TESE - Aspectos Teóricos e Computacionais Das Estatísticas Do Teste de Dunnett Não-Central

SIOMARA CRISTINA BROCH
ASPECTOS TERICOS E COMPUTACIONAIS

DAS ESTATSTICAS DO TESTE DE DUNNETT
NO-CENTRAL
LAVRAS MG
2013
ASPECTOS TERICOS E COMPUTACIONAIS DAS ESTATSTICAS

DO TESTE DE DUNNETT NO-CENTRAL
Tese apresentada Universidade

Federal de Lavras, como parte das
exigncias do Programa de PsGraduao
em
Estatstica
e
Experimentao Agropecuria, rea de
concentrao
em
Estatstica
e
Experimentao Agropecuria, para a
obteno do ttulo de Doutora.
Orientador
Dr. Daniel Furtado Ferreira
LAVRAS MG
2013
Ficha Catalogrfica Elaborada pela Diviso de Processos Tcnicos da

Biblioteca da UFLA
Broch, Siomara Cristina.

Aspectos tericos e computacionais das estatsticas do teste de
DunnetW no-central / Siomara CriVtina Broch. Lavras : UFLA,
2013.
2 p. : il.
Tese (doutorado) Universidade Federal de Lavras, 2012.
Orientador: Daniel Furtado Ferreira.
Bibliografia.
1. T multivariada no-central. 2. Comparaes mltiplas com um
controle. 3. 6RIWZDUH5. I. Universidade Federal de Lavras.
II. Ttulo.
CDD 519.5
ASPECTOS TERICOS E COMPUTACIONAIS DAS ESTATSTICAS

DO TESTE DE DUNNETT NO-CENTRAL
Tese apresentada Universidade

Federal de Lavras, como parte das
exigncias do Programa de PsGraduao
em
Estatstica
e
Experimentao Agropecuria, rea de
concentrao
em
Estatstica
e
Experimentao Agropecuria, para a
obteno do ttulo de Doutora.
APROVADA em 20 de fevereiro de 2013.
Dr. ric Batista Ferreira
UNIFAL
Dr. Jos Airton Rodrigues Nunes
UFLA
Dr. Lucas Monteiro Chaves
UFLA
Dr. Renato Ribeiro de Lima
UFLA
Dr. Daniel Furtado Ferreira

Orientador
LAVRAS MG
2013
Aos meus queridos OKRV Guilherme, Luiz Henrique e Gabriel,

Aos meus pais Jos (in memoriam) e Cristina,
Pelo amor incondicional.
DEDICO
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.
Palavras-chave: T multivariada no-central. Comparaes mltiplas com um

controle. 6RIWZDUH5.
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
Probabilidade de erro tipo I global em procedimentos de

comparaes mltiplas sem controle de multiplicidade para
diferentes nveis nominais de significncia () e nmero de
hipteses nulas testadas (m) ........................................................... 28
Figura 2
Representao das funes peso (x) = 1 , (x) = 1 / e

(x) = , ortogonais em relao a famlia de polinmios
de Legendre, Chebyshev do 1 tipo e Chebyshev do 2 tipo,
respectiva-mente, no intervalo [1,1]............................................. 73

Figura 3 Representao das funes peso (x) = e , (x) =

[
e (x) =
, ortogonais em relao a famlia de polinmios de Laguerre
no intervalo [0,), Hermite probabilsticos e Hermite fsicos no

intervalo(,)............................................................................. 74
Figura 4 Representao da funo f(z) =
e sua integral no
intervalo (1,7, ) ........................................................................... 94

Figura 5 Representao da funo f(x) =
(1,7x+1,7)2
8
a ser integrada
no intervalo (1, 1) ........................................................................ 95

Figura 6 Representao da funo f(z) =
e sua integral no
intervalo (1, 1)............................................................................. 96

Figura 7
Representao geomtrica do mtodo das secantes ...................... 100
Figura 8
Representao geomtrica do mtodo de Newton-Raphson .......... 104
Figura 9
Representao grfica da densidade da varivel aleatria U =

/2, dada pela equao (5.1.2), para diferentes valores de
graus de liberdade ..................................................................... 111
Figura 10 Representao grfica da densidade da varivel aleatria S = /

= , dada pela equao (5.1.4), para diferentes valores de
graus de liberdade ..................................................................... 113

Figura 11 Representao grfica da densidade da varivel aleatria X com
distribuio t de Student, dada pela equao (5.2.4), para
diferentes valores de graus de liberdade .................................... 117
Figura 12 Representao grfica da funo 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 () ................................. 159
Figura 13 Representao grfica da funo 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 () ............... 162
Figura 14 Representao grfica da funo g(;s,d,,,), integrando da
expresso (6.2.4), com os parmetros d = 1,35, = (0,2; 0,3;

0,5), = (0,2; 0,5; 0,5), = 120 para os valores de s = (1; 1,05;
1,1), comparando-a com a funo densidade da normal () ....... 168
Figura 15 Representao grfica da funo g(;s,d,,,), integrando da
expresso (6.2.6), com os parmetros d = 1,35, = (0,2; 0,3;

0,5), = (0,2; 0,5; 0,5), = 120 para os valores de s = (1; 1,05;
1,1), comparando-a com a funo densidade da normal () ....... 174
Figura 16 Representao da probabilidade t multivariada, funo pNDUDF

(d = 1,35, = (0,2; 0,5; 0,5), , = 0, n = 200), em funo dos
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
Tabela 8 Probabilidade do teste de Dunnett obtidas pelas funes

pNDUDF para o teste unilateral e pNDBDF para o bilateral e
pela funo pmvt do pacote mvtnorm, para o caso central e
no-central, com d = 1,35, r = 18 e n = 32 pontos na quadratura,
variando-se os valores dos graus de liberdade ........................... 195
Tabela 9 Probabilidades do teste bilateral de Dunnett balanceado obtidas
pela funo pNDBDF com n = 100 pontos na quadratura, pela
funo mvstud do pacote mvtnormpcs e pela funo pmvt do
pacote mvtnorm, para o quantil | d | = 2,0 em funo da
correlao , dos graus de liberdade e do nmero de
comparaes r, para o caso central............................................... 197
Tabela 10 Quantis do teste bilateral de Dunnett balanceado, no caso central,
com = 0,5, p = 1 = 0,95 e n = 32 pontos na quadratura, em
funo do nmero de comparaes r e dos graus de liberdade ... 199
Tabela 11 Quantis do teste bilateral de Dunnett balanceado, no caso central
com = 0,5, = 0, p = 1 = 0,99 e n = 32 pontos na
quadratura, em funo do nmero de comparaes r e dos graus
de liberdade .............................................................................. 201
com p = 1 = 0,95 e n = 32 pontos na quadratura, em
funo do nmero de comparaes r, dos graus de liberdade
e do valor da correlao .......................................................... 202
com p = 1 = 0,99 e n = 32 pontos na quadratura, em funo
do nmero de comparaes r, dos graus de liberdade e do
valor da correlao ................................................................... 204
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
DISTRIBUIES DE PROBABILIDADE .................................

...................................
Distribuio da varivel aleatria S =
Distribuio t de Student ...............................................................
Distribuio t no-central univariada ..........................................
Aplicaes da distribuio t no-central ......................................
Distribuies multivariadas ..........................................................
Distribuies elpticas simtricas..................................................
Distribuio t de Student multivariada ........................................
Distribuio do mximo e do mximo do mdulo da normal
multivariada..................................................................................
Distribuio do mximo e do mximo do mdulo da t
multivariada..................................................................................
METODOLOGIA.........................................................................
Distribuio do mximo e do mximo do mdulo da normal
multivariada no-central com parmetro de no-centralidade
= ...............................................................................................
Distribuio do mximo e do mximo do mdulo da t
= ...............................................................................................
Detalhes da implementao das funes ......................................
Funo para a distribuio do teste de Dunnett unilateral para
dados no balanceados com infinitos graus de liberdade e
parmetro de no-centralidade , denominada de pNDUD.........
Funo para a distribuio do teste de Dunnett bilateral para
parmetro de no-centralidade , denominada de pNDBD.........
Funo para a densidade do teste de Dunnett unilateral para
parmetro de no-centralidade , denominada dNDUD .............
Funo para a densidade do teste de Dunnett bilateral para
parmetro de no- centralidade , denominada dNDBD.............
Funo para a inversa da funo de distribuio do teste de
Dunnett unilateral para dados no balanceados com infinitos
graus de liberdade e parmetro de no-centralidade ,
denominada qNDUD .....................................................................
108
109
112
116
121
122
123
124
127
134
141
141
149
155
157
161
163
164
165
6.3.6
Funo para a inversa da funo de distribuio do teste de

Dunnett bilateral para dados no balanceados com infinitos
denominada qNDBD .....................................................................
6.3.7 Funo para a distribuio do teste de Dunnett unilateral para
dados no balanceados com finitos graus de liberdade e
parmetro de no-centralidade , denominada pNDUDF...........
6.3.8 Funo para a distribuio do teste de Dunnett bilateral para
parmetro de no-centralidade , denominada pNDBDF ...........
6.3.9 Funo para a densidade do teste de Dunnett unilateral para
parmetro de no-centralidade , denominada dNDUDF...........
6.3.10 Funo para a densidade do teste de Dunnett bilateral para
parmetro de no-centralidade , denominada dNDBDF ...........
6.3.11 Funo para a inversa da funo de distribuio do teste de
Dunnett unilateral para dados no balanceados com finitos
denominada qNDUDF ..................................................................
6.3.12 Funo para a inversa da funo de distribuio do teste de
Dunnett bilateral para dados no balanceados com finitos
denominada qNDBDF...................................................................
7
RESULTADOS .............................................................................
8
CONCLUSES.............................................................................
REFERNCIAS............................................................................
APNDICES.................................................................................
ANEXOS .......................................................................................
166
167
172
177
181
184
185
187
207
209
214
231
15
1 INTRODUO
Em algumas reas de pesquisa, como na experimentao farmacolgica,

agrcola, biolgica e de alimentos, dentre outras, comum os pesquisadores
terem interesse em comparar simultaneamente a mdia dos tratamentos com a
mdia de um tratamento padro, denominado de controle. Um exemplo tpico
o dos blocos aumentados. Neste tipo de experimento so avaliados muitos
tratamentos e um tratamento controle. O objetivo YHULFDU quais destes
tratamentos em teste superam em desempenho o tratamento controle. Nesses
casos, quando as amostras so aleatrias e independentes, oriundas de variveis
com distribuies normais, um teste muito utilizado o teste de Dunnett. Ele
referido na literatura como um mtodo de comparaes mltiplas com um
controle - MCC (multiple comparisons with a control).
Uma vantagem do uso de um mtodo de comparaes mltiplas com um
tratamento controle a reduo do nmero de comparaes simultneas
executadas, pois apenas consideram-se os pares em que se comparam o
tratamento padro com os demais. 1
No entanto, a grande vantagem do uso do teste de Dunnett que se trata
de um procedimento de inferncias simultneas que mantm a probabilidade do
erro tipo I no nvel nominal para todo o conjunto de comparaes. Isto porque
o teste considera um ajuste da multiplicidade de comparaes possibilitando que
as taxas de erro tipo I por experimento sejam controladas em um nvel de
VLJQLFkQFLD exato A estatstica deste teste tambm utilizada para
determinar os intervalos de FRQDQoD dos verdadeiros valores das diferenas
Isto VLJQLFD que num procedimento de comparaes mltiplas em que se envolvem

r + 1 tratamentos, das m comparaes possveis, com m = r(r + 1)/2, apenas r
comparaes referem-se comparao de um tratamento controle com os demais.
16
entre a mdia de cada um dos tratamentos em teste e o tratamento controle, com

um valor 1 de FRHFLHQWH de FRQDQoD conjunta.
As estatsticas utilizadas no teste de Dunnett tm distribuio normal ou
t multivariadas. O teste de Dunnett pode ser ser unilateral ou bilateral, aplicado
em situaes balanceadas 2 ou no-balanceadas. 3 Todos estes casos levam a
diferentes distribuies de probabilidade para a estatstica do teste.
A distribuio da estatstica para comparar mdias com a testemunha
considera graus de liberdade associados varincia do erro (varincia residual
amostral 2), com distribuio independente das mdias. Os diversos
contrastes considerados simultaneamente no so independentes, devido
presena do tratamento controle como um tratamento comum todos eles.
Assim, pode haver diferentes correlaes entre os contrastes dos tratamentos em
teste com o tratamento controle. Como as correlaes possuem LQQLWRV valores
possveis no intervalo [0,1] e as tabelas existentes so HVSHFtFDV para correlao
0,5, o que limitaria o uso deste teste. A razo disso a GLFXOGDGH de se obter as
probabilidades da distribuio e os valores dos quantis da estatstica do teste
nesses casos.
Nos casos particulares de correlao 0,5, as tabelas contm os quantis
dos testes unilateral e bilateral, para p = 1 = 0,95 e p = 1 = 0,99 em
funo dos graus de liberdade. Elas s podem ser usadas para experimentos em
que todos os tratamentos, inclusive o controle, possuem o mesmo tamanho
amostral.
Isso pode impossibilitar a ampla aplicao do teste ou a sua aplicao de
forma incorreta, por considerar valores crticos inapropriados. Uma alternativa
2
Consideram-se balanceadas, para a aplicao do teste de Dunnett, aqueles experimentos em

que todos os tratamentos em teste tm o mesmo tamanho amostral, podendo diferir ou no do
tamanho da amostra do tratamento controle.
Consideram-se no balanceadas, para a aplicao do teste de Dunnett, aqueles experimentos em
que os tratamentos podem ter qualquer tamanho amostral
17
nos casos em que a correlao no 0,5 obter as probabilidades ou os quantis

via rotinas computacionais.
Nesta tese, o objetivo geral apresentar detalhadamente a teoria das
distribuies t multivariadas no-centrais relacionadas ao teste de Dunnett e
desenvolver, implementar e disponibilizar um pacote no VRIWZDUH 5 HVSHFtFR
para obter a probabilidade da distribuio do teste, com dados balanceados ou
no e em testes unilaterais e bilaterais. Alm disso, a rotina fornece o valor dos
quantis para a estatstica do teste nesses casos. Partindo das ideias propostas por
Dunlap, Marx e Agamy (1981), buscou-se ampliar e melhorar a performance do
algoritmo, com o uso de mtodos numricos de quadratura gaussiana ao invs da
regra de Simpson para resolver as integrais.
Optou-se por considerar as estatsticas dos testes para as distribuies
no-centrais por serem mais abrangentes, recaindo no caso central quando o
parmetro de no-centralidade for o vetor nulo. Alm disso, as distribuies nocentrais possibilitam a ampliao do uso das rotinas para a avaliao do poder
do teste, sem a necessidade de uso de simulao. Os resultados do algoritmo
proposto foram comparados com os valores disponveis na literatura e com os
obtidos em funes do VRIWZDUH 5 relativas s distribuies normal e W
multivariadas no-centrais.
Os objetivos HVSHFtFRV deste trabalho so:
a) compreender as estatsticas do teste de Dunnett que possuem
distribuies
de
probabilidades
multivariadas,
obtendo
matematicamente e apresentando as funes densidade e de

distribuio no-centrais;
18
b) escrever e disponibilizar um referencial terico didtico e claro sobre

