Professional Documents
Culture Documents
LAVRAS MG
2013
Orientador
Dr. Daniel Furtado Ferreira
LAVRAS MG
2013
UNIFAL
UFLA
UFLA
UFLA
AGRADECIMENTOS
Deus, pela sade, coragem e discernimento para vencer todas as
GLculdades, incertezas e solido que povoaram esses trs anos de dedicao ao
meu sonho.
Aos meus lhos, minha me, meus irmos e demais familiares, por
respeitarem minhas decises e acreditarem no meu sucesso.
Ao professor e orientador Daniel Furtado Ferreira, pela ateno e
pacincia com que conduziu nossos estudos. Seu SURVVLRQDOLVPR e dedicao
so inspirao para seguir na SURVVmR do magistrio.
Aos colegas do curso de Ps-graduao em Estatstica e Experimentao
Agropecuria, pelo colegismo e amizade que nos uniu, seja nas horas de estudo
ou no lazer. Foi um prazer conhec-los e conviver com todos durante esse
tempo.
Aos amigos e amigas que entenderam meus objetivos e, mesmo de
longe, me incentivaram nesta jornada.
Em especial Teresa, Alma Cristina, Cleonir, Leontina, Luis Felipe e
Weber, pelo apoio constante.
Aos professores do Departamento de Cincias Exatas da UFLA, pelos
ensinamentos, amizade e boa convivncia.
A todos os funcionrios do Departamento de Cincias Exatas, em
especial a Josi, secretria da Ps-graduao, pelo suporte e ateno.
Sinceros agradecimentos a todos!
RESUMO
O teste de Dunnett um teste utilizado para comparar simultaneamente
a mdia de tratamentos em teste com a mdia de um tratamento controle,
considerando que as amostras so aleatrias e independentes, oriundas de
variveis com distribuies normais. A limitao para o uso deste teste a
GLFXOGDGH em se obter as probabilidades da distribuio t multivariada e os
valores dos quantis da estatstica, pois o teste pode ser aplicado em situaes
balanceadas e no-balanceadas, unilateral ou bilateral, com LQQLWDV
possibilidades de correlaes entre as comparaes. Este trabalho apresentou
detalhadamente as distribuies t multivariadas no-centrais relacionadas ao
teste de Dunnett e desenvolveu, implementou e disponibilizou uma biblioteca no
VRIWZDUH5 HVSHFtFD para obter as probabilidade das distribuies do teste, com
dados balanceados ou no e em testes unilaterais e bilaterais, considerando o
caso no-central. Alm disso, a rotina tambm fornece o valor dos quantis para a
estatstica do teste nestes casos. Partindo das ideias propostas por Dunlap, Marx
e Agamy (1981), buscou-se ampliar e melhorar a performance do algoritmo
proposto por esses autores, utilizando mtodos numricos de quadratura
gaussiana ao invs da regra de Simpson para resolver as integrais,
desenvolvendo funes que fornecessem os valores desejados. Os algoritmos
foram propostos e implementados com sucesso. Os valores das probabilidades e
dos quantis obtidos pelas rotinas tm, no mnimo, a mesma preciso de valores
comparados a partir de referncias ELEOLRJUiFDV ou outras rotinas
computacionais. Alm disso, a preciso dos valores fornecidos pode aumentar
conforme a necessidade do usurio, apenas aumentando o nmero de pontos para
a quadratura. A biblioteca Q&'XQQHWW foi implementada e submetida ao CRAN-R
e encontra-se disponibilizada para instalao em todas as verses R iguais ou
superiores a 2.15.0, com livre acesso por todos os usurios do programa no
mundo.
ABSTRACT
The Dunnett test is used to simultaneously compare the mean of the
treatments to the mean of a control treatment, considering random and
independent samples, derived from normal distribution variables. Obtaining the
probabilities of multivariate t distribution and the statistical quantiles values is a
limitation due to the pos sibility of applying the test in balanced and nonbalanced situations, unilaterally or bilaterally, with innite correlation
possibilities between the comparisons. This work presented the detailed noncentral multivariate t distribution related to the Dunnett test. It also developed,
implemented and made available an R software li-brary specic to obtaining the
probabilities of the tests distribution, with balanced or unbalanced data in
unilateral or bilateral tests, considering it a non-central case. In addition, the
routine also provides the quantiles values for the statistics of the test in these
cases. Based on the ideas proposed by Dunlap, Marx and Agamy (1981), we
attempted to amplify and improve the performance of the algorithm proposed by
these authors using Gaussian quadrature numeric methods instead of the
Simpson rule to solve integrals, developing functions witch provide the desired
values. The algorithms were proposed and implemented successfully. The
probability and quantiles values obtained by the routines have, at least, the same
precision of values compared from bibliographical references or other
computational routines. In addition, the precision of the provided values may
increase according to the users necessity, increasing only the number of
quadrature points. The Q&'XQQHWW library was implemented and submitted to the
CRAN-R and is available for installation in all R versions, equal or superior to
2.15.0, with free access for all users.
Key-words: Non-central multivariate 7. Multiple comparisons with control.
R software.
LISTA DE FIGURAS
Figura 1
Figura 2
e (x) =
e sua integral no
(1,7x+1,7)2
8
a ser integrada
e sua integral no
Figura 8
Figura 9
graus de liberdade , em que a linha horizontal tracejada referese a probabilidade da normal multivariada nessas mesmas
condies .................................................................................... 188
LISTA DE TABELAS
Tabela 1 Frequncias de erros tipo I (letra V) e II (letra T) em testes de
hipteses mltiplas ........................................................................ 29
Tabela 2 Caractersticas de algumas famlias de polinmios ortogonais
clssicos ........................................................................................ 72
Tabela 3 Erro de aproximao das quadraturas cujas funes f(x) so de
grau maior do que 2n 1 ou so funes no polinomiais e
foram aproximadas por polinmios ortogonais de grau n, dadas
por Ralston e Rabinowitz (1965), sendo f (2n)(x) contnua em [a,b] . 75
Tabela 4 Frmulas para montar a matriz de Jacobi das quadraturas
gaussianas usuais e o valor da constante 0 utilizada para o
clculo dos pesos (wis) de cada quadratura .................................... 86
Tabela 5 Probabilidade do teste de Dunnett em funo do nmero de
pontos da quadratura n, para infinitos graus de liberdade, d =
1,35 e = (0,2; 0,5; 0,5), obtidas pelas funes pNDUD(d, , ,
n) para o teste unilateral e pNDBD(d, , , n) para o teste
bilateral ....................................................................................... 189
Tabela 6 Probabilidade do teste de Dunnett em funo do nmero de
pontos da quadratura n e dos graus de liberdade , para = (0,2;
0,5; 0,5), d = 1,35, obtidas pelas funes pNDUDF(d, , , , n)
para o teste unilateral e pNDBDF(d, , , , n) para o teste
bilateral ....................................................................................... 191
Tabela 7 Probabilidades do teste de Dunnett bilateral obtidas pela funo
pNDBD(d, , , n) e pmvt do pacote mvtnorm do sistema R e
em algoritmos da literatura, para , = 0, d = 2 e n = 100
pontos na quadratura ................................................................... 193
SUMRIO
1
2
2.1
2.2
2.2.1
2.2.2
2.3
3
3.1
3.2
3.3
3.4
3.5
3.6
3.7
4
4.1
4.1.1
4.1.2
4.1.3
4.1.4
4.1.5
4.1.6
4.2
4.2.1
4.2.2
4.2.3
4.2.4
4.3
INTRODUO ............................................................................ 15
PROCEDIMENTOS DE COMPARAES MLTIPLAS PCMs............................................................................................ 20
Introduo..................................................................................... 20
Erro tipo I em PCMs ................................................................... 25
Taxa de erro por comparao - TPC (per comparison error
rate) ............................................................................................ 29
Taxa de erro por experimento - TPE (per experiment error
rate) ............................................................................................ 32
Poder dos PCMs........................................................................... 33
TESTE DE DUNNETT................................................................. 36
Introduo..................................................................................... 36
Modelo estatstico e pressuposies .............................................. 40
Teste de Dunnett unilateral para dados balanceados................... 41
Teste de Dunnett unilateral para dados no-balanceados ........... 48
Teste de Dunnett bilateral para dados balanceados ..................... 54
Teste de Dunnett bilateral para dados no balanceados.............. 58
Aspectos computacionais relacionados s distribuies das
estatsticas do teste de Dunnett disponveis na literatura ............ 62
TCNICAS MATEMTICAS ..................................................... 67
Integrao numrica..................................................................... 67
Quadratura gaussiana .................................................................. 69
Algoritmo de Golub Welsch ....................................................... 76
Quadraturas para integrais imprprias....................................... 85
Mudana dos intervalos de integrao ......................................... 88
Quadraturas gaussianas no VRIWZDUH5....................................... 92
Exemplo de resoluo de integral por quadratura gaussiana
com o uso do VRIWZDUH5 ............................................................... 93
Mtodos numricos para a determinao de razes de equaes . 96
Mtodo do falso positivo ............................................................... 97
Mtodo da secante......................................................................... 99
Mtodo de Pgaso ou Pgasus....................................................... 101
Mtodo de Newton-Raphson ........................................................ 102
Mtodo do jacobiano de transformao de variveis................... 105
5
5.1
5.2
5.3
5.3.1
5.4
5.4.1
5.4.2
5.4.3
5.4.4
6
6.1
6.2
6.3
6.3.1
6.3.2
6.3.3
6.3.4
6.3.5
108
109
112
116
121
122
123
124
127
134
141
141
149
155
157
161
163
164
165
6.3.6
166
167
172
177
181
184
185
187
207
209
214
231
15
1 INTRODUO
16
17
de
probabilidades
multivariadas,
obtendo
18
19
20
2.1 Introduo
21
S
S
22
S
S
+
S2
S2
+
S2
S2
1 + 1
=
5
X
X
(
)
23
sendo
estimador
da
varincia
comum
das
duas
populaes
(= =
,) a mdia ponderada das varincias amostrais, utilizando como peso
( 1) S + ( 1) S 1
1
( ) =
+
+ 2
Sob a hiptese nula de igualdade de mdias ou efeitos dos dois
tratamentos, a estatstica tc tem distribuio t de Student com = + 2
graus de liberdade (ANDRADE; OGLIARI, 2007). Num teste bilateral, a
C=
r +1 X
n
X
Yia
i=1 a=1
(r + 1)n
!2
r +1 X
n
X
2
Yia
C,
i=1 a=1
r +1
X
(Yi. )2
C,
n
i=1
24
r +1 X
n
X
i=1 a=1
2
Yia
r +1
X
(Yi. )2
.
a
i=1
25
Numa inferncia com uma nica hiptese nula (H0) a estatstica de teste
escolhida de forma que controle o risco de rejeitar a hiptese nula verdadeira
mantendo a taxa de erro tipo I num valor xo para determinado tamanho de
amostra. Estes procedimentos de inferncias individuais asseguram a taxa de
erro tipo I xa para a comparao que est sendo realizada.
26
pDWD[DGHHUURWLSR,SRUFRPSDUDomR
A nulidade global verdadeira representa a situao em que todas as mdias dos
tratamentos so consideradas iguais, ou seja, H0 : 1 = 2 = . . . = r.
9
O erro tipo I global das inferncias simultneas a taxa de erro tipo I por experimento.
8
27
0.8
0.6
0.4
= 0.01
= 0.02
= 0.03
0.2
1.0
28
= 0.04
= 0.05
0.0
= 0.1
20
40
60
80
100
)LJXUD3UREDELOLGDGHGHHUURWLSR,JOREDOHPSURFHGLPHQWRVGHFRPSDUDo}HV
P~OWLSODV VHP FRQWUROH GH PXOWLSOLFLGDGH SDUD GLIHUHQWHV QtYHLV
QRPLQDLVGHVLJQLILFkQFLDHQ~PHURGHKLSyWHVHVQXODVWHVWDGDVP
a) M = {1, , m} o conjunto indicador associado com as respectivas
hipteses nulas H01, H02, , H0m;
29
Verdadeiras
U
V
m0
Falsas
T
S
m m0
@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@
Total
W
R
m
Usando os m pares de comparaes como uma famlia de inferncias, a
2.2.1 Taxa de erro por comparao - TPC (per comparison error rate)
A taxa de erro tipo I por comparao, TPC, segundo Bretz, Hothorn e
Westfall (2011) e Hochberg e Tamhane (1987) GHQLGD como aproporo
10
30
E(V )
.
m
31
taxa
de
erro
tipo
por
comparao
no
por
32
2.2.2 Taxa de erro por experimento - TPE (per experiment error rate)
Os autores Bretz; Hothorn e Westfall (2011), Hinkelmann e Kempthorne
(2007) e Hochberg e Tamhane (1987) GHQHP a taxa de erro por experimento
como a probabilidade de cometer no mnimo uma inferncia errada nas m
inferncias, dada por
TPE = P {V > 0};
Esta probabilidade tambm pode ser obtida por meio da simulao de
experimentos sem efeito de tratamento submetidos ao PCM. Determina-se a
razo entre o nmero de experimentos em que ocorreu pelo menos uma
inferncia errada pelo total de experimentos, quando um nmero muito grande
de experimentos so realizados (ou simulados).
Segundo Bretz, Hothorn e Westfall (2011), quando se deseja que as m
hipteses sejam consideradas conjuntamente como uma famlia, onde um nico
erro tipo I j conduz a uma deciso errada, a taxa de erro por experimento a
indicada, pois representa a probabilidade de tomar no mnimo uma deciso
incorreta. A TPE a taxa de erro mais comum utilizada em ensaios mltiplos,
especialmente quando o nmero de comparaes moderada ou quando
necessria uma forte evidncia para a rejeio da hiptese nula. A TPE faz um
ajuste para a multiplicidade de comparaes considerando que testada
individualmente cada hiptese m a um nvel de VLJQLFkQFLD m. Assim,
garante-se que TPE = P {V > 0}
Os testes clssicos de comparaes de mdias, como os testes t, Tukey,
Scheff, Scott-Knott, Bonferroni, Duncan, LSD e Student-Newman-Keuls
(SNK), quando utilizados para mais de uma comparao simultnea diferem na
forma de controle do erro tipo I. Ramalho, Ferreira e Oliveira (2005) DUPDP
33
34
= P [rejeitar H0i], i M1 = M | |,
)(
1
=
35
36
3 TESTE DE DUNNETT
nas
diversas
situaes
de
experimentos,
esclarecendo
suas
3.1 Introduo
37
38
i =
2
r+1
,
r2+1 + i2
2=2 =2/n
varincia da mdia do tratamento controle e i
i a varincia da
i
i =
ni
.
ni + nr+1
39
(1964), o que ocorre que apesar do pequeno aumento do valor crtico tabelado
(quantil) em relao ao caso equicorrelacionado, existe um ganho relativo devido
ao maior nmero de observaes do tratamento controle, o que resulta na
diminuio do erro padro entre a diferena dos tratamentos que aparece no
denominador da estatstica calculada.
40
i = 1, . . . , r + 1;
a = 1, . . . , ,
em que
a mdia do i-simo tratamento;
= =
41
b2 = QM E =
(Yia Y i )2
i=1 a=1
(3.2.3)
= ( 1) graus de liberdade.
A varivel aleatria
1
1
+
+ 1
= 1,2, ,
dada por
42
1
1
+
=
b
ni nr+1
1
1
+ =
b
n n
2
.
n
2
, i = 1, . . . , r,
n
Z +
[(z +
(3.3.1)
sendo
e a funo densidade e de distribuio da normal padro,
respectivamente:
z2
1
(z) = e 2
2
(z) =
w2
1
e 2 dw;
2
12
/2
2
s1 es /2 , s 0
(/2)2/21
43
2 , i = 1, . . . , r,
n
EDODQFHDGRVGFRPRDVROXomRGDHTXDomR
Z
13
Z +
[(z +
44
tem se que
(
)
2
bi
br+1 d
b
, i = 1, . . . , r =
P i r+1 >
n
(
)
r
2
P i r+1 <
bi
br+1 + d
b
, i = 1, . . . , r =1.
n
r
Demonstrao:
i r+1 >
bi
br+1 d
b
2
, i = 1, . . . , r
n
=1
b
2, i = 1, . . . , r = 1
P (
bi
br+1 ) (i r+1 ) < d
n
)
(
(
bi i ) (
br+1 r+1 )
< d 2, i = 1, . . . , r = 1 .
P
b
br+1 r+1 )
(
bi i ) (
/ n
/ n
< d 2, i = 1, . . . , r
= 1 .
"(
(
bi i ) (
br+1 r+1 )
/ n
/ n
) #
b .
< sd 2, i = 1, . . . ,r |
45
br+1 r+1 )
(
bi i ) (
< sd 2, i = 1, . . . ,r |
b f (s; ).
P
/ n
/ n
de probabilidade marginal
Z
) #
" (
br+1 r+1 )
(
bi i ) (
< sd 2, i = 1, . . . ,r |
P
/ n
/ n
f (s; )ds = 1 ,
(3.3.2)
br+1 r+1 )
(
bi i ) (
E P
< sd 2, i = 1, . . . , r |
b .
/ n
/ n
h n
o
i
P Zi < sd 2 + z, i = 1, . . . , r |
br+1 .
46
h n
o
i
P Zi < sd 2 + z, i = 1, . . . , r |
br+1 (z),
h n
o
i
P Zi < sd 2 + z, i = 1, . . . , r |
br+1 (z)dz=1.(3.3.3)
Aexpressoanterior,naverdade,a
o
i
h n
br+1 .
E P Zi < sd 2 + Z, i = 1, . . . , r |
[(sd
2 + z)]r (z)dz = 1 .
(3.3.4)
47
Z +
[(z +
i r+1 <
bi
br+1 + d
b
2
, i = 1, . . . , r
n
= 1 ,
Portanto
1
1
+
.
n nr+1
(3.3.5)
)
1
1
+
, i = 1, ..., r =
i r+1 <
bi
br+1 + d
b
n nr+1
Z Z +
z + sd r
48
com =
1
1
+
.
ni nr+1
1
1
+
, i = 1, . . . , r,
ni nr+1
r
Z + Y
i=1
com
i =
i z + sd
nr+1
1+
ni
1
ni
, i = 1, . . . , r.
ni + nr+1
(3.4.1)
49
i r+1 <
bi
br+1 + d
b
1
1
+
, i = 1, . . . , r.
ni nr+1
Teorema 3.4.1 'HQLQGR D HVWDWtVWLFD GR WHVWH XQLODWHUDO SDUD GDGRV QmR
EDODQFHDGRVGFRPRDVROXomRGDHTXDomR
Z
r
Z + Y
i=1
i z + sd
50
com =
tem se que
i r+1 >
bi
br+1 d
b
i r+1 <
bi
br+1 + d
b
1
1
+
, i = 1, . . . , r
ni nr+1
1
1
+
, i = 1, . . . , r
ni nr+1
)
)
=
= 1 .
