Relatrio de Estatstica Computacional

Gabriel Fazzio de Paula

N USP: 7558179
01 de dezembro de 2015

Introduo
Considere a avaliao de um tipo de treinamento fisico que promete acelerar a perda de
gordura em pessoas jovens do sexo feminino, o High Intensity Interval Exercise. Para criar
uma previso da perda de gordura em 4 semanas foi criado um modelo esttistico a partir da
razo entre VO2 anterior e posterior ao experimento , que indicam o condicionamento fsico
final e incial, e o IMC do candidato quando inicia o treinamento.
Obteve-se 21 pares (VO2 i , IMCi) bem como a razo entre a taxa de gordura antes e depois do
experimento (Fri), observa-se na figura 1 o scatterplot ente esses trs dados.

Figura 1 - Scatterplot entre a razo de VO2 , IMC inicial e a razo da gordura

Dessa forma, o seguinte modelo de p.d.f. com parmetros = (A,B,C,D,E,F) considerado para
modelar a varivel aleatria Fri que representa a razo da gordura corprea do sujeito i:

( = ( | , 2 , )) = ( ; ( , 2 , ), ())
Onde (, 2, ) = + + 2 , () = e

(; , ) =

1
2

( )2
2 2

Estimador de Mxima Verosimilhana

Para estimar os parmetros da p.d.f. do modelo acima considera-se o estimador de mxima
verosimilhana, sendo a verosimilhana definida por:

(, , 2, ) = ( ; ( , 2 , ), ())
=1
Onde = ( )
Dessa forma, o logaritmo da verosimilhana dado por:

(, , 2, ) = ln (
=1

1
2

(+ +2 )

2 2

Algoritmos de Otimizao
Dois algoritmos de otimizao foram implementados e testados: Newton-Raphson e Subida da
montanha. Todos algoritmos comeam com uma estimativa inicial 0 e atualiza tal soluo a
cada iterao. O algoritmo de subida da montanha considera o gradiente (t) para obter a
nova estimativa t+1 por meio de:

Onde t o passo utilizado na iterao t. Se a nova iterao for melhor, ou seja o loglikelihood for maior, o passo dobrado; se no, a iterao atual permanece igual a anterior e o
passo diminuido pela metade, o algoritmo para se o alfa ou a distancia entre o log-likelihood
da iterao anterior e atual forem menores que um erro escolhido.
O algoritmo de Newton-Raphson, alm de considerar o gradiente (t), tambm considera o
hessiano H(; x,y). Uma nova estimativa t+1 obtida por:

Sendo que as condies de convergncias so garantidas apenas em uma regio prximo a

pontos de mximos locais e nesse caso pode-se escolher t = 1. No entanto, utilizou-se a

seguinte regra para escolha do passo t: Se a nova iterao for melhor, ou seja o log-likelihood
for maior, o passo dobrado; se no, a iterao atual permanece igual a anterior e o passo
diminuido pela metade, o algoritmo para se o alfa ou a distancia entre o log-likelihood da
iterao anterior e atual forem menores que um erro escolhido. Outra alterao feita foi, se a
matriz hessiana no ponto tem determinante igual a zero, e portanto no inversvel, utilizada
a matriz identidade em seu lugar, e portanto neste passo ser utilizado o algoritmo da subida
da montanha.

Resultados
Estimador de Mxima Verosimilhana
Para estimar os parmetros do modelo, foram utilizados os resultados de 21 mulheres jovens a
fim de otimizar um que melhor represente os resultados. O mtodo de otimizao utilizado
foi o de newton, devido a qualidade dos resultados e o tempo de execuo menor. Os
resultados podem ser observados na figura 1.
Figura 1: Histograma do log-likelihood do mtodo de newton para otimizao do theta

300
100
0

Frequency

Histogram of llhsFinais

-2500000

-1000000

llhsFinais

Intervalo de confiana
Para o intervalo de confiana foram utilizados alfa = 0.1 e 1000 simulaes, utilizando o theta
encontrado na seco anterior (21.07304257, 0.21819858, -0.06722510, -0.13475031,
0.80125692, -0.04639759).Os intervalos para cada parmetro ,cujo os histogramas podem ser
observados na figura 3, foram:

-212.561014 A 7.279314
-223.4227368 B -0.8501422
-26.7840735 C -0.1253761
-155.259709 D -3.756112
-27.82532 E -15.60669
-11.3723768 F -0.0124044

Figura 3: Histogramas dos intervalos dos parmetros