1.10.3.3 - Incerteza devido a curva de calibração: Método Delta

Você está aqui

Nesta seção, vamos utilizar o método delta para calcularmos a incerteza devido a curva de calibração. O método delta é uma técnica para aproximar um vetor aleatório, através da expansão pela séria de Taylor. Ela proporciona transformações que levam a uma variância assintótica que é independente do parâmetro. Se usarmos a aproximação de 1a ordem para $ g(\widehat{x}_0) $ obtemos


$$g( \widehat{y_0}, \widehat{\beta_0}, \widehat{\beta_1} ) = \widehat{x_0} = \dfrac{\widehat{y_0} - \widehat{\beta_0} }{ \widehat{\beta_1} }$$

Expandimos em série de Taylor até primeira ordem, com isso obtemos,

 $ \mathbb{E}(g(\widehat{x}_0))=g( \widehat{y_0}, \widehat{\beta}_0, \widehat{\beta}_1 ) \approx g( y_0, \beta_0, \beta_1 ) + ( \hat{y_0} - y_0 ) \dfrac{ \partial g( y_0, \beta_0, \beta_1 ) }{ \partial y_0 } + $

$ +( \hat{\beta_0} - \beta_0 ) \dfrac{ \partial g( y_0, \beta_0, \beta_1 ) }{ \partial \beta_0 }+ ( \hat{\beta_1} - \beta_1 ) \dfrac{ \partial g( y_0, \beta_0, \beta_1 ) }{ \partial \beta_1 } + 2 (\hat{y_0} - y_0)( \hat{\beta_0} - \beta_0 ) \dfrac{ \partial^2 g( y_0, \beta_0, \beta_1 ) }{\partial y_0 \partial \beta_0}+ $

$ + 2 (\hat{y_0} - y_0)( \hat{\beta_1} - \beta_1 ) \dfrac{ \partial^2 g( y_0, \beta_0, \beta_1 ) }{\partial y_0 \partial \beta_1} + 2 (\hat{\beta_0} - \beta_0)( \hat{\beta_1} - \beta_1 ) \dfrac{ \partial^2 g( y_0, \beta_0, \beta_1 ) }{\partial \beta_0 \partial \beta_1} $

Então $ \hat{\phi} = g( \widehat{y_0}, \widehat{\beta_0}, \widehat{\beta_1} ) $ é o estimador de $ g( y_0, \beta_0, \beta_1 ) $ e temos aproximadamente,

 $ \text{Var}( \hat{\phi} ) = \text{Var} ( \widehat{x_0} ) \approx \text{Var}( \widehat{y_0} ) \left( \dfrac{\partial \hat{\phi} }{ \partial y_0 } \right)^2 + \text{Var}( \widehat{\beta_0} ) \left( \dfrac{\partial \hat{\phi} }{ \partial \beta_0 } \right)^2 + \text{Var}( \widehat{\beta_1} ) \left( \dfrac{\partial \hat{\phi} }{ \partial \beta_1 } \right)^2 $

$ + 2 \text{Cov}( \hat{y_0}, \hat{\beta_0} ) \left( \dfrac{ \partial \hat{\phi} }{ \partial y_0} \dfrac{ \partial \hat{\phi} }{ \partial \beta_0 } \right) + 2 \text{Cov}( \widehat{y_0}, \widehat{\beta_1} ) \left( \dfrac{ \partial \hat{\phi} }{ \partial y_0} \dfrac{ \partial \hat{\phi} }{ \partial \beta_1 } \right) + 2 \text{Cov}( \widehat{\beta_0}, \widehat{\beta_1} ) \left( \dfrac{ \partial \hat{\phi} }{ \partial \beta_0} \dfrac{ \partial \hat{\phi} }{ \partial \beta_1 } \right) $      (1.10.3.3.1)