Demonstrao:
P
P
i r+1 >
bi
br+1 d
b
(
bi i ) (
br+1 r+1 ) < d
b
ni (
bi i )
1
1
+
, i = 1, . . . , r
ni nr+1
1
1
+
, i = 1, . . . , r
ni nr+1
=1
= 1 .
ni / tem-se
ni (
br+1 r+1 )
b
<d
Multiplicando o termo
)
r
ni
1+
, i = 1, . . . , r = 1 .
nr+1
)
(
por
e rearranjando o
51
(
bi i )
ni
br+1 r+1 )
b
ni (
<d
nr+1
nr+1
)
r
ni
1+
, i = 1, . . . , r = 1 .
nr+1
Como
ni
ni + nr+1
1
=
1
i
i =
nr+1
ni
ni + nr+1
1
=
ni
i
nr+1
1 i
=
ni
i
nr+1
1
=
ni
i
i
ni
=
1 i
nr+1
1 +
tem-se
r
i
ni
=
.
nr+1
1 i
(3.4.2)
De modo similar
1+
ni
i
=1+
1 i
nr+1
1
ni
=1+
1 i
nr+1
tem-se
r
1
ni
=
1+
.
nr+1
1 i
(3.4.3)
52
" (
P
(
bi i )
ni
) #
i (
br+1 r+1 )
sd
, com i = 1, . . . , r |
b
<
1 i
1 i
nr+1
f (s; )ds = 1 .
(3.4.4)
E P
(
bi i )
ni
i (
sd
br+1 r+1 )
<
, i = 1, . . . , r
1 i
1 i
nr+1
)#
i z + sd
, i = 1, . . . , r |
br+1 (z)dz,
P Zi <
1 i
i Z + sd
, i = 1, . . . , r |
br+1 .
E P Zi <
1 i
(3.4.5)
53
Mas P <
dada por
Y
r
i z + sd
1 z + sd
r z + sd
Z1 <
, . . . , Zr <
=
,
11
1 r
1
i
i=1
r
+ Y
L
i z + sd
(z)dz.
1 i
(3.4.6)
Substituindo(3.4.6)em(3.4.4)chega-sea
#
Z "Z + Y
r
i z + sd
i r+1 <
bi
br+1 + d
b
1
1
+
, i = 1, . . . , r
ni nr+1
= 1 .
54
i r+1
bi
br+1 |d|
b
2
, i = 1, . . . , r,
n
emque|d|asoluodaequao:
Z
Z +
55
Z +
[(z +
2|d|s) (z
tem-se que
(
i r+1
bi
br+1 |d|
b
2
, i = 1, . . . , r,
n
= 1 .
Demonstrao:
Partindo do pressuposto de que a probabilidade nas r inferncias
simultneas preservada e considerando , . . . , variveis aleatrias normais
i r+1
bi
br+1 |d|
b
|d|
b
2
, i = 1, . . . , r,
n
2
< (
bi i ) (
br+1 r+1 ) < |d|
b
n
=1
2
, i = 1, . . . , r
n
= 1 .
[(
bi i ) (
br+1 r+1 )]
2|d| <
b/
n/
<
2|d|, i = 1, . . . , r,
= 1 .
56
" (
P
2|d|s <
(
bi i ) (
br+1 r+1 )
) #
< 2|d|s, i = 1, . . . , r, |
b
f (s; )ds = 1 .
(3.5.2)
br+1 .
P z 2|d|s < Zi < z + 2|d|s, i = 1, . . . , r |
o
i
h n
br+1 (z)dz.
P z 2|d|s < Zi < z + 2|d|s, i = 1, . . . , r, |
(3.5.3)
n
o
57
r
P z 2|d|s < Zi < z + 2|d|s, i = 1, . . . , r, = (z + 2|d|s) (z 2|d|s) ,
(z +
2|d|s) (z
2|d|s)
ir
(z)dz.
(3.5.4)
Z
(z +
2|d|s) (z
2|d|s)
ir
Portanto, tem-se um caso especial do teste bilateralpara dDGos balanceados
com a correlao constante qualquer. Nesta situao, mais geral, tem-se que
(
)
1
1
+
, i = 1, ..., r =
P i r+1
bi
br+1 |d|
b
n nr+1
r
Z Z +
z + |d|s
z |d|s
1
1
0
com =
n
n+nr+1 .
58
1
1
+
, i = 1, . . . , r,
nj
nr+1
r
Y
i z + |d|s
i z |d|s
1 i
1 i
i=1
(3.6.1)
com
i =
nr+1
1+
ni
1
ni
, i = 1, . . . , r.
ni + nr+1
dependem das razes entre os tamanhos amostrais nr+1 /n1 , . . . , nr+1 /nr . Portanto, tambm no possvel tabular |d| de uma forma geral. Somente pode-se
referente aos tamanhos amostrais n = (n1 , . . . , nr+1 ) dos dados analisados que
afetaro a correlao = (1 , . . . , r ).
59
Teorema 3.6.1 'HQLQGR D HVWDWtVWLFD GR WHVWH ELODWHUDO SDUD GDGRV QmR
EDODQFHDGRV_G_FRPRDVROXomRGDHTXDomR
Z
r
+ Y
i=1
com =
P
i z + |d|s
i z |d|s
tem-se que
i r+1
bi
br+1 |d|
b
1
1
+
, i = 1, . . . , r
ni nr+1
=1
Demonstrao:
Partindo do pressuposto de que a probabilidade nas r inferncias
simultneas preservada e considerando , . . . , variveis aleatrias
normais padro independentes e identicamente distribudas, ento
i r+1
bi
br+1 |d|
b
ou seja,
1
1
+
, i = 1, . . . , r
ni nr+1
=1
60
|d|
1
(
bi i ) (
br+1 r+1 )
1
+
<
< |d|
ni nr+1
para i = 1, . . . , r,
r
ni
|d| 1 +
<
nr+1
r
ni
<
|d| 1 +
nr+1
r+1 r+1 )
ni
(
bi i )
ni
ni
(b
Multiplicando o termo
ni
(
br+1 r+1 )
(
bi i )
ni
por
)
r
ni
= 1 .
< |d| 1 +
nr+1
br+1 r+1 )
ni (
n
nr+1
= 1 .
tem-se
nr+1
nr+1
r+1
1
1
+
,
ni nr+1
)
tem-se
< |d|
ni
,
1+
nr+1
= 1 .
61
" (
P
i (
|d|s
|d|s
(
bi i )
br+1 r+1 )
<
<
1 i
1 i
1 i
nr+1
ni
) #
para i = 1, . . . , r |
b f (s; )ds = 1 .
(3.6.2)
i z + |d|s
i z |d|s
P
< Zi <
, i = 1, . . . , r |
br+1 .
1 i
1 i
("
)
#
i z + |d|s
i z |d|s
< Zi <
P
, i = 1, . . . , r, |
br+1 (z)dz.
1 i
1 i
(3.6.3)
i z + |d|s
i z |d|s
i z + |d|s
i z |d|s
< Zi <
=
,
P
1 i
1 i
1 i
1 i
para cada i = 1,...,r. Pela independncia dos Zis, a parte interna da expresso
(3.6.3)resultaem
62
i z + |d|s
i z + |d|s
P
< Zi <
, i = 1, . . . ,r =
1 i
1 i
r
Y
i z |d|s
i z + |d|s
.
=
1 i
1 i
i=1
r
+ Y
i=1
i z + |d|s
i z |d|s
(z)dz.
1 i
1 i
(3.6.4)
Substituindoaexpresso(3.6.4)em(3.6.2)chega-sea
Z
(Z
)
r
Y
i z + |d|s
i z |d|s
63
64
65
probabilidades
bivariadas
para
clculo
de
probabilidades
R
0
DV
Rb
TXDGUDWXUDV
JDXVVLDQDV
HP
LQWHJUDLV
GR
WLSR
e
FRPEHSURSXVHUDPXPDTXDGUDWXUDHVSHFLDO
0
2
ex f (x)dx
2
ex f (x)dx,
1RDUWLJRHOHVDSUHVHQWDPWDEHODVFRQWHQGRRVSRQWRVHRVVHXVUHVSHFWLYRVSHVRV
SDUDUHVROYHUHVWDVTXDGUDWXUDVQRFDVRSDUWLFXODUGHE 2PpWRGRGH'UH]QHU
GLIHUH GR SURSRVWR SRU 6FKHUYLVK HP UHODomR j TXDGUDWXUD H UHJLmR GH
LQWHJUDomRXWLOL]DGDVRPpWRGRGH6FKHUYLVKXVDUHJUDVGH6LPSVRQVHQTXDQWR
TXH R GH 'UH]QHU XVD TXDGUDWXUD JDXVVLDQD R SULPHLUR SHUPLWH OLPLWHV GH
LQWHJUDomRQLWRVHQTXDQWRTXHRVHJXQGRUHTXHULQWHUYDORVLQQLWRV
Genz e Bretz (1999, 2002) apresentaram e vm aperfeioando mtodos
para calcular probabilidades da distribuio t multivariada a partir de substituies que transformam uma integral inicialmente q-variada em um hipercubo
q 1 dimensional. Nesta situao so aplicados mtodos padres de integrao
numrica. Eles discutem e comparam o poder de testes de comparaes
mltiplas para dados com distribuio normal resolvidos utilizando a
transformao proposta e resolvendo as integrais pelos mtodos de Monte Carlo,
de aceitao e rejeio e um algoritmo de regra lattice. Torsten Hothorn, Frank
Bretz e Peter Westfal desenvolveram e aperfeioam o pacote mvtnorm do
VRIWZDUH 5 para o clculo de probabilidades das distribuies W e normal
multivariadas, cuja ltima atualizao data de 2012.
Na biblioteca mvtnorm existem duas funes bsicas diretamente
aplicveis ao teste de Dunnett: pmvt e qmvt. A pmvt utilizada para a obteno
da funo de distribuio da t multivariada e a qmvt para obteno dos quantis.
No clculo das probabilidades acumuladas as rotinas utilizam mtodos de
aleatorizao quase-Monte Carlo. A vantagem do procedimento que permite
66
67
4 TCNICAS MATEMTICAS
68
69
g(x)dx
a
n
X
wi g(xi ),
(4.1.1)
70
cujos FRHFLHQWHV w1, w2, ..., wn so determinados sob os pontos x1, x2, ..., xn,
resulte no clculo da integral com um erro mnimo, adaptado de Khuri (2003).
Os FRHFLHQWHV so arbitrrios e todos positivos, e os pontos (tambm
chamados de ns) esto limitados a pertencer ao intervalo [a,b], que o intervalo
de integrao. A lgica por trs da quadratura gaussiana a melhor escolha dos
s a m de maximizar o grau de exatido da quadratura 15.
escolha dos valores dos s e dos s a que produz o resultado exato para a
15
Uma GHQLomR para grau de exatido, ou grau de preciso, de uma quadratura pode ser
obtida em Gil, Segura e Temme (2007). De forma sucinta, diz-se que uma quadratura
tem grau de preciso m se ela fornece resultados exatos quando a funo um
polinmio de grau menor ou igual a m, mas no exata para todos os polinmios de
grau maior do que m.
71
(x)f (x)dx
a
n
X
wi f (xi ),
(4.1.2)
em que e (x)
uma particular funo positiva denominada de funo
peso.
A escolha dosxis
depende
da forma de Os
valores dos s so as
(x)
16
72
SmboloFunoPeso(x)Intervalo[a,b]
Pn(x)
1
[-1,1]
Pn
(,)
(x)(1x)(1+x),
,>1
Chebyshevdo1tipo
Tn(x)
Chebyshevdo2tipo
Un(x)
Hermitefsicos
Hnf(x)
HermiteprobabilsticosHnp(x)
Laguerre
( )
n (x)
[-1,1]
1
1x2
[-1,1]
1x2
[-1,1]
ex
x2
2
(,)
e
(,)
exx,>1
[0,)
perto do centro do intervalo (1,1) e mais nfase quando |x| estiver prximo de
73
3HODLQWHJUDomRJDXVVLDQDVmRHVFROKLGRVRVZLVHRV[LVWDLVTXHDDSUR
[LPDomRVHMDH[DWDTXDQGRDIXQomRDVHULQWHJUDGDI[pXPSROLQ{PLRGHJUDX
PHQRU RX LJXDO D Q 1RV FDVRV GH SROLQ{PLRV GH JUDX Q RX PDLV RX QRV
FDVRVGHI[VHUXPDIXQomRQmRSROLQRPLDOWHPVHXPHUURGHDSUR[LPDomR
En =
Figura 2
17
(x)f (x)dx
a
n
X
wi f (xi ).
i=1
74
75
funo f (2n)(x), ou seja, o valor de [L tal que | f (2n)([L) |. No entanto, obter a
En =
Rb
a
(x)f (x)dx
n
X
wi f (xi )
a<<b
i=1
22n+1 [(n!)]4
f (2n) ()
(2n+1)[(2n)!]3
1 < < 1
(n++1)(n++1)(n+++1)n!2(2n+++1) (2n)
f
()
(2n+++1)[(2n+++1)]2 (2n)!
1 < < 1
G-Chebyshev
do 1 tipo
2
f (2n) ()
22n (2n)!
1 < < 1
G-Chebyshev
do 2 tipo
f (2n) ()
22n+1 (2n)!
1 < < 1
(n!) (2n)
f
()
2n (2n)!
< <
G-Legendre
G-Jacobi
G-Hermite fsicos
G-Laguerre
(n!)2 (2n)
f
(),
(2n)!
para = 0
2YDORUGHDVHUXVDGRpRYDORU[LWDOTXHPD[_f
(2n)
([L) |.
0<<
76
conceitos
necessrios
para
entender
algoritmo
de
p(x)q(x)(x)dx;
a
||p|| = +
hp,pi =
Z
b
2
[p(x)] (x)dx
a
12
d) dado um conjunto de polinmios de grau menor ou igual a n,
representado por {pn}, ele forma uma base ortogonal {pk}kn=0 do
espao vetorial {Pn}, se satisfaz a propriedade hpi,pj i = 0 para
i,j =0,...,ncomi6=j;
77
1 pe1 (xi )
2 pe2 (xi )
3 pe3 (xi )
..
pe (x )
n n
+
+
+
0 pe0 (xi )
1 pe1 (xi )
2 pe2 (xi )
=
+
+
xi pe0 (xi ),
1 pe0 (xi )
2 pe1 (xi )
=
=
xi pe1 (xi ),
xi pe2 (xi ),
Como xi raiz de pen , na ltima equao pen (xi ) = 0 e o termo n pen (xi ) desaparece. Assim tem-se:
1 pe1 (xi )
2 pe2 (xi )
+
+
0 pe0 (xi )
1 pe1 (xi )
=
+
xi pe0 (xi ),
1 pe0 (xi )
= xi pe1 (xi ),
..
en1 (xi ) + n1 pen2 (xi ) = xi pen1 (xi )
n1 p
78
0
1
0
..
.
0
1
1
2
..
.
0
0
2
2
..
.
0
0
3
..
.
0
0
0
n1
n1
n1
pe0 (xi )
pe1 (xi )
..
.
pen2 (xi )
pen1 (xi )
= xi
pe0 (xi )
pe1 (xi )
..
.
pen2 (xi )
pen1 (xi )
ou
b (xi )=xi p
b (xi )
Jp
em que J a matriz de Jacobi, de ordem n x n com os coeficientes da relao de
b(xi ) = [pe0 (xi ), pe1 (xi ), ..., pen1 (xi )] .
recorrncia e p
b(xi )
Logo pen (xi ) = 0 xi um autovalor da matriz J e o vetor p
correspondente ao xi o respectivo autovetor.
Assim, os n zeros de pen , x1 , x2 , ..., xn , que correspondem aos ns da quadratura gaussiana, podem ser obtidos calculando os autovalores da matriz J.
79
S=
b0 a 0
c1
b1
a1
0
..
.
..
.
c2
..
.
..
.
b2
..
.
..
.
a2
0
..
..
.
.
0
..
..
.
.
an2
..
. cn1 bn1
Para tornar mais simples a determinao destes autovalores, pode-se transformar a matriz S numa matriz semelhante J simtrica, aplicando uma transformao de similaridade e construindo a matriz de Jacobi para os polinmios ortonormais. O polinmio ortogonal pk (x) pode ser relacionado com o polinmio
ortonormal pek (x) pela expresso pk (x) = k pek (x), com k = ||pk ||. Fazendo
esta substituio na TTRR tem-se:
resultando em
xpek (x) = ak
Chamando uk =
k+1
k
k1
k+1
pek1 (x).
pek+1 (x) + bk pek (x) + ck
k
k
tem-se e
ak = ak
k+1
k
= a k uk e e
ck =
ck
uk1
que, substitudos
na expresso acima, d:
xpek (x) = e
ak pek+1 (x) + bk pek (x) + e
ck pek1 (x), k 0.
80
seja,
o que resulta em = . 18
em que 0 p1 (x) = 0; k = bk k 0; k =
ck ak1 , k 1.
AcorrespondentematrizdeJacobidamatrizSdadapor
b0
a0 c 1
a0 c1
b1
a1 c2
0
0
a1 c 2
b2
a2 c 3
J =
.
.
..
.
..
..
..
0
0
.
.
.
.
.
.
..
..
..
..
..
an2 cn1
0
0
0
an2 cn1
bn1
18
e
ck+1 =
ou seja,
uk = uk
Como deve-se ter:
e
ak
ak
ck+1
ck+1
uk =
,
uk
e
ck+1
e
ak
ck+1
=
ak
e
ck+1
e
ak e
ck+1 = ak ck+1 .
e
ak = e
ck+1 e
a2k = ak ck+1
e
ak = ak ck+1 .
Assim, e
ak = e
ck+1 = ak ck+1 , para k = 0,1,...,n 2, que pode ser chamada de
k = ck ak1 , para k = 1,...,n 1.
81
Esta matriz tem os mesmos autovalores do que a matriz S (j que elas
es-to relacionados por uma transformao de equivalncia), e agora pode-se
aplicarRalgoritmoparacalcularospesoswisparaasquadraturasusandoamatrizJ.
De forma similar, os pesos (wi s) da quadratura gaussiana podem ser calculados a partir dos autovetores correspondentes a esses autovalores. Sejam pej (x)
e pek (x) com j,k = 0,1,...,n 1, polinmios de grau menor ou igual a (2n 2). A
integral
pode ser calculada exatamente usando uma quadratura gaussiana com n pontos.
Ento,
n
X
i=1
PT WP = I
em que a matriz
W=
w1
0
..
.
w2
..
.
0
..
.
0
wn
82
pe0 (x1 )
pen1 (x1 )
P=
..
..
.
.
p
e0 (x1 )
p
e1 (x1 )
p
e0 (xn )
p
e1 (xn )
.
.
.
..
.
.
.
p
en1 (x1 )
p
en1 (xn )
0
pe1 (x2 )w2
..
.
.
.
.
0
0
w2
0
0
..
.
.
.
wn
0
0
..
.
pen1 (xn )wn
0
pe1 (x2 )w2 pe1 (x2 )
0
[pe1 (x2 )]2 w2
w1
0
..
.
..
.
p
e0 (x1 )
p
e0 (x2 )
p
en1 (x1 )
p
en1 (x2 )
.
.
.
p
e0 (xn )
..
.
.
.
pe0 (x1 )
pe0 (x2 )
..
.
pe0 (xn )
..
.
p
en1 (xn )
pen1 (x1 )
pen1 (x2 )
..
.
pen1 (xn )
0
0
..
.
pen1 (xn )wn pen1 (xn )
0
0
..
.
[pen1 (xn )]2 wn
1
0
..
.
0
0
1
..
.
0
0
..
.
1
83
1
e ps-
(P )1 P WPP1 = (P )1 IP 1 ,
W = (P )1 P 1 .
Ento, chega-se a
n1
X
1
b (xi )||2E ,
=
(pek (xi ))2 = ||p
wi
k=0
ou seja,
wi =
1
,
b (xi )||2E
||p
(4.1.3)
(i)
(i)
2
(i)
b
(xi ) =
..
