Escolar Documentos
Profissional Documentos
Cultura Documentos
PRELIMINARES
1 / 23
FUNDAMENTOS EM MODELOS LINEARES
As Análises Estatı́sticas tem como objetivos gerais:
3 / 23
FUNDAMENTOS EM MODELOS LINEARES
Modelos Estatı́sticos:
Yi = µ + ϵi i = 1, 2, · · · , n. (1)
Nesse modelo temos duas partes, uma fixa e uma aleatória que são
aditivas. Mas, qual o modelo para a parte aleatória? Precisamos,
pelo menos, assumir uma estrutura para média e variância de ϵi .
As suposições imediatas:
6 / 23
Uma possı́vel representação gráfica dos dados é
12
11
10
y
7 / 23
Com os dados de Y em mãos, podemos estimar os dois parâmetros
do modelo. A Estatı́stica Básica diz que o estimador de µ é
n
1X
Ȳ = Yi ,
n
i=1
10 / 23
Exemplo: Seja Y a massa de indivı́duos adultos de certa raça de
gatos (em kg) e deseja-se estimar essa massa, em média. Uma
amostra aleatória de n = 20 forneceu os valores:
7.9 9.9 9.9 8.5 10.9 9.1 9.5 11.5 11.2 10.1
9.9 9.1 9.4 9.3 10.4 11.0 9.4 8.2 10.0 10.2
11 / 23
Para responder, invocamos o Teorema Central do Limite que diz:
σ2
Ȳ ∼ N ormal µ;
n
Ȳ − µ
Z= ∼ N ormal(0; 1)
√σ
n
Mas, σ =????, e não dá par usar o resultado anterior. Porém, temos a
teoria que diz que
Ȳ − µ
T = ∼ tn−1 ,
√S
n
13 / 23
Modelo 2: Modelo de médias:
14 / 23
Generalizando os resultados do modelo de uma média, cada µi é
estimada pela média de seu grupo:
ni
1 X
µ̂i = Yij = Ȳi i = 1, · · · , K.
ni
j=1
15 / 23
Inferências para cada média podem ser realizadas de maneira
similar ao caso de uma média, pois Ȳi é não viciado com erro
padrão estimado dado por √S .
ni
17 / 23
Exemplo: Suponha agora que o interesse é na massa média de três
raças de gatos. Os dados são de amostras de tamanho 10 de cada
raça:
1: 10.1 10.0 7.6 10.3 11.3 8.8 10.2 11.3 9.2 10.5
2: 11.8 13.0 14.9 12.5 12.5 12.9 13.4 15.2 11.6 12.8
3: 7.1 6.8 8.1 8.7 8.9 8.0 10.4 8.4 8.1 8.6
18 / 23
Representação gráfica:
14
12
y
10
1 2 3
19 / 23
Modelo 3: Modelo para estrutura fatorial
Fator A (pressão)
Fator B (temp) Baixa (0) Alta (1)
Parametrização:
Baixa (0) µ µ+β
Alta (1) µ+τ µ+τ +β+γ
Efeitos Principais:
do fator A:
do fator B:
21 / 23
Modelo 4: Modelo de uma reta
Yi = β0 + β1 xi + ϵi
22 / 23
Modelo 6: Modelo de planos ou outras superfı́cies (para x1 , · · · xK
quantitativas.)
Superfı́cie curva:
Yi = β0 + β1 x1i + β2 x21i + β3 x2i + ϵi
23 / 23