Uma Abordagem Bayesiana Emprica para o Modelo

Hipsomtrico de Curtis com Restries nos Parmetros

Monica F. B. Moreira
1
, Marinho G. Andrade
1
, Cludio Thiersch
2
, Selene Loibel
1
1 Introduo
O uso de equaes hipsomtricas em inventrio orestal tornou-se uma operao
rotineira, a qual busca estimar a altura das rvores atravs da relao Dap (Dimetro do
tronco da rvore a altura do peito (1,3m)) e H (altura total da rvore). A determinao
da altura das rvores em p atravs de instrumentos uma operao onerosa e sujeita a
erros. Desse modo, procura-se medir algumas alturas nas parcelas de inventrio e, atravs
de relaes hipsomtricas, estimar as demais. Estas alturas estimadas so usadas para esti-
mar o volume de madeira. Para que estas estimativas sejam precisas os mtodos e modelos
adotados tornam-se cada vez mais sosticados.
A grande diculdade da escolha do melhor modelo para representar estas relaes deve-
se a no linearidade da relao entre as vriveis envolvidas e a grande variedade de mode-
los que se pode utilizar. Estes dois fatores aliados as restries impostas aos parmetros dos
modelos por razes biolgicas, torna o ajuste de modelos matemticos para representar as
relaes hipsomtricas um problema de regresso no linear com restries nos parmet-
ros. A abordagem desse problema com os mtodos convencionais de inferncia estatstica,
tais como mtodo de mxima verossimilhana e mtodo de mnimos quadrados torna-se
ineciente para vrios modelos propostos.
Neste trabalho vamos considerar um destes modelos proposto na literatura conhecido
como o modelo de Curtis [2]. O modelo de Curtis um modelo relativamente simples
devido a possibilidade de linearizao. Mas a presena de restries nos parmetros torna
o problema de inferncia complexo. O modelo hipsomtrico de Curtis dado por:
1
Departamento de Matemtica Aplicada e Estatstica, ICMC-USP, cp. 688, 13560-970, So Carlos-SP.
E-mails: monica@icmc.usp.br, marinho@icmc.usp.br, sloibel@icmc.usp.br
2
Votorantim Celulose e Papel, Jacare-SP. E-mail: claudio.thiersch@vcp.com.br
1
log H =
0

1
1
Dap
(1)
com os parmetros sujeitos as restries
0
> 0 e
1
> 0, por questes biolgicas.
Este modelo geralmente utilizado em situaes prticas, onde o tamanho da amostra
pequeno, pode resultar em estimativas de mnimos quadrados irrestritas para os parmetros
em valores negativos. Para contornar essa diculdade estamos propondo uma abordagem
Bayesiana para o clculo dessas estimativas.
2 Desenvolvimento
A funo de verossimilhana para os dados D = {(H
i
, Dap
i
), i = 1, . . . , n} do
modelo de Curtis pode ser escrita como:
L(,|D) =

n/2

2
exp
_

2
(YX)

(YX)
_
. (2)
Considerando densidades a priori conjugadas Normal-Gama para os parmetros de
forma irrestrita, temos

0
(, ) exp{

2
(
0
)

P(
0
)
2
()

0
1
exp{
0
}} (3)
Os hiperparmetros
0
, P,
0
e
0
so conhecidos. Neste trabalho vamos adotar uma
abordagem emprica para a determinao de
0
e P. Para isso consideramos os percentis
(H
p
, Dap
p
) e (H
q
, Dap
q
), com p < q, encontrados em dados histricos coletados anteri-
ormente s observaes da amostra D. Assumindo que o modelo de Curtis vlido para
esses percentis, podemos escrever:

0,0
= y
p
+
_
y
q
y
p
z
q
z
p
_
z
p
(4)

1,0
=
_
y
q
y
p
z
q
z
p
_
(5)
onde y
k
= log H
k
, z
k
= 1/Dap
k
para k = p, q e
0
= (
0,0
,
1,0
)

. A matriz de preciso
P tambm pode ser encontrada de forma empirica considerando P
j,j
=
1

2
j
=
1
(CV
j,0
)
2
,
2
j = 0, 1 e P
i,j
= 0 para i = j e CV =
j
/
j,0
, j = 0, 1 um coeciente de variao
constante. A densidade a posteriori para e encontrada dada por:
(,|D)
n/2+
0
exp
_

2
_
(

V(

) +W+ 2
0
__
(6)
com V = (X

X +P) e W = Y

Y +

V

e

= (X

X)
1
X

Y o estimador de mnimos
quadrados. O estimador Bayesiano irrestrito dado por

= (X

X+P)
1
(X

+P
0
) (7)
Vamos considerar uma verso truncada de denotada por
R
, que tem o mesmo vetor
de locao

e a mesma matriz de preciso V mas restrita regio R = {a
i
<
i
< b
i
,
i = 0, 1}. A densidade a posteriori condicionada, para
R
dada por
(
R
|, D)

n/2+
0
K(

, V)
exp
_

2
_
(
R

V(
R

)
__
I
R
() (8)
onde I
R
() uma funo indicadora que igual a um se R, e zero caso contrrio e
K(

, V) a constante normalizadora devido ao truncamento.