o teste de Dunnett em procedimentos unilaterias e bilaterais, para
dados balanceados ou no, contribuindo para o entendimento do
tema;
c) implementar funes no software R que calcule a probabilidade e os
quantis das distribuies do teste de Dunnett para os diversos casos,
usando como diferencial a resoluo das integrais mltiplas por
quadraturas gaussianas;
d) disponibilizar uma biblioteca no software R com todas as funes
mencionadas anteriormente, denominada nCDunnett.
Este trabalho contm sete sees, dois anexos e dois apndices. O
referencial terico est apresentado na segunda quinta seo. A segunda seo
faz uma breve reviso sobre conceitos e caractersticas bsicas referentes a teoria
dos procedimentos de comparaes mltiplas. A terceira seo HVSHFLFD e
caracteriza o teste de Dunnett unilateral e bilateral, nos casos de dados
balanceados e no balanceados, esclarecendo suas pressuposies e detalhando
todas as passagens das demonstraes dos teoremas das estatsticas de cada
teste. A quarta seo apresenta o referencial terico matemtico utilizado na
resoluo do problema e na construo dos algoritmos. A quinta seo faz uma
reviso das distribuies de probabilidades que sero utilizadas para obter as
estatsticas do teste de Dunnett nas diferentes situaes.
A metodologia do trabalho apresentada na sexta seo. Inicialmente
feita a obteno das estatsticas do teste de Dunnett considerando um vetor de
no-centralidade So obtidas as funes densidade e de distribuio do
mximo e do mximo do mdulo da normal multivariada no-central e da t
multivariada no-central. Aps estas etapas, so expostos os detalhes para a
19
construo dos algoritmos propostos para resolver as funes densidade, de

distribuio e obter os quantis para o teste de Dunnett nas diversas situaes.
A stima seo apresenta e comenta alguns resultados de probabilidades
e quantis das distribuies do teste de Dunnett obtidos pelo algoritmo
implementado. O ANEXO A contm um referencial terico resumido de
aspectos bsicos de inferncia estatstica. O ANEXO B apresenta detalhes da
determinao do coHFLHQWH de correlao entre comparaes de diferenas de
mdias do tratamento controle e dos tratamentos em teste. No APNDICE A
est uma aplicao do teste de Dunnett e no APNDICE B esto as rotinas do R
implementadas.
20
2 PROCEDIMENTOS DE COMPARAES MLTIPLAS - PCMS
Nesta seo apresentada uma reviso de alguns conceitos e

caractersticas bsicas que do suporte aos diversos procedimentos de
comparaes mltiplas.
Inicialmente discutido o que VLJQLFD controle da multiplicidade de
comparaes e so apresentadas e caracterizadas as diversas formas de mensurar
as taxas de erro tipo I num PCM e suas inter-relaes. abordada uma forma de
FODVVLFDU os PCMs dependendo de como se d o controle da taxa de erro tipo I
e so apresentados conceitos de poder para um teste de comparaes mltiplas e
suas indicaes de uso.
2.1 Introduo
Na anlise de varincia dos diversos delineamentos experimentais o

teste F encontra grande aplicao na comparao de dois ou mais tratamentos.
Na comparao das mdias de dois tratamentos a partir de amostras
independentes das populaes normais A e B, respectivamente de tamanhos nA e
nB, a escolha do teste depende de as varincias associadas e serem
consideradas diferentes ou no. Portanto, inicialmente deve-se aplicar um teste
estatstico a m de comparar as estimativas de varincias. Este teste pode ser o
teste F para homogeneidade de varincias. A partir das amostras so calculadas

as varincias amostrais no-viesadas S e S . Por meio da comparao das
estimativas das varincias amostrais, testa-se a hiptese nula (H0) de igualdade
das varincias populacionais das quais as amostras foram retiradas.
21
A distribuio F de Fisher-Snedecor corresponde a distribuio da

varivel resultante da razo entre esses dois estimadores das varincias, sob o
H0 : = , cuja estatstica
=
S
S
com vA = nA 1 e B = nB 1 graus de liberdade para o numerador e o

denominador, respectivamente (FERREIRA, 2009).
Para um teste bilateral, com H1 : , considerando-se a maior das
estimativas das varincias no numerador, quanto maior for em relao
unidade maior o indicativo de que as varincias populacionaissediferenciam.

Os valores crticos da distribuio de probabilidade F varia de acordo comonvel
de VLJQLFkQFLD estabelecido, denotado por . Quando compara-se com a
estatstica calculada pelo quociente das varincias , pode-se obter dois

resultados:
a) : neste caso, rejeita-se a hiptese nula de que as varincias das
populaes A e B so iguais e diz-se que o teste foi VLJQLFDWLYR 4, no nvel de

VLJQLFkQFLD
b) <: neste caso, no se rejeita a hiptese nula de que as varincias
das populaes A e B so iguais e diz-se que o teste no foi VLJQLFDWLYR
No caso a), em que concluiu-se que as amostras provm de populaes

com varincias diferentes, para YHULFDU se os tratamentos possuem efeitos
4
Pode-se indicar o nvel de probabilidade associado ao resultado da pesquisa FF,

indicando que a hiptese nula pode ser rejeitada quele nvel, denominado de valor-p.
22
iguais pode-se aplicar o teste t para diferena de mdias populacionais, no caso

A B, cuja estatstica dada por
S
S
+
Sob H0 : A = B, a estatstica tc tem distribuio aproximada t de

Student com graus de liberdade dados pela frmula de Satterthwaite 5:
S2
S2
+

S2
S2
1 + 1
que faz um ajuste nos graus de liberdade para as varincias diferentes

(ANDRADE; OGLIARI, 2007). Para um teste bilateral, a hiptese nula de
igualdade do efeito dos tratamentos rejeitada quando | | > , .
No caso b), quando concluiu-se que as amostras provm de populaes
com varincias iguais ou aproximadamente iguais, aplica-se o teste t com a

estatstica dada por
=
5
X
X
(

)
No caso do valor de ser fracionrio, recomenda-se utilizar o nmero inteiro

arredondado para menos. Isto feito para garantir o controle do nvel de VLJQLFkQFLD
desejado (ANDRADE; OGLIARI, 2007).
23
sendo
estimador
da
varincia
comum
das
duas
populaes
(= =
,) a mdia ponderada das varincias amostrais, utilizando como peso
os graus de liberdade e atribuindo mais peso s amostras maiores, ou seja:
( 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
hiptese nula de igualdade do efeito dos tratamentos rejeitada quando

| | >
Quando comparam-se mais de dois tratamentos a tcnica mais utilizada
a anlise de varincia - ANOVA. No caso de anlise de varincia para modelo

xo, testa-se a hiptese nula (H0) de que todos os tratamentos possuem o mesmo
efeito sobre a varivel resposta. Os quadrados mdios dos tratamentos e dos
resduos, obtidos pelo quociente das somas dos quadrados 6 pelos graus de
6
Num delineamento inteiramente casualizado balanceados para avaliao de r + 1

tratamentos, com n repeties cada, por exemplo, tomando o fator de correo dado por
C=
r +1 X
n
X
Yia
i=1 a=1
(r + 1)n
!2
a soma de quadrados total dada por

SQT OT AL =
r +1 X
n
X
2
Yia
C,
i=1 a=1
a soma de quadrados dos tratamentos dada por

SQT RAT AM EN T OS =
r +1
X
(Yi. )2
C,
n
i=1
24
liberdade correspondentes, constituem estimativas de varincias. O quadrado

mdio do resduo uma medida que estima a varincia residual, devido por
exemplo s repeties do experimento, ao delineamento experimental, ao
manejo experimental, e outros fatores no controlveis que geram variaes nos
resultados do experimento. O quadrado mdio dos tratamentos uma medida da
variao residual e da variao devido ao efeito dos tratamentos, estimando
portanto a soma da varincia residual com a varincia dos tratamentos.
A estatstica obtida por meio do quociente entre o quadrado mdio
dos tratamentos e o quadrado mdio residual. Se no houver efeito de

tratamentos os dois quadrados mdios estimam a mesma varincia e o valor da
estatstica prxima da unidade, exceto por diferenas casuais. As variaes
detectadas so oriundas apenas do acaso, como ocorre naturalmente nos

processos de amostragens de uma mesma populao.
Caso a concluso seja pela rejeio da hiptese nula, ou seja, num teste
bilateral , aceita-se que existe pelo menos um contraste entre mdias que
possuem efeitos VLJQLFDWLYDPHQWH diferentes de zero. Como cada amostra
provm de uma populao que representa o efeito de um tratamento, caso a

hiptese nula seja rejeitada, pode-se concluir que existe evidncia VXFLHQWH para
DUPDU que os tratamentos apresentam efeitos diferentes na resposta da varivel
em estudo. Neste caso de comparao entre mais de dois tratamentos, quando o
teste F for VLJQLFDWLYR como complemento utilizam-se testes de comparaes
mltiplas para detectar quais dos tratamentos possuem efeitos diferentes.
O objetivo de uma anlise de comparaes mltiplas realizar
comparaes das mdias dos tratamentos tomados dois a dois ou das mdias de
em que Yi. o total do tratamento i, e a soma de quadrado dos resduos dada por
SQRES = SQT OT AL SQT RAT AM EN T OS =
r +1 X
n
X
i=1 a=1
2
Yia
r +1
X
(Yi. )2
.
a
i=1
25
dois grupos de tratamentos. O tipo de teste escolhido depende das comparaes

que o pesquisador est interessado e da taxa de erro tipo I que ele deseja
controlar. Pode-se controlar a probabilidade de rejeitar uma hiptese verdadeira
em todas as possveis combinaes dos nveis dos tratamentos tomados dois a
dois, que a chamada taxa de erro tipo I por comparao. Outra opo
controlar a probabilidade de realizar pelo menos uma inferncia errada por
experimento, conhecida como taxa de erro tipo I por experimento.
O GHVDR para qualquer procedimento de comparaes mltiplas
estabelecer critrios que os testes individualmente devem satisfazer para cada
uma das hipteses (IZBICKI, 2010), de forma que mensure e controle
adequadamente o efeito da multiplicidade de comparaes simultneas, por meio
de uma WD[D GH HUUR WLSR , JOREDO mantida no nvel nominal desejado. Os
diferentes PCMs usam diferentes mtodos de ajuste para a multiplicidade. Na
abordagem clssica busca-se a minimizao de probabilidades de erros de
tomada de deciso, ou seja, equilibrar as exigncias contraditrias de reduzir o
risco de rejeitar uma hiptese nula verdadeira (controle da taxa de erro tipo I por
experimento) mantendo a probabilidade de que um efeito experimental seja
detectado (manter o teste poderoso, ou seja, controlar o erro tipo II). Geralmente
a nfase na questo das comparaes mltiplas fortemente inclinada para
controlar a taxa de erro tipo I por experimento.
2.2 Erro tipo I em PCMs
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
Numa sequncia de testes de hipteses, em que r o nmero de

tratamentos, tem-se m = r(r 1)/2 hipteses nulas quando se deseja testar todos
os possveis pares de mdias. As mltiplas hipteses so testadas
simultaneamente e a inferncia nal deve ser vlida para todas as m hipteses de
interesse.
Tomando-se, por exemplo, uma sequncia de testes t de diferenas de
mdias, aplicados cada hiptese. Se a probabilidade de erro tipo I em cada
um desses m testes individualmente 7 ter-se- um nvel de FRQDQoD de
1 para cada teste. Usando estatsticas de teste independentes para os m testes
simultaneamente e supondo nulidade global verdadeira 8, o nvel de FRQDQoD
global de (1 m. Assim, a probabilidade de declarar que no existem efeitos
sigQLFDWLYRV ou no rejeitar H0, diminui com o aumento de m. probabilidade
complementar de rejeitar de forma incorreta pelo menos uma hiptese nula, erro
tipo I global das inferncias simultneas 9, de 1 (1 m. Logo, o erro tipo I
global substancialmente maior do que o erro tipo I inicial de cada
comparao.
Por exemplo, para = 5% e r = 3, tem-se m = 3 hipteses nulas.
Supondo que as trs sejam verdadeiras, o nvel de FRQDQoD global dos testes
86%. Logo, supondo independncia
simultaneamente (1 0,05)3 = 0,8574 =
dos testes, tem-se um erro tipo I global de 1 (1 0,05)3 = 0,1426 =

14%,
muito superior ao nvel nominal de VLJQLFkQFLD de cada teste individual = 5%.
Na Figura 1 observa-se que a probabilidade de cometer um erro tipo I

global das inferncias simultaneamente numa sequncia de m testes t de
diferena de mdias sem controle para a multiplicidade, supondo hiptese nula
global verdadeira, cresce com o aumento do nmero de hipteses nulas. Este
7
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
valor aproxima-se de 1 para m grande, mais rapidamente quanto maior for o

nvel de VLJQLFkQFLD nominal de cada teste t individual.
Portanto, com o aumento do nmero de comparaes aumenta tambm a
probabilidade de obter pelo menos um resultado VLJQLFDWLYR falso. Se houver
um grande nmero de comparaes e nenhum ajuste de multiplicidade de
comparaes simultneas, a deciso simultnea vai levar quase certamente a se
cometer um erro tipo I global e concluir por um aparente efeito VLJQLFDWLYR
quando no h nenhum. Ento, preciso estar ciente desse problema e
considerar o uso de um procedimento de comparao mltipla que ajuste isso.
Assim, Hochberg e Tamhane (1987) GHQHP um procedimento de
comparao mltipla como um teste estatstico projetado para mensurar e
controlar adequadamente o efeito da multiplicidade por meio de uma taxa de
erro tipo I global adequada. Os diferentes testes usam diferentes mtodos de
ajuste para a multiplicidade.
A m de discutir o controle do efeito para a multiplicidade de pares de
comparaes simultneas, ser considerada a seguinte notao:
0.8
0.6
0.4
= 0.01
= 0.02
= 0.03
0.2
Probabilidade de cometer no mnimo um erro tipo I (FWE)
1.0
28
= 0.04
= 0.05
0.0
= 0.1
20
40
60
80
100
Nmero de hipteses nulas
)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
b) M0 M , 10 em que M0 o subconjunto indicador das hipteses nulas

verdadeiras, tal que m0 = |M0| a cardinalidade 11 do subconjunto M.
Na Tabela 1 (BENJAMINI; HOCHBERG, 1995; BRETZ; HOTHORN;

WESTFALL, 2011), V denota o nmero de erros tipo I e R o nmero de
hipteses rejeitadas. A varivel R observvel enquanto que as variveis U , T ,
V e S so no observveis. Os nmeros m e m0 so xos, mas m0 desconhecido.
Tabela 1 Frequncias de erros tipo I (letra V) e II (letra T) em testes de

hipteses mltiplas
Hipteses Nulas
Aceitas Rejeitadas
Total
@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@
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
ideia controlar a taxa de erro tipo I global no contexto de um PCM controlando

a taxa para cada comparao individual.
Em testes de comparaes mltiplas as taxas de erro tipo I comumente
utilizadas so GHQLGDV como segue.
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
L-se M0 est contido em M e VLJQLFD que M0 um subconjunto de M ou, de outra

forma, que M contm M0.
11
Nmero de elementos de M0.
30
esperada de erros tipo I, ou seja, de rejeies incorretas de hipteses nulas, que

na realidade so verdadeiras, dentre as m decises, dada por
TPC =
E(V )
.
m
Se cada uma das m hipteses nulas so testadas individualmente a um

nvel de VLJQLFkQFLD a TPC = m0/m a adequada pois indica a
probabilidade de erro tipo I em cada comparao (BRETZ; HOTHORN;
WESTFALL, 2011), com m0 o nmero de hipteses nulas verdadeiras.
A TPC pode ser obtida por meio da simulao de experimentos sem
efeito de tratamento submetidos ao PCM. Em cada experimento se determina a
razo entre o nmero de inferncias erradas ou erros tipo I (quantidade de vezes
que o PCM rejeitou H0) e o nmero total de inferncias m. A mdia destes
valores a TPC (GIRARDI; CARGNELUTTI FILHO; STORCK, 2009).
Hinkelmann e Kempthorne (2007) DUPDP que a TPC utilizada em
situaes de comparaes entre tratamentos qualitativos que possuem alguma
relao entre si e, portanto, so de maior interesse. Estas comparaes so
muitas vezes a base para o experimento e so referidas como comparaes a
priori ou comparaes pr-planejadas.
Como um exemplo, pode-se citar o experimento em que se deseja
comparar a HFiFLD de dois pesticidas diferentes, A e B, ambos aplicados de duas
formas diferentes: sob pulverizao (A1 e B1) e em p (A2 e B2). Um
tratamento controle sem uso de pesticida, C, includo no experimento a m de
estabelecer a HFiFLD dos pesticidas em todos os aspectos. Assim, tem-se 5
tratamentos (C, Al, A2, B1 e B2), e cada tratamento aplicado de forma
aleatria para n parcelas uniformemente infestadas. O objetivo do experimento e
a estrutura dos tratamentos sugerem as seguintes comparaes:
31
(i) controle vs. pesticidas;