.
(L
n
pe0 (xi )
pe (x )
=C 1. i
..
pen1 (xi )
84
OvalordeCpodeserobtidoconsiderando
1 = hpe0 (x),pe0 (x)i
Z b
1 = [pe0 (x)]2
(x)dx
a
0 =
Ento
(i)
(i)
2
.
.
.
(i)
(x)dx
a
1
0
1
.
pe0 (x)
pe0 (xi )
pe (x )
=C 1. i
..
pen1 (xi )
C = (i) 1 C = 0 (i)
1
1
pe0 (xi )
wi =
1
1
[1 ]2
,
=
2 = 0
2
b(i) (xi )||2
b(i) (xi )
||pe(xi )||E
||
(i)
0 1
85
sendo:
b(i) ;
a) (1i) o primeiro elemento do autovetor
b) ||b(i) (xi )||2 a norma quadrtica de b(i) (xi ), que vale 1 pois o vetor b(i) (xi )
ortonormal.
wi = 0 [1 ]2 .
(4.1.4)
A Tabela 4 resume as frmulas para montar a matriz de Jacobi das quadraturas gaussianas usuais e o valor da constante 0 utilizada para o clculo dos
pesos (wi s) de cada quadratura na expresso (4.1.4).
R
0
ex g(x)dx e de Gauss-Hermite
em que g(x) Riemann integrvel em [a,b], com b > a, em que o(s) ponto(s) de
integrao a e/ou b, (so) infinito(s) (KHURI, 2003).
Uma integral imprpria deste tipo definida como o limite de uma integral
definida quando um dos pontos finais do intervalo de integrao tende ao infinito
(ou ambos os pontos finais do intervalo), ou seja:
I=
g(x)dx = lim
g(x)dx.
86
k (k=0, ,n1)
G-Legendre
G-Chebyshev
do1 tipo
q
1 = 12 ,
1
2 parak2
G-Chebyshev
do2 tipo
1
2
G-Hermite
fsicos
G-Laguerre
k1 =2k1+
parak1
++2
2 2
(2k++)(2k+++2)
0 =
G-Jacobi
k =
k (k=1, ,n2)
k
4k2 1
b
a
0 =
(x)dx
k
2
k(k+)
()
(+1)
2++1 (+1)(+1)
(++1)
para k 1
()
k =
2
(2k++)
k(k+)(k+)(k++)
(2k+++1)(2k++1) .
Se esta integral for convergente 19, ou sejaVHHVWHOLPLWHIRUQLWRSRGHse avali-la por mtodos numricos, pois o valor da integral o seu respectivo
limite. possvel utilizar os mtodos de quadratura gaussiana, pois eles no
utilizam o valor do integrando nos pontos nais do limite de integrao e
utilizam um nmero nitos de pontos no clculo da aproximao da integral 20.
Rb
Para integrais a g(x)dx imprpria do 2 tipo, em que o intervalo [a,b]
finito mas a funo g(x) a ser integrada assume um valor infinito em alguns
pontos21 dentrodointervalo[a,b],porexemploparax=c,segundoKhuri(2003)
seg(x)quandoxc,coma<c<b,ento:
19
87
g(x)dx =
a
g(x)dx +
a
g(x)dx,
c
f(x) no definida para x < 0 existe dificuldade para avaliar as integrais deste
tipo. Tentativas de aplicar a quadratura Gauss-Laguerre em integrais do tipo
e
0
x2
f (x)dx =
du
eu f ( u) .
2 u
88
funo par f (x) = x2 aplicando uma quadratura Gauss-Hermite para a funo g(x)
= |x|2 como mostrado a seguir:
Z
1
x dx =
2
x2 2
x2
1X
|x| dx
wi |xi |2 ,
2
2
i=1
e
0
1
x dx =
2
x2 3
x2
1X
|x| dx
wi |xi |3 ,
2
3
i=1
89
Este processo consiste em determinar a equao da reta que passa pelos pontos
(aHb,1). Diretamente tem-se que (RALSTON; RABINOWITZ, 1965):
x=
(b a)z + (a + b)
com a x b
2
dx =
(b a)
dz.
2
b
a
(b a)
(x)f (x)dx =
2
(b a)z + (a + b)
2
(b a)z + (a + b)
f
dz
2
$ SDUWLU GDt D LQWHJUDO SRGH VHU UHVROYLGD SRU XPD TXDGUDWXUD *DXVV
-DFREL/HJHQGUHRX&KHE\VKHYGHSHQGHQGRGDIRUPDGDIXQomRSHVR (x).
6HIRUUHVROYLGRSRUXPDTXDGUDWXUD*DXVV/HJHQGUHHPTXH(x)=1,
SHODH[SUHVVmRDDSUR[LPDomRILFD
Z
b
a
(b a) X
(x)f (x)dx
wi f
2
i=1
(b a)zi + (a + b)
2
(4.1.5)
g(x)dx =
0
ex ex g(x)dx =
0
ex f (x)dx
0
n
X
i=1
wif(xi)
90
ou
Z
g(x)dx =
x2 x2
e g(x)dx =
x2
f (x)dx
n
X
wi f (xi ).
i=1
ex f (x)dx = ea
a
ez f (z + a)dz ea
0
n
X
wi f (zi + a),
i=1
R
a
Rb
g(x)dx =
R1
0 g a+
g(x)dx =
g(x)dx =
Rb
g(x)dx
g
b
1
R0
R1
t
1t
g a+
R1
0
1
dt;
(1t)2
t
1+t
1t
t
g b
dt
1t
t
t2
1
dt;
(1+t)2
dt
t2
g(x)dx =
0
g
1
RXHQWmRDWUDQVIRUPDomR
1
1
t
dt
=
t2
g
0
1
1
t
dt
t2
91
= ( ())
( = ) ( ())
0
g(x)dx =
a
1/a
1/b
1
g
t2
1
dt.
t
Um caso particular desta situao quando [a,b] = [1,) e deseja-se transformar a varivel para o intervalo [1,1]. Uma forma inicialmente proceder uma transformao do tipo
Z
e depois com h(t) =
Z
g(x)dx =
1
g(ln(t))
t
e1
0
g(ln(t))
dt,
t
(4.1.6)
e1
h(t)dt =
0
e1
2
z+1
h e1
dz,
2
1
(4.1.7)
92
t
comx,dx=1+t dt com 1t1,
1 t2
(1t)2
resultando em
Z
g(x)dx =
g
1
t
1 t2
1 + t2
dt.
(1 t2 )2
(4.1.8)
Umatransformaoalternativainicialmentefazer
g(x)dx =
1
1t
t
1t
+g
t
dt
,
t2
93
1,7
z2
1
e 2 dz.
2
z
1 e 2
2
1,7x+1,7
,
2
o inter-
1,7
0
1,7
g(z)dz =
2
f
1
1,7x + 1,7
2
1,7 (1,7x+1,7)
8
e
2 2
dx.
no intervalo [1,1]
Analiticamente, tem-se
Z 1
6
(1,7tj +1,7)2
1,7 X
8
,
wj e
(x)f (x)dx
2 2 j=1
1
0.0
0.1
0.2
0.3
0.4
94
Valores de z
Figura 4
1
2
2
2
ou seja
"
(1,7t1 +1,7)2
(1,7t2 +1,7)2
(1,7t3 +1,7)2
1,7
8
8
8
P
w 1 e
+ w 2 e
+ w 3 e
2 2
#
+ w 4 e
(1,7t4 +1,7)2
8
+ w 5 e
(1,7t5 +1,7)2
8
+ +w6 e
(1,7t6 +1,7)2
8
0.0
0.5
1.0
1.5
95
1.0
0.5
0.0
0.5
1.0
Valores de x
Figura 5
1,7 (1,7x+1,7)
8
e
2 2
a ser integrada no
0.0
0.5
1.0
1.5
96
1.0
0.5
0.0
0.5
1.0
Valores de x
2
z
1 e 2
2
97
procurar dois pontos em que a funo tenha sinais opostos e aplicar o mtodo,
que possui convergncia linear, mesmo que algumas vezes lenta (BARROSO et
al., 1987; RALSTON; RABINOWITZ, 1965).
Para obter a aproximao da raiz x GHVHMDGD SRU HVWH PpWRGR RV
seguintes passos devem ser executados de forma iterativa:
1. toma-se um intervalo [x1 ,x2 ] e seus respectivos valores f (x1 ) e f (x2 ), tal
que f (x1 ) f (x2 ) < 0;
2. calcula-se o valor de xn , que a interseo da reta que passa pelos pontos
(x1 ,f (x1 )) e (x2 ,f (x2 )) e o eixo das abscissas, pela expresso
xn =
98
xn =
1
2 f (x2 )x1
1
2 f (x2 )
dando um peso maior a um dos extremos do intervalo para forar que o prximo
xk ocorra neste lado da funo e evitando intervalos seguidos iguais. Esta uma
forma de contornar a falha do mtodo e garantir convergncia. Outras formas
podem ser utilizadas, como a que deu origem ao mtodo de Pgaso ou Pgasus
descrito a seguir.
O mtodo do falso positivo geralmente no estacionrio, pois em cada
iterao n o ponto xi tomado do passo anterior, pode variar entre i = n 1 ou
n 2 dependendo de qual valor atender a condio f (xn ) f (xi ) < 0. Ralston
e Rabinowitz (1965) afirma que para funes convexas entre x1 e x2 o mtodo do
falso positivo estacionrio, ou seja, sempre o ponto xi a ser tomado em todas as
iteraes fixo com i = 1 ou 2. Por exemplo, se xi = x1 tem-se
xn = x1
f (xn1 )
f (x1 )
xn1
, n = 3, 4, ,
f (xn1 ) f (x1 )
f (x1 ) f (xn1 )
99
(KHURI, 2003; LIMA, 2007) Uma funo f : D 4 convexa se f [tx1 t) x2@
tf(x1) + (1 t)f(x2) SDUD WRGR x1 e x2 D H SDUD TXDOTXHU W [0,1].
*HRPHWULFDPHQWH VLJQLILFD TXH R VHX JUiILFR VH VLWXD DEDL[R GH TXDOTXHU GH VXDV
VHFDQWHV RX VHMD WRPDQGRVH $ H % GRLV SRQWRV TXDLVTXHU SHUWHQFHQWHV j FXUYD GD
IXQomRI[DUHJLmRGRJUiILFRHQWUH$H%HVWiDEDL[RGDVHFDQWH$%/,0$6H
DIXQomRIpFRQYH[DHQWmRIp
f (x2 ) f (x1 )
f (x2 )
f (x1 )
x2 x1
que significa que o segmento de reta entre dois pontos x1 e x2 est contida entre os valores
extremos de sua derivada. Assim, a derivada montona no-decrescente em todo o domnio de f , o que geometricamente significa que o grfico da funo est situado acima
de qualquer de suas tangentes. Neste caso, f (x) 0 para todo x D.
100
xs1 f (xn ) + xn f (xn1 ) + ys1 xn1 xn1 f (xn ) xs1 f (xn1 ) ys1 xn = 0
ys1 [xn1 xn ] f (xn )[xn1 xs1 ] + f (xn1 )[xn xs1 ] = 0
ys1 [xn1 xn ] f (xn )[xn1 + (xn + xn ) xs1 ] + f (xn1 )[xn xs1 ] = 0
ys1 [xn1 xn ] f (xn )[xn1 xn ] f (xn )[xn xs1 ] + f (xn1 )[xn xs1 ] = 0
(ys1 f (xn ))[xn1 xn ] (f (xn ) f (xn1 ))[xn xs1 ] = 0
ou seja
ys1 (xs1 ) =
f (xn ) f (xn1 )
.(xn xs1 ) + f (xn )
(xn1 xn )
f (xn )
s1
s3
f (xn+2 )
xn
xn+2
xn+1
s2
f (xn+1 )
xn+1 = xn f (xn ).
xn xn1
, n = 1, 2, .
f (xn ) f (xn1 )
(4.2.1)
Este mtodo depende de dois valores iniciais xn1 = x0 e xn = x1 .
Em seguida, pela frmula (4.2.1) obtm-se um novo valor x2, que ser utilizado
no lugar de x0 para repetir o processo.
101
(PDQiOLVHQXPpULFDDYHORFLGDGHQDTXDOXPDVXFHVVmRFRQYHUJHDRVHX
limite p FKDPDGR GH RUGHP GH FRQYHUJrQFLD 6HJXQGR 5DOVWRQ H 5DELQRZLW]
DVLWHUDo}HVGRPpWRGRGDVHFDQWHFRQYHUJHPSDUDXPDUDL]GHf(x)VHRV
YDORUHVLQLFLDLVx0 ex1 HVWLYHUHPSUy[LPDVGDUDL]FRPRUGHPGHFRQYHUJrQFLD
(1+ 5)/21,618
GH,TXHpDUD]mRiXUHD$OpPGLVVRDIXQomRGHYHVHUGXDV
YH]HVFRQWLQXDPHQWHGLIHUHQFLiYHOHDUDL]HPTXHVWmRGHYHVHUVLPSOHVUDL]GH
PXOWLSOLFLGDGHQRLQWHUYDOR[x0,x1]SDUDDVVHJXUDUDFRQYHUJrQFLDGRPpWRGR
xn xn1
f (xn ) f (xn1 )
, n = 1, 2, ,
ento
[xn1 , f (xn1 )]
trocado por
ento
[xn1 , f (xn1 )]
trocado por
102
(PDPERVRVFDVRV[xn,f(xn)]pWURFDGRSRU[xn+1,f(xn+1)],RTXHJD
UDQWHTXHRVYDORUHVGDIXQomRXVDGRVDFDGDLWHUDomRWHQKDPVHPSUHVLQDLVRSRV
WRV%DUURVRHWDOFRQILUPDPTXHDLGHLDGRPpWRGRGH3pJDVRpUHGX]LU
f(xn1) SRU XP IDWRU [f(xn)/(f(xn) + f(xn+1))] SDUD HYLWDU D UHWHQomR GH XP
SRQWRHREWHUXPDFRQYHUJrQFLDPDLVUiSLGD
f (x) = f (a) +
X
(x a)n
n=1
n!
f (n) (a),
25
(x a)2 f (c)
,
2!
103
(x a)2 f (c)
.
2!
x a
f (a)
.
f (a)
xn+1 = xn
f (xn )
, n = 0, 1, 2, ,
f (xn )
em que:
D n indica a n-sima iterao do algoritmo;
E f (xn ) o valor da funo f no ponto xn ;
F f (xn ) o valor da derivada da funo f no ponto xn ;
G xn+1 uma aproximao de x .
(4.2.2)
104
f (x)
f (x)
f (x0 )
f (x1 )
f (x2 )
P0
P1
P2
x2 x1
x0
105
y
f (x0 ) 0
=
x
x0 x1
x1 = x0
f (x0 )
;
f (x0 )
106
Jf (X) =
f1
x1
f2
x1
f1
x2
f2
x2
..
.
..
.
..
.
fm
x1
fm
x2
f1
xn
f2
xn
..
.
fm
xn
Definio2: 'HQRPLQDVHGHMDFRELDQRRGHWHUPLQDQWHGDPDWUL]MDFRELDQDTXDQGR
P QHHVWHGHWHUPLQDQWHpGLIHUHQWHGH]HURHUHSUHVHQWDVHSRU_-I;_
Dado o vetor aleatrio de transformaes
Y = y1 , y2 , , yn
= f1 (x1 , x2 , , xn ), f2 (x1 , x2 , , xn ), , fn (x1 , x2 , , xn )
= f1 (X), f2 (X), , fn (X) ,
= f (X),
com |Jf (X)| 6= 0, se tais transformaes so bijetoras, ento
X = x1 , x 2 , , x n
= h1 (y1 , y2 , , yn ), h2 (y1 , y2 , , yn ), , hn (y1 , y2 , , yn )
= h1 (Y ), h2 (Y ), , hn (Y )
= h(Y ),
ouseja
Y 1 = f 1 (X)
X = h(Y ).
Assim, a funo fY (y) = fX [h(Y )].|Jh (Y )|, com |Jh (Y )| = |Jf (X)|1
107
Jh (y) =
h1
y1
h2
y1
h1
y2
h2
y2
hn
y1
hn
y2
..
.
..
.
..
.
h1
yn
h2
yn
..
.
hn
yn
8PDGDVFRQGLo}HVSDUDDDSOLFDomRGRPpWRGRGRMDFRELDQRpGHTXHD
IXQomR I ; < VHMD ELMHWRUD 6H HVWH QmR IRU R FDVR PDV VH R GRPtQLR GD
funopuderserparticionadoemsubconjuntosdisjuntos,deformaqueemcada
subconjuntoafunosejabijetora,pode-seaplicaromtododojacobianoemcada
subconjuntoesomaroresultadoparaobterafunodesejada.Assim,sendoi=1,
, k os i-simos subconjuntos do domnio de f e f(i) a funo relativa ao
subconjuntoPi,comh(i)asuarespectivafunoinversa,tem-se
fY (y) =
k
X
i=1
108
5 DISTRIBUIES DE PROBABILIDADE
109
/
5.1 Distribuio da varivel aleatria S =
Considerando uma amostra aleatria de tamanho n da distribuio normal
Y1, Y2, . . .,Yn, com mdia HYDULkQFLD2. O estimador no viesado da YDULkQFLD
SRSXODFLRQDO2 dado por
b2 =
n
X
(Yk Y )2
k=1
n1
$PpGLDHVWLPDGDpLQGHSHQGHQWHGDYDULkQFLDDPRVWUDOHVWLPDGD$
YDULiYHO
U=
b2
2
(5.1.1)
possuiumadistribuioqui-quadradocom=n1grausdeliberdade,ouseja,
2.AfunodensidadedeprobabilidadedeUdadapor
U()
f (u; ) =
26
1
2/2 ( 2 )
u/21 eu/2 ,
U=
(Yk Y )2
k=1
b2
k=1
n
X
n
X
Zk
k=1
n
(Zk Z)2 ,
(5.1.2)
110
dada por
S=
U
=
b2
2
b
.
(5.1.3)
/2
2
s1 es /2 , s 0.
2(/2)1 ( 2 )
(5.1.4)
Demonstrao:
p
Sendo S = U/, a sua transformao inversa U = S 2 . A funo densidade
de S deriva da funo densidade da varivel resultante da transformao com o
usodojacobianodatransformao,queaderivadadeprimeiraordemdeucom
relao a s, ou seja,
J=
du
GV
= 2s
0.8
111
=1
=2
=3
=5
0.6
= 10
0.0
0.2
0.4
= 50
10
15
Valores de U
Figura 9
112
Assim,afunodensidadedeS,comu=s2obtidapor
f (s; ) = fU (u; )abs(J)
1
= /2 u/21 eu/2 |2s|
2 ( 2 )
1
2
= /2 (s2 )/21 es /2 2s
2 ( 2 )
=
2()/21 2 /21 s2 /2
s(s )
e
2/2 ( 2 )
/2
1 s2 /2
s
e
,
2(/2)1 ( 2 )
comosequeriamostrar.
Na Figura 10 est a representao grfica da funo de densidade da varivel aleatria S, com s 0.
Z=
(5.2.1)
z2
1
(z) = e 2 ,
2
(5.2.2)
113
=1
=2
=3
= 10
= 50
0.0
0.5
1.0
1.5
2.0
2.5
3.0
Valores de s
114
eavarivelaleatriaUdadapor(5.1.1),comU(2).ApartirdeZeUpode-se
definir
Y
Z
n
X=q =r
b2
2
Y
b
(5.2.3)
com
q graus de liberdade o nico parmetro da distribuio e S =
2() / cuja funo densidade apresentada em (5.1.4).