Podemos estabelecer uma relao entre os parmetros e
R
, considerando uma var-
ivel aleatria uniforme u U(0, 1) e as relaoes encontradas em [1], dadas por:

0
=
0
+
0

1
(u
0
) (9)

1
=
1
+
1

1
(u
1
) (10)
u
i
=

i,R

i

0
_

_
a
i

i

0
_

_
b
i

i

i
_

_
a
i

i

i
_ , i = 0, 1. (11)
onde
0
=

11
a raiz quadrada do primeiro elemento da diagonal de (V)
1
e
0
=

0
e temos tambm que E(
1
|
0
) =
1
e Sd(
1
|
0
) =
1
. Portanto a equao para u
i
pode
ser usada para gerar valores dos parmetros irrestritos = (
0
,
1
)

a partir dos valores

gerados dos parmetros restritos
R
= (
0,R
,
1,R
)

.
Estamos agora em posio de elaborar um algoritmo Gibbs Sampling para encon-
trar o estimador Bayesiano de
R
e . Escrevendo a densidade a posteriori conjunta
(
R
, ,|D), como:
(
R
, ,|D) = (|
R
,, D)(
R
|, D)(|D) (12)
3
Sendo (,|
R
, D) = (|
R
,, D)(|D), temos:
(
R
, ,|D) = (,|
R
, D)(
R
|, D) (13)
A densidade condicional a posteriori (
R
|, D) dada anteriormente e a densidade
(,|
R
, D) pode ser avaliada considerando-se as densidades condicionais (,|,
R
, D) =
1 se as equaoes (11), (9)-(10) so vlidas e a condicional .(|,
R
, D) =(|, D),
dadas por:
(|,
R
, D)
n/2+
0
exp
_

2
_
(

V(

) +W+ 2
0
__
(14)
O algoritmo amostrador de Gibbs utilizado para gerar amostras da densidade a posteriori
conjunta (
R
, ,|, D) dado por:
1. Faa j = 0 e considere a condio inicial,
(0)
;
2. Gerar
(j+1)
R
de
(j+1)
R
|
(j)
, D NT
_

, (
(j+1)
V)
1
_
;
3. Gerar os valores de
(j+1)
;
4. Gerar
(j+1)
de
(j+1)
|
(j)
, D G(n/2 +
0
+ 1, (
(j)
)+2
0
);
5. Faa j j + 1 e repita os passos (2), (3) e (4).
Para encontrar os estimadores bayesianos obtidos via simulao de Monte Carlo con-
sideramos um perdo de aquecimento (burning) de 50% das iteraes iniciais e os passos
(2), (3) e (4) do algoritmo Gibbs Sampling so repetidos at que a convergncia monitorada
gracamente e com o critrio de Geweke seja vericada. Ento uma amostra selecionada
a cada 10 iteraes.
3 Resultados
Como ilustrao a abordagem bayesiana proposta foi aplicada numa amostra aleatria
de clones de Eucalyptus sp em duas parcelas estraticadas por idade. As estimativas obti-
das com a abordagem bayesiana so comparadas s obtidas com a tcnica de mnimos
quadrados irrestrita.
As estimativas bayesianas foram obtidas via MCMC. O algoritmo Gibbs Sampling
gerou uma amostra de tamanho 20.000 da qual descartamos as primeiras 10.000 (burn-
ing). Selecionamos da segunda parte um valor a cada 10 valores gerados perfazendo assim
4
Tabela 1: Estimativas Bayesianas e de Mnimos quadrados
Parcela Estim. Bayesiano
A Mdia D.P. IC (95%) M. Q.

0
3.1967 0.0052 [3.1863; 3.2081] 2.9078

1
2.9031 0.0455 [2.8100; 2.9888] -0.9063

2
2.37e-4 5.24e-6 [2.27e-4; 2.47e-4] 9.29e-4
B Mdia D.P I.C.(95%) M. Q.

0
3.2382 0.0094 [3.2207; 3.2571] 3.2383

1
4.2409 0.0915 [4.0635; 4.4162] 4.2415

2
4.70e-4 1.39e-5 [4.43e-4; 4.97e-4] 1.84e-3
uma amostra de tamanho 1000 que foi utilizada para o clculo das estimativas bayesianas
via MCMC. Os resultados so mostrados na Tabela 1.
Podemos observar na Tabela 1, que as estimativas de mnimos quadrados para a parcela
A, resultam em uma relao biolgicamente inconsistente para representar a relao hip-
somtrica, o que inviabiliza a utilizao de tal procedimento. J o ajuste pelo mtodo
bayesiano proposto foi adequado, visto que suas estimativas respeitaram as restries e
esto dentro do IC(95%).
Quando o mtodo de mnimos quadrados resulta em boas estimativas (caso da parcela
B), o mtodo bayesiano tambm satisfatrio, o que mostra a superioridade do mtodo
proposto, o qual adequa-se a qualquer situao.
Referncias
[1] Albert, J.H. and Chib, S. (1996), Computation in Bayesian Econometrics: An Intro-
duction to Markov Chain Monte Carlo, in Hill, R.C. (ed.), Advances in Econometrics
Volume 11A: Computational Methods and Applications. JAI Press, Greenwich, pp.3-24.
[2] Curtis, R. O. (1967). Height diameter and height diameter age equations for second
growth Douglas-r. Forest Science, v. 13, n. 4, p. 365-375.
5