(ii) pesticida A vs. pesticida B;
(iii) aplicao A1 vs. A2;
(iv) aplicao B1 vs. B2;
(v) pulverizao vs. p;
(vi) A1 vs. B1;
(vii) A2 vs B2.
Neste exemplo pode-se tomar diferentes conjuntos de comparaes ou
contrastes ortogonais, como as comparaes (i), (ii), (iii) e (iv), ou ento as
comparaes (i), (v), (vi) e (vii). De um modo geral, para r tratamentos existem
muitos conjuntos de r 1 contrastes ortogonais, porm apenas alguns podem
apresentar resultados cuja interpretao seja de interesse prtico. O ponto
principal, neste caso, que as comparaes so pr-planejadas de acordo com a
inteno do experimento, e no pelo resultado do experimento, e que o nmero
de comparaes pequeno. Neste experimento no existe o interesse em
inferncias simultneas das comparaes.
Um teste clssico para comparar mdias o teste t, considerando as
pressuposies de que as comparaes foram escolhidas antes da execuo do
experimento, em nmero no mximo igual ao de graus de liberdade dos
tratamentos, e que elas so ortogonais, ou seja, independentes. Porm, mesmo
nestas condies, o teste t aplicado a duas ou mais comparaes em um mesmo
experimento no
mantm o nvel de VLJQLFkQFLD nas comparaes
simultaneamentes (PIMENTEL-GOMES, 2009). Com o aumento do nmero de

comparaes os mltiplos testes t sequenciais tornam-se liberais pois s
controlam
taxa
de
erro
tipo
por
comparao
experimento(GIRARDI; CARGNELUTTI FILHO; STORCK, 2009).
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
que os testes baseados na distribuio t de Student, como o de Duncan e o LSD,

controlam a taxa de erro por comparao TPC e no controlam a taxa de erro por
experimento TPE; j os testes de Tukey e Scheff controlam ambas as taxas de
erro, preservando o nvel nominal de VLJQLFkQFLD
Em estudo de Girardi, Cargnelutti Filho e Storck (2009) simulaes
relacionadas ao erro tipo I e ao poder FRQUPDP que, em geral, o teste t controla
a taxa de erro tipo I por comparao TPC e os testes deTukey, Bonferroni e SNK
controlam a taxa de erro tipo I por experimento T P E. $UPDm que o teste de
Duncan no controla nenhuma destas taxa de erro e que ocorre um decrscimo na
TPC dos testes Tukey, Bonferroni, Duncan e SNK e um aumento na TPE nos
testes t e Duncan com o aumento do nmero de tratamentos.
O trabalho de Borges e Ferreira (2003) mostra que o teste de Scott-Knott
controla as taxas de erro tipo I por comparao TPC, sob H0 completa, e no
controla as taxas de erro por experimento TPE para as distribuies normal,
lognormal, exponencial e weibull; nesta situao, o teste de Scott-Knott mais
poderoso que os demais e robusto violao de normalidade.
2.3 Poder dos PCMs
Um requisito de qualquer teste estatstico que tenha um alto poder e,

assim, minimize a taxa de erro tipo II para um determinado erro tipo I
estabelecido.
O poder de um teste pode ser GHQLGR de vrias maneiras quando se
passa de um teste de hipteses simples para um teste de mltiplas hipteses.
Conceitos de poder para medir o sucesso de um experimento so
associados com a probabilidade de rejeitar uma hiptese nula H0i, i M ,
quando de fato ela falsa. Como os eventos individuais {H0i ser rejeitado, i
34
M} podem ser combinados de maneiras diferentes, pode-se obter medidas

diferentes de poder.
Usando a notao da Tabela 2, a seguir so apresentados alguns
conceitos de poder dados por Bretz, Hothorn e Westfall (2011) e Dmitrienko,
Tamhane e Bretz (2010)comumente utilizados em comparaes mltiplas.
Poder individual ( ) a probabilidade de rejeio correta de uma
hiptese nula H0i falsa, dado por
= P [rejeitar H0i], i M1 = M | |,
em que M1 o conjunto de hiptese nulas falsas, ou seja, M1 = M M0, cuja

cardinalidade m1.
Poder mdio md) o nmero mdio esperado de rejeies corretas entre
todas as hipteses nulas falsas, isto
)(
1
=

Poder disjuntivo dis) a probabilidade de rejeitar no mnimo uma

hiptese nula falsa, dada por
dis = P (S 1),
em que S o nmero de hipteses nulas corretamente rejeitadas.
Poder conjuntivo con) p a probabilidade de rejeitar todas as falsas
hipteses nula, dada por
con = P (S = m1).
35
O poder disjuntivo e conjuntivo tm sido referidos como poder mltiplo

(ou mnimo) e poder total (ou completo), respectivamente.
importante escolher o conceito de poder adequado aos objetivos do
estudo. O poder conjuntivo pode ser usado em estudos que visem detectar todos
os efeitos existentes. J o poder disjuntivo recomendado em estudos que visem
a deteco de pelo menos um efeito real, como em estudos envolvendo
comparaes mltiplas com um controle ou em estudos com vrios pontos nais
resposta, em que para demonstrar o efeito do tratamento VXFLHQWH pelo menos
um ponto resposta VLJQLFDWLYR (DMITRIENKO; TAMHANE; BRETZ, 2010).
O poder individual interessante em testes com muitas variveis resposta
secundrias enquanto que o poder mdio til para comparar diferentes
procedimentos de comparaes mltiplas (BRETZ; HOTHORN; WESTFALL,
2011).
36
3 TESTE DE DUNNETT
Esta seo tem o propsito de apresentar as estatsticas do teste de

Dunnett
nas
diversas
situaes
de
experimentos,
esclarecendo
suas
pressuposies e mostrando as passagens das demonstraes dos teoremas a elas

relacionadas. Esta reviso ELEOLRJUiFD est baseanda, principalmente, na teoria
apresentada por Hsu (1999). O objetivo disponibilizar um referencial terico
didtico e claro para a comunidade FLHQWtFD sobre R teste de Dunnett,
contribuindo para a compreenso do tema, apresentado em diversas ELEOLRJUDDV
de forma VXSHUFLDO sucinta e de difcil compreenso.
Os teoremas apresentados e demonstrados neste captulo mostram como
a FRQDQoD 100(1 preservada nas U inferncias simultneas no caso do
teste de Dunnett para cada situao experimental.
3.1 Introduo
O teste apresentado por Dunnett (1955), utilizado para comparar um

tratamento controle, tambm denominado de padro ou testemunha com outros
tratamentos de interesse em teste, que podem ser nveis de um fator de interesse.
So considerados r + 1 tratamentos envolvidos no teste: r tratamentos
em teste e o tratamento controle denominado tratamento r + 1. Na literatura,
testes deste tipo so referidos como MCC - Comparaes Mltiplas com um
Controle (HSU, 1999).
Chamando 1, . . . , r as mdias dos r tratamentos em teste e r+1 a
mdia do tratamento controle, no teste MCC o parmetro de interesse i r+1,
para i = 1, . . ., r, que a diferena entre a mdia de cada tratamento em teste e a
mdia do tratamento controle r+1.
37
O teste de Dunnett mantm a probabilidade do erro tipo I em um valor

HVSHFtFR para todo o conjunto de comparaes, chamado de taxa de erro tipo
I por experimento (DUNLAP; MARX; AGAMY, 1981). A taxa de erro tipo I por
experimento no MCC o nvel de signLFkQFLD conjunto associado com todos os
r testes (MONTGOMERY, 2001). Esta probabilidade de erro tipo I aplicada a
todos os testes de hipteses no geral, e no individualmente, como a taxa de erro
por comparao.
O teste de Dunnett pode ser aplicado em diversas situaes que
conduzem a diferentes distribuies de probabilidade para a estatstica do teste:
testes bilaterais ou unilaterais; experimentos balanceados ou no balanceados.
Para aplicao dos testes de Dunnett, experimentos balanceados so
considerados aqueles experimentos em que todos os tratamentos tm o mesmo
nmero de repeties (ni = nr+1 = n para todo i) ou todos os tratamentos em teste
tm igual nmero de repeties, mesmo que diferente das repeties do
tratamento controle (ni = n para todo i e n nr+1). So considerados experimentos
no balance-ados os que envolvem tratamentos com quaisquer nmero de
repeties (ni para i = 1, , r, r + 1), sem nenhuma restrio.
A distribuio da estatstica deste teste tambm utilizada para
determinar os intervalos de FRQDQoD dos verdadeiros valores das diferenas
entre a mdia de cada um dos tratamentos em teste e o tratamento controle, com
um valor 1 de FRHFLHQWH de FRQDQoD conjunta.
No entanto, ao considerar simultaneamente as comparaes, observa-se
que elas no so independentes, j que todas tm em comum o tratamento
controle.
A i-sima correlao entre as diferenas do tratamento controle e dos
tratamentos em teste, representada por i, i = 1,2, . . . , r, dada por:
38
i =
2
r+1
,
r2+1 + i2
em que o nmero de repeties do i-simo tratamento em teste e o
nmero de repeties do tratamento controle, = 2r+1=2/nr+1a
2=2 =2/n
varincia da mdia do tratamento controle e i
i a varincia da
i
mdia de cada tratamento em teste. Como considerado o caso homocedstico, a

varincia comum dada por 2. A demonstrao de como se chega a essa frmula
est no APNDICE B. 6LPSOLFDQGR a expresso anterior, chega-se a
i =
ni
.
ni + nr+1
Um caso particular ocorre quando = para todo i, denominado de
equicorrelacionado, em que se tem apenas um parmetro = 0,5.
A distribuio da estatstica para comparar r mdias com a testemunha,

que ser denominada de d, considera graus de liberdade associados varincia
do erro (varincia residual amostral 2 ), com distribuio independente das
mdias e diferentes correlaes i entre os contrastes dos tratamentos em teste i e
o tratamento controle r + 1. Como as correlaes possuem LQQLWRV valores

possveis no intervalo [0,1], a limitao para o uso do teste de Dunnett a
GLFXOGDGH em se obter os valores da estatstica do teste.
Nos casos de correlao entre comparaes iguais a 0,5, encontram-se
disponveis na literatura tabelas das estatsticas dos testes de Dunnett.
Geralmente so tabelas que contm os quantis dos testes unilateral e bilateral,
para p = = 0,95 e p = 1 = 0,99 em funo dos graus de liberdade. Porm,
estas tabelas s podem ser usadas para experimentos em que todos os
39
tratamentos, inclusive o controle, possuem o mesmo tamanho amostral. Isso

pode impossibilitar a ampla aplicao do teste ou levar ao uso incorreto destas
estatsticas tabeladas, quando essa condio no for atendida.
Dunnett (1964) publicou novas tabelas acrescentando um fator de
correo para o quantil tabelado caso a correlao estivesse no intervalo [0,125;
0,5). Para cada valor da tabela foi determinado um fator que representa 1,5 vezes
o aumento percentual do valor crtico para = 0,125 em relao a = 0,5.
Multiplicando este fator pelo termo [(1 2)/(1 )] ou por [1 / ]
quando as varincias so homogneas mas o nmero de observaes dos

tratamento controle e dos tratamentos em teste so diferentes, obtm-se o
aumento percentual necessrio ao valor crtico tabelado para uma correlao
[0,125; 0,5) . No entanto, este um mtodo de ajuste aproximado para a
estatstica do teste. Alm disso, no fornece valores para toda a amplitude de

correlaes possveis no intervalo [0,1]. Para a adequada aplicao do teste de
Dunnett necessrio que facilmente se obtenha o valor exato da estatstica do
teste, independente do valor da correlao.
Dunnett (1964) e outros autores (DEAN; VOSS, 1999; DUNLAP;
MARX; AGAMY, 1981; MONTGOMERY, DUPDUDP que o teste de
Dunnett mais poderoso quando o tratamento controle tem um tamanho amostral
r+1
(n
) maior do que os tamanhos amostrais dos tratamentos em teste (ni). Dunnett
(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
3.2 Modelo estatstico e pressuposies
Tomando , . . ., uma amostra aleatria, de tamanho , do i-simo
tratamento. As pressuposies assumidas em todos os casos do teste de Dunnett

so que:
a) cada observao , da amostra aleatria do i-simo tratamento
normal e independentemente distribuda para a = 1, 2, . . ., ;
b) a amostra aleatria de cada tratamento normal e independentemente

distribuda para os diferentes valores de i = 1, 2, . . . , r + 1;
c) as varincia das amostras aleatrias so homogneas.
O modelo estatstico para os dados
= + ,
i = 1, . . . , r + 1;
a = 1, . . . , ,
em que
a mdia do i-simo tratamento;
, . . . , () so os erros, aleatrios, independentes e identicamente
distribudos como uma normal com mdia 0 e varincia 2 desconhecida.
As pressuposies do modelo so aditividade e independncia dos efeitos

e erros independentes, no correlacionados e com distribuio 02).
Usando a notao
= =
41
3ara a mdia amostral do i-simo tratamento, e

ni
r +1 X
X
b2 = QM E =
(Yia Y i )2
i=1 a=1
(3.2.3)
Sara a varincia residual amostral combinada com graus de liberdade.