(5.2.4)
p
U/
Demonstrao:
Como Z e U so independentes, tem-se que
fZ,S (z,s; ) = fS (s; ).(z)
=
z2
/2
1
1 s2 /2
e
. e 2 .
s
(/2)1
2
( 2 )
2
z
x
s
x
z
s
s
s
s x
=
0 1
= s.
115
AssimfX,S(x,s;)=fS(s;)(xs)abs(J),ouseja
fX,S (x,s; ) =
1
/2
2 2
1 s2 /2
e
. e(x s )/2 s
s
(/2)1
2
( 2 )
2
2
2 2
/2 s es /2 e(x s )/2
22(/2)1 ( 2 )
2
/2 s es (x +)/2
.
fX,S (x,s; ) =
22(/2)1 ( 2 )
A funo densidade marginal da varivel X obtida integrando-se fX,S (x,s; )
em relao a s, de 0 a que o domnio da varivel S. Assim tem-se:
Z
/2 s es (x +)/2
ds
22(/2)1 ( 2 )
0
Z
/2
2 2
=
s es (x +)/2 ds.
(/2)1
22
( 2 ) 0
fX (x; ) =
(1)
2
s2 (x2 + )
2
(1)
2
(x2 + )(+1)/2 ( 2 ) 0
fX (x; ) =
+1
2
R
0
t(1)/2 et dt.
116
/2 +1
2
( 2 )(x2 + )(+1)/2
+1
/2
1/2
2
1/2 ( 2 ) (x2 + )
(+1)/2
+1
x2
2
,
1+
( 2 )
comosequeriamostrar.
Na Figura 11 est a representao grfica da funo de densidade da varivel aleatria X. Observa-se que com o aumento dos graus de liberdade a
varivel X se distribui como uma varivel aleatria normal padro.
A mdia e a varincia da distribuio t de Student so dadas por
= 0 para > 1 e 2 =
para > 2.
(5.3.1)
117
0.4
curva normal
=1
=2
=5
0.0
0.1
0.2
0.3
= 10
Valores de x
118
fX (x; ,) =
(5.3.2)
(5.3.3)
Demonstrao:
As funes de densidade da varivel normal padro Z e da varivel S =
U/
transformao
J=
z
x
s
x
z
s
s
s
s x
=
0 1
= s,
119
Z0
0
Z x
Assim, chega-se a
FX (x; ,) =
queafuno(5.3.3)quesequeriamostrar.
Substituindo as funes dadas em (5.2.2) e (5.1.4) na funo de distribuio (5.3.3) obtida, chega-se a mesma funo de distribuio da t no-central
apresentada por Johnson, Kotz e Balakrishnan (1995), que
120
(/2)1
FX (x; ,) = (/2)1
2
(/2)
s1 es
/2 1
xs
2
z2
dz
ds.
Outras formas de definio da estatstica t no-central aparecem na literatura, mas geralmente em funo de sries infinitas o que torna difcil o seu manuseio. Por exemplo, Krishnamoorthy (2006) define a distribuio t no-central
como a distribuio da varivel aleatria X obtida pela razo da varivel aleatria
K N(,1) e por outra
b2 2 com graus de liberdade, independentes, re
presentada por X = K/(
b/ ), e apresenta a respectiva funo de densidade de
probabilidade como
X
2 exp( 2 )
( +1+i
2 )
f (x; ,) =
+1
i!
2
2
i=0
( 2 ) 1 + x
0
x 2
+x2
[
+ x2
"i
de x H LQFOXLQGR R ]HUR
(P DPEDV DV GHQLo}HV GH -RKQVRQ .RW] H %DODNULVKQDQ H
.ULVKQDPRRUWK\ D PpGLD H D YDULkQFLD GD W QmRFHQWUDO VmR GDGDV SHODV
H[SUHVV}HV
t ()
#2
"
p
1
)
( 1
)
(
2
2
2
2
e var(t ()) =
(1 + 2 )
.
=
( 2 )
2
( 2 )
2
AlgumDspropriedadesdat()apresentadasporessesautoresso:
2. P[t ()0]=P[Z]=(),emqueZumavarivelaleatria
normalpadro,eoseventos[t()0]e[Z+<0]soidnticos;
3. P [t () t] = P [t () t] = 1 P [t () t];
121
A estatstica
t=
Y
b
com Y e
b calculados a partir de uma amostra aleatria de tamanho n, tem distri-
n
,
XA XB
2 +(n 1)S 2
(nA 1)SA
B
B
nA +nB 2
1
nA
1
nB
i.
1
1
.
+
nA nB
Neste caso tambm pode ser calculado o poder do teste pela distribuio t nocentral apropriada.
122
existe a funo
fX (x) =
r FX (x)
x1 x2 . . . xr
r
Y
FXi (xi )
r
Y
fXi (xi ).
i=1
ou, equivalentemente
fX (x) =
i=1
= [X(1)
|X(2)
] ,
...
fX (x)dxq+1 . . . dxr .
123
fX (x)
,
fX(2) (x(2) )
Segundo Ferreira (2008) as distribuies multivariadas pertencentes a famlia de distribuies elpticas simtricas possuem a caracterstica de apresentarem
funo de densidade com contornos de formato elptico.
Considerando um vetor aleatrio X = (X1 , X2 , ... , Xr ) Rr , com
fX (x; , ) = || 2 g[(x ) 1 (x )]
em que g uma funo com domnio em [0,) que para todo z Rr satisfaz a
R
condio Rr g(z z)dz = 1, com z = 1/2 (x ).
Se for representado uma distribuio elptica por Er (, , g), em que a
funo g pode ou no ser omitida dependendo do contexto particular, a distribuio
normal multivariada Nr (, ) dada por
fX (x; , ) = (2)
r2
||
12
1
1
exp (x ) (x ) ,
2
(5.4.1)
r
para x Rr e g(k) = (2) 2 exp k2 , com k = (x ) 1 (x ) 0.
124
A distribuio t de Student multivariada com graus de liberdade pertence a famlia de distribuies elpticas. A funo densidade de probabilidade de
um vetor aleatrio X com distribuio t multivariada dada por
fX (x; , , ) =
( +r
2 )
1
() 2 ( 2 )|| 2
1
1 + (x ) 1 (x )
+r
2
(5.4.2)
+r
2
r
2
() ( 2 )
k
1+
+r
2
no caso de > 2.
Partindo da expresso (5.4.2), se for efetuada uma transformao dada
fZ (z) =
+r
2
r
2
() ( 2 )
1
1 + zz
+r
2
27
Esta distribuio tambm pode ser obtida a partir da expresso (5.4.2) usando a
transformao Zi = Xi / (S / ), para cada varivel Xi com i = 1, . . . , r do vetor
aleatrio X, VHQGRTXH X 0r (0, I), S2 , e X e S so independentes (MARDIA;
KENT; BIBBY, 2003).
125
Teorema 5.4.1. Dado o vetor aleatrio X = (X1,X2, ... ,Xr) com funo
densidadeconjuntadadapor(5.4.2),Xtr(,,).Seforefetuadaatransformao Y = V
1/2X,
probabiOLGDGHGRYHWRUDOHDWyULR
Y=(Y1,Y2,...,Yr)Rr pGDGDSRU
fY (y; , , ) =
( +r
2 )
()( 2 ) ( 2 )|| 2
r
1
1 + (y ) 1 (y )
+r
2
, (5.4.3)
[1,2,...,r]Rrematrizdecorrelao.
Demonstrao:
,
=
( 2)
ii
J = = |V 1/2 | = |V |1/2 =
dy
i=1
126
(
)
() 2 ( 2 )|| 2
+r
2
( +r
1
1
1
1/2
1/2
1
2 )
2
2
)
) [V V ](y V
1 + (y V
=
1
r
2
()( 2 ) ( 2 ) || 1
1
|V | 2 ( +r
2 )
|V | 2
( +r
2 )
1
2
()( 2 ) ( 2 ) || 1
r
1
1 + (y ) 1 (y )
+r
2
|V | 2
Como
|| = |V 1/2 V 1/2 | = |V 1/2 ||||V 1/2 | = |V |1/2 |||V |1/2
= |V |||
tem-seque
||1/2 = |V |1/2 ||1/2
||1/2
= ||1/2 ,
|V |1/2
ouseja
( +r
2 )
fY (y; , , ) =
()
( r2 )
( 2 )||
1
2
1
1 + (y ) 1 (y )
+r
2
comosequeriamostrar.
A definio (5.4.3) dada por Kotz e Nadarajah (2004) para a distribuio
t de Student multivariada.
Um caso particular da distribuio t de Student multivariada quando
= 1, em que a distribuio denominada de Cauchy multivariada (MARDIA;
KENT; BIBBY,
127
bilaterais.
r
1
em que Z (z; 0, ) = (2) 2 || 2 exp 21 (z 1 z) .
Do mesmo modo, a distribuio do max(Z) e, de forma similar a do
max(|Z|), recaem em integrais de r-dimenses que podem ser avaliadas numericamenteporumaquadraturar-dimensional.
Essas quadraturas podem ser simplificadas se os Zi s puderem ser expressos como combinaes lineares de variveis aleatrias normais padres independentes. A escolha dessas combinaes lineares deve recair em um fator obtido
de rr . O teorema a seguir mostra uma combinao linear em que foi reduzida
a avaliao numrica de r integrais necessrias para o clculo da (z; 0, ) para
uma integral univariada.
128
Teorema5.4.2. (Funodedistribuiodomximodanormalmultivariada)
Dado o vetor aleatrio Z = (Z1,Z2,...,Zr) com distribuio normal padro
multivariada cuja funo densidade da distribuio conjunta das r variveis
r
1
dada por (z; 0, ) = (2) 2 || 2 exp 12 (z 1 z) .
Seamatrizsatisfazacondiodeestruturadecorrelaoprodutodadapor
ij=ijpara1i6=jr,emqueiej(1,1),representadapor
1 2 1 3 . . . 1 r
2 1
1
2 3 . . . 2 r
1
.
.
.
= 3 1
3 2
3 r ,
.
..
..
....
..
..
.
.
.
..
r 1 r 2 r 3 . . .
1
(5.4.4)
1 21
0
0
..
.
0
0
p
1 22
0
..
.
...
...
p
1 23 . . .
..
..
.
.
0
..
.
3
,
..
.
...
1 2p
(5.4.5)
ento pode-se escrever o vetor Z = Y, cujo mximo dado por Z = max Zi tem
i
FZ (z; ) =
em que = (1 , 2 , . . . , p ).
p
Y
i y + z
q
(y)dy,
1 2i
i=1
(5.4.6)
Demonstrao:
Sendo o vetor aleatrio Z Np (0,) com a matriz satisfazendo a condio
de estrutura de correlao produto dada por (5.4.4), toma-se o vetor aleatrio
Y = (Y1 , Y2 , . . . , Yr , Y0 ) , tambm normal padro multivariado, e a matriz de
combinaes lineares dada por (5.4.5) e escreve-se o vetor Z como
129
Z = Y
de modo que
Z1
Z2
..
.
Zr
p
1 21 Y1 1 Y0
p
1 22 Y2 2 Y0
=
..
.
q
1 2p Yr r Y0
Cov(Z) =
1 21
2 1
Cov(Z) = 3 1
.
..
r 1
i2
+ 21
2 1
3 1
..
.
1 2
i2
hp
1 22 + 22
3 2
..
.
r 1
1 2
1
3 2
..
.
r 2
r 2
1 3
2 3
1
..
.
r 3
...
...
...
..
.
1 r
2 r
3 r
....
..
1
...
...
1 r
...
2 r
...
..
.
3 r
..
.
hp
i2
1 2r + 2r
...
= .
1 i r,
com
2i = i .
Zi (z; i ) = P (Zi z) = P
1
i Y 0 + z
,
= P Y i q
2
1 i
2i Yi
i Y 0 z
130
i Y 0 + z
i y + z
Zi (z|Y0 = y) = P Yi q
,
Y o = y = P Y i q
1 2i
1 2i
logo,
(z|Yo = y)(y)dy
Z
i y + z
(y)dy.
q
Zi (z; i ) =
1 2i
Zi (z; i ) =
P (Z1 z, Z2 z, . . . , Zr z) = P max Zi z =
i
r
Y
i=1
!
i Y0 + z
p
Y o = y ,
1 2i
FZ (z; ) =
r
Y
i y + z
(y)dy,
q
1 2i
i=1
comosequeriamostrar.
A funo de distribuio do mximo da normal multivariada utilizada no
teste de Dunnett unilateral quando os graus de liberdade crescem tendendo para o
infinito.
131
fZ (z; ) =
r
X
i=1
i y + z
p
1 2i
1
Y
p
2
1 i k=1
k6=i
k y + z
p
1 2k
em que = (1 , 2 , . . . , r )
(y)dy.
(5.4.7)
Demonstrao:
A funo densidade de probabilidade de Z = max(Zi ) obtida derivando-se a
i
Z
r
Y i y + z
(y)dy .
fZ (z; ) =
q
z
1 2
i=1
z
}|
{
[f1 (q) f2 (q) . . . fr (q)]
= f1 (q).Q1 (q) + f1 (q)Q1
q
= f1 (q).Q1 (q) + f1 (q)[f2 (q).Q1,2 (q) + f2 (q)Q1,2 (q)],
com Q1,2 (q) = f3 (q) . . . fr (q)
[f1 (q)f2 (q) . . . fr (q)]
= f1 (q).Q1 (q) + f2 (q).Q2 (q) + f1 (q)f2 (q)Q1,2 (q),
q
com Q2 (q) = f1 (q)f3 (q) . . . fr (q)
[f1 (q)f2 (q) . . . fr (q)]
= f1 (q).Q1 (q) + f2 (q).Q2 (q) + f1 (q)f2 (q)[f3 (q)Q1,2,3 (q)
q
+f3 (q)Q1,2,3 (q)], com Q1,2,3 (q) = f4 (q) . . . fr (q)
132
e, de forma generalizada
r
r
Y
[f1 (q)f2 (q) . . . fr (q)] X
=
fi (q)
fk (q).
q
k=1
(5.4.8)
i=1
k6=i
fZ (z; ) =
r
X
i=1
y+z
pi
1 2i
r
Y
1 2i k=1
k6=i
!
y + z
pk
(y)dy,
1 2k
Teorema 5.4.4. )XQomR GH GLVWULEXLomR GR Pi[LPR GR PyGXOR GD QRUPDO
PXOWLYDULDGD
Dadas as mesmas condies do teorema 5.3.2., o mximo do mdulo do vetor
Z = Y dado por |Z| = max |Zi | tem a seguinte funo de distribuio de
i
probabilidade:
F|Z| (z; ) =
r
Y
i=1
"
em que = (1 , 2 , . . . , r ).
y+z
pi
1 2i
yz
pi
1 2i
!#)
(y)dy,
(5.4.9)
Demonstrao:
De modo similar ao demonstrado no teorema 5.3.2, porm usando o resultado da
distribuio do mximo do mdulo de uma varivel aleatria em que
P (|Z1 | z, |Z2 | z, . . . , |Zr | z) = P max |Zi | z = P (z max Zi z)
i
i
!
i Y 0 + z
i Y 0 z
Yi p
,
=P p
2
1 i
1 2i
133
tem-se
!
i Y 0 z
i Y 0 + z
P p
P max |Zi | z =
Yi p
i
1 2i
1 2i
i=1
!
!)
(
r Z
Y
i y z
i y + z
=
p
(y)dy
p
1 2i
1 2i
i=1
r
Y
e com |Z| = max |Zi | tem-se que a funo de distribuio do mximo do mdulo
i
r
Y
i=1
comosequeriamostrar.
"
y+z
pi
1 2i
yz
pi
1 2i
!#)
(y)dy,
( "
!#
i y + z
i y z
q
q 1
f|Z| (z; ) =
+ q
2
2
2
i=1
1 i
1 i
1 i
)
r
Y
k y + z
k y z
q
(y)dy.
(5.4.10)
q
k=1
1 2k
1 2k
Z
r
X
k6=i
em que = (1 , 2 , . . . , r ).
Demonstrao:
A funo densidade de probabilidade de |Z| = max(|Zi |) obtida derivando-se
i
134
!
!#
)
"
(Z
r
Y
i y z
i y + z
p
(y)dy ,
f|Z| (z; ) =
p
z
1 2i
1 i2
i=1
!
# "
!
#!
( "
Z X
r
i y + z
1
1
i y z
p
p
=
p
p
1 2i
1 2i
1 2i
1 2i
i=1
!
!#
)
"
r
Y
k y + z
k y z
p
(y)dy,
p
2
1
1 2k
k=1
k
k6=i
!
!#
!!
( "
Z X
r
1
i y z
i y + z
p
+ p
=
p
1 2i
1 2i
1 2i
i=1
"
!
!# )
r
Y
k y + z
k y z
p
p
(y)dy,
1 2k
1 2k
k=1
k6=i
Z
T= q ,
(5.4.11)
q
U
em que Z Np (0,) e S =
uma varivel aleatria com distribuio
p
2 /, cuja funo densidade de probabilidade dada pela equao (5.1.4), in-
dependente em relao a Z.
Tomando-se
max(Ti ) =
i
max(Zi )
i
q
,
(5.4.12)
135
densidade de probabilidade:
fD (d; , ) =
y + sd
pi
1 2i
i=1
s
p
1 2i
r
Y
k=1
k6=i
!
k y + sd
p
1 2k
(5.4.13)
em que = (1 , 2 , . . . , r ).
Demonstrao:
Para obter a funo densidade de probabilidade de D = max(Ti ), inicialmente
i
deve-se obter a funo densidade conjunta de Z e de S. Como Z e S so independentes, a funo densidade conjunta de Z e S obtida pelo produto de fZ (z; ) e
fS (s; ), dadas respectivamente pelas funes (5.4.7) e (5.1.4), ou seja
fZ,S (z,s; ,) =
i=1
(y)dyf (s; ).
y+z
pi
1 2i
1
p
1 2i
r
Y
k=1
k6=i
!
y + z
pk
1 2k
z
d
s
d
z
s
s
s
s d
=
0 1
= s,
!
Z X
r
r
i y + sd
1
Y
p
=
p
1 2i
1 2i k=1
i=1
k6=i
!
k y + sd
p
1 2k
136
fD (d; , ) =
i=1
y + sd
pi
1 2i
!
k y + sd
p
1 2k
r
Y
1 2i k=1
k6=i
distribuio de probabilidade:
FD (d; , ) =
r
Y
i y + sd
(y)dy f (s; )ds,
q
2
i=1
1 i
(5.4.14)
em que = (1 , 2 , . . . , r ).
Demonstrao:
A funo de distribuio de probabilidade da varivel D = max(Ti ) obtida ini
FD (d; , ) =
)#)
(Z
"Z
r
X
i=1
i y + sw
p
1 2i
r
Y
1 2i k=1
k6=i
obtendo-se
FD (d; , ) =
r
Y
i=1
"
i y + sw
p
1 2i
!#w=d
w=
(y)dy
k y + sw
p
1 2k
f (s; )ds,
137
pois
r
r
Y
[f1 (q)f2 (q) . . . f3 (q)] X
=
fi (q)
fk (q)
q
k=1
i=1
k6=i
Z X
r
fi (q)
q i=1
r
Y
fk (q) =
k=1
k6=i
"
r
Y
fi (q)
i=1
#q=b
q=a
Como
i y + sw
lim q
= q
= () = 0,
1 2i
1 2i
tem-se que
FD (d; , ) =
r
Y
i y + ds
(y)dy f (s; )ds,
q
2
i=1
1 i
comosequeriamostrar.