Da seção 1.3 Propriedades dos Estimadores, temos que

  • $ \text{Var}( y_0 ) = \sigma^2  $ 
  • $ \text{Var} ( \widehat{\beta_0} ) = \sigma^2 \left( \dfrac{1}{n} + \dfrac{ \overline{x}^2 }{ S_{xx} } \right) $ 
  • $ \text{Var} ( \widehat{\beta_1} ) = \dfrac{ \sigma^2 }{ S_{xx} } $ 
  • $ \text{Cov} ( \widehat{\beta_0}, \widehat{\beta_1} ) = - \dfrac{ \overline{x}\sigma^2 }{ S_{xx} } $

 

Agora, é necessário calcularmos as derivadas. Assim,

 

 $ \dfrac{ \partial \hat{\phi} }{ \partial y_0 } = \dfrac{1}{ \beta_1 } $

 

 $ \dfrac{ \partial \hat{\phi} }{ \partial \beta_0 } = -\dfrac{1}{ \beta_1 } $

 

 $ \dfrac{ \partial \hat{\phi} }{ \partial \beta_1 } = - \dfrac{(y_0 - \beta_0) }{ \beta_1^2 } = - \dfrac{\phi}{\beta_1} $

 

 $ \dfrac{ \partial \hat{\phi} }{ \partial y_0} \dfrac{ \partial \hat{\phi} }{ \partial \beta_0 } = \dfrac{1}{\beta_1} \left( -\dfrac{1}{\beta_1} \right) = - \dfrac{1}{\beta_1^2} $

 

 $ \dfrac{ \partial \hat{\phi} }{ \partial y_0} \dfrac{ \partial \hat{\phi} }{ \partial \beta_1 } = \dfrac{1}{\beta_1} \left( - \dfrac{(y_0 - \beta_0) }{ \beta_1^2 } \right) = \left( - \dfrac{ y_0 - \beta_0 }{ \beta_1^3 } \right) = - \dfrac{\phi}{\beta_1^2}  $

 

$ \dfrac{ \partial \hat{\phi} }{ \partial \beta_0} \dfrac{ \partial \hat{\phi} }{ \partial \beta_1 } = \left( -\dfrac{1}{\beta_1} \right) \left( -\dfrac{y_0 - \beta_0}{ \beta_1^2 } \right) = \dfrac{y_0 - \beta_0}{ \beta_1^3 } = \dfrac{\phi}{\beta_1^2} $

 

em que $ \phi = \dfrac{y_0 - \beta_0}{\beta_1} $

Substituímos as derivadas e os dados obtidos nas seções anteriores em (1.10.3.3.1).


$$ \text{Var}(\widehat{x_0}) \approx \dfrac{2 \text{QME}}{n\widehat{\beta}^2_1}+\dfrac{\widehat{x}^2_0 \text{QME}}{\widehat{\beta}^2_1 S_{xx}} +\dfrac{2\overline{x}^2 \text{QME}}{\widehat{\beta}^2_1 S_{xx}}- 2\dfrac{\widehat{x}_0\overline{x} \text{QME}}{\widehat{\beta}^2_1 S_{xx}} +$$

$ +\dfrac{\widehat{y}^2_0 \text{QME}}{\widehat{\beta}^2_1 S_{xx}}+\dfrac{\widehat{\beta}^2_0 \text{QME}}{\widehat{\beta}^2_1 S_{xx}} - 2\dfrac{\widehat{y}_0\widehat{\beta}_0 \text{QME}}{\widehat{\beta}^2_1 S_{xx}}+2\dfrac{\text{QME}}{2\widehat{\beta}^2_1}+ 2\dfrac{\overline{x}^2 \text{QME}}{\widehat{\beta}^2_1 S_{xx}}- $