Por exemplo, no caso de um delineamento inteiramente casualizado,
sem perda de parcela, tem-se
= ( 1) graus de liberdade.
A varivel aleatria
1
1
+
+ 1
= 1,2, ,
a estatstica do teste de Dunnett unilateral, e | | a estatstica para o
teste bi-lateral. As distribuies do mximo e do mximo do mdulo dessas r

variveis aleatrias so apresentadas na seo 5.
3.3 Teste de Dunnett unilateral para dados balanceados
Considerando que todos os tratamentos possuem o mesmo tamanho

amostral, ou seja, = n para todo i, a correlao em cada contraste constante e
igual a 1/2 ( = 0,5). A expresso para o erro padro dos estimadores de
dada por
42
1
1
+
=
b
ni nr+1
1
1
+ =
b
n n
2
.
n
De acordo com Hsu (1999), os testes unilaterais podem ser divididos em

dois casos particulares. No primeiro, deseja-se fazer inferncia sobre a mdia da
varivel resposta analisada em cada tratamento em teste que supere a mdia do
tratamento controle, ou seja,
i r+1 >
bi
br+1 d
b
2
, i = 1, . . . , r,
n
obter o limite inferior 12 de um intervalo unilateral de 100(1 de

FRQDQoD em que d a soluo da equao
Z
Z +
[(z +
2sd)]r (z)dzf (s; )ds = 1 ,
(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
f (s; a funo densidade de S = / , dada pela expresso:

f (s; ) =
12
/2
2
s1 es /2 , s 0
(/2)2/21
Se o lado direito da desigualdade for negativa, infere-se que o tratamento controle

tem uma menor resposta do que o i-simo tratamento em teste.
43
No segundo caso, deseja-se fazer inferncia sobre a mdia da varivel

resposta analisada em cada tratamento em teste que seja inferior ao tratamento
controle. Assim, a inferncia recai no limite superior13 do intervalo de FRQDQoD
de 100(1 GHQLGR pela desigualdade em que d a soluo da equao
.
i r+1 <
bi
br+1 + d
b
2 , i = 1, . . . , r,
n
Observa-se que a estatstica d depende apenas do nvel nominal

estabelecido para as inferncias, do nmero r de tratamentos em teste e dos
graus de liberdade da varivel S. O valor crtico d o quantil da distribuio do
mximo da t multivariada, com correlao comum = 0,5 e graus de
liberdade, correspondente a uma probabilidade de erro tipo I igual a (DEAN;
VOSS, 1999).
As funes de distribuio da estatstica d so apresentadas no quinto
captulo, esSHFLFDPHQWH nas expresses (5.4.6) para caso em que a
distribuio do mximo da t multivariada recai na distribuio do mximo da
normal multivariada, e (5.4.14) nos demais casos. Naquelas expresses a
correlao est representada por e foi deduzida para dados no-
balanceados. Na situao analisada agora, a correlao constante e igual a 0,5,

ou seja, = = 0,5 para todo i.
Teorema 3.3.1 'HQLQGR D HVWDWtVWLFD GR WHVWH XQLODWHUDO SDUD GDGRV
EDODQFHDGRVGFRPRDVROXomRGDHTXDomR
Z
13
Z +
[(z +
2sd)]r (z)dzf (s; )ds = 1 ,
Se o lado direito da desigualdade for negativa, infere-se que o tratamento controle

tem uma maior resposta do que o i-simo tratamento em teste.
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:
Partindo do pressuposto de que a probabilidade nas r inferncias

simultneas preservada e considerando Z1, . . . , Zr variveis aleatrias normais
padro independentes e identicamente distribudas, pode-se escrever
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

Multiplicando o membro esquerdo da desigualdade por / tem-se

br+1 r+1 )
(
bi i ) (
/ n
/ n
< d 2, i = 1, . . . , r
= 1 .
Tomando a expresso esquerda da igualdade e condicionando ao

conhecimento de , com s = chega-se a probabilidade condicional
P
"(
(
bi i ) (
br+1 r+1 )
/ n
/ n
) #
b .
< sd 2, i = 1, . . . ,r |
45
Multiplicando essa probabilidade pela funo densidade de S, f (s; ),

tem-se a probabilidade conjunta
) #
" (

br+1 r+1 )
(
bi i ) (
< sd 2, i = 1, . . . ,r |
b f (s; ).
P
/ n
/ n
Integrando essa expresso em relao a s, com s 0, chega-se funo
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)
Observa-se que essa expresso uma esperana condicional e pode ser

representada por

br+1 r+1 )
(
bi i ) (
E P
< sd 2, i = 1, . . . , r |
b .
/ n
/ n
Essa GHQLomR de funo de distribuio e esperana condicional pode

ser PHOKRU compreendida revisando alguns conceitos bsicos de inferncia
estatstica apresentados no APNDICE A.
De modo anlogo, considerando-se as r variveis aleatrias = ( ) /
) e z = ( ) / ) um escore normal padro e condicionando
ao conhecimento de , pode-se rearranjar e escrever a probabilidade interna
da expresso anterior como a probabilidade condicional
h n
o
i
P Zi < sd 2 + z, i = 1, . . . , r |
br+1 .
46
Multiplicando esta probabilidade pela funo densidade da normal

padro Z, (z), tem-se a probabilidade conjunta
h n
o
i
P Zi < sd 2 + z, i = 1, . . . , r |
br+1 (z),
que integrada em relao a z resulta na funo de probabilidade marginal

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 |
Mas P (Zi < sd 2 + z) a probabilidade acumulada de uma varivel
aleatria normal padro avaliada no ponto sd 2 + z. Como os Zi s, i = 1, . . . ,r

so independentemente distribudos, tem-se que
P (Zi < sd 2 + z) = (sd 2 + z)

ouseja
P (Z1 < sd 2 + z, Z2 < sd 2 + z, . . . , Zr < sd 2 + z) = [(sd 2 + z)]r .

Assim, a expresso (3.3.3) fica
Z
[(sd
2 + z)]r (z)dz = 1 .
(3.3.4)
47
Substituindo ( em () chega-se a

Z
Z +
[(z +
2sd)] (z)dz f (s; )ds = 1 ,
em que d a soluo da equao quando o valor de for xado, como

se queria provar.
Prova-se, utilizando procedimento similar, para a expresso
i r+1 <
bi
br+1 + d
b
2
, i = 1, . . . , r
n
= 1 ,
que o resultado o mesmo.
No caso de experimentos balanceados em que os tratamentos em teste

possuem igual tamanho amostral mas diferente em relao ao tamanho amostral
do tratamento controle, ou seja, = n o mesmo para todo i = 1, . . . , r mas
n n , a correlao em cada contraste constante e dada por = n/(n + n ).
Portanto, tem-se um caso especial do teste unilateral para dados
balanceados com a correlao constante qualquer.

A expresso para o erro padro do estimador da diferena de mdias
entre o i-simo tratamento em teste e o tratamento controle neste caso
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
(z)dzf (s; )ds = 1 .

1
0
48
com =
3.4 Teste de Dunnett unilateral para dados no-balanceados
Neste caso, como todos os r + 1 tratamentos podem ter diferentes

tamanhos amostrais, a correlao entre os contrastes varia e dada por =
/(+ n) para cada i = 1, . . . , r. Portanto, tem-se um vetor de correlaes

denominado der1
. A expresso para o erro padro do estimador do contraste
entre o i-simo tratamento em teste com o controle dada por
1
1
+
.
ni nr+1
A lgica deste teste de Dunnett a mesma apresentada na seo anterior,

considerando agora a correlao diferente em cada comparao. Ento, o limite
inferior simultneo de FRQDQoD para a diferena entre a mdia de cada
tratamento em teste e a mdia do tratamento controle dada por
i r+1 >
bi
br+1 d
b
1
1
+
, i = 1, . . . , r,
ni nr+1
em que d = d,, a soluo da equao

Z
r
Z + Y
i=1
com
i =

i z + sd
(z)dzf (s; )ds = 1 ,

1 i
nr+1
1+
ni
1
ni
, i = 1, . . . , r.
ni + nr+1
(3.4.1)
49
De forma anloga, o limite superior simultneo de FRQDQoD para a

diferena entre a mdia de cada tratamento em teste e a mdia do tratamento
controle dada por
i r+1 <
bi
br+1 + d
b
1
1
+
, i = 1, . . . , r.
ni nr+1
Observa-se que agora o valor crtico d depende de r e e das razes

entre os tamanhos amostrais n/ , . . . , n/ . O valor crtico d o quantil
da distribuio do mximo da t multivariada com correlao dada por

e graus
de liberdade, correspondente a uma probabilidade de erro tipo I igual a

(DEAN; VOSS, 1999). Portanto, no possvel tabular d de uma forma geral.
Somente pode-se fazer uso de um programa de computador para calcular d
dependendo do vetor referente aos tamanhos amostrais n = ( , . . . , n) dos
dados analisados que afetaro a correlao

= ( , . . . , r).
As funes de distribuio da estatstica d so apresentadas no quinto
captulo, HVSHFLFDPHQWH nas expresses ( para = caso em que a

distribuio do mximo da t multivariada recai na distribuio do mximo da
normal multivariada, e () nos demais casos. Naquelas expresses a
correlao est representada por com i = 1, . . . , r.
Teorema 3.4.1 'HQLQGR D HVWDWtVWLFD GR WHVWH XQLODWHUDO SDUD GDGRV QmR
EDODQFHDGRVGFRPRDVROXomRGDHTXDomR
Z
r
Z + Y
i=1

i z + sd
(z)dzf (s; )ds = 1 ,

1 i
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:

simultneas preservada e considerando , . . . , variveis aleatrias normal
padro independentes e identicamente distribudas, ento
P
P
i r+1 >
bi
br+1 d
b
(
bi i ) (
br+1 r+1 ) < d
b
Multiplicando toda a desigualdade por
ni (
bi i )
1
1
+
, i = 1, . . . , r
ni nr+1
1
1
+
, i = 1, . . . , r
ni nr+1
resultado obtido tem-se
=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)
Usando os igualdades () e () e condicionando ao conhecimento

de , com s = sendo s 0, tem-se uma probabilidade condicional; essa
probabilidade multiplicada pela funo densidade de S, f (s; ), resulta na
52
probabilidade conjunta de S e dos r contrastes; integrando-se essa probabilidade

em relao a s, com s 0, chega-se a funo de probabilidade marginal
Z
" (
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)
Essa expresso equivalente a esperana condicional

" (
E P
(
bi i )
ni
i (
sd
br+1 r+1 )
<
, i = 1, . . . , r
1 i
1 i
nr+1
)#
De modo anlogo, considerando Zi = (

bi i )/(/ ni ) e z = (
br+1
r+1 )/(/ nr+1 ) um escore normal padro, condicionando ao conhecimento de
br+1 , multiplicando pela funo densidade de Z e integrando em relao a z,

pode-se escrever a probabilidade interna da expresso (3.4.4) como a probabilidade marginal

i z + sd
, i = 1, . . . , r |
br+1 (z)dz,
P Zi <
1 i
que a esperana condicional

i Z + sd
, i = 1, . . . , r |
br+1 .
E P Zi <
1 i
(3.4.5)
53
Mas P <
a probabilidade acumulada de uma varivel
aleatria normal padro avaliada no ponto + / 1 para cada
i = 1,...,r. Como os s so independentemente distribudos, a funo de

distribuio
P
dada por
Y

r
i z + sd
1 z + sd
r z + sd
Z1 <
, . . . , Zr <
=
,
11
1 r
1
i
i=1
)D]HQGRFRPTXHUHVXOWHHP

Z
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
(z)dz f (s; )ds = 1 .

1 i
i=1
0
em que d a soluoda equao quando o valor de for xado, como

se queria provar.
De forma similar, prova-se o mesmo para
i r+1 <
bi
br+1 + d
b
1
1
+
, i = 1, . . . , r
ni nr+1
= 1 .
54
3.5 Teste de Dunnett bilateral para dados balanceados
O teste de Dunnett bilateral utilizado para determinar quais

tratamentos em teste diferem do tratamento controle. No caso de experimentos
balanceados, inicialmente so consideradas amostras de mesmo tamanho n para
todos os i = 1, . . ., r + 1 tratamentos.
Este teste fornece o seguinte intervalo simultneo de 100(1 de
FRQDQoD para a diferena entre a mdia de cada tratamento em teste e a
mdia do tratamento controle :
i r+1
bi
br+1 |d|
b
2
, i = 1, . . . , r,
n
emque|d|asoluodaequao:
Z
Z +
[(z + 2|d|s) (z 2|d|s)]r (z)dzf (s; )ds = 1 . (3.5.1)
Pode-se observar que | d | depende apenas de , r e . O valor crtico | d |

agora o valor do quantil da distribuio do mximo do mdulo da tmultivariada com correlao comum = 0,5 e graus de liberdade,
correspondente a uma probabilidade de erro tipo I igual a (DEAN; VOSS,
1999).
As funes de distribuio da estatstica |d| so apresentadas no quinto
captulo,especificamentenasexpresses(5.4.9)para = ,casoemqueadistribuiodomximodomdulodatmultivariadarecainadistribuiodomximo
domdulodanormalmultivariada,e(5.4.16)nosdemaiscasos.Naquelasexpressesacorrelaoiestrepresentadapori2comi=1,...,r.
55
Teorema 3.5.1 'HQLQGR D HVWDWtVWLFD GR WHVWH ELODWHUDO SDUD GDGRV

EDODQFHDGRV_G_FRPRDVROXomRGDHTXDomR
Z
Z +
[(z +
2|d|s) (z
tem-se que
(
i r+1
bi
br+1 |d|
b
2|d|s)]r (z)dzf (s; )ds = 1 ,
2
, i = 1, . . . , r,
n
= 1 .
Demonstrao:
simultneas preservada e considerando , . . . , variveis aleatrias normais
padro independentes e identicamente distribudas, pode-se escrever

P
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 .
Dividindo a expresso por e multiplicando o termo central da
desigualdade por tem-se:

P
[(
bi i ) (
br+1 r+1 )]
2|d| <
b/
n/
<
2|d|, i = 1, . . . , r,
= 1 .
56
Condicionando ao conhecimento de , com s = sendo s 0, tem-se
uma probabilidade condicional; essa probabilidade multiplicada pela funo
densidade de S, f (s; ), resulta na probabilidade conjunta de S e dos r contrastes;

integrando-se essa probabilidade em relao a s, com s 0, chega-se a funo de
probabilidade marginal
Z
" (
P
2|d|s <
(
bi i ) (
br+1 r+1 )
) #
< 2|d|s, i = 1, . . . , r, |
b
f (s; )ds = 1 .
(3.5.2)
De modo anlogo, considerando = ( ) / e =
( +1 +1 ) / +1 um escore normal padro e condicionando ao

conhecimento de +1 , chega-se a probabilidade condicional
h n
o
i
br+1 .
P z 2|d|s < Zi < z + 2|d|s, i = 1, . . . , r |
Multiplicando essa probabilidade pela funo densidade de Z e

integrando em relao a z, pode-se escrever a probabilidade interna da expresso
() como a probabilidade marginal
Z
o
i
h n
br+1 (z)dz.
P z 2|d|s < Zi < z + 2|d|s, i = 1, . . . , r, |
(3.5.3)
mas, pelo teorema fundamental do clculo, tem-se que
n
o
P z 2|d|s < Zi < z + 2|d|s = (z + 2|d|s) (z 2|d|s).
57
Como os , i = 1, . . .,r, so independentemente distribudos, tem-se

n
o
r
P z 2|d|s < Zi < z + 2|d|s, i = 1, . . . , r, = (z + 2|d|s) (z 2|d|s) ,
fazendo com que () resulte em:

Z
(z +
2|d|s) (z
2|d|s)
ir
(z)dz.
(3.5.4)
Substituindo () em () chega-se a

Z
Z
(z +
2|d|s) (z
2|d|s)
ir
(z)dz f (s; )ds = 1 ,
em que | d | a soluo da equao quando o valor de for xado, como

se queria provar.
No caso de experimentos balanceados em que = n o mesmo para
todo i mas n = , a correlao em cada contraste a mesma = n/(n + ).
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
(z)dzf (s; )ds = 1 .
1
1
0
com =
n
n+nr+1 .
58
3.6 Teste de Dunnett bilateral para dados no balanceados

Neste caso so consideradas amostras de quaisquer tamanhos para
todos os i = 1, . . ., r tratamentos. Assim, o teste bilateral de Dunnett d o
seguinte intervalo simultneo de FRQDna para a diferena entre a mdia de cada

tratamento em teste com a mdia do tratamento controle :
i r+1
bi
br+1 |d|
b
1
1
+
, i = 1, . . . , r,
nj
nr+1
em que | d | a soluo da equao:

r
Y
i z + |d|s
i z |d|s
d(z)f (s; )ds = 1 ,
1 i
1 i
i=1
(3.6.1)
com
i =
nr+1
1+
ni
1
ni
, i = 1, . . . , r.
ni + nr+1
Observa-se que o quantil |d| depende de , r, e das correlaes i , que
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
fazer uso de um programa de computador para calcular |d| dependendo do vetor
referente aos tamanhos amostrais n = (n1 , . . . , nr+1 ) dos dados analisados que
afetaro a correlao = (1 , . . . , r ).
As funes de distribuio da estatstica | d | so apresentadas no quinto

captulo, HVSHFLFDPHQWHQDVH[SUHVV}HV para = caso em que a
59
distribuio do mximo do mdulo da t multivariada recai na distribuio do

mximo do mdulo da normal multivariada, e ( nos demais casos.
Naquelas expresses a correlao est representada por com i = 1, . . . , r.
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
d(z)f (s; )ds = 1 ,