A funo de distribuio do mximo da t multivariada, dada por
(5.4.14),utilizadanotestedeDunnettunilateralquandoosgrausdeliberdade
sofinitos.
Teorema 5.4.8. (Funo densidade e funo de distribuio do mximo do mdulo da t multivariada)
Tomando o vetor aleatrio T = (T1 , T2 , . . . , Tr ) dado em (5.4.11), define-se o
mximo do mdulo do vetor T como
max(|Ti |) =
i
max(|Zi |)
i
q
.
U
p
Considerando |Z| = max(|Zi |), S = U/ uma varivel aleatria com disi
p
tribuio 2 /, cuja funo densidade de probabilidade dada pela equao
de probabilidade de |D|
138
f|D| (|d|; , ) =
r
Y
k=1
k6=i
"
r
X
i=1
( "
k y + |d|s
p
1 2k
!#
!!
i y |d|s
s
p
+ p
1 2i
1 2i
!# )
k y |d|s
p
(y)f (s; )dyds.
1 2k
i y + |d|s
p
1 2i
(5.4.15)
F|D| (|d|; , ) =
(Z
r
Y
i y |d|s
i y + |d|s
q
q
i=1
1 2i
1 2i
)
(5.4.16)
em que = (1 , 2 , . . . , r ).
Demonstrao:
Para se obter a funo densidade de probabilidade de |D|, inicialmente obtm-se
a funo densidade conjunta de |Z| e de S. Como |Z| e S so independentes, a
funo densidade de probabilidade conjunta de |Z| e S obtida pelo produto de
f|Z| (z; ) e fS (s; ), dadas respectivamente pelas funes (5.4.10) e (5.1.4), ou
seja
f|Z|,S (z,s; , ) =
r
X
i=1
"
r
Y
k=1
k6=i
( "
y+z
pi
1 i2
!
y+z
pk
1 2k
!#
!!
1
i y z
p
+ p
1 2i
1 2i
!# )
yz
pk
(y)f (s; )dy.
1 2k
139
f|D|,S (|d|,s; , ) = f|Z|,S (z,s; , )abs(J)
!
!#
!!
( "
Z X
r
i y |d|s
1
i y + |d|s
p
p
=
+ p
1 2i
1 2i
1 2i
i=1
!
!#
)
"
r
Y
k y |d|s
k y + |d|s
p
(y)f (s; )sdy.
p
2
1
1 2k
k=1
k
k6=i
f|D| (|d|; , ) =
r
Y
k=1
k6=i
"
r
X
i=1
( "
k y + |d|s
p
1 2k
!#
!!
s
i y |d|s
p
+ p
1 2i
1 2i
!# )
k y |d|s
p
(y)f (s; )dyds,
1 2k
i y + |d|s
p
1 2i
F|D| (|d|; , ) =
+
1 2i
1 2i
1 2i
i=1
0
!
!#
)
)
"
r
Y
k y ws
k y + ws
p
(y)f (s; )dyds dw,
p
2
1
1 2k
k=1
k
Z
|d|
(Z
r
X
( "
k6=i
resultando em
F|D| (|d|; , ) =
(Z
r
Y
i=1
"
y + |d|s
p 1 2
quea(5.4.16),comosequeriamostrar.
i y |d|s
p1 2
i
!#
140
FD (d; , ) =
r
Y
i y + sd
(y)dy f (s; )ds
q
1 2i
i=1
=1
e
F|D| (|d|; , ) =
(Z
= 1 ,
respectivamente.
r
Y
i=1
( "
#
"
#)
)
i y |d|s
i y + |d|s
p
p
(y)dy
f (s; )ds
1 2i
1 2i
141
6 METODOLOGIA
Esta tese tem a nalidade de ampliar o algoritmo proposto por Dunlap,
Marx e Agamy (1981), atendendo aos testes de Dunnett unilaterais e bilaterais,
balanceados ou no e possibilitar a obteno da probabilidade acumulada, dos
quantis da distribuio, invertendo a funo de distribuio, considerando a
estatstica do teste para a distribuio t multivariada no-central.
Portanto, nesta seo est desenvolvida a obteno detalhada da
distribuio das estatsticas do teste de Dunnett considerando um vetor de noFHQWUDOLGDGH ,QLFLDOPHQWH REWHYH-se a distribuio do mximo e do mximo
do mdulo da normal multivariada no-central. A partir dessas distribuies
chega-se a distribuio t multivariada no-central aplicvel s estatsticas do teste
de Dunnett.
Tambm so descritas a metodologia para a resoluo numrica dessas
integrais utilizando quadraturas gaussianas antes de construir o pseudocdigo. O
ANEXO B apresenta todas as rotinas implementadas no software R.
142
2 Pi[LPR GR YHWRU Z, dado por Z = max ;J
WHP D VHJXLQWH IXQomR GH
i
EJTUSJCVJPEFSUREDELOLGDGH
y
+
z
i
iq
(y)dy,
FZ (z; , ) =
2
i=1
1 i
Z
r
Y
(6.1.1)
em que = (1 , 2 , . . . , r ) e = (1 , 2 , , r ) .
Demonstrao:
Considerando as hipteses, tem-se a transformao Z = Y + , ou seja
Z1
Z2
..
.
Zr
1 21
0
0
..
.
0
Z1
Z2
..
.
Zr
0
p
1 22
0
..
.
0
...
...
...
..
.
...
0
0
0
..
.
1 2r
1
2
3
..
.
r
p
1 21 Y1 1 Y0 + 1
p
1 22 Y2 2 Y0 + 2
=
..
.
p
2
1 r Y r r Y 0 + r
Y1
Y2
..
.
Yr
Y0
E(Z) =
1
2
..
.
r
1
2
..
.
r
143
hp
1 21
Cov(Z) =
i2
+ 21
2 1
3 1
..
.
1 2
i2
hp
1 22 + 22
3 2
..
.
r 1
2 1
Cov(Z) = 3 1
.
..
r 1
1 2
1
3 2
..
.
r 2
r 2
1 3
2 3
1
..
.
r 3
...
...
...
..
.
...
1 r
2 r
3 r
....
..
1
...
...
2 r
...
..
.
3 r
..
.
hp
i2
1 2r + 2r
...
1 r
= .
Amatrizsatisfazacondiodeestruturadecorrelaoprodutodadapor(5.4.4).
Assim,ovetoraleatrioZ=(Z1,Z2,...,Zr),cujaformageraldoi-simotermo
Zi =
1 2i Yi i Y0 + i , com 1 i r,
temdistribuionormalmultivariadaZNr(,)eafunodedensidadedeZ
dadapor
r
1
1
fZ (z; , ) = (2) 2 || 2 exp (z ) 1 (z ) .
2
144
Assim,
FZi (z; i , i ) = P (Zi z)
=P
q
2i Yi
i Y 0 + i z
i Y 0 + z i
.
= P Yi q
1 2i
Cada Yi N(0,1), mas a acumulada FZi (z) depende de Y0 , que uma varivel
aleatria. CondicionandoaoconhecimentodovalordeY0 queserdenotadopor
ytem-se
FZi (z|Y0 = y) = P
!
i Y0 + z i
Yi p
Y o = y
12i
=P
i y + z i
Yi p
1 2i
/ogo,usandooresultadodeprobabilidadescondicionais,tem-se
FZi (z; i , i ) =
i y + z i
q
(y)dy.
1 2i
P (Z1 z, Z2 z, . . . , Zr z) = P max Zi z =
i
r
Y
i=1
i Y 0 + z i
p
1 2i
145
y
+
z
i
iq
FZ (z; , ) =
(y)dy,
2
i=1
1 i
Z
r
Y
comosequeriamostrar.
fZ (z; , ) =
r
X
i=1
i y + z i
p
1 2i
1
1 2i
r
Y
k=1
k6=i
em que = (1 , 2 , . . . , r ) e = (1 , 2 , , r ) .
! )
k y + z k
p
(y)dy,
1 2k
(6.1.2)
146
Demonstrao:
A funo densidade de probabilidade do mximo da normal multivariada nocentral, Z = max(Zi ), obtida derivando-se (6.1.1) em relao a z, conforme
i
(5.4.8) obtendo-se
Z
r
Y i y + z i
q
(y)dy ,
fZ (z; , ) =
z
1 2
i=1
ou seja
fZ (z; , ) =
r
X
i=1
i y + z i
p
1 2i
1
1 2i
r
Y
k=1
k6=i
! )
k y + z k
p
(y)dy,
1 2k
probabilidade:
F|Z| (z; , ) =
r
Y
i=1
"
i y + z i
p
1 2i
i y z i
p
1 2i
em que = (1 , 2 , . . . , r ) e = (1 , 2 , , r ) .
!#)
(y)dy,
(6.1.3)
147
Demonstrao:
De modo similar ao demonstrado no teorema 6.2.1, porm usando o resultado da
distribuio do mximo do mdulo de uma varivel aleatria dado por
P (|Z1 | z, |Z2 | z, . . . , |Zr | z) = P max |Zi | z = P (z max Zi z,)
i
tem-se
max |Zi | z
i
r
Y
"
i y + z i
p
1 2i
i Y 0 z i
i Y 0 + z i
P q
,
Yi q
1 2i
1 2i
i=1
F|Z| (z; , ) =
r
Y
i=1
i y z i
p
1 2i
!#)
(y)dy,
comosequeriamostrar.
Afunodadistribuiodomximodomdulodanormalmultivariada
no-centralcomparmetrodeno-centralidade=utilizadanotestedeDunnettbilateralquandoosgrausdeliberdadetendemaoinfinito.
148
( "
!
!#
!!
1
i y + z i
i y z i
p
p
p
f|Z| (z; , ) =
+
1 2i
1 2i
1 2i
i=1
"
!
!#)
r
Y
k y + z k
k y z k
p
p
(y)dy.
(6.1.4)
2
1 k
1 2k
k=1
Z
r
X
k6=i
em que = (1 , 2 , . . . , r ) e = (1 , 2 , , r ) .
Demonstrao:
A funo densidade de probabilidade de |Z| = max(|Zi |) obtida derivando-se
i
p
p
f|z| (z; , ) =
(y)dy
z i=1
1 2i
1 2i
( "
!
# "
!
Z X
r
i y + z i
1
i y z i
p
p
p
=
1 2i
1 2i
1 2i
i=1
#! r "
!
!# )
Y
k y + z k
1
k y z k
p
p
p
(y)dy.
2
2
1 k
1 2k
1 i
k=1
k6=i
!
!#
!!
1
i y z i
i y + z i
p
p
p
+
f|Z| (z; , ) =
1 2i
1 2i
1 2i
i=1
"
!
!#)
r
Y
k y + z k
k y z k
p
p
(y)dy.
2
1
1 2k
k=1
k
Z
r
X
( "
k6=i
149
6.2 Distribuio do mximo e do mximo do mdulo da t multivariada nocentral com parmetro de no-centralidade
Z
T= q ,
(6.2.1)
em que S =
U/ =
b/ uma varivel aleatria com distribuio de uma
Tomando-se
max(Ti ) =
i
max(Zi )
i
q
(6.2.2)
densidade de probabilidade:
150
y
+
sd
s
i
i
q
fD (d; , , ) =
q
0
i=1
1 2i
1 2i
)#
r
Y k y + sd k
q
"Z
r
X
(6.2.3)
k6=i
em que = (1 , 2 , . . . , r ) e = (1 , 2 , , r ) .
Demonstrao:
Para obter a funo densidade de probabilidade de D = max(Ti ), inicialmente
i
r
X
1
i y + z i
q
q
i=1
1 2i
1 2i
)
r
Y
k y + z k
fZ,S (z,s; , , ) =
k6=i
z
d
s
d
z
s
s
s
s d
=
0 1
= s,
151
fD,S (d,s; , , ) =
r
X
i=1
i y + sd i
p
1 2i
1
1 2i
r
Y
k=1
k6=i
k y + sd k
p
1 2k
fD (d; , , ) =
)#
"Z
r
X
i=1
i y + sd i
p
1 2i
s
1 2i
r
Y
k=1
k6=i
k y + sd k
p
1 2k
distribuio de probabilidade:
FD (d; , , ) =
"Z
r
Y
i=1
i y + sd i
p
1 2i
em que = (1 , 2 , . . . , r ) e = (1 , 2 , , r ) .
(6.2.4)
152
Demonstrao:
A funo de distribuio de probabilidade da varivel D = max(Ti ) obtida ini
y
+
sw
i
i
q
q
FD (d; , , ) =
i=1
0
1 2i
1 2i
)#)
r
Y k y + sw k
q
k=1
1 2k
d
"Z
(Z
"Z
r
X
k6=i
obtendo-se
FD (d; , , ) =
r
Y
i=1
i y + sd i
p
1 2i
comosequeriamostrar.
A funo da distribuio do mximo da t multivariada no-central com
parmetro de no-centralidade = utilizada no teste de Dunnett unilateral
quando os graus de liberdade so finitos.
max(|Zi |)
i
q
.
U
153
p
Considerando |Z| = max(|Zi |), S = U/ uma varivel aleatria com disi
p
tribuio 2 /, cuja funo densidade de probabilidade dada pela equao
de probabilidade de |D|
f|D| (|d|; , , ) =
r
X
i=1
s
p
1 2i
( "
!!
r
Y
k=1
k6=i
"
i y + |d|s i
p
1 2i
k y + |d|s k
p
1 2k
i y |d|s i
p
1 2i
!#
k y |d|s k
p
1 2k
!# )
(6.2.5)
F|D| (|d|; , , ) =
(Z
r
Y
i=1
"
i y + |d|s i
p
1 2i
i y |d|s i
p
1 2i
!#
(6.2.6)
em que = (1 , 2 , . . . , r ) e = (1 , 2 , , r ) .
Demonstrao:
Para obter a funo densidade de probabilidade de |D| = max(|Ti |), inicialmente
i
f|Z|,S (z,s; , , ) =
r
X
i=1
r
Y
k=1
k6=i
"
( "
!
!#
!!
i y + z i
i y z i
1
p
p
p
+
1 2i
1 2i
1 2i
!
!# )
k y + z k
k y z k
p
p
154
!
!#
i y |d|s i
i y + |d|s i
p
p
+
f|D|,S (|d|,s; , , ) =
1 2i
1 2i
i=1
!
!#
!! r "
Y
k y |d|s k
k y + |d|s k
1
p
p
p
1 2k
1 2k
1 2i
k=1
r
X
( "
k6=i
Afunodensidadede|D|amarginaldadensidadeconjuntaf|D|,S
(|d|,s; ,,) quando se integra em relao a varivel s, que varia de [0,),
chegando-sea
f|D| (|d|; , , ) =
r
X
i=1
s
p
1 2i
( "
!!
r
Y
k=1
k6=i
"
!#
i y |d|s i
p
+
1 2i
!
!# )
k y |d|s k
k y + |d|s k
p
p
1 2k
1 2k
i y + |d|s i
p
1 2i
REWLGDLQWHJUDQGRVHf|D|(|d|;,,)HPUHODomRDGGDVHJXLQWHIRUPD
F|D| (|d|; , , ) =
s
p
1 2i
r
Y
k=1
k6=i
resultando em
"
|d|
(Z
r
X
i=1
k y + ws k
p
1 2k
( "
!
!#
i y + ws i
i y ws i
p
p
+
1 2i
1 2i
!# )
)
k y ws k
p
(y)f (s; )dyds dw
1 2k
155
F|D| (|d|; , , ) =
(Z
r
Y
i=1
"
i y + |d|s i
p
1 2i
i y |d|s i
p
1 2i
!#
"Z
r
Y
i y + sd i
p
1 2i
i=1
e
F|D| (|d|; , , ) =
(Z
r
Y
i=1
"
i y + |d|s i
p
1 2i
respectivamente.
i y |d|s i
p
1 2i
!#
ni
+n
r+1
156
(z) =
w2
1
e 2 dw.
2
do teste. Compara-se o valor-p obtido no contraste com o nvel nominal estabelecido para o teste, e conclui-se sobre a significncia da diferena de mdias
observadas. Repete-se este procedimento para cada um dos r contrastes. Desta
forma determina-se quais dos r tratamentos em teste apresentam mdia significativamente diferente da mdia do tratamento controle, considerando um nvel de
significncia nominal pr-especificado para as r comparaes simultaneamente.
157
b) Alternativa 2:
158
y
+
z
i
iq
FZ (z; , ) =
(y)dy,
2
i=1
1 i
Z
r
Y
com Z = max Zi .
L
Chamandoointegrandodessaexpressodeg(y;z,,),tem-se
g(y; z,,) =
r
Y
i y + z i
q
(y)
1 2i
i=1
TXH HVWi UHSUHVHQWDGD QD )LJXUD FRP RV SDUkPHWURV z = 1,35, = (0,2; 0,3;
0,5)e=(0,2;0,5;0,5).3RGHVHREVHUYDUTXHDIXQomRg(y;z,,)WHPDIRUPD
GD IXQomR GHQVLGDGH GD QRUPDO (y), UHGX]LGD SHOR WHUPR TXH FRQWpP R
SURGXWyULR TXH p XP Q~PHUR HQWUH H $ FXUYD DSUHVHQWD WDPEpP XP
GHVORFDPHQWR GD FHQWUDOLGDGH GDGD SHOR YHWRU , FRP XPD OHYH DVVLPHWULD D
GLUHLWD
0.5
159
normal
0.0
0.1
0.2
0.3
0.4
g(y)
Valores de y
Figura 12 5HSUHVHQWDomR JUiFD GD IXQomR g(; z,) = g(; 1,35, (0,2; 0,3;
0,5), (0,2; 0,5; 0,5)), integrando da expresso (6.1.1), em relao
funo densidade da normal )(
Para resolver a integral utilizando quadraturas, optou-se por no utilizar
160
g(y; z, , )dy =
g
1
t
1 t2
1 + t2
dt
(1 t2 )2
g(y; d, , )dy
n
X
j=1
"
wj
r
Y
i=1
1 + t2j
(1 t2j )2
tj
1t2j
+ d i
p
1 2i
tj
1 t2j
161
F|Z| (z; , ) =
r
Y
i=1
"
i y + z i
p
1 2i
i y z i
p
1 2i
!#)
(y)dy,
&KDPDQGRRLQWHJUDQGRGHVVDH[SUHVVmRGHJ(y;z,,),WHPVH
y
+
z
i
i
i
iq
q
(y)
g(y; z,,) =
1 2
1 2
i=1
qXH HVWi UHSUHVHQWDGD QD )LJXUD FRP RV SDUkPHWURV = (0,2; 0,3; 0,5), z =
1,35 e = (0,2; 0,5; 0,5). 3RGHVH REVHUYDU TXH D IXQomR p VHPHOKDQWH D GD
)LJXUD SRUpP VLPpWULFD FRP XP GHVORFDPHQWR GD FHQWUDOLGDGH GDGD SHOR
YHWRU.
