X)1) .
Sob H1 , SQM/ 2 2(r (X)1,) , em que
1 0 0 1
= 2
X XGX0 X n1 0 X0 JX = 2 X0 X n1 0 X0 JX
SQM/(r (X)1)
Assim, sob H0 , F = SQR/nr (X) F(r (X)1,nr (X)) .
SQM/(r (X)1)
Assim, sob H1 , F = SQR/nr (X) F(r (X)1,nr (X),delta) , em que:
1 1
0 X0 XGX0 X n1 0 X0 JX = 2 X0 X n1 0 X0 JX
= 2
WE(Y) = C =
h i
1 1 1 1 1
W= 5 5 5 5 5
15 15 51 15 51 0 ... 0 ,
Observacao, se WE(Y) = C WX = C WX = C.
b = WXGX0 Y
C
Se C e estimavel entao C
b e o unico estimador linear nao viesado
C = WX CGX0 X = W |XGX 0
{z X} = WX
X
CH = C
em que H = GX0 X.
Sejam as hipoteses
b M.
A estatstica (usual) do teste dependera de C
h i
Se C = C01 C02 . . . Cq , com Ci sendo uma funcao
estimavel, i = 1, 2, ..., q, entao C = M e uma hipotese testavel.
b M Nq (C M, 2 C(X0 X)1 C0 ).
b = C
b 2 , entao b
Como b b 2 , em que
1 b = 1 Y0 (I H) Y = SQR = QMR
b 0 (YX)
b2 =
(YX)
np np np
Portanto, sob H0 (C = M) e usando alguns resultados de
distribuicoes de formas quadraticas (provar), temos que
1 b 0 1 0 1
0
Q = C M C X X C C b M 2
(q)
2
Prof. Caio Azevedo
Parametrizacao, identificabilidade, estimabilidade e testabilidade em modelos normais lineares
Cont.
2 / 2 2(np) .
Alem disso, sabemos que (n p)b
Q /q 1 b 0 1 0 1
F = 2 2
= 2
C M C X0 X C b M F(q,np)
C
b / qb
Sob H1 , F Fhq,np,= 1
1
(CM)0 (C(X0 X)1 C0 ) (CM)
i .
2
b = C
b M Nq (CGX0 X M, CGX0 XG0 C0 2 ).
Defina:
1 SQR
b2 = Y0 I XGX0 Y =
n r (X) n r (X)
Prof. Caio Azevedo
Parametrizacao, identificabilidade, estimabilidade e testabilidade em modelos normais lineares
Cont.
2 / 2 2(nr (X)) .
Temos que (n r (X))b
1 b 0
0 1
Q = C M CGC C b M 2
(q)
2
Para provar o resultado acima, usa-se a seguinte igualdade
1
Q = (Y XC0 (CC0 )M)0 (XG0 C0 (CGC0 )1 CGX0 )(Y XC0 (CC0 )M) (1)
2
Q /q 1 b 0 1
F = 2 2
= 2
C M CGC0 b M F(q,nr (X))
C
b / qb
e, sob H1 F F(q,nr (X),)
1
(C M)0 (CGC0 )1 (C M))
= 2
Prof. Caio Azevedo
Parametrizacao, identificabilidade, estimabilidade e testabilidade em modelos normais lineares
Exemplo 2 (dados de absorbancia)
Utilizando o modelo desvios sem restricao, obtemos:
e = (0, 393; 0, 145; 0, 173; 0, 056; 0, 214; 0, 196).