1 i
1 i
tem-se que
i r+1
bi
br+1 |d|
b
1
1
+
, i = 1, . . . , r
ni nr+1
=1
Demonstrao:
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,
Multiplicando a desigualdade por
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 .
Usando-se as expresses ( H e condicionando ao

conhecimento de , com s = sendo s 0, tem-se uma probabilidade
condicional;essa probabilidade multiplicada pela funo densidade de S, f (s; ),
resulta na probabilidade conjunta de S e dos r contrastes; integrando-se essa

probabilidade em relao a s, com s 0, chega-se a funo de probabilidade
marginal
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)
De modo anlogo, considerando Zi = (

bi i )/(/ ni ) e z = (
br+1
r+1 )/(/ nr+1 ) um escore normal padro e condicionando ao conhecimento

de
br+1 , chega-se a probabilidade condicional

i z + |d|s
i z |d|s
P
< Zi <
, i = 1, . . . , r |
br+1 .
1 i
1 i
Multiplicando essa probabilidade pela funo densidade de Z e

integrando em relao a z, pode-se escrever a probabilidade interna da expresso
() como a probabilidade marginal
Z
("
)
#

i z + |d|s
i z |d|s
< Zi <
P
, i = 1, . . . , r, |
br+1 (z)dz.
1 i
1 i
(3.6.3)
Pelo teorema fundamental do clculo tem-se

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
$VVLPDH[SUHVVmRFRUUHVSRQGHD

Z
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
(z)dz f (s; )ds = 1 ,

1 i
1 i
i=1
em que | d | a soluo da equao quando o valor de xado, como

se queria provar.
3.7 Aspectos computacionais relacionados s distribuies das estatsticas

do teste de Dunnett disponveis na literatura
As estatsticas utilizadas nos testes de Dunnett tm distribuio t

multivariada e, em casos particulares, normal multivariada. A seguir so
apresentados os principais estudos encontrados na literatura abordando
63
algoritmos HVSHFtFos para o teste de Dunnett ou, de forma geral, para as

distribuies normal e t multivariadas.
Dunlap, Marx e Agamy (1981) descreveram uma funo em FORTRAN
IV para obteno da funo de distribuio da estatstica do teste bilateral de
Dunnett para dados balanceados. Neste trabalho, as probabilidades acumuladas
da normal padro so resolvidas por aproximaes fornecidas por Dunlap e
Duffy (1975 apud DUNLAP; MAX; AGAMY, 1981)ou, para valores extremos,
pela aproximao de Zelen e Severo (1965 apud DUNLAP; MARX; AGAMY,
1981). As demais integrais envolvidas no clculo da distribuio de
probabilidade de Dunnett foram resolvidas utilizando o mtodo numrico de
Newton-Ctes denominado de regra de Simpson com 20 a 30 pontos. Os autores
comentam que a preciso de seus valores quando comparados aos valores das
tabelas do teste de Dunnett publicadas em Hanhn e Hendrickson (1971 apud
DUNLAP; MARX; AGAMY, 1981) era da ordem da quarta casa decimal.
Porm, este algoritmo limita-se ao fornecimento da probabilidade. No
possibilita, por exemplo, a obteno dos quantis da distribuio dada a
probabilidade acumulada, invertendo a funo de distribuio.
Tambm no aborda a obteno da probabilidade no caso da estatstica
do teste envolver uma distribuio t multivariada no-central.
Schervish (1984) apresenta o algoritmo AS 195 para calcular
probabilidades da normal multivariada dentro de uma faixa de erro estabelecida,
utilizando para resolver as integrais envolvidas tambm os mtodos numricos
de Newton - Ctes com sequncias de subintervalos de 2 a 5 pontos. O autor
baseou-se em estudos e algoritmos anteriores dados por Bohrer e Schervish
(1981), Bohrer, Schervish e Sheft (1982) e Milton (1972 apud SCHERVISH,
1984). A vantagem desse algoritmo sobre os anteriores foi a melhora do tempo
de execuo com o aumento da preciso requerida para os valores. Porm, a
restrio para o uso deste algoritmo que ele calcula para no mximo 7
64
dimenses, em funo do tempo de processamento. A matriz de correlao deve

ser no singular e passvel de ser escrita como uma matriz triangular inferior.
Dunnett publica em 1989 o algoritmo AS 251 que possibilita calcular
integrais de probabilidade normal multivariada com estrutura de correlao
produto entre as variveis, com dimenso mxima de 50. Este algoritmo baseiase no de Schervish (portanto, utilizando quadraturas de Newton-Ctes), exceto
pela particularidade de assumir uma estrutura de correlao especial, o que reduz
consideravelmente o tempo de clculo e viabiliza a aplicao do mtodo com um
nmero maior de variveis. A restrio da estrutura de correlao produto
aplicada em muitos problemas de comparaes mltiplas (DUNNETT, 1955,
1989; HSU, 1999).
Para YHULFDU as funes implementadas computacionalmente, HVSHFtFDV
ou relacionadas ao teste de Dunnett, optou-se pelo VRIWZDUH5 (R CORE TEAM
DEVELOPMENT, 2012) por ser um programa de livre distribuio e cdigo
fonte aberto. Foram encontradas funes que fornecem os quantis ou
probabilidades das distribuies normal e t multivariadas. Uma possibilidade a
utilizao da biblioteca mvtnormpcs, que utiliza o algoritmo AS 251 de Dunnett
(1989). Porm, esta biblioteca deixou de ser disponibilizada no CRAN por falta
de manuteno e s pode ser usado em verses mais antigas do R. O algoritmo
resolve as integrais pelo mtodo numrico de Simpson e permite no mximo 50
comparaes entre tratamentos.
Wang e Kennedy (1992) propuseram uma expanso por srie de Taylor
da integral da normal multivariada para regies retangulares. Eles compararam
seus valores com os obtidos pelo algoritmo de Schervish (1984, 1985) obtendo
maior preciso, porm, num maior tempo computacional. Concluem que o
mtodo Hciente para integrais de at cinco dimenses. Acima disso o tempo
computacional excessivo torna invivel o mtodo.
65
Drezner (1992) apresenta uma generalizao do seu mtodo para

calcular
probabilidades
bivariadas
para
clculo
de
probabilidades
multivariadas. Utilizou o mtodo de quadratura gaussiana proposto por Steen e

Gelbard (1969) para resolver a integral m-dimensional. Steen e Gelbard (1969)
HVWXGDUDP
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
matrizes de correlao com estrutura arbitrria, o que no tem nenhuma

implicao para o teste de Dunnett. Esta rotina tambm possibilita a
considerao de parmetros de no-centralidade nas distribuies. A funo qmvt
calcula quantis equicoordenados invertendo a funo pmvt pelo mtodo uniroot
do R. Segundo os autores do pacote, o uso da funo uniroot pode resultar em
quantis com limitada acurcia.
Os algoritmos podem ainda ser utilizados para no mximo 1000
comparaes, o que em circunstncias prticas nas aplicaes do teste de
Dunnett GLFLOPHQWH ser atingido ou ultrapassado. A limitao deste mtodo
que por empregar elementos de simulao, cada repetio da mesma
implementao fornece resposta diferente a partir da quarta casa decimal, j que
tem sua preciso estabelecido como 10.
67
4 TCNICAS MATEMTICAS
Nesta seo so apresentadas as principais tcnicas matemticas

utilizadas no desenvolvimento e implementao dos algoritmos para a avaliao
numrica das integrais envolvidas nas funes densidade e distribuio dos
testes de Dunnett no caso no-central.
As quadraturas Gaussianas mais comumente utilizadas para resolver
integrais so as Gauss-Legendre, Gauss-Hermite e Gauss-Laguerre. Neste
trabalho optou-se por transformaes de variveis e mudana das regies de
integrao para o intervalo de >@ e aplicou-se a quadratura de GaussLegendre em praticamente todas as integrais. Em muitos casos as funes
envolvem mltiplas integrais. Nesse caso, os mtodos descritos devem ser
aplicados em mltiplos estgios, tantos quantos forem o nmero de dimenses
das integrais.
Para obter os quantis foi necessrio determinar a inversa das funes de
distribuio estudadas e, neste caso, mtodos numricos de determinao das
razes das equaes so utilizados, principalmente o mtodo das secante e o de
Newton-Raphson.
Tambm apresentado uma sntese do mtodo do jacobiano para a
mudana de variveis em integrais mltiplas, que utilizado para obter a
distribuio de transformaes de variveis aleatrias contnuas, as funes
marginais e de distribuio das distribuies de probabilidades apresentadas.
68
4.1 Integrao numrica

Pelo teorema fundamental do clculo, se a funo g(x) contnua em
[a,b] e sua primitiva, G(x), conhecida ou facilmente determinvel, ento a
integral GHQLGD desta funo neste intervalo dada por:
Z b
g(x)dx = G(b) G(a),
I=
a
em que g(x) = dG(x)/dx = G (x).
Se a primitiva desconhecida ou de difcil obteno, ou quando no

possvel determinar a forma analtica da g(x), a integral I pode ser calculada por
mtodos numricos14. Integrar numericamente uma funo g(x) num dado
intervalo [a,b] consiste em integrar um polinmio Pn(x) que aproxime
satisfatoriamente a funo integrando g(x) e que seja de fcil manuseio, tornando
a integrao possvel (SPERANDIO; MENDES; SILVA, 2003). Polinmios
interpoladores, como os polinmios de Legendre e os polinmios de Hermite,
so funes que possuem essas caractersticas.
A soluo numrica de uma integral simples comumente chamada de
quadratura (BARROSO et al., 1987). Na integrao numrica, a frmula de
quadratura aproxima a integral GHQLGD de uma funo usando combinao
linear dos valores da funo, ou seja, uma soma ponderada dos valores da
funo em pontos HVSHFtFRV no domnio de integrao (FRANCO, 2007). A
localizao dos pontos utilizados na integrao, o grau e o tipo do polinmio
interpolador so parmetros que caracterizam o tipo de quadratura que est
sendo aplicado.
Os mtodos de integrao numrica so FODVVLFDGRV em dois grupos:
14
s vezes s so conhecidos valores da funo g(x) em alguns pontos s pr-GHQLGRV

inviabilizando o uso das tcnicas de integrao conhecidas no clculo diferencial e
integral; em outros casos a integral resulta em uma funo que no pode ser expressa em termos
de combinaes nitas de outras funes algbricas, logartmicas ou exponenciais
(SPERANDIO; MENDES; SILVA, 2003).
69
a) frmulas de Newton-Ctes que empregam valores de g(x) em pontos

s cuja caracterstica estarem igualmente espaados;
b) frmulas de quadratura gaussiana que baseiam-se em propriedades

de polinmios ortogonais para determinar os pontos xis e seus
respectivos FRHcientes s.
A diferena entre as frmulas de Newton-Ctes e das quadraturas
gaussianas que as primeiras usam valores da funo em pontos uniformemente
espaados pr-determinados para GHQLU o polinmio interpolador Pn(x) que ser
integrado, enquanto que as segundas escolhem os pontos s para calcular a
aproximao de uma maneira tima (BURDEN; FAIRES, 2003).
Quando so tomados livremente os pontos dentro do intervalo [a,b], para

calcular os valores da funo g(x) e assim determinar Pn(x), pode-se GHQLU um
Pn(x) melhor, que equilibre os erros positivos e negativos, fornecendo uma
estimativa da integral mais precisa (CHAPRA; CANALE, 2010). Quadratura
gaussiana o nome dado para a classe de tcnicas que implementam tal
estratgia. Esta seo est centrada no estudo da integrao numrica via
quadraturas gaussianas.
4.1.1 Quadratura gaussiana

A quadratura gaussiana consiste em tomar um conjunto de n pontos
distintos no intervalo [a,b], x1 < x2 < x3 < ... < xn, de modo que a aproximao
I=
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.
Para medir a preciso desta aproximao, assume-se que a melhor
escolha dos valores dos s e dos s a que produz o resultado exato para a
maior classe de polinmios, isto , aquela escolha que d o maior grau de

preciso. Como o nmero total de quantidades desconhecidas so 2n (n pontos e
n FRHFLHQWHV), ento, 2n condies devem ser HVSHFLFDGDV Se os FRHFLHQWHV
de um polinmio so considerados parmetros, a classe de polinmios de grau
no mximo 2n 1 a que contm 2n parmetros. Essa , ento, a maior classe
de polinmios para os quais razovel esperar que a aproximao d um
resultado exato.
Gil, Segura e Temme (2007) expem o processo de determinar os s e
seus correspondentes s para qualquer n baseado na teoria dos polinmios
ortogonais, que leva a formulao do clculo dos FRHFLHQWHV(s) e dos pontos
(s) como um problema de determinao de autovalores e autovetores de uma

matriz, utilizando o algoritmo de Golub Welsch.
Algumas extenses da aproximao () so obtidas tomando-se f (x)

como uma nova funo dada por f(x) = g(x)/(x). Assim:
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)
razes do polinmio de grau n, pertencente a sequncia de polinmios ortogonais

em relao a (x)
no intervalo [a,b].
Segundo Khuri (2003), uma funo peso, (x)
, em [a,b] tem a
caracterstica de ser no-negativa em qualquer intervalo aberto includo em [a,b],
podendo a = e/ou b = e
Z
|x|n (x)dx < , n = 0,1,2....

a
Na Tabela 2 esto sintetizadas as principais famlias de polinmios

ortogonais, suas respectivas funo peso, intervalo e simbologia usualmente
utilizada para represent-la. Cada funo peso e seu polinmio ortogonal d
origem a um tipo de quadratura gaussiana, cujo nome est relacionado com o
polinmio interpolador.
Burden e Faires (2003) comentam que a nalidade de uma funo peso
atribuir graus variados de importncia a aproximaes em certas partes do
intervalo 16. Cada funo peso tem um conjunto de polinmios que so
ortogonais ela no intervalo [a,b].
16
O intervalo da funo peso o mesmo que o intervalo de integrao numrica.
72
Tabela 2 Caractersticas de algumas famlias de polinmios ortogonais clssicos

PolinmioOrtogonal
Legendre
Jacobi
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,)
A Figura 2 mostra as funes peso (x) ortogonais em relao a famlia de

polinmios de Legendre, Chebyshev do 1 tipo e Chebyshev do 2 tipo no intervalo
[1,1]. A funo peso (x) = 1 atribui a mesma nfase para qualquer valor de
x no intervalo [1,1]. J a funo peso (x) = 1/ 1 x2 d menos nfase
perto do centro do intervalo (1,1) e mais nfase quando |x| estiver prximo de
1. Ao contrrio, a funo peso (x) = 1 x2 d mais nfase perto do centro do

intervalo (1,1) e menos nfase quando |x| estiver prximo de 1.
A Figura 3 mostra as funes peso (x) ortogonais em relao a famlia

de polinmios de Laguerre no intervalo [0,) e Hermite probabilsticos e fsicos
no intervalo (,). Estas funes peso atribuem maior nfase para valores
de x prximos ao zero. Os polinmios de Hermite probabilsticos e fsicos no
so equivalentes, um uma re-escala do outro, dados pela relao Hnf (x) =
2n/2 Hnp ( 2x).
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
Representao das funes peso (x) = 1, (x) = 1 / 1 2 e