0.5
162
normal
0.0
0.1
0.2
0.3
0.4
g(y)
Valores de y
Figura 13 5HSUHVHQWDomR JUiFD GD IXQomR g(; z,) = g(; 1,35, (0,2;
0,3;0,5), (0,2; 0,5; 0,5)), integrando da expresso (6.1.3),
comparando-a com a funo densidade da normal )(
Z
g(y; z, , )dy
n
X
wj
j=1
r
Y
i=1
tj
1t2j
"
z i
1 2i
tj
1t2j
+ z i
p
1 2i
#)
tj
1 t2j
1 + t2j
,
(1 t2j )2
163
fZ (z; , ) =
r
X
i=1
i y + z i
p
1 2i
1
Y
2
1 i k=1
k6=i
k y + z k
p
1 2k
(y)dy,
com Z = max(Zi ).
i
Novamente a integral original ser transformada numa integral com intervalo [1,1] e avaliada por uma quadratura de Gauss-Legendre. Ser realizada uma
mudana da varivel y para a varivel t, do tipo obtida em (4.1.8), que resulta em
( tj
i 1 t 2 + z i
p 1
pj
wj
g(y; z, , )dy
2
1 i
1 2i
i=1
j=1
)
t
!
r
k 1jt2 + z k
Y
1 + t2j
t
j
pj
,
1 t2j (1 t2j )2
1 2k
k=1
n
X
r
X
k6=i
164
!
!#
!!
i y + z i
i y z i
1
p
p
p
f|Z| (z; , ) =
+
1 2i
1 2i
1 2i
i=1
!
!#)
"
r
Y
k y z k
k y + z k
p
p
(y)dy.
2
1 k
1 2k
k=1
Z
r
X
k6=i
( "
!
tj
r
+ z i
i 1t
2
1 + t2j X
tj
pj
wj
g(y; z, , )dy
2
2 )2
2
1
t
(1
t
1
j
j
i
j=1
i=1
t
#
j
r
z i
i 1t
2
Y
p 1
pj
+
1 2i
1 2i k=1
k6=i
)
t
t
j
k 1jt2 z k
+ z k
k 1t
2
.
pj
pj
2
1 k
1 2k
n
X
165
com Z = max Zi .
r
Y
FZ (z; , ) (1 ) = 0
i y + d i
q
(y)dy (1 ) = 0,
2
1
i=1
i
Nestecasonecessrioutilizarummtodonumricoparaencontrararaiz
da equao. Como esto disponveis a funo distribuio e densidade do mximodanormalmultivariadano-central,representadasporFZ (z;,)dadaem
(6.1.1)efZ (z;,)dadaem(6.1.2),respectivamente,pode-seutilizaromtodo
deNewton-Raphson.Aequao(4.2.2)aformageralparaiterativamenteobtera
aproximaodaraizdaequao.
Tomando como ponto inicial x0 = z1(1)1/r , sendo f (.) = FZ (z; , )
(1 ) e f (.) = fZ (z; , ), tem-se
xn+1 = xn
FZ (z; , ) (1 )
,
fZ (z; , )
efixandoumatolernciaparaosvaloresobtidosemiteraessequentesde110
13,comnomximo5000iteraes,obtm-seoquantildesejado.Asintegraisso
resolvidaspelasfunesdescritasnassubsees6.3.1e6.3.3.
166
r
Y
i=1
"
i y + |d| i
p
1 2i
i y |d| i
p
1 2i
F|Z| (z; , ) (1 ) = 0
!#)
(y)dy (1 ) = 0,
F|Z| (z; , ) (1 )
,
f|Z| (z; , )
efixandoumatolernciaparaosvaloresobtidosemiteraessequentesde110
13,comnomximo5000iteraes,obtm-seoquantildesejado.Asintegrais
soresolvidaspelasfunesdescritasnassubsees6.3.2e6.3.4.
167
FD (d; , , ) =
"Z
r
Y
i=1
i y + sd i
p
1 2i
f (s; ) =
/2
1 s2 /2
e
.
s
(/2)1
2
( 2 )
g(y; s,d,,, ) =
r
Y
i=1
i y + sd i
q
(y)f (s; )
1 2i
que est representada na Figura 14 com os parmetros = (0,2; 0,3; 0,5), d =
1,35,=(0,2;0,5;0,5)e=120paraosvaloresdes=(1;1,05;1,1).
A integral interna original ser transformada numa integral com intervalo
[1,1] e avaliada por uma quadratura de Gauss-Legendre. Ser realizada uma
mudana da varivel y para a varivel t, do tipo apresentada em (4.1.8), ou seja
2.0
168
normal
g(y;s=1)
g(y;s=1,05)
0.0
0.5
1.0
1.5
g(y;s=1,1)
Valores de y
169
g(y; s, d, , , )dy =
1
1
Assim,
Z
g(y; s, d, , , )dy
n
X
j=1
r
Y
i=1
wj
r
Y
i=1
t
1t2
p
+ sd i
1 2i
t
1 t2
1 + t2
dt.
(1 t2 )2
+ sd i
1 + t2j
tj
p
,
1 t2j (1 t2j )2
1 2i
tj
1t2
j
Z
g(y; s, d, , , )dy
/2
2
s1 es /2 ds,
2(/2)1 ( 2 )
Z
g(y; s, d, , , )dy
/2
2
s1 es /2 .
2(/2)1 ( 2 )
h(s; d, , , )ds +
0
h(s; d, , , )ds,
1
1
0
1
h(s; d, , , )ds =
2
h
1
u+1
2
du.
170
Chamando
A(s; d, , , ) =
g(y; s, d, , , )dy
t
j
n
r
+ sd i
i 1t
2
X
Y
j
p
wj
A(s; d, , , )
2
1
i
j=1
i=1
tj
1 t2j
1 + t2j
,
(1 t2j )2
tem-se que
Z
h(s)ds
=
/2 s1 es /2
A(s; d, , , ) (/2)1 ds
2
( 2 )
0
Z 1
/2
u+1
u + 1 1 ( u+1 )2
1
A
e 2 2 du
2 1
2
2
2(/2)1 ( 2 )
Z 1
u+1
u + 1 1 ( u+1 )2
/2
A
e 2 2 du
2
2
2(/2) ( 2 ) 1
)
( n
X u + 1 1 u +1 2 u + 1
/2
e 2 2
A
w
2
2
2(/2) ( 2 )
=1
1
0
( n
( n
X u + 1 1 u +1 2 X
/2
2
2
w
e
wj
2
2(/2) ( 2 ) =1
j=1
t
%
!
))
j
r
+ d u2+1 i
i 1t
2
Y
1 + t2j
t
j
j
p
1 t2j (1 t2j )2
1 2i
i=1
h(s)ds
=
h(s; d, , , )ds =
1
e1
0
h(ln(u))
du,
u
171
ou seja,
Z
h(s)ds =
1
/2
(/2)1
2
( 2 )
/2
Z
Z
A(s; d, , , )s1 e 2 s ds
1
e1
1
A (ln(u); d, , , ) [ln(u)]1 e 2 [ln(u)] du
u
( n
Z e1
X
1
/2
1
[ln(u)]2
2
wj
[ln(u)]
e
= (/2)1
u
2
( 2 ) 0
j=1
tj
)
d(ln(u))
r
i
i
2
1tj
Y
1 + t2j
tj
p
1 t2 (1 t2 )2 du;
1 2i
j
j
i=1
2(/2)1 ( 2 )
h(ln(u))
,
u
do tipo apresentada
e1
f (u)du =
0
e1
2
f
1
e1
m+1
2
dm,
ou seja,
e1
0
e1 /2
f (u)du
= (/2)
2
( 2 )
1 m
+1
2
1
ln e
e1 m+1
2
( n
"
!
#
2
X
2
1
+
t
t
j
j
2 [ln(e1 m+1
2 )]
wj
e
1 t2j (1 t2j )2
j=1
% % 1 m+1
tj
)
d
ln
e
r
i
2
Y
i 1t2j
dm.
q
2
1 i
i=1
1
172
Assim,
Z
h(s)ds
=
e1 /2
n
X
h
i2
m +1
2 ln e1 2
1 m +1
e
2
=1
!
"
#
1 ( X
n
1 + t2j
tj
1 m + 1
wj
ln e
2
1 t2j (1 t2j )2
j=1
% % 1 m +1
tj
))
d
ln
e
r
i
2
i 1t2j
Y
2
1 i
i=1
2(/2) ( 2 )
F|D| (|d|; , , ) =
(Z
r
Y
i=1
"
i y + |d|s i
p
1 2i
i y |d|s i
p
1 2i
!#
173
com |D| = max |Ti | e f (s; ) dada pela equao (5.1.4), ou seja
i
/2
1 s2 /2
e
.
s
(/2)1
2
( 2 )
f (s; ) =
r
Y
i=1
"
i y + |d|s i
p
1 2i
i y |d|s i
p
1 2i
!#
(y)f (s; )
TXHHVWiUHSUHVHQWDGDQD)LJXUDFRPRVSDUkPHWURVd=, ,
=,=SDUDRVYDORUHVGHs=(1;1,05;1,1).
$LQWHJUDOLQWHUQDRULJLQDOVHUiWUDQVIRUPDGDQXPDLQWHJUDOFRPLQWHUYDOR
>@ H DYDOLDGD SRU XPD TXDGUDWXUD GH *DXVV/HJHQGUH 6HUi UHDOL]DGD XPD
PXGDQoDGDYDULiYHOyparaavarivelt,GRWLSRREWLGDHPRXVHMD
Z
g(y)dy =
1
1
r
Y
i=1
t
1 t2
t
1t2
+ |d|.s i
p
1 2i
1 + t2
dt,
(1 t2 )2
t
1t2
|d|s i
p
1 2i
g(y)dy
n
X
j=1
wj
r
Y
i=1
tj
1 t2j
tj
+ |d|.s i
|d|s
i
i
2
1tj
p
p
2
2
1 i
1 i
tj
1t2
j
1 + t2j
,
(1 t2j )2
HP TXH FDGD tj p XP Qy GD TXDGUDWXUD *DXVV/HJHQGUH H wj p R VHX
respectivopeso.
'R PHVPR PRGR TXH QD VHomR DQWHULRU SDUD UHVROYHU D LQWHJUDO H[WHUQD
RSWRXVHSRUQmRXWLOL]DUDTXDGUDWXUD*DXVV/DJXHUUHPDVGLYLGLUDLQWHJUDORUL
JLQDOQDVRPDGHGXDVLQWHJUDLVXPDFRPLQWHUYDOR>@HDRXWUDFRPLQWHUYDOR
>@ $PEDV DV LQWHJUDLV VRIUHUmR PXGDQoDV GH YDULiYHLV SDUD VHU UHVROYLGD QR
LQWHUYDOR>@SRUXPDTXDGUDWXUDGH*DXVV/HJHQGUH$VVLPLQLFLDOPHQWHWHP
1.5
174
normal
g(y;s=1)
g(y;s=1,05)
0.0
0.5
1.0
g(y;s=1,1)
Valores de y
175
se
F|D| (|d|; , , ) =
Z
g(y; s, d, , , )dy
/2
1 s2 /2
e
ds,
s
(/2)1
2
( 2 )
h(s; d, , , ) =
g(y; s, d, , , )dy
/2
1 s2 /2
e
.
s
(/2)1
2
( 2 )
h(s; d, , , )ds +
0
h(s; d, , , )ds.
1
Na primeira integral foi realizada uma mudana da varivel s para a varivel u, do tipo obtida em (4.1.5), ou seja
Z
1
0
1
h(s; d, , , )ds =
2
h
1
u+1
2
du.
Sendo
A(y; s, d, , , ) =
A(y; s, d, , , )
n
X
wj
j=1
tem-se que
Z
tj
1 t2j
g(y; s, d, , , )dy
1 + t2j
(1 t2j )2
"
r
Y
i=1
|d|s i #
,
p
1 2i
tj
1t2
j
+ |d|.s i
1 2i
tj
1t2
j
/2 s1 es /2
ds
2(/2)1 ( 2 )
0
/2 u+1 1 ( u+1 )2
Z 1
e 2 2
u+1
2
1
, d, , ,
A y;
du,
=
(/2)1
2 1
2
2
( 2 )
h(s; d, , , )ds =
0
A(y; s, d, , , )
176
ou seja,
Z
1
0
n
X
2 #
u + 1 1 2 u2+1
e
w
2
=1
% u +1
tj
( n
" r
X
Y i 1t2j + |d| 2 i
wj
2
1
j=1
i=1
i
% u +1
tj
#
))
!
|d|
i
2
i 1t2j
1 + t2j
t
j
q
,
1 t2j (1 t2j )2
2
1 i
h(s)ds
=
/2
2(/2) ( 2 )
"
h(s; d, , , )ds =
1
e1
h(ln(u))
dt;
u
h(ln(u))
,
u
do tipo obtida em
e1
0
e1
f (u)du =
2
f
1
1m
+1
2
dm.
177
h(s)ds
=
e1 /2
n
X
h
i2
m +1
2 ln e1 2
e1 m2+1
"
#
!
1 ( X
n
2
1
+
t
t
m
+
1
j
j
ln e1
wj
2
2 )2
2
1
t
(1
t
j
j
j=1
% % 1 m +1
tj
" r
i
2
Y i 1t2j |d| ln e
2
1 i
i=1
% % 1 m +1
tj
#))
+
|d|
ln
e
i
2
i 1t2j
2
1 i
2(/2) ( 2 )
=1
178
"Z
p
X
i y + sd i
s
q
q
0
i=1
1 2i
1 2i
#
p
Y
y
+
sd
k
k
(y)dy f (s; )ds,
q
2
k=1
1 k
fD (d; , , ) =
k6=i
com D = max(Ti ).
i
n
X
g(y)dy
wj
j=1
r
X
i=1
r
Y
k
k=1
k6=i
tj
1t2j
+ sd i
q s
1 2i
1 2i
+ sd k )
q
2
1 k
tj
1t2j
tj
1 t2j
1 + t2j
(1 t2j )2
com g(y) = g(y; s, d, , , ) e em que cada tj um n da quadratura GaussLegendre e wj o seu respectivo peso.
Para resolver a integral externa optou-se por no utilizar a quadratura
Gauss-Laguerre mas dividir a integral original na soma de duas integrais, uma
com intervalo [0,1] e a outra com intervalo [1,]. Ambas as integrais sofrero
mudanas de variveis para ser resolvida no intervalo [1,1] por uma quadratura
de Gauss-Legendre. Assim, inicialmente tem-se
fD (d; , , ) =
Z
g(y; s, d, , , )dy
/2
1 s2 /2
e
ds,
s
(/2)1
2
( 2 )
179
Z
g(y; s, d, , , )dy
/2
1 s2 /2
e
.
s
(/2)1
2
( 2 )
h(s; d, , , )ds +
0
h(s; d, , , )ds,
1
Na primeira integral foi realizada uma mudana da varivel s para a varivel u, do tipo obtida em (4.1.5), ou seja
Z
1
0
1
h(s; d, , , )ds =
2
h
1
u+1
2
du.
Sendo
A(y; s, d, , , ) =
g(y; s, d, , , )dy
( tj
n
r
i 1t2 + sd i
X
X
p s
pj
wj
A(y; s, d, , , )
2
1 i
1 2i
j=1
i=1
)
t
!
j
r
+ sd k
k 1t
2
Y
1 + t2j
tj
1 t2j (1 t2j )2
1 2k
k=1
k6=i
tem-se que
Z
/2 s1 es /2
ds
2(/2)1 ( 2 )
0
2
/2 % u+1 1 2 ( u+1
Z
2 )
e
u+1
1 1
2
du,
A y;
, d, , ,
=
2 1
2
2(/2)1 ( 2 )
h(s; d, , , )ds =
0
A(y; s, d, , , )
ou seja,
Z
1
0
"
( n
#
1
/2
u +1 2
X
u
+
1
h(s)ds
w
e 2 2
= (/2)
2
2
( 2 ) =1
180
%
%
( tj
u +1
i 1t2 + d u2+1 i
j
p 2
p
wj
1 2i
1 2i
j=1
i=1
)
t
%
!
))
j
r
+ d u2+1 k
k 1t
2
Y
1 + t2j
t
j
j
p
1 t2j (1 t2j )2
1 2k
k=1
(
n
X
r
X
k6=i
com h(s) = h(s; d, , , ) e em que cada tj e u um n da quadratura GaussLegendre e wj e w os seus respectivos pesos.
Na segunda integral foi realizada duas mudanas de variveis:
L de s para a varivel u, do tipo obtida em (4.1.6), que dada por
Z
h(s; d, , , )ds =
1
e1
0
e1
0
e1
f (u)du =
2
f
1
h(ln(u))
dt;
u
h(ln(u))
,
u
1 m
+1
2
do tipo obtida em
dm.
Assim, obteve-se
Z
1 /2
e
h(s)ds =
(/2)
2
( 2 )
n
X
h
i2
m +1
ln e1 2
1 m
+1
2
1
ln e
e1 m2+1
tj
1 m +1
(
( n
"
#
d
ln
e
r
i
i
2
2
X
X
1tj
ln e1 m2+1
p
p
wj
1 2i
1 2i
i=1
j=1
r
Y
k=1
k6=i
=1
tj
1t2
j
))
d ln e1 m2+1 k )
1 + t2j
tj
p
,
1 t2 (1 t2 )2
1 2k
j
j
com h(s) = h(s; d, , , ) e em que cada tj e m um n da quadratura GaussLegendre e wj e w os seus respectivos pesos.
181
%#
i y |d|s i
p
1 2i
i=1
0
%
!
%# )
!
%% r " !
Y
k y |d|s k
k y + |d|s k
s
p
p
1 2k
1 2k
1 2i
k=1
f|D| (|d|; , , ) =
(Z
r
X
(!" !
i y + |d|s i
p
1 2i
k6=i
g(y)dy
n
X
j=1
"
wj
tj
1 t2j
1 + t2j
(1 t2j )2
r
X
q s
2
1 i
i=1
182
r
Y
k=1
k6=i
tj
+ |d|s i
|d|s
i
i
2
1tj
p
p
2
2
1 i
1 i
tj
1t2
j
tj
)
+ |d|s k
|d|s
k
k
2
1tj
p
p
.
1 2k
1 2k
tj
1t2
j
Z
g(y)dy
/2
2
s1 es /2 ds,
2(/2)1 ( 2 )
Z
g(y; s, d, , , )dy
/2
1 s2 /2
e
.
s
(/2)1
2
( 2 )
h(s; d, , , )ds +
0
h(s; d, , , )ds.
1
Na primeira integral foi realizada uma mudana da varivel s para a varivel u, do tipo obtida em (4.1.5), ou seja
Z
h(s; d, , , )ds =
0
1
2
h
1
u+1
2
du.
183
Assim, tem-se
Z
( n
( n
X u + 1 1 u +1 2 X
1 + t2j
tj
/2
2
2
wj
e
w
2
(/2)
2
1 tj (1 t2j )2
2
( 2 ) =1
j=1
tj
tj
u +1
u +1
(
+
|d|
|d|
r
i
i
i
i
2
2
2
2
X
1tj
1tj
p
p
2
2
1
i
i
i=1
h(s)ds
=
r
Y
k=1
k6=i
k
u +1
2
tj
u +1
+ |d| u2+1 k
|d|
k
k
2
2
1tj
p
p
2
2
1 k
1 k
tj
1t2
j
%)))
1 2i
com h(s) = h(s; d, , , ) e em que cada tj e u um n da quadratura GaussLegendre e wj e w os seus respectivos pesos.
Na segunda integral foi realizada duas mudanas de variveis:
L de s para a varivel u, do tipo obtida em (4.1.6), que dada por
Z
h(s; d, , , )ds =
1
e1
0
e1
0
e1
f (u)du =
2
f
1
h(ln(u))
du;
u
h(ln(u))
,
u
1 m
+1
2
do tipo obtida em
dm.
