############################### Modelo para dados de preço ##############################



 detach(dados)

 dados<-read.table("f:\\dados\\preços.tXt", header=TRUE)

 attach(dados)

 X <- cbind(1, X1, X2, X3, X4, X5, X6, X7, X8, X9)
 
 lm(Y ~ -1 +X) # por que colocar -1 ?

 fit.model <- lm(Y ~ -1 +X)

 library(MASS)

 stepAIC(lm(Y ~ X1+X2+X3+X4+X5+X6+X7+X8+X9), direction = "both")
 
 fit.model <- 

 source("f:\\fontes\\diag_norm")

 source("f:\\fontes\\envel_norm.txt")



############################### Modelo para dados de censo ##############################


dados<-read.table("f:\\Dados\\censo.tXt", header=TRUE)

attach(dados)

Y <- renda

X <- escolaridade

fit.model <- lm(renda~escolaridade)

source("f:\\fontes\\envel_norm.tXt")
source("f:\\fontes\\diag_norm")

# Transformação em X

 plot(escolaridade^2, renda)
 par(new=TRUE)
 plot(lowess(escolaridade^2,renda), type="l", ylim=range(renda), Xlim=range(escolaridade^2), ylab="", Xlab="",  lty=2)
 fit.model <- lm(renda~escolaridade^2)
source("f:\\fontes\\envel_norm.tXt")
source("f:\\fontes\\diag_norm")


# Transformação em Y

 plot(escolaridade, log(renda))
 par(new=TRUE)
 plot(lowess(escolaridade, log(renda)), type="l", ylim=range(log(renda)), Xlim=range(escolaridade), ylab="", Xlab="",  lty=2)
 fit.model <- lm(log(renda)~escolaridade)
 source("f:\\fontes\\envel_norm.tXt")
 source("f:\\fontes\\diag_norm")


# Modelo gama

 fit.model = glm(renda ~ escolaridade, family=Gamma(link=log))

 summary(fit.censo)

 source("f:\\fontes\\envel_gama")
 source("f:\\fontes\\diag_gama")







############################### Modelo para dados de poliamina ##############################






# Transformação na variável resposta
# Modelo original Y ~ X

rm(list=ls(all=TRUE))

dados<-read.table("d:\\dados\\poliamina.txt", header=TRUE)

attach(dados)

par(mfrow=c(1,3))

plot(X,Y, pch=16)

abline(lm(Y~X), lwd=2)

par(new=TRUE)

plot(lowess(X,Y), type="l", ylim=range(Y), xlim=range(X), ylab="", xlab="",  lty=2)

legend(locator(1), c("modelo linear", "lowess"), lwd=c(2,1), lty=c(1,2))

fit.model <-lm(Y~X)

## Programa do Gilberto para resíduos padronizados
X <- model.matrix(fit.model)
n <- nrow(X)
p <- ncol(X)
H <- X%*%solve(t(X)%*%X)%*%t(X)
h <- diag(H)
lms <- summary(fit.model)
s <- lms$sigma
r <- resid(lms)
si <- lm.influence(fit.model)$sigma
tsi <- r/(si*sqrt(1-h))
a <- max(tsi)+1
b <- min(tsi)-1
plot(tsi, pch=16, ylab="resíduos padronizados", xlab="índices", ylim=range(a,b))
abline(2,0,lty=2)
abline(-2,0,lty=2)

qqnorm(tsi, pch=16, ylab="resíduos", xlab="índices")

abline(0,1)

source("d:\\fontes\\envel_norm.txt")




# Transformação na variável preditora
# Modelo original log(Y) ~ X

rm(list=ls(all=TRUE))

dados<-read.table("d:\\dados\\poliamina.txt", header=TRUE)

attach(dados)

par(mfrow=c(1,3))

plot(X,log(Y), pch=16)

abline(lm(log(Y)~X), lwd=2)

par(new=TRUE)

plot(lowess(X,log(Y)), type="l", ylim=range(log(Y)), xlim=range(X), ylab="", xlab="",  lty=2)

legend(locator(1), c("modelo linear", "lowess"), lwd=c(2,1), lty=c(1,2))

fit.model <-lm(log(Y)~X)

## Programa do Gilberto para resíduos padronizados
X <- model.matrix(fit.model)
n <- nrow(X)
p <- ncol(X)
H <- X%*%solve(t(X)%*%X)%*%t(X)
h <- diag(H)
lms <- summary(fit.model)
s <- lms$sigma
r <- resid(lms)
si <- lm.influence(fit.model)$sigma
tsi <- r/(si*sqrt(1-h))
a <- max(tsi)+1
b <- min(tsi)-1
plot(tsi, pch=16, ylab="resíduos padronizados", xlab="índices", ylim=range(a,b))
abline(2,0,lty=2)
abline(-2,0,lty=2)

qqnorm(tsi, pch=16, ylab="resíduos", xlab="índices")

abline(0,1)

source("d:\\fontes\\envel_norm.txt")


# Transformação de Box-Cox

rm(list=ls(all=TRUE))

dados<-read.table("d:\\dados\\poliamina.txt", header=TRUE)

attach(dados)

boxcox(Y ~ X, lambda = seq(-2, 2, len = 20))

rm(list=ls(all=TRUE))

par(mfrow=c(1,3))

plot(X,1/sqrt(Y), pch=16)

abline(lm(1/sqrt(Y) ~ X), lwd=2)

par(new=TRUE)

plot(lowess(X,1/sqrt(Y)), type="l", ylim=range(log(Y)), xlim=range(X), ylab="", xlab="",  lty=2)

legend(locator(1), c("modelo linear", "lowess"), lwd=c(2,1), lty=c(1,2))

fit.model <-lm(1/sqrt(Y)~X)

## Programa do Gilberto para resíduos padronizados
X <- model.matrix(fit.model)
n <- nrow(X)
p <- ncol(X)
H <- X%*%solve(t(X)%*%X)%*%t(X)
h <- diag(H)
lms <- summary(fit.model)
s <- lms$sigma
r <- resid(lms)
si <- lm.influence(fit.model)$sigma
tsi <- r/(si*sqrt(1-h))
a <- max(tsi)+1
b <- min(tsi)-1
plot(tsi, pch=16, ylab="resíduos padronizados", xlab="índices", ylim=range(a,b))
abline(2,0,lty=2)
abline(-2,0,lty=2)

qqnorm(tsi, pch=16, ylab="resíduos", xlab="índices")

abline(0,1)


source("d:\\fontes\\envel_norm.txt")








############################### Modelo para dados de programação ##############################


dados<-read.table("f:\\dados\\programacao.tXt", header=TRUE)

attach(dados)

fit.model <- glm(sucesso ~ tempo, family=binomial(link=logit))

curve(eXp(-3.0597+ 0.1615 *X)/(1+eXp(-3.0597+ 0.1615 *X)), 0,55)

source("f:\\fontes\\envel_bino")