(x) = 1 2 , ortogonais em relao a famlia de polinmios de
Legendre, Chebyshev do 1 tipo e Chebyshev do 2 tipo, respectivamente, no intervalo >@
Pode ser chamado tambm de erro de truncamento, termo do resto ou fator de

correo.
74
Figura 3 Representao das funes peso (x) =ex, (x) = 2 e (x) = ,

ortogonais em relao a famlia de polinmios de Laguerre no
LQWHUYDOR>+HUPLWHSUREDELOtVWLFRVH+HUPLWHItVLFRVQRLQWHUYDOR

2
Na Tabela 3 esto apresentadas as frmulas para obter o erro de

aproximao das quadraturas mais usuais. Todas as expresses do erro de
aproximao contm a derivada de ordem 2n da funo f(x), f (2n)(x), aplicada no
ponto 2 inteiro n o ndice do ltimo termo considerado no clculo da integral.
O valor de a ser usado um dos pontos xi que maximiza o mdulo da
75
funo f (2n)(x), ou seja, o valor de [L tal que | f (2n)([L) |. No entanto, obter a
derivada de ordem 2n da funo f(x) muitas vezes complexo, o que torna

praticamente invivel determinar a preciso da aproximao (FRANCO, 2007).
Na prtica, [D - se a preciso desejada no clculo do resultado da integral e
procede-se aos clculos com valores de n crescentes, comparando-se cada

resultado com o seu anterior. Quando o erro relativo entre dois resultados
consecutivos for menor do que uma preciso pr-[ada, pra se o processo.
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]
Quadratura
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
4.1.2 Algoritmo de Golub Welsch

O algoritmo de *ROXE:HOVFK um mtodo para calcular os ns ( s) e
os pesos ( s) para as frmulas das quadraturas gaussianas por meio da

obteno dos autovalores e autovetores de uma matriz.
Alguns
conceitos
necessrios
para
entender
algoritmo
de
*ROXE:HOVFK esto resumidos a seguir:

a) dada uma funo peso (x) em [a,b], chama-se produto interno ou
produto escalar de dois polinmios p(x) e q(x) em relao a (x) a
GHQLomR
hp,qi =
p(x)q(x)(x)dx;
a
b) a norma do polinmio p(x) em relao a (x) pode ser escrita como
||p|| = +
hp,pi =
Z
b
2
[p(x)] (x)dx
a
12
c) os polinmios p(x) e q(x) so ditos ortogonais em relao a x) se o

produto interno entre eles for nulo, ou seja, , = 0;
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;
e) quando, alm da propriedade anterior, a base satisfaz a propriedade

de , =1 para todo i, ela chamada de ortonormal e
simbolizada por { (}) .
77
Segundo Gil, Segura e Temme (2007), o clculo dos ns (s) parte da

relao de recorrncia dada por:
1 pe1 (x)+0 pe0 (x)=xpe0 (x),
k+1 pek+1 (x)+k pek (x)+k pek1 =xpek (x) k=1,2,...,
em que {pek (x)} um conjunto de polinmios ortonormais.

Tomando x = xi um dos ns da quadratura, isto um dos zeros de pen (x),
e escrevendo a relao para k n 1, tem-se:
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 ),
+ n1 pen1 (xi ) + n1 pen2 (xi ) = xi pen1 (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 ),
+ 2 pe1 (xi ) = xi pe2 (xi ),

3 pe3 (xi )
+
2 pe2 (xi )
..

en1 (xi ) + n1 pen2 (xi ) = xi pen1 (xi )
n1 p
que pode ser escrita de forma matricial como:
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.
Quando se parte de polinmios ortogonais no normalizados

{pk(x)}kn=0 SDUD R FiOFXOR GRV QyV (xis), D UHODomR GH UHFRUUrQFLD GRV
WUrVWHUPRV7755pGDIRUPD*,/6(*85$7(00(
xpk (x) = ak pk+1 (x) + bk pk (x) + ck pk1 (x), c0 p1 (x) = 0 e k 0.
Procedendo da mesma forma que anteriormente, chega-se ao resultado

de que os zeros de SQ so os autovalores da matriz
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:
xk pek (x)=ak k+1 pek+1 (x)+bk k pek (x)+ck k1 pek1 (x),
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
A matriz de Jacobi para o conjunto de polinmios ortonormais

{ ( } )torna-se simtrica se e = na matriz S, para k Qou
seja,
o que resulta em = . 18
xpek (x) = k+1 pek+1 (x) + k pek (x) + k pek1 (x),
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
Para k = 0,1,2,...,n 2, tem-se

e
a k = a k uk uk =
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
hpej (x),pek (x)i =
pej (x)pek (x)(x)dx
pode ser calculada exatamente usando uma quadratura gaussiana com n pontos.
Ento,
jk = hpej (x),pek (x)i =
n
X
i=1
wi pej (xi )pek (xi ),
em que jk = 1 se j = k, pois resulta na norma de pej (x), e jk = 0 se j 6= k, pois

neste caso os polinmios so ortogonais. Essa expresso pode ser escrita na forma
matricial como
PT WP = I
em que a matriz
W=
w1
0
..
.
w2
..
.
0
..
.
0
wn
82
Tem na sua diagonal principal os pesos wi s a serem determinados,

correspondentes a cada um dos autovalores xJs da matriz de Jacobi J;
pe0 (x1 )
pen1 (x1 )
pe0 (x2 ) pen1 (x2 )
P=
..
..
.
.
pe0 (xn ) pen1 (xn )

tem nas suas colunas cada um dos polinmios ortonormais pej (x) (j =
0, , n 1) sendo que em cada linha esto aplicados em um xi (i =

1, ,n).
Assim:
p
e0 (x1 )
p
e1 (x1 )
p
e0 (xn )
p
e1 (xn )
.
.
.
..
.
.
.
p
en1 (x1 )
pe0 (x1 )w1

0
..
.
0
p
en1 (xn )
0
pe1 (x2 )w2
pe0 (x1 )w1 pe0 (x1 )

0
..
.
0
[pe0 (x1 )]2 w1

0
..
.
0
..
.
.
.
.
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
Para que a igualdade matricial acima se verifique necessrio que P seja

invertvel. Assim, pr-multiplicando esta expresso por 7
multiplicando por P1 tem-se que,
1
e ps-
(P )1 P WPP1 = (P )1 IP 1 ,
W = (P )1 P 1 .
Por propriedades de matrizes, tem-se que,

W=(PP)1
W1=PP.
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)
em que ||.||E a norma Euclidiana usual

b(i) = ((i) , ..., (ni) ) um autovetor da matriz J asPor outro lado, dado
1
b(i) = Cp
b (xi ) =
sociado ao autovalor xi , ento existe uma constante C tal que
C(pe0 (xi ), ..., pen1 (xi ))T . Isto acontece porque o autovetor associado a cada autovalor nico, a menos de uma constante multiplicativa. Ou seja
(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
1 = [pe0 (x)] 0 , com 0 =

[pe0 (x)]2 =
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 )
b(i) (xi ) = 0 (i) p

obtendo-se
1 e (xi ).
b(i) (xi )/(0 (i) ) na expresso (4.1.3), obtm-se
e (xi ) =
Substituindo p
1
(i)
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.
Assim, os pesos wi s para as quadraturas gaussianas so obtidos a partir

b(i) (xi ), pela equao
dos respectivos xi s e seus autovetores normalizados
(i)
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).
4.1.3 Quadraturas para integrais imprprias
Nas quadraturas de Gauss-Laguerre

x2 g(x)dx
R
0
ex g(x)dx e de Gauss-Hermite
tem-se uma integral imprpria do 1 tipo, ou seja, uma integral
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
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
R
Quadratura
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
A convergncia da integral pode ser determinada pelo uso de critrios de

convergncia de modo similar ao estudo de convergncia de sequncias (KHURI,
2003).
20
Considerando que a funo a ser integrada tem derivadas de todas as ordens contnuas
(SPERANDIO; MENDES; SILVA, 2003).
21
Um nmero nito de pontos.
87
g(x)dx =
a
g(x)dx +
a
g(x)dx,
c
Desde que ambas as integrais convirjam. O pontoF [ a,b] chamado de
um valor singular de g(x)22.
Nestes casos, pode-se aproximar cada integral usando uma quadratura de

Gauss-Legendre ou Gauss-Chebyshev, dependendo da forma da funo f(x) =
(x)g(x). Aqui vale a mesma observao feita para o uso das quadraturas
gaussianas nas integrais imprprias do 1 tipo, alm de que o integrando
LQGHnido para um nmero nito de pontos e, portanto, o valor da rea sob a
curva no muda.
Steen e Gelbard (1969) estudaram as quadraturas gaussianas em
integrais do tipo 0 f(x)dx e 0 f(x)dx, com b < . Quando a funo

2
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
0 f(x)dx usando a transformao de varivel u = 2 =

2
falham pois geram integrandos com ponto singular na origem, ou seja
e
0
x2
f (x)dx =
du
eu f ( u) .
2 u
Aplicar uma quadratura Gauss-Hermite considerando uma funo g que

seja extenso da funo f na origem tambm pode falhar. Os autores DUPDP
que se a funo f par a quadratura fornece um resultado exato e deve ser
preferida. Porm, se a funo I mpar a aplicao de sucessivas quadraturas
Gauss-Hermite (com nmero de pontos crescente da quadratura) fornecem
resultados que tendem a oscilar em torno da soluo correta. Por exemplo, para a
22
Segundo Sperandio, Mendes e Silva (2003) um alternativa para levantar a

singularidade da funo integrando fazer uma troca de varivel para obter uma
integral no singular.
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
obtm-se para n RYDORUGHH[DWR-iQRFDVRGDIXQomR

mpar f (x) = x3 aplicando uma quadratura Gauss-Hermite para a funo g(x) =
|x|3 da seguinte forma
e
0
1
x dx =
2
x2 3
x2
1X
|x| dx
wi |xi |3 ,
2
3
i=1
para n = 3 resulta em 0,27135045; para n = 4 resulta em 0,24097925;

para n = 5 resulta em 0,2556027; para n = 6 resulta em 0,24664255; para n = 7
resulta em 0,252573; e assim sucessivamente.
Assim, Steen e Gelbard (1969) propem uma quadratura especial e
apresentam tabelas contendo os pontos e os seus respectivos pesos para resolver
estas quadraturas no caso particular de b = 1. Eles checam a preciso destes
valores comparando os resultados das integrais conhecidas como dx =
0.5 (1 - ). Desta forma so obtidos valores com preciso na ordem da 15

casa decimal.
4.1.4 Mudana dos intervalos de integrao

D ,QWHUYDORVQLWRVTXDLVTXHU
89
Nas quadraturas Gauss-Jacobi, Gauss-Legendre e Gauss-Chebyshev,
quando os limites de integrao em ( )( )no so a H b = 1,

pode-se converter a integral para estes limites fazendo uma mudana de varivel.
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
Ento, para quaisquer valores de a e b tem-se que

Z
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)
em que os zi s so as razes dos polinmios de Legendre de grau n.

b) Intervalos infinitos ou semi-infinitos
Nas quadraturas Gauss-Laguerre e Gauss-Hermite caso o integrando no
2
apresente a funo (x) = ex ou (x) = ex , respectivamente, pode-se pro2
ceder ao artifcio de multiplicar o integrando pelos termos (ex ex ) ou (ex ex )

obtendo-se:
Z
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
No caso da quadratura de Gauss-Laguerre se o intervalo de integrao no

coincide com [0,], sendo [a,] por exemplo, pode-se fazer uma mudana de
varivel simples do tipo x = z + a. Ento tem-se:
Z
ex f (x)dx = ea
a
ez f (z + a)dz ea
0
n
X
wi f (zi + a),
i=1
em que os zi s so as razes do polinmio de Laguerre de grau n.

Alm disso, nestes casos, tem-se a opo de no usar a quadratura GaussLaguerre e aproximar o intervalo semi-infinito de integrao para um intervalo
finito fazendo uma mudana de varivel. Alguns exemplos:
D
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
para a = 0 pode-se ainda usar a transformao

Z
g(x)dx =
0
g
1
RXHQWmRDWUDQVIRUPDomR
1
1
t
dt
=
t2
g
0
1
1
t
dt
t2
91
= ( ())
( = ) ( ())
0
se a > 0 e b = ou a = e b < 0, ou seja ab > 0, e a funo a ser

integrada decresce para zero na mesma velocidade em que 1/x2 se aproxima
de zero quando x se aproxima do infinito, uma alternativa mostrada por
Chapra e Canale (2010) proceder uma transformao do tipo
Z
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)
usar nova transformao do tipo
e1
h(t)dt =
0
e1
2

z+1
h e1
dz,
2
1
(4.1.7)
que uma transformao de um intervalo [a,b] para o intervalo [1,1].
Nos exemplos acima, qualquer das integrais com intervalos finitos

podem sofrer outra mudana de varivel, passando para o intervalo de integrao
[1,1] e serem resolvidas via quadratura Gauss-Legendre ou Gauss-Chebyshev.
92
Uma opo quadratura Gauss-Hermite quando a integral tem intervalo

infinito tambm transform-la numa integral com intervalo [1,1] e avali-la
por uma quadratura de Gauss-Legendre ou Gauss-Chebyshev. Neste caso, podese usar uma mudana de varivel do tipo:
x=
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
seguida de outra mudana de varivel passando para o intervalo de integrao

[1,1].
4.1.5 Quadraturas gaussianas no VRIWZDUH5

Na biblioteca statmod encontra-se a funo gauss.quad que
possibilita a obteno dos ns ([Ls) e pesos (ZLs) da quadratura desejada
fornecendo os seguintes argumentos:
D o nmero de pontos que se deseja realizar a quadratura (n);
E o tipo de quadratura (kind =), que pode ser: legendre; chebyshev1;
chebyshev2;hermitequenesteprogramacomospolinmiosdeHer2
mite fsicos, ou seja, com (x) = ex ; jacobi que neste caso
necessrio
93
especificar o valor de e de : e laguerre cujo padro = 0 mas pode

ser especificado outro valor de , contanto que seja maior do que 1;
F valor de que por padro zero;

G valor de que por padro zero;
4.1.6 Exemplo de resoluo de integral por quadratura gaussiana com o uso

do VRIWZDUH5
Calcular a probabilidade P (Z > 1,7) =
1,7
z2
1
e 2 dz.
2
A funo a ser integrada g(z) =
z
1 e 2
2
a densidade da normal padro
e est representada na Figura 4. A rea hachurada a que se deseja quantificar.