Assim, obteve-se
Z
e1 /2
h(s)ds
= (/2)
2
( 2 )
"
( n
X
wj
j=1
n
X
i2
h
m +1
2 ln e1 2
1
1 m + 1
%
ln e
w
2
e1 m2+1
=1
!
# r (
!
%
X
1 + t2j
ln e1 m2+1
tj
p
1 t2j (1 t2j )2 i=1
1 2i
e
184
%
" tj
i 1t2 |d| ln e1 ml2+1 i
j
p
1 2i
t
#
%
j
+ |d| ln e1 m2+1 i
i 1t
2
j
p
+
1 2i
%
" tj
r
k 1t2 |d| ln e1 m2+1 k
Y
j
1 2k
k=1
k6=i
t
#)))
%
j
k 1t
+ |d| ln e1 m2+1 k
2
j
p
,
1 2k
com h(s) = h(s; d, , , ) e em que cada tj e m um n da quadratura GaussLegendre e wj e w os seus respectivos pesos.
Assim, todas as integrais envolvidas na funo densidade so resolvidas
por quadraturas de Gauus-Legendre.
185
r
Y
i=1
FD (d; , , ) (1 ) = 0
i y + sd i
q
(y)dy f (s; )ds (1 ) = 0,
2
1 i
com D = max Ti .
i
Nestecasonecessrioutilizarummtodonumricoparaencontrararaiz
da equao. Como esto disponveis a funo distribuio e densidade do mximo
da t multivariada no-central, representadas por FD (d; , , ) dada em (6.2.4)
e fD (d; , , ) dada em (6.2.3), respectivamente, pode-se utilizar o mtodo de
Newton-Raphson.
Tomando como ponto inicial x0 = t[(1(1)1/r ),] tem-se
xn+1 = xn
FD (d; , , ) (1 )
,
fD (d; , , )
186
(Z
r
Y
+ |d|s i
i y |d|s i
i yq
(y)dy
q
i=1
1 2i
1 2i
f (s; )ds (1 ) = 0,
F|D| (|d|; , , ) (1 )
,
f|D| (|d|; , , )
187
7 RESULTADOS
Nessa
seo
buscou-se
avaliar
desempenho
das
funes
188
0.70
0.60
0.65
probabilidade
0.75
0.791
0.80
50
100
150
200
graus de liberdade
189
pNDUD
0,7909168476601640
0,7909078341197382
0,7908952033283740
0,7908899615613073
0,7908927478023080
0,7908979619159170
pNDBD
0,5898754466961390
0,5898768511928386
0,5898700158598975
0,5898648842399930
0,5898651532076940
0,5898680509762940
190
Tabela 5 , concluso
= (0,5; 0,3; 0,2)
n
30
31
32
33
34
35
50
100
200
500
pNDUD
0,6558814060528640
0,6558700726113210
0,6558596247713100
0,6558570037562660
0,6558603117450020
0,6558644621804115
0,6558638804428980
0,6558638458713020
0,6558638458713220
0,6558638458713220
pNDBD
0,5452551385810563
0,5452650491173250
0,5452645943605655
0,5452589126912320
0,5452552142912210
0,5452557141044370
0,5452582689375716
0,5452582316484290
0,5452582316484950
0,5452582316484945
191
pNDUDF
0,7443243514593456
0,7443176099866940
0,7443091458398384
0,7443054727012124
0,7443070288944140
pNDBDF
0,5219718080549842
0,5219777466641453
0,5219793047649580
0,5219773649612096
0,5219751828497650
192
Tabela 6, concluso
(0,5; 0,3; 0,2)
n
30
31
32
33
34
35
50
100
200
500
30
31
32
33
34
35
500
30
31
32
33
34
35
500
30
31
32
33
34
35
500
pNDUDF
0,6124415105454004
0,6124327652042770
0,6124231636015610
0,6124197163894910
0,6124220180623233
0,6124259283889940
0,6124259491098984
0,6124259087971170
0,6124259087971380
0,6124259087971380
pNDBDF
0,4861078361033020
0,4861142370493203
0,4861176011546550
0,4861167065346608
0,4861143089720665
0,4861130107715058
0,4861142692127336
0,4861142665012473
0,4861142665012367
0,4861142665012370
0,6499173751914193
0,6499065090081490
0,6498959612791815
0,6498930220199706
0,6498961792997022
0,6499004050255507
0,6498998915410090
0,5364410995665176
0,5364506820083180
0,5364512613093234
0,5364465215357960
0,5364428891854060
0,5364428796555265
0,5364452679365250
120
0,6538738889036770
0,6538627063594710
0,6538522069398794
0,6538494711055880
0,6538527337927306
0,6538569175623976
0,6538563331101050
0,5422694273521110
0,5422694273521134
0,5422693499503548
0,5422640018325940
0,5422603159842188
0,5422606277944660
0,5422631070586976
480
0,6553776578000187
0,6553663571032960
0,6553559027809526
0,6553532543431540
0,6553565502854934
0,6553607093469049
0,6553601009457210
0,5445006878399210
0,5445105719226925
0,5445102200659050
0,5445046274985954
0,5445009299884280
0,5445013804128660
0,5445038891977925
40
193
probabilidade
= (0,7; 0,7; 0,7; 0,7)
erro absoluto
pNDBD
pmvt
Schervish
Wang & Kennedy
0,880221827686591
0,880015360026146
0,880221922100000
0,880221803700000
8.0984e-12
0,000699
0,000001
0,000001
pNDBD
pmvt
Schervish
Wang & Kennedy
2.3419e-07
0,000562
0,000001
0,000001
194
Tabela 8 Probabilidade do teste de Dunnett obtidas pelas funes pNDUDF para o teste unilateral e p
bilateral e pela funo pmvt do pacote mvtnorm, para o caso central e no-central, com d = 1,
32 pontos na quadratura, variando-se os valores dos graus de liberdade
v
pNDUDF
pmvt (unilateral) (*)
pNDBDF
pmvt (bilat
=
(0,2;
0,5;
0,5;
0,5;
0,3;
0,5;
0,2;
0,5;
0,5;
0,5;
0,3;
@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@
5
40
120
480
0,4417138907794653
0,4688444902144797
0,4716480088963454
0,4727097308800114
0,4417470821526838
0,4688322901904450
0,4716487446508506
0,4727086636131200
0,1515713427644092
0,1131454037833585
0,1064204629298331
0,1036299573564671
0,151571342
0,113131727
0,106398720
0,103741818
= (0,2; 0,5; 0,5; 0,5; 0,3; 0,5; 0,2; 0,5; 0,5; 0,5; 0,3; 0,5; 0,2; 0,5; 0,5; 0,5; 0,3; 0
2; 0,5; 0,3; 0,2; 0,5; 0,3; 0,2; 0,5; 0,3;
5 0,2793113567923382
0,2792523819344735
0,12979963936645010
0,129796578
40 0,2829900562150492
0,2830400895895710
0,09171270279263830
0,091778880
120 0,2830424314557730
0,2830720391282336
0,08534072252726720
0,085307085
480 0,2830425694296798
0,2829951465534473
0,08271331662639277
0,082607135
5
40
120
480
0,4785225261608730
0,5084054670728720
0,5115205994690846
0,5127020851356360
0,4786637867720853
0,5083929009166694
0,5116285076607154
0,5126948511870716
0,17058700171402990
0,13792505387874330
0,13211019283594310
0,12970036053689600
0,170309455
0,137750304
0,132074221
0,129753284
Tabela 8, concluso
v
pNDUDF
pNDBDF
pmvt (bilat
= (0,5; 0,5; 0,5; 0,5; 0,5; 0,5; 0,5; 0,5; 0,5; 0,5; 0,5; 0,5; 0,5; 0,5; 0,5; 0,5; 0,5; 0
5; 0,3; 0,2; 0,5; 0,3; 0,2; 0,5; 0,3; 0,2; 0,5; 0,3; 0,2
5 0,3214773613365876
0,3215110810237615
0,14908253104951950
0,148787755
40 0,3312513297409567
0,3312907743690111
0,11534890954472570
0,115286918
120 0,3320351771417700
0,3319978730771600
0,10955782691901300
0,109544026
480 0,3323186824629374
0,3322842744330308
0,10716528325443420
0,107280227
(*) erro mnimo da ordem da quarta casa decimal.
197
pNDBDF
mvstud
pmvt
3
3
3
3
3
3
20
20
20
20
20
20
30
30
30
30
30
30
0,2
0,2
0,5
0,5
0,8
0,8
0,2
0,2
0,5
0,5
0,8
0,8
0,2
0,2
0,5
0,5
0,8
0,8
10
900
10
900
10
900
10
900
10
900
10
900
10
900
10
900
10
900
0,8113716489082575
0,8714772347765425
0,8300169202508818
0,8844497368153013
0,8655867204390135
0,9094684275419850
0,4092176821076725
0,4440980770756253
0,5351623845394875
0,6072332519936443
0,7245095169119858
0,7911656902718861
0,3184388235151981
0,3121924490656889
0,4637106784100888
0,5231312309062763
0,6909920061801590
0,7606143133273131
0,8113578557968140
0,8714449405670166
0,8300129771232605
0,8844429254531860
0,8655934333801270
0,9094656109809875
0,4092107117176056
0,4440965652465820
0,5351692438125610
0,6072408556938171
0,7245147228240967
0,7911650538444519
0,3184342980384827
0,3121851384639740
0,4637171626091003
0,5231428146362305
0,6909971833229065
0,7606118321418762
0,8113830683823173
0,8714886645505286
0,8298486360228929
0,8844758882347792
0,8654305867908594
0,9094323161190694
0,4092211769103733
0,4441524178669163
0,5351985234395773
0,6069517337392991
0,7244203134028777
0,7913516849382036
0,3183995140879301
0,3124898885483320
0,4636319886765521
0,5229091885731137
0,6910525346027789
0,7604906853236557
198
Tabela 9, concluso
r
pNDBDF
mvstud
pmvt
50
50
50
50
50
50
80
80
80
80
80
80
0,2
0,2
0,5
0,5
0,8
0,8
0,2
0,2
0,5
0,5
0,8
0,8
10
900
10
900
10
900
10
900
10
900
10
900
0,2198516722704251
0,1620519559370634
0,3774180200083504
0,4103645998243669
0,6479981227113798
0,7201440957850329
0,1486425026914517
0,0650955630545228
0,3048339530466407
0,3051325364140102
0,6080812262989408
0,6812443358286571
0,2198455482721329
0,1620369553565979
0,3774199485778810
0,4103795289993286
0,6480036973953250
0,7201449871063230
-
0,2196491370887752
0,1621115930233352
0,3772613353763954
0,4111604372575535
0,6471338724118832
0,7203688530739962
0,1485718513912539
0,0654777335959302
0,3040131138961192
0,3048833804252217
0,6072048670608854
0,6807791969856853
199
HSU
9
40
120
)
2,262
2,021
1,980
1,960
qNDBDF
r =1
2,262407653761983
2,021277350389747
1,980118281037748
1,960143983738570
qmvt
2,262157162798204
2,021075390306273
1,979930405082422
1,959983753662981
200
HSU
9
40
120
)
9
40
120
)
9
40
120
)
10
40
120
)
3,535
2,970
2,875
2,829
qNDBDF
r =15
3,534850561320265
2,969505180782855
2,873942241770314
2,827422503199287
qmvt
3,536222003512497
2,969919769425486
2,874945107636507
2,829092111721982
r =50
4,029872787453915
3,311703047250819
3,191717551210948
3,132538897268113
4,012415500426735
3,311266500817176
3,192921466771687
3,136810342535750
r =100
4,267895375298354
3,492743780917273
3,359215345054900
3,292994346200360
4,268178097413750
3,493234918265517
3,359772591030518
3,296588767286848
r =400
4,611732928841250
3,826884086773704
3,667451229473050
3,588477849203994
4,609471540679550
3,827683293708740
3,667049399661720
3,587600180153800
201
HSU
9
40
120
()
9
40
120
()
9
40
120
()
9
40
120
()
9
40
120
()
3,251
2,704
2,617
2,576
qNDBDF
r =1
3,250821980635707
2,705495559268186
2,618499382946313
2,576932946472953
3,249835541592125
2,704459267433162
2,617421145106865
2,575870275392421
4,683
3,598
3,430
3,350
r =15
4,682435765923735
3,599831686973376
3,433240519342290
3,355187660159780
4,672939153121355
3,600577274727130
3,429224424492776
3,352424734255180
r =50
5,248157348609074
3,939271566862792
3,738036461369261
3,645595917567103
5,262269182817700
3,942192993882864
3,734891989839134
3,635953823187740
r =100
5,552994772842930
4,121477063796293
3,900761203837250
3,800835422237547
5,539795955304107
4,117640118730612
3,886612113055520
3,787742252237294
r =400
6,122011738145607
4,461583938935660
4,202901225165413
4,089253020427740
6,103170758314130
4,465354038232636
4,200595262918237
4,085193035751085
qmvt
202
1
15
50
50
100
100
400
400
9
120
300
1200
300
1200
300
1200
qNDBDF
= 0,2
2,262293382223230
2,968328616993119
3,292237404297974
3,270753738730534
3,482959514776127
3,458230533259006
3,838635648055526
3,807249232208513
qmvt
2,262157162798205
2,968272676775902
3,292052272380782
3,270027823728713
3,482217683874110
3,457619666734760
3,836099781046326
3,805305211939601
203
1
15
50
50
100
100
400
400
1
15
50
50
100
100
400
400
1
15
50
50
100
100
400
400
9
120
300
1200
300
1200
300
1200
qNDBDF
= 0,4
2,262374250190340
2,917051780006589
3,218104339955390
3,199192505150986
3,392939923522793
3,371454841014215
3,715704219342110
3,689032667530900
qmvt
2,262157162798205
2,916930908448603
3,217260048846396
3,200412840189197
3,392011015744620
3,374212418685474
3,718523755916460
3,692967432464550
9
120
300
1200
300
1200
300
1200
= 0,5
2,262407653761983
2,873942241770314
3,156265401790887
3,138491973846286
3,319627035312050
3,299694863860150
3,620187649859925
3,596451426118756
2,262157162798205
2,874945107636507
3,157642778133778
3,144480614516396
3,320904333481244
3,305554257303160
3,623120216963587
3,596748163042480
9
120
300
1200
300
1200
300
1200
= 0,6
2,262405603825037
2,815698129045571
3,075230699407817
3,059288607017559
3,225142451713763
3,207915396552372
3,499759613609014
3,480748948116408
2,262157162798205
2,817618705960482
3,078503963598772
3,060218651138311
3,226451919224349
3,210243481494084
3,496365374506372
3,475867659236415
204
1
15
50
50
100
100
400
400
9
120
300
1200
300
1200
300
1200
qNDBDF
= 0,75
2,262220345157308
2,690989218625786
2,908825330684217
2,898786685340200
3,032877085419235
3,023392248844917
3,257609765343446
3,229266813067587
qmvt
2,262157162798205
2,691812474543030
2,905566390342563
2,889843058482880
3,025789452375880
3,010407180214314
3,244975174277843
3,228998539110050
v
9
120
300
1200
300
1200
300
1200
qNDBDF
= 0,2
3,250368243925903
3,485538734597327
3,755615190692590
3,722234215844463
3,931519611710035
3,893823220047815
4,264296266342476
4,217700562180558
1
15
50
50
100
100
400
400
1
15
50
50
100
100
400
400
qmvt
3,249835541592125
3,485042255779190
3,754693984610962
3,719957183462010
3,931165430612506
3,893534040416453
4,262115340659284
4,215702814184188
9
120
300
1200
300
1200
300
1200
= 0,4
3,250612826607794
3,459028000784110
3,718398361414369
3,712772792442421
3,884870735426310
3,851956329127058
4,196015375222595
4,157702444143808
3,249835541592125
3,457508424947267
3,712772792442421
3,684739794013008
3,885139611022879
3,846767368267685
4,190848678713910
4,148649853911074
205
v
9
120
300
1200
300
1200
300
1200
qNDBDF
= 0,5
3,250821980635707
3,433240519342290
3,681632946641043
3,654469068943323
3,839365019637973
3,810228736794454
4,131651167024943
4,099187942303606
1
15
50
50
100
100
400
400
qmvt
3,249835541592125
3,429224424492776
3,676725276579973
3,645421556576080
3,830422350465660
3,802681225747631
4,127187694172008
4,077307846648280
1
15
50
50
100
100
400
400
9
120
300
1200
300
1200
300
1200
= 0,6
3,251119934231895
3,394642024672320
3,626514426199454
3,602975743391702
3,771975298909729
3,747475801221997
4,038960035366154
4,012804504327774
3,249835541592125
3,396989591520984
3,614349998554530
3,586641591984543
3,763932950536114
3,725952249989691
4,031587455183168
3,993872906243045
1
15
50
50
100
100
400
400
9
120
300
1200
300
1200
300
1200
= 0,75
3,251786124399999
3,297070742721380
3,486905937941090
3,468583414796159
3,604584560405272
3,584992367664654
3,817511852761212
3,792086158541832
3,249835541592125
3,290895020129418
3,473594937139957
3,448675503233097
3,583476212604860
3,569381064480714
3,799212820944980
3,788167087213330
206
207
8 CONCLUSES
208
209
REFERNCIAS
210
211
212
213
214
APNDICES
T11
54,1
53,8
53,1
52,5
54,0
b11
53,50
Experimento I
T12
T13
52,7
51,2
53,9
50,8
57,0
49,7
54,1
48,0
52,5
47,2
b12
b13
54,04 49,38
T14
50,7
51,5
49,2
53,1
52,7
b14
51,44
Experimento II
T21
T22
T23
T24
54,1
52,7
51,2
50,7
53,8
53,9
50,8
51,5
53,1
57,0
49,7
49,2
52,5
54,1
48,0
53,1
54,0
52,5
47,2
52,7
51,4
50,4
b21
b22
b23
b24
53,50 54,04 49,38 51,29
215
5
ni
= 0,5.
=
ni + n4
5+5
O segundo experimento tem 5 (cinco) repeties nos tratamentos em teste e o tratamento controle tem 7 repeties, tratando-se de um experimento com correlao
constante entre as diferenas de mdias igual a
2 =
ni
5
= 0,4167.
=
ni + n4
5+7
Calculando o quadrado mdio do erro ou varincia residual dos experimentos temse que:
b12 = QM E1 =
5
4 X
X
(Yja Y j )2
4(5 1)
j=1 a=1
= 2,300750
ou seja,
b1 = 1,516822, e
b12
5
4 X
X
(Yja Y j )2
= 2,096032
= QM E2 ==
3.(5 1) + 6
j=1 a=1
ou seja,
b2 = 1,447768.
Para cada contraste entre o i-simo novo tratamento e o tratamento controle determina-se a estatstica dbC = qbi br+1 .
1
+n 1
ni
r+1
dbC12 =
54,04 51,44
q
1,516822336 15 +
dbC13 =
49,38 51,44
q
1,516822336 1 +
5
1
5
1
5
2,6
= 2,71024552
0,95932268
2,06
= 2,1473484
0,95932268
216
53,50 51,29
q
= 2,612030
1,447768 15 + 17
dbC22 =
54,04 51,29
q
= 3,249028
1,447768 15 + 17
dbC23 =
49,38 51,29
q
= 2,248031
1
1
1,447768 5 + 7
Comonveldesignificncia=0,05desejvelparaotestesimultneo
dos 3 contrastes e usando como parmetros de entrada:
cada valor dbC estimado;
o vetor de correlaes 1 = (0,5; 0,5; 0,5) no experimento I e 2 = (0,4167;
0,4167; 0,4167) no experimento II;
o vetor de parmetros de no-centralidade , que nestes casos 0;
os graus de liberdade = 16 no experimento I e = 18 no experimento II
para a distribuio da varincia amostral residual em cada caso.