$ -2\dfrac{\widehat{x}_0\overline{x}\widehat{\beta}_0 \text{QME}}{\widehat{\beta}^2_1 S_{xx}} -4\dfrac{\widehat{y}^2_0\overline{x}\widehat{\beta}_0 \text{QME}}{\widehat{\beta}^2_1 S_{xx}} - 4\dfrac{\widehat{\beta}^2_0\overline{x}\text{QME}}{\widehat{\beta}^2_1 S_{xx}} +8\dfrac{\widehat{y}_0\widehat{\beta}_0 \text{QME}}{\widehat{\beta}^2_1 S_{xx}}+  $

$ + 2\dfrac{\widehat{x}^2_0\widehat{y}^2_0 \text{QME}}{\widehat{\beta}^2_1 S_{xx}}+2\dfrac{\widehat{x}^2_0\widehat{\beta}^2_0 \text{QME}}{\widehat{\beta}^2_1 S_{xx}} -4\dfrac{\widehat{x}^2_0\widehat{y}_0\widehat{y}_0 \text{QME}}{\widehat{\beta}^2_1 S_{xx}} $

Com algumas manipulações algébricas obtemos

$  \text{Var}(\widehat{x_0}) \approx \dfrac{ \text{QME}}{\widehat{\beta}^2_1}\left[\dfrac{4}{n}+\dfrac{(\widehat{x}_0-2\overline{x})^2}{S_{xx}} + +\dfrac{(\widehat{y}_0-\widehat{\beta}_0)^2}{S_{xx}}(1-4\overline{x}+2\widehat{x}^2_0)\right] $

 Portanto, a incerteza devido à curva de calibração pelo método delta é dada por


$$u(\widehat{x_0}) \approx \dfrac{ \sqrt{\text{QME}}}{\widehat{\beta}_1}\sqrt{\dfrac{4}{n}+\dfrac{(\widehat{x}_0-2\overline{x})^2}{S_{xx}} + \dfrac{(\widehat{y}_0-\widehat{\beta}_0)^2}{S_{xx}}(1-4\overline{x}+2\widehat{x}^2_0)}$$

Exemplo 1.10.3.3.1:

 

Voltamos ao exemplo da motivação. Já temos calculado:

  • $ \overline{x} = 0,73  $ 
  • $ S_{xx} = 7,794 $ 
  • $ \widehat{\beta_1} = 0,00047 $
  • $ \widehat{\beta}_0=-1,958\times 10^{-5} $
  • $ QME = 3,98 \times 10^{-10} $
  • $ \widehat{y}_0=0,000451085 $

 

Suponhamos, $ \hat{x}_0 = 1, $ logo a incerteza devido à curva de calibração pelo método Delta é dada por

 


$$u(\widehat{x_0}) = \dfrac{ \sqrt{\text{QME}}}{\widehat{\beta}_1}\sqrt{\dfrac{4}{n}+\dfrac{(\widehat{x}_0-2\overline{x})^2}{S_{xx}} + \dfrac{(\widehat{y}_0-\widehat{\beta}_0)^2}{S_{xx}}(1-4\overline{x}+2\widehat{x}^2_0)}$$


$$=\dfrac{ \sqrt{3,98\times 10^{-10}}}{0,00047}\sqrt{\dfrac{4}{15}+\dfrac{(1-2\times 0,73)^2}{7,794} + \dfrac{(0,000451+1,958\times 10^{-5})^2}{7,794}(1-4\times 0,73+2 \times 1^2)}=$$


$$=0,022977$$

 

 Para entender como executar essa função do Software Action, você pode consultar o manual do usuário.

 

Na próxima seção, vamos descrever o método de Fieller.

 

 

 

Análise de Regressão

Sobre o Portal Action

O Portal Action é mantido pela Estatcamp - Consultoria Estatística e Qualidade, com o objetivo de disponibilizar uma ferramenta estatística em conjunto com uma fonte de informação útil aos profissionais interessados.

Facebook

CONTATO

  •  Maestro Joao Seppe, 900, São Carlos - SP | CEP 13561-180
  • Telefone: (16) 3376-2047
  • E-Mail: [email protected]