Pela simetria da distribuio de probabilidade normal padro tem-se que
Z
Z 1.7
1 z2
1 z2
e 2 dz = 0.5
e 2 dz.
P =
2
2
1,7
0
Fazendo uma mudana de varivel de z para x, com z =
1,7x+1,7
,
2
o inter-
valo de integrao passa de [0, 1,7] para [1,1] resultando em:

P =
1,7
0
1,7
g(z)dz =
2
A funo a ser integrada agora f (x) =
f
1
1,7x + 1,7
2
1,7 (1,7x+1,7)
8
e
2 2
dx.
no intervalo [1,1]
e est representada na Figura 5. Resolvendo essa integral por uma quadratura de

Gauss-Legendre, com (x) = 1, para n = 6 pontos na quadratura, a Figura 6 traz
uma representao grfica dessa aproximao. Nesta representao, a quadratura
consiste em aproximar a rea sob a curva por reas de n regies retangulares, cujas
base so os pesos wj de cada parcela do somatrio e a altura de cada retngulo a
imagem da funo f (x) aplicada no ponto x = tj .
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
Representao da funo f(z) =

1
2
2
2
e sua integral no intervalo
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
Representao da funo f (x) =

intervalo (1, 1).
1,7 (1,7x+1,7)
8
e
2 2
a ser integrada no
Realizando as operaes necessrias verifica-se que o valor da integral

0,04456546.
0.0
0.5
1.0
1.5
96
1.0
0.5
0.0
0.5
1.0
Valores de x
2
Figura 6 Representao da funo f (z) =

(1, 1).
z
1 e 2
2
e sua integral no intervalo
4.2 Mtodos numricos para a determinao de razes de equaes

Nas diversas funes densidade ou de distribuio das estatsticas
estudadas, quando se deseja encontrar o valor do quantil ou o valor do parmetro
de no-centralidade para determinada probabilidade acumulada p, ser necessrio
resolver equaes da forma f(x) p = 0. Pela complexidade das expresses,
geralmente estas equaes no possuem solues analticas sendo
97
necessrio utilizar um mtodo numrico iterativo para encontrar as solues ou

razes destas equaes. A seguir so descritos os mtodos iterativos numricos
usuais mais utilizados.
4.2.1 Mtodo do falso positivo

Este mtodo til quando no se tem informao a respeito da
23
localizao da raiz x
SURFXUDGD1HVWHFDVRSHOR7HRUHPDGH%RO]DQR
, basta
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 =
f (x2 )x1 f (x1 )x2

;
f (x2 ) f (x1 )
3. avalia-se o valor da funo neste ponto. Se o valor de f (xn ) aproxima-se

de zero com a preciso desejada, xn a raiz x procurada. Caso contrrio
determina-se um novo intervalo dado por:
D [x1 ,xn ] se f (x1 ) e f (xn ) tenham sinais opostos, isto , se f (x1 )

f (xn ) < 0;
23
O Teorema de Bolzano um caso particular do Teorema do valor intermedirio em

que o valor da funo no ponto nula. Diz que: dada uma funo real f(x), contnua
em um intervalo fechado [a,b], com f(a) e f(b) de sinais contrrios, existe pelo menos um
ponto c ( a,b) tal que f(c) = 0.
98
E [xn ,x2 ] se f (x1 ) e f (xn ) tenham sinais iguais;

4. repete-se o processo at que o valor de xn convirja para a raiz da funo x ,
com a preciso = xn x desejada.
O mtodo falha se o mesmo intervalo obtido duas vezes seguidas. Neste
caso pode-se proceder a um mecanismo de proteo calculando-se xn de uma das
seguintes formas
xn =
1
2 f (x2 )x1
1
2 f (x2 )
f (x2 )x1 12 f (x1 )x2

f (x1 )x2
ou xn =
,
f (x1 )
f (x2 ) 12 f (x1 )
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 )
e o novo intervalo ser sempre [x1,xn].

O mtodo da secante o mtodo do falso positivo para funes
convexas em que, para melhorar a velocidade de convergncia do mtodo, abriuse mo da exigncia de sinais opostos da funo nos dois pontos usados para
99
gerar o prximo (KHURI, 2003; LIMA, 2007)24. No mtodo da secante xou-se

TXHVHPSUHVHULDXVDGR[LH[LSDUDJHUDU[L3RUpPFRPLVVRIRLSHUGLGDD
garantia da convergncia.
Nesse mtodo a iterao s ir convergir se os valores iniciais tomados [L
H[LIRUHPVXFLHQWHPHQWHSUy[LPRV do valor procurado.
4.2.2 Mtodo da secante

O mtodo da secante um caso particular do mtodo do falso positivo.
Seu algoritmo faz uso de uma sucesso de razes de linhas secantes f(x) que se
aproximam cada vez mais da raiz da funo f(x).
Tomam-se dois pontos A = [xQ, f (xQ)] e B = [xn, f (xn)] pertencentes
funo f(x), pelos quais constri-se uma reta s1 passando por eles, como ilustrado
na Figura 7. Essa reta uma secante ou corda do JUiFR da funo f, cuja
equao dada por

xs
ys1
1
1

xn
f (xn ) 1 = 0

xn1 f (xn1 ) 1
24
(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 )
6H xn+1 pDUDL]GDUHWD s1, HQWmR ys1(xn+1)=0. 5HVROYHQGRHVVDHTXDomR

REWpPVHDUHODomRGHUHFRUUrQFLDSDUDRPpWRGRGDVVHFDQWHVGDGDSRU
f (x)
A(xn1 ,f (xn1 ))
f (xn )
s1
s3
f (xn+2 )
xn
xn+2
xn+1
s2
f (xn+1 )
Figura 7 Representao geomtrica do mtodo das secantes
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
'etermina-se assim x3, que substituir x1 continuando o processo at

chegar a um nvel de preciso desejado, em que a diferena entre xn+1 e xn
suficientementepequena.
(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
Uma vantagem do mtodo da secante sobre outros mtodos como o de

Newton-Raphson, que ele s requer a avaliao da funo e no de suas
derivadas, que podem ser expresses difceis de serem obtidas.
4.2.3 Mtodo de Pgaso ou Pgasus

um mtodo tambm baseado no mtodo do falso positivo PRGLFDGR
para acelerar a convergncia. Segundo Barroso et al. (1987), dada uma funo
f(x) contnua no intervalo [x0, x1] e tal que f(x0) f(x1) < 0, a raiz existente neste
intervalo pode ser obtida pela frmula de recorrncia
xn+1 = xn f (xn )
xn xn1
f (xn ) f (xn1 )
, n = 1, 2, ,
onde as aproximaes da iterao seguinte so escolhidas de forma que se

(
f (xn+1 )f (xn ) < 0,
ento
[xn1 , f (xn1 )]
trocado por
f (xn+1 )f (xn ) > 0,
ento
[xn1 , f (xn1 )]
trocado por
[hxn , f (xn )];

i
f (x
)f (xn )
.
xn1 , [f (xnn1
)+f (xn+1 )]
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
4.2.4 Mtodo de Newton-Raphson

O mtodo de Newton-Raphson25 outro mtodo de anlise numrica
cujo objetivo estimar as razes de uma funo. Segundo Barroso et al. (1987),
dada uma funo f(x) contnua no intervalo [x0, x1], com as derivadas (x) e (x)
tambm contnuas e (x) 0, tal que exista uma nica raiz x QHVWH
intervalo,tomando-se uma aproximao inicial para x H fazendo uma expanso
em Srie de Taylor de primeira ordem para f (x) = 0 obtm-se uma frmula de
recorrncia paraovaloraproximadodaraizx.
6HJXQGR.KXULH/LPDDVpULHGH7D\ORUpGDGDSRU
f (x) = f (a) +
X
(x a)n
n=1
n!
f (n) (a),
com f : [a,b] R, n vezes derivvel no intervalo (a,b) e todas as (n 1)-simas

derivadas contnuas em [a,b], com x [a,b].
Nestas condies, existe um valor c (a,b) tal que, fazendo uma expanso
em srie de Taylor de grau n = 1, tem-se
f (x) = f (a) + (x a)f (a) +
25
(x a)2 f (c)
,
2!
O mtodo atribudo a Sir. Isaac Newton (1643-1727) e Joseph Raphson (1648-1715).
103
em que a < c < x.

Substituindo-se x por x e, como f (x ) = 0 tem-se
0 = f (a) + (x a)f (a) +
(x a)2 f (c)
.
2!
Se a aproxima-se de x , o ltimo termo direita da expresso anterior

ser pequeno em comparao soma dos dois primeiros termos e, por isso, podese desprez-lo e aproximar a expresso para
0 f (a) + (x a)f (a)
x .f (a) f (a) + a.f (a)
x a
f (a)
.
f (a)
Essa expresso usada para definir a aproximao da raiz da funo f ,

chamando a = xn e x = xn+1 , dada por
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
Geometricamente, o mtodo de Newton-Raphson equivalente a

substituir um pequeno arco da curva f(x) por uma reta tangente traada a partir de
um ponto xQ deste arco, como mostra a Figura 8. O nmero [Q a abscissa do
ponto em que a tangente ao JUiFR de f no ponto xQ encontra o eixo horizontal.
Segundo Lima (2007), o mtodo de Newton-Raphson baseia-se no fato
que, se a tangente aproxima a curva ento sua interseo com o eixo das
abscissas aproxima o ponto de interseo da curva com esse eixo, ou seja, o
ponto xUDL]GHf.
f (x)
f (x)
f (x0 )
f (x1 )
f (x2 )
P0
P1
P2
x2 x1
x0
Figura 8 Representao geomtrica do mtodo de Newton-Raphson

Para obter a aproximao da raiz x desejada no mtodo de NewtonRaphson, os seguintes passos devem ser executados de forma iterativa:
1. toma-se um valor para x0 [a,b] e seu respectivo valor f (x0 );
2. calcula-se o valor da equao da tangente (derivada) da funo nesse ponto,
ou seja, f (x0 );
105
3. determina-se o intercepto da reta tangente nesse ponto ao eixo das abscissas,

denominado de x1 . Atravs da definio de derivada de uma funo num
ponto que a inclinao da reta tangente naquele ponto, isto
f (x0 ) =
y
f (x0 ) 0
=
x
x0 x1
x1 = x0
f (x0 )
;
f (x0 )
4. calcula-se o valor da funo nesse novo ponto x1 , ou seja f (x1 );

5. repete-se o processo n vezes, at que o valor de xn convirja para a raiz da
funo x , com a preciso = xn x desejada.
4.3 Mtodo do jacobiano de transformao de variveis
O mtodo do jacobiano um mtodo utilizado em clculo diferencial em

diversas situaes, como para a mudana de variveis em integrais mltiplas.
Em estatstica, o mtodo do jacobiano utilizado para obter a distribuio de
transformaes de variveis aleatrias contnuas.
'HQLomR 1: 'DGD D IXQomR I 4Q 4P GHQLGD SRU XP YHWRU GH P
FRPSRQHQWHV VHQGR FDGD FRPSRQHQWH XPD IXQomR IL 5Q 5 6H WRGDV DV
IXQo}HVILHVXDVGHULYDGDVSDUFLDLVVmRIXQo}HVFRQWtQXDVGRYHWRUDOHDWyULR;
[[[Q5QDVGHULYDGDVSDUFLDLVGHVVDVIXQo}HVSRGHPVHURUJDQL]DGDV
QXPDPDWUL]PQTXHpGHQRPLQDGDPDWUL]MDFRELDQD
A matriz jacobiana a matriz formada pelas derivadas parciais de
primeira ordem de uma funo vetorial. A matriz jacobiana tem em cada uma
das suas m linhas as derivadas parciais de uma fi, com i = 1, , m, em relao
aos n valores de xj, com j = 1, , n, ou seja,
$GDSWDGRGH.KXULH/HLWKROG
106
Jf (X) =
f1
x1
f2
x1
f1
x2
f2
x2
..
.
..
.
..
.
fm
x1
fm
x2
f1
xn
f2
xn
..
.
fm
xn
A matriz jacobiana pode ser representada tambm por Jf (x1 , x2 , , xn ), ou

(f1 , f2 , , fm )
ainda por (x
.
1 , x2 , , 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
fX [h(i) (Y )].|Jh(i) (Y )|.
108
5 DISTRIBUIES DE PROBABILIDADE
Nesta seo apresentada uma reviso das distribuies de

probabilidades que so utilizadas para obter as estatsticas do teste de Dunnett
unilateral e bilateral, com dados balanceados e no-balanceados.
A varivel S GHQLGD como a razo entre a varincia residual amostral
combinada e a varincia populacional e sua distribuio est relacionada com a
GLVWULEXLomR 2. Ela utilizada nos testes de Dunnett pois a distribuio da
estatstica para comparar as diversas mdias com a mdia da testemunha
considera os graus de liberdade associados varincia residual amostral.
A distribuio t de Student necessria para melhor compreender a sua
distribuio multivariada. Tambm apresentada a distribuio t no-central
univariada com sua funo densidade e de distribuio e algumas de suas
caractersticas. A obteno desta distribuio tem a nalidade de completude,
pois o teste de Dunnett para o caso no-central generaliza a situao univariada
para uma multivariada, porm considerando as correlaes entre as variveis.
Como as estatsticas dos testes de Dunnett so aplicaes das
distribuies do mximo da t multivariada, para o teste unilateral, e do mximo
do mdulo da t multivariada, para o teste bilateral, fez-se uma apresentao
detalhada da obteno de suas funes de densidade e de distribuio. Para
chegar a estas distribuies foi necessrio obter a funo de densidade e a de
distribuio do max(Z) =
(Zi) e do max(| Z |) =
( (| Zi |), o que tambm
mostrado com pormenores.
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 pode ser GHQLGD tambm como

n
X
U=
(Yk Y )2
k=1
b2
k=1
n
X
sendo que Zk N (0,1), para todo k e Z =
n
X
Zk
k=1
n
(Zk Z)2 ,
(5.1.2)
110
e est representada na Figura 9, em que u > 0. A mdia e a varincia de U26 so U

= e
A partir da distribuio de U pode-se obter a distribuio de S =
b/
dada por
S=
U
=
b2
2
Teorema 5.1.1. (Distribuio de S =

b/)
b
.
Definindo a varivel aleatria S como em (5.1.3), S
densidade de probabilidade dada por

f (s; ) =
(5.1.3)
2() /, a sua funo
/2
2
s1 es /2 , s 0.
2(/2)1 ( 2 )
(5.1.4)
para U 2() cuja funo densidade apresentada em (5.1.2).
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
Representao JUiFD GDGHQVLGDGHGDYDULiYHODOHDWyULD8 2,

dada pela equao (5.1.2), para diferentes valores de graus de
liberdade
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.
5.2 Distribuio t de Student
Segundo Ferreira (2009), a distribuio t de Student GHQLGD pela razo

entre duas variveis aleatrias independentes, uma normal padronizada por outra
originada da raiz quadrada de uma varivel aleatria qui-quadrado dividida pelos
seus graus de liberdade. Assim, considerando uma amostra aleatria de tamanho
n da distribuio normal, Y1, Y2, . . . , YnFRPPpGLDHYDULkQFLD2, ento
Z=
(5.2.1)
possui distribuio normal padro, Z N(0,1), cuja funo densidade de probabilidade
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
Figura 10 5HSUHVHQWDomR JUiFD GD GHQVLGDGH GD YDULiYHO DOHDWyULD S =

/, dada pela equao (5.1.4), para diferentes valores de graus de
liberdade
114
eavarivelaleatriaUdadapor(5.1.1),comU(2).ApartirdeZeUpode-se
definir
Y
Z
n
X=q =r
b2
2
Y
b
(5.2.3)
Teorema 5.2.1. (Funo densidade da distribuio t de Student)

Definindo a varivel aleatria X como em (5.2.3), X tem distribuio t de Student,
X t(), cuja funo densidade de probabilidade dada por

+1
2
+1
x2
2

1+
,
fX (x; ) =

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
Usando a transformao Z = XS e S = S, a funo densidade conjunta de X

e S deriva da funo densidade conjunta de Z e S com o uso do Jacobiano da
transformao.Ojacobianodatransformaodadopor

J =

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; ) =
Chamando de t = s2 (x2 + )/2, ento dt = s(x2 + )ds.

Tambm
t
(1)
2
s2 (x2 + )
2
(1)
2
s(1) (x2 + )(1)/2

.
2(1)/2
Logo, pode-se escrever

Z 1 2
s
(x + )(1)/2 et s(x2 + )
/2 s
ds
2(1)/2
s(x2 + )(x2 + )(1)/2 ( 2 ) 0
Z
/2
t(1)/2 et dt.
=
(x2 + )(+1)/2 ( 2 ) 0
fX (x; ) =
Mas, pela definio de funo gama tem-se que
+1
2
R
0
t(1)/2 et dt.
116
Assim, a funo densidade de X

fX (x; ) =
=
=
=

/2 +1
2
( 2 )(x2 + )(+1)/2

+1
/2
1/2
2
( 2 ) (x2 + )(+1)/2 1/2

(+1)/2
+1
1/2 ( 2 ) (x2 + )

(+1)/2
+1
x2
2
,
1+
( 2 )
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 Distribuio t no-central univariada

Johnson, Kotz e Balakrishnan (1995) definem a distribuio t no-central
univariada com graus de liberdade e a constante R, denominada de par-
metro de no-centralidade, como a distribuio da varivel aleatria X obtida pela
razo de duas outras variveis aleatrias independentes, uma Z N(0,1) e a outra
U 2 com = n 1 graus de liberdade, respectivamente, representada por

Z +
X= q .
U
(5.3.1)
117
Segundo estes autores, a no-centralidade da distribuio t est associada ao do

numerador e geralmente a varivel com esta distribuio simbolizada por t ().
p
As variveis aleatrias S = U/ e Z envolvidas na definio (5.3.1)
0.4
foram apresentadas nas expresses (5.1.3) e (5.2.1), respectivamente.
curva normal
=1
=2
=5
0.0
0.1
0.2
0.3
= 10
Valores de x
Figura 11 5HSUHVHQWDomR JUiFD GD GHQVLGDGH GD YDULiYHO DOHDWyULD X com

distribuio t de Student, dada pela equao (5.2.4), para diferentes
valores de graus de liberdade
118
Teorema 5.3.1. (Funo densidade e funo de distribuio da t no-central

univariada)
Definindo a varivel aleatria X como em (5.3.1), a sua funo de densidade
dada por
fX (x; ,) =
s(xs )fS (s; )ds
(5.3.2)
e a sua funo de distribuio dada por

FX (x; ,) =
(xs )fS (s; )ds,
(5.3.3)
em que > 0 so os graus de liberdade relacionados a varivel U e R o

parmetro de no-centralidade para X.
Demonstrao:
As funes de densidade da varivel normal padro Z e da varivel S =
U/
so dadas em (5.2.2) e (5.1.4), respectivamente. A partir da definio da varivel

aleatria X dada em (5.3.1), relativa distribuio t no-central, pode-se escrever
Z = XS .
Como as variveis aleatrias Z e U so independentes, as variveis Z e S tambm
o so e, portanto, a sua distribuio conjunta dada por
fZ,S (z,s; ,) = (z)fS (s; ).
Usando as transformaes de variveis Z = XS e S = S, cujo jacobiano da
transformao

J=

z
x
s
x
z
s
s
s

s x

=
0 1

= s,

tem-se que a distribuio conjunta das variveis S e X
fS,X (s,x; ,) = fZ,S (z,s; ,)abs(J)

= (z)fS (s; )s
119
Mas, como z = xs tem-se que

fS,X (s,x; ,) = s.(xs .)fS (s; )
A funo densidade de X obtida integrando-se esta expresso em relao a s, de
0 a que o domnio desta varivel, obtendo-se
fX (x; ,) =
=
Z0
0
fS,X (s,x; ,)ds

s(xs )fS (s; )ds
que a funo (5.3.2) que se queria mostrar.

Para obter a funo de distribuio de X integra-se a funo densidade
obtida em relao a x no domnio de a x, chamando w = x e dw = dx no
integrando para poder resolver a integral, obtendo-se

FX (x; ,) =
(ws )sdsfS (s; )dw.
Com uma simples mudana na ordem de integrao, tem-se

FX (x; ,) =
Mas,
Z x
(ws )sdwfS (s; )ds.
(ws )sdw = (xs ).
Assim, chega-se a
FX (x; ,) =
(xs )fS (s; )ds.
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
com < x < , < < e com
0
x 2
+x2
[
+ x2
"i
= 1 para todos os valores
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:
1. A distribuio no-central t () especializa-se na distribuio t com

grausdeliberdadequando=0;
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
5.3.1 Aplicaes da distribuio t no-central
A estatstica
t=
Y
b
com Y e
b calculados a partir de uma amostra aleatria de tamanho n, tem distri-
buio t de Student com n 1 graus de liberdade e usada para testar a hiptese
de que a mdia de uma populao .
Entretanto, se a mdia populacional da qual a amostra foi retirada no

e sim
tem-se = , e a estatstica t dada por

tn1

n
,
com o desvio padro populacional. O poder do teste calculado usando a funo

densidade desta distribuio t no-central univariada.
De modo semelhante, a estatstica usada para testar a igualdade de mdias
de duas populaes normais A e B , com varincia comum 2 mas desconhecida,
a partir de amostras de tamanho nA e nB dada por
t(X A X B ) = r
XA XB
2 +(n 1)S 2
(nA 1)SA
B
B
nA +nB 2
1
nA
1
nB
i.
Se as duas mdia populacional so iguais, a estatstica t(X A X B ) aproxima-se da
distribuio t de Student. Mas se A B = , a estatstica t dada por

tnA +nB 2

1
1
.
+
nA nB
Neste caso tambm pode ser calculado o poder do teste pela distribuio t nocentral apropriada.
122
5.4 Distribuies multivariadas
Denomina-se distribuio multivariada a distribuio de um vetor aleatrio

X = [X1 , X2 , . . . , Xr ] , em que r ( 2) representa o nmero de variveis e
cujos elementos Xi so variveis aleatrias univariadas com funo de distribuio
FXi (xi ). A funo definida por:
FX (x) = P (X1 x1 , X2 x2 , . . . , Xr xr )
representa a funo de distribuio conjunta de X1 , X2 , . . . , Xr .
Se FX (x) contnua em < xi < para todo i = 1, . . . , r, ento
existe a funo
fX (x) =
r FX (x)
x1 x2 . . . xr
denominada de funo densidade de probabilidade do vetor aleatrio contnuo X.

Se os componentes X1 , X2 , . . . , Xr possuem independncia estatstica,
ento
FX (x) =
r
Y
FXi (xi )
r
Y
fXi (xi ).
i=1
ou, equivalentemente
fX (x) =
i=1
Tomando uma partio de X dada por

X = [X1 , X2 , . . . , Xq |Xq+1 , Xq+2 , . . . , Xr ]

= [X(1)
|X(2)
] ,
pode-se obter a funo densidade marginal do subconjunto X(1) integrando fX (x)

sobre o domnio das variveis do subconjunto X(2) , para q < r da seguinte forma
fX(1) (x(1) ) =
...
fX (x)dxq+1 . . . dxr .
123
3RGHVH WDPEpP FRQKHFHU D SUREDELOLGDGH FRQGLFLRQDO GH XP HYHQWR

TXDQGRVHFRQKHFHDRFRUUrQFLDGHRXWURSHODIXQomRGHQVLGDGHGHSUREDELOLGDGH
GHX(1)quandoX(2)=x(2)conhecido,dadapelaexpresso
fX(1) (x(1) |X(2) = x(2) ) =
fX (x)
,
fX(2) (x(2) )
considerando que fX(2) (x(2) ) 6= 0.
5.4.1 Distribuies elpticas simtricas
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
mdia = [1 , 2 , ... , r ] Rr e matriz de covarincias que funo da matriz
simtrica e positiva definida (r x r), pode-se definir as distribuies elpticas

simtricas como funes da forma quadrtica (x ) 1 (x ) dadas por
1
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.
Se = 0 e = I, tem-se a distribuio normal multivariada esfrica simtrica.
124
5.4.2 Distribuio t de Student multivariada
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)
em que g dada por

g(k; ) =
+r
2
r
2

() ( 2 )
k
1+
+r
2
com k = (x ) 1 (x ) 0. A mdia da varivel aleatria X o vetor
dado por E(X) = e a matriz de covarincias dada por Cov(X) = /( 2),
no caso de > 2.
Partindo da expresso (5.4.2), se for efetuada uma transformao dada
por Z ; REWpP-se a distribuio t de Student multivariada esfrica

simtrica27, tambm denominada de distribuio t de Student padro
multivariada, cuja densidade dada por
fZ (z) =
+r
2
r
2

() ( 2 )
1
1 + zz
+r
2
A varivel aleatria Z ter vetor de mdias nulo, matriz de covarincias

I/(2)para>2,eafunodensidadetercontornosdedensidadesconsWDQtantes e esfricos.
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,
em que V = diag(), a funo densidade de
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)
ou seja, Y tr (, , ), com graus de liberdade, vetor de mdias =
[1,2,...,r]Rrematrizdecorrelao.
Demonstrao:
Usando a transformao Y = V 1/2 X, toma-se o vetor aleatrio Y como a

padronizao do vetor aleatrio X, em que V uma matriz diagonal definida
como V = diag() = diag(ii ), ou seja, uma matriz cuja diagonal contm as
varincias da p-variveis Xi . Tem-se que V1/2 = diag(1/ ii ). A esperana

do vetor aleatrio Y o vetor coluna dado por
i
=
E(Y) = E(V 1/2 X) = V 1/2 E(X) = V 1/2 =
ii
e a matriz de covarincias de Y dada por
Cov(Y) = Cov(V 1/2 X)
= V 1/2 Cov(X)V 1/2
= V 1/2 /( 2)V 1/2
= /( 2)V 1/2 V 1/2
,
=
( 2)
pois a matriz de correlaes definida por = V1/2 V1/2 .

Para determinar a funo densidade de probabilidade conjunta do vetor
aleatrio Y a partir da funo densidade de X dada por (5.4.2), usa-se o jacobiano
da transformao que

p
Y
dx
ii
J = = |V 1/2 | = |V |1/2 =
dy
i=1
126
e tem-se que fY (y) = fX (x)abs(J ) = fX (x)abs(|V |)1/2 , com x = V 1/2 y.

Assim
+r
2
1 1/2
1
1/2
1 + (V
y ) (V
y )
fY (y) =
r
1
(
)
() 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
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,
2003). Segundo Kotz e Nadarajah (2004), o parmetro (graus
de liberdade) denominado parmetro de forma, porque o grau de achatamento
127
GDFXUYDFXUWRVHSRGHVHUGLPLQXtGRFRQVHUYDGRRXDXPHQWDGRYDULDQGR$

forma limite da equao (5.4.3) quando a funo distribuio de
probabilidade da normal multivariada com vetor de mdias e matriz de
covarincia , ou seja, a distribuio t multivariada para LQQLWRV graus de
liberdade tem distribuio normal multivariada como limite.
5.4.3 Distribuio do mximo e do mximo do mdulo da normal

multivariada
Para obter a distribuio das estatsticas do teste de Dunnett necessrio
obter primeiro a distribuio max(Z) = max(Zi ), que utilizada para os testes
i
unilaterais e a distribuio do max(|Z|) = max(|Zi |) que utilizada para os testes

i
bilaterais.
A funo de distribuio acumulada de um vetor aleatrio normal padro

multivariado Z definida em termos da funo de distribuio de probabilidade
conjunta das r variveis aleatrias dada por
Z1 ,Z2 ,...,Zr (z1 , z2 , . . . , zr ) = P (Z < z) = P (Z1 < z1 , Z2 < z2 , . . . , Zr < zr )
Z zr
Z z1
=
...
Z1 ,...,Zp (u1 , . . . , up )du1 . . . dur ,

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)
tomando-se outro vetor aleatrio Y = (Y1 , Y2 , . . . , Yr , Y0 ) , com distribuio

normal padro multivariada, e a matriz de combinaes lineares dada por
p
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
a seguinte funo de distribuio de probabilidade:
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
E(Z) = E(Y) = E(Y) = 0 = 0
Cov(Z) = Cov(Y) = CovY = I =

ou seja,
hp
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
...
= .
Assim, de forma geral tem-se:

q
Zi = 1 2i Yi i Y0
1 i r,
com
2i = i .
Considerando a afirmao probabilstica

q
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
cadaYi N(0,1), masaacumuladaZi(z)dependedeY0 , queumavarivel

aleatria. CondicionandoaoconhecimentodovalordeY0 queserdenotadopor
ytem-se

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 ) =
Usando o resultado da distribuio do mximo de variveis aleatrias independentes Yi s tem-se

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
e com Z = max Zi tem-se que funo de distribuio do mximo da normal

i
multivariada dada por
FZ (z; ) =
r
Y
i y + z
(y)dy,
q
1 2i
i=1
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.
Teorema 5.4.3. (Funo densidade do mximo da normal multivariada)

Dadas as mesmas condies do teorema 5.3.2., o mximo do vetor Z = Y dado
por Z = max Zi temaseguintefunodensidadedeprobabilidade:
i
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
funo de distribuio dada em (5.4.6) em relao a z, ou seja

Z
r
Y i y + z
(y)dy .
fZ (z; ) =
q
z
1 2
i=1
A derivada do produto de funes dada por:

Q1
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)
[f1 (q)f2 (q) . . . fr (q)]

= f1 (q).Q1 (q) + f2 (q).Q2 (q) + f3 (q).Q3 (q) + f1 (q)f2 (q)
q
f3 (q)Q1,2,3 (q), com Q3 (q) = f1 (q), f2 (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
Assim, a funo densidade de probabilidade de Z = max Zi

i
fZ (z; ) =
r
X
i=1
y+z
pi
1 2i
r
Y
1 2i k=1
k6=i
como se queria mostrar.
!
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
da normal multivariada dada por

F|Z| (z; ) =
r
Y
i=1
"
y+z
pi
1 2i
yz
pi
1 2i
!#)
(y)dy,
A funo de distribuio do mximo do mdulo da normal multivariada

utilizada no teste de Dunnett bilateral quando os graus de liberdade crescem
tendendo para o infinito.
Teorema 5.4.5. (Funo densidade do mximo do mdulo da normal
PXOWLYDULDGD
Dadasasmesmascondiesdoteorema5.3.2.,omximodovetorZ=Ydado
por |Z| = max(|Zi |) tem a seguinte funo densidade de probabilidade:
i
( "
!#
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
(5.4.9) em relao a z, conforme (5.4.8) obtendo-se
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
5.4.4 Distribuio do mximo e do mximo do mdulo da t multivariada

Para se obter a distribuio do mximo da t multivariada, max(T) =
max(Ti ), sendo T = (T1 , T2 , . . . , Tr ) um vetor aleatrio definido por
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)
e definindo Z = max(Zi ) e D = max(Ti ), a varivel aleatria de interesse

D = Z/S.
135
Teorema 5.4.6. (Funo densidade do mximo da t multivariada)

Dado o vetor aleatrio T = (T1 , T2 , . . . , Tr ) definido em (5.4.11), o mximo do
vetor T, dado por D = max(Ti ) e definido em (5.4.12), tem a seguinte funo
i
densidade de probabilidade:
fD (d; , ) =
y + sd
pi
1 2i
i=1
(y)f (s; )dyds,
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
Para obter a a funo densidade conjunta de D e S a partir da conjunta fZ,S (z,s; ),

utilizam-se as transformaes Z = SD e S = S, cujo jacobiano dado por

J=

z
d
s
d
com abs(s) = s, resultando em
z
s
s
s

s d

=
0 1

= s,

fD,S (d,s; , ) = fZ,S (z,s; , )abs(J)
!
Z X
r
r
i y + sd
1
Y
p
=
p
1 2i
1 2i k=1
i=1
k6=i
(y)f (s; )sdy.
!
k y + sd
p
1 2k
136
A funo densidade de