O scrip do R para obter o quantil das estatsticas do teste de Dunnett bilateral para estes dois experimentos dado a seguir, primeiro efetuando o procedimento pela alternativa 1 e depois pela alternativa 2, descritas na seo 6.3.
217
21
# Experimento I I
> rho <c ( 0 . 4 1 6 7 , 0 . 4 1 6 7 , 0 . 4 1 6 7 )
> nu <18
> d e l t a < c ( 0 , 0 , 0 )
> n<32
> p < 0.95
> qNCDun ( p , nu , rho , d e l t a , n , TRUE)
[ 1 ] 2.581522
21
2
APNDICE B - Rotinas R
################################################################
# A l g o r i t m o i m p l e m e n t a d o em R d a s f u n e s p a r a o b t e r p r o b a b i l i #
# d a d e s , i n v e r s a s e d e n s i d a d e s da d i s t r i b u i o da e s t a t s t i c a #
# do t e s t e de D u n n e t t u n i l a t e r a l e b i l a t e r a l , nob a l a n c e a d o e #
# noc e n t r a l , d a d o s nu > 0 g r a u s de l i b e r d a d e r e a i s , d e l t a
#
# ( v e t o r em R^ k ) p a r m e t r o de noc e n t r a l i d a d e e lambda ( v e t o r #
# R_+^ k ) d a s c o r r e l a e s , s e n d o k m d i a s r e g u l a r e s .
#
################################################################
l i b r a r y ( statmod )
################################################################
# A l g o r i t m o i m p l e m e n t a d o em R p a r a o b t e r a f u n o de d i s t r i b u i #
# o p a r a o c a s o u n i l a t e r a l nob a l a n c e a d o e noc e n t r a l ,
#
# com nu = i n f t y
#
################################################################
pNDUD < f u n c t i o n ( q , r , d e l t a , n = 3 2 )
{
k < l e n g t h ( r )
x < g a u s s . quad ( n , k i n d =" l e g e n d r e " )
# t r a n s f o r m a n d o de 1 a 1 p a r a i n f t y a + i n f t y , t = x /(1 x ^ 2 ) ,
# x em 1 a 1
y < m a t r i x ( x $ n o d e s / ( 1 ( x $ n o d e s ) ^ 2 ) , n , 1 )
pArgYi < f u n c t i o n ( y , r , d e l t a )
{
t i < pnorm ( ( r ^ 0 . 5 * y + q d e l t a ) / ( 1 r ) ^ 0 . 5 , l o g . p=TRUE)
t i < exp ( sum ( t i ) + dnorm ( y , l o g =TRUE ) )
return ( t i )
}
I < a p p l y ( y , 1 , pArgYi , r , d e l t a )
I < I * ( ( 1 + x $ n o d e s ^ 2 ) / ( 1 ( x $ n o d e s ) ^ 2 ) ^ 2 )
I < sum ( I * x $ w e i g h t s )
return ( I )
}
22
#################################################################
# A l g o r i t m o i m p l e m e n t a d o em R p a r a o b t e r a f u n o de d i s t r i b u i #
# o p a r a o c a s o b i l a t e r a l nob a l a n c e a d o e noc e n t r a l , com
#
# nu = i n f t y
#
#################################################################
pNDBD < f u n c t i o n ( q , r , d e l t a , n = 3 2 )
{
k < l e n g t h ( r )
x < g a u s s . quad ( n , k i n d =" l e g e n d r e " )
# t r a n s f o r m a n d o de 1 a 1 p a r a i n f t y a + i n f t y , t = x /(1 x ^ 2 ) ,
# x em 1 a 1
y < m a t r i x ( x $ n o d e s / ( 1 ( x $ n o d e s ) ^ 2 ) , n , 1 )
pArgYi < f u n c t i o n ( y , r , d e l t a )
{
t i < pnorm ( ( r ^ 0 . 5 * y + q d e l t a ) / ( 1 r ) ^ 0 . 5 , l o g . p=FALSE )
t i < t i pnorm ( ( r ^ 0 . 5 * y q d e l t a ) / ( 1 r ) ^ 0 . 5 ,
l o g . p=FALSE )
i f ( any ( t i <= 0 ) )
{
t i [ t i <= 0 ] < 743.7469
t i [ t i > 0 ] < l o g ( t i [ t i > 0 ] )
} e l s e t i < l o g ( t i )
t i < exp ( sum ( t i ) + dnorm ( y , l o g =TRUE ) )
return ( t i )
}
I < a p p l y ( y , 1 , pArgYi , r , d e l t a )
I < I * ( ( 1 + x $ n o d e s ^ 2 ) / ( 1 x $ n o d e s ^ 2 ) ^ 2 )
I < sum ( I * x $ w e i g h t s )
return ( I )
}
22
#################################################################
# A l g o r i t m o i m p l e m e n t a d o em R p a r a o b t e r a f u n o d e n s i d a d e p a r a #
# o c a s o u n i l a t e r a l nob a l a n c e a d o e noc e n t r a l , com nu = i n f t y #
#################################################################
dNDUD < f u n c t i o n ( q , r , d e l t a , n = 3 2 )
{
k < l e n g t h ( r )
x < g a u s s . quad ( n , k i n d =" l e g e n d r e " )
# t r a n s f o r m a n d o de 1 a 1 p a r a i n f t y a + i n f t y , t = x /(1 x ^ 2 ) ,
# x em 1 a 1
y < m a t r i x ( x $ n o d e s / ( 1 ( x $ n o d e s ) ^ 2 ) , n , 1 )
r g d g i < c b i n d ( r , d e l t a , ( 1 : k ) )
l o o p g < f u n c t i o n ( rd , ym , q )
{
t g < pnorm ( ( r d [ 1 ] ^ 0 . 5 * ym+qr d [ 2 ] ) / ( 1 r d [ 1 ] ) ^ 0 . 5 , l o g . p=TRUE)
return ( tg )
}
l o o p i < f u n c t i o n ( rd , ym , q )
{
t i < dnorm ( ( r d [ 1 ] ^ 0 . 5 * ym+qr d [ 2 ] ) / ( 1 r d [ 1 ] ) ^ 0 . 5 , l o g =TRUE)
0 . 5 * l o g (1 r d [ 1 ] )
return ( t i )
}
# loop dos y s
l o o p y < f u n c t i o n ( ym , q , rd )
{
Phy < a p p l y ( rd , 1 , loopg , ym , q ) # l o o p g
phy < a p p l y ( rd , 1 , l o o p i , ym , q ) # l o o p i
sPhy < sum ( Phy ) # soma das d i f e r e n a s dos Phi s
s T i < sum ( exp ( phy + sPhy Phy ) ) * dnorm ( ym )
return ( sTi )
}
I < a p p l y ( y , 1 , l o o p y , q , r g d g i )
I < I * ( ( 1 + x $ n o d e s ^ 2 ) / ( 1 x $ n o d e s ^ 2 ) ^ 2 )
I < sum ( I * x $ w e i g h t s )
return ( I )
}
22
#################################################################
# A l g o r i t m o i m p l e m e n t a d o em R p a r a o b t e r a f u n o d e n s i d a d e p a r a #
# o c a s o b i l a t e r a l nob a l a n c e a d o e noc e n t r a l , com nu = i n f t y #
#################################################################
dNDBD < f u n c t i o n ( q , r , d e l t a , n = 3 2 )
{
k < l e n g t h ( r ) ;
x < g a u s s . quad ( n , k i n d =" l e g e n d r e " )
# t r a n s f o r m a n d o de 1 a 1 p a r a i n f t y a + i n f t y , t = x /(1 x ^ 2 ) ,
# x em 1 a 1
y < m a t r i x ( x $ n o d e s / ( 1 ( x $ n o d e s ) ^ 2 ) , n , 1 )
r g d g i < c b i n d ( r , d e l t a , ( 1 : k ) )
l o o p g < f u n c t i o n ( rd , ym , q )
{
t g < pnorm ( ( r d [ 1 ] ^ 0 . 5 * ym + q r d [ 2 ] ) / ( 1 r d [ 1 ] ) ^ 0 . 5 )
pnorm ( ( r d [ 1 ] ^ 0 . 5 * ym q r d [ 2 ] ) / ( 1 r d [ 1 ] ) ^ 0 . 5 )
i f ( t g <= 0 ) t g < 743.7469 e l s e t g < l o g ( t g )
return ( tg )
}
l o o p i < f u n c t i o n ( rd , ym , q )
{
t i < dnorm ( ( r d [ 1 ] ^ 0 . 5 * ym + q r d [ 2 ] ) / ( 1 r d [ 1 ] ) ^ 0 . 5 ) +
dnorm ( ( r d [ 1 ] ^ 0 . 5 * ym q r d [ 2 ] ) / ( 1 r d [ 1 ] ) ^ 0 . 5 )
i f ( t i <= 0 ) t i < 743.7469 e l s e t i < l o g ( t i )
aux < t i 0 . 5 * l o g ( 1 r d [ 1 ] )
r e t u r n ( aux )
} # loop dos y s
l o o p y < f u n c t i o n ( ym , q , rd )
{
Phy < a p p l y ( rd , 1 , loopg , ym , q ) # l o o p g
phy < a p p l y ( rd , 1 , l o o p i , ym , q ) # l o o p i
sPhy < sum ( Phy ) # soma das d i f e r e n a s dos Phi s
s T i < sum ( exp ( phy + sPhy Phy ) ) * dnorm ( ym )
return ( sTi )
}
I < a p p l y ( y , 1 , l o o p y , q , r g d g i )
I < I * ( ( 1 + x $ n o d e s ^ 2 ) / ( 1 x $ n o d e s ^ 2 ) ^ 2 )
I < sum ( I * x $ w e i g h t s ) ;
return ( I )
}
22
#################################################################
# A l g o r i t m o i m p l e m e n t a d o em R p a r a o b t e r a i n v e r s a da f u n o de #
# d i s t r i b u i o p a r a o c a s o u n i l a t e r a l nob a l a n c e a d o e nocen #
# t r a l , com nu = i n f t y
#
#################################################################
qNDUD < f u n c t i o n ( p , r , d e l t a , n = 3 2 )
{
k < l e n g t h ( r )
a l p h a < 1 p
a l p h a _ k < 1 (1 a l p h a ) ^ ( 1 / k )
q0 < qnorm ( 1 a l p h a _ k ) # v a l o r i n i c i a l
m a x I t < 5000
t o l < 1 e 13
conv < F
i t < 0
w h i l e ( ( conv == F ) & ( i t <= m a x I t ) )
{
q1 < q0 (pNDUD( q0 , r , d e l t a , n ) p ) / dNDUD( q0 , r , d e l t a , n )
i f ( a b s ( q1q0 ) <= t o l ) conv < T
q0 < q1
i t < i t + 1
}
r e t u r n ( q1 )
}
22
#################################################################
# A l g o r i t m o i m p l e m e n t a d o em R p a r a o b t e r a i n v e r s a da f u n o de #
# d i s t r i b u i o p a r a o c a s o b i l a t e r a l nob a l a n c e a d o e nocen #
# t r a l , com nu = i n f t y
#
#################################################################
qNDBD < f u n c t i o n ( p , r , d e l t a , n = 3 2 )
{
k < l e n g t h ( r )
a l p h a < 1 p
a l p h a _ k < 1 (1 a l p h a / 2 ) ^ ( 1 / k )
q0 < qnorm ( 1 a l p h a _ k ) # v a l o r i n i c i a l
i f ( q0 < 0 ) q0 < q0
m a x I t < 5000
t o l < 1 e 13
conv < F
i t < 0
w h i l e ( ( conv == F ) & ( i t <= m a x I t ) )
{
q1 < q0 (pNDBD( q0 , r , d e l t a , n ) p ) / dNDBD( q0 , r , d e l t a , n )
i f ( a b s ( q1q0 ) <= t o l ) conv < T
q0 < q1
i t < i t + 1
}
r e t u r n ( q1 )
}
22
#################################################################
# A l g o r i t m o i m p l e m e n t a d o em R p a r a o b t e r a f u n o de d i s t r i b u i #
# o p a r a o c a s o u n i l a t e r a l nob a l a n c e a d o e noc e n t r a l , com #
# nu < I n f
#
#################################################################
pNDUDF < f u n c t i o n ( q , r , nu , d e l t a , n = 3 2 )
{
k < l e n g t h ( r )
xx < g a u s s . quad ( n , k i n d =" l e g e n d r e " )
x < x x $ n o d e s
w < x x $ w e i g h t s
# i n t e r v a l o de i n t e g r a o de 0 a 1
y < 0 . 5 * x + 0 . 5 # de 1 a 1 p a r a 0 a 1
f x < nu / 2 * l o g ( nu ) lgamma ( nu / 2 ) ( nu /2 1) * l o g ( 2 ) + ( nu 1) *
l o g ( y ) nu * y * y / 2
f x < exp ( f x )
y < m a t r i x ( y , n , 1 ) * q
f y < 0 . 5 * a p p l y ( y , 1 , pNDUD, r , d e l t a , n ) * f x
I < sum ( f y * w)
# i n t e r v a l o de i n t e g r a o de 1 a I n f t y t r a n s f o r m a o
# y < l n ( x ) , 0 < x < exp ( 1)
b < exp ( 1)
a < 0
x < ( b a ) / 2 * x + ( b + a ) / 2 # de 1 a 1 p a r a 0 a exp ( 1)
y < l o g ( x ) # de 0 a exp ( 1) p a r a 1 a + i n f t y
f x < nu / 2 * l o g ( nu ) lgamma ( nu / 2 ) ( nu /2 1) * l o g ( 2 ) + ( nu 1) *
l o g ( y ) nu * y * y / 2
f x < exp ( f x )
y < m a t r i x ( y , n , 1 ) * q
f y < ( b a ) / 2 * a p p l y ( y , 1 , pNDUD, r , d e l t a , n ) / ( x ) * f x
I < I + sum ( f y * w)
return ( I )
}
22
22
22
2
23
A incluso ou no dos valores a e b no altera o valor da integral e, portanto, a probabilidade, o que acarreta que para as variveis aleatrias contnuas a
probabilidade da varivel ser igual a um particular valor zero.
Esperana condicional
Kolmogorov (1956), Mood, Graybill e Boes (1974), Magalhes (2006),
dentre outros, definem a probabilidade condicional de um evento A qualquer, por
exemplo Y y, dada uma varivel aleatria X = x discreta como:
P [A|X = x] =
P [A; X = x]
,
P [X = x]
Derivado do teorema fundamental do clculo para funo f (x) que seja contnua em [a,b] e sua
primitiva F (x) seja conhecida.
P ([A a] X
.
P (X)
fA,X (a,x)
,
fX (x)
P (A a|X)fX (x)dx.
a) = P [A]), ou seja:
P [A] =
Ross (2007) lembra que esta esperana condicional de A definida para todos os
valores de x tais que fx (x) > 0.
Magalhes (2006) ainda diz que se E(A) finita, o Teorema de RadonNikodiym garante a existncia da esperana condicionada X. Ressalta que a expresso E(A|X = x) uma funo de x, frequentemente denominada de regresso de A em relao X, e corresponde a mdia de valores de A, restrita aos
valores de X iguais a x. O autor ainda complementa que caso no seja particularizado o valor de X, escreve-se E(A|X), denominando-a de esperana condicional
de A dado X, que uma funo da varivel aleatria X e, portanto, tambm uma
varivel aleatria, no mesmo espao de probabilidade.
Outro autor, Meyer (1984) diz que s tem sentido falar de esperana condicional porque E(A|X) uma varivel aleatria. Ele interpreta a esperana condicional E(A|X = x) como pelo fato de que FA|X (a|X = x) representa a funo
de densidade de probabilidade de A para um dado X = x, E(A|x) a esperana
de A, condicionado ao evento X = x. Ross (2007) refora que E(A|X = x)
uma funo da varivel aleatria X cujo valor para X = x a E(A|X = x). Ele
tambm afirma e prova para o caso de X ser discreta, que:
E(A) =
z} ento:
P [A|X = x] = P [h(X,Y ) z|X = x] = P [h(x,Y ) z|X = x],
ou seja,
P [h(x,Y ) z] =
P [x + Y z]f (x)dx
P [Y (z x)]f (x)dx
FY (z x)f (x)dx,
23
Este anexo tem por objetivo esclarecer como se obtm a expresso para
determinar o coeficiente de correlao entre as diferenas de mdias do tratamento
controle e dos tratamentos em teste, ou seja, a Corr[(Y i Y r+1 ),(Y i Y r+1 )],
by2 =
n
X
k=1
(Yk Y )2
n1
2 eY
2.
populaes so, respectivamente, Y A e
bA
bB
B e
A Y B )
= E [(Y A Y B ) (A B )]2
= E [(Y A A ) (Y B B )]2
= E (Y A A )2 2(Y A A )(Y B B ) + (Y B B )2
23
A Y B )
E[(Y A A )2 ] + E[(Y B B )2 ] =
Y2 + Y2 ,
A
2
A
e
nA
Y2
2
B
.
nB
2 = 2 = 2 , tem-se que:
No caso de homocedasticidade, ou seja A
B
Y2
A Y B
= 2
1
1
+
nA nB
Nestas mesmas condies de populaes e amostras, tomam-se os estima2 de uma populao normal C. Para determinar a correlao entre
dores Y C e
bC
duas variveis aleatrias dadas pela diferena entre mdias, sendo uma das mdias
Y C comuns em cada diferena, ou seja Corr[(Y A Y C ),(Y B Y C )], tem-se
Corr[(Y A Y C ),(Y B Y C )] =
23
2
,
nC
Corr[(Y A Y C ),(Y B Y C )] = q
Y2
A Y C
Y2
.
B Y C
2
nC
1
nA
1
nC
r
1
nC
r
1
nB
1
nC
1
nC
1
nC
1
nA
1+
nC
nA
1
q
1+
1
nC
1
nB
nC
nB
23
produto.
Assim, voltando ao contexto da determinao do coeficiente de correlao
entre o contraste do i-simo tratamento em teste com o controle e o contraste do i simo tratamento em teste com o controle, com i, i = 1, 2, , r e i 6= i , tem-se
a expresso genrica para a correlao entre cada par de contrastes
Corr[(Y i Y r+1 ),(Y i Y r+1 )] = q
1+
1
q
nr+1
ni
1+
nr+1
ni
i i .
2
ni
1
ni
2
nr+1
2
+ nr+1
1
nr+1
1
+ nr+1
1
1+
nr+1
ni
para i = 1, 2, . . . , r,.
as r comparaes como
1 2 1 3 . . . 1 r
2 1
1
2 3 . . . 2 r
1
. . . 3 r
= 3 1 3 2
.
.
.
.
.
.
.
..
..
..
....
..
1
r 1 r 2 r 3 . . .
2
Observa-se que a expresso do termo i est relacionada com mdia harmnica dos valores dos tamanhos amostrais das duas mdias envolvidas (ni , nr+1 ),
pois
X H(ni ,nr+1 ) =
1
ni
2
1
+ nr+1
1
ni
1
1
+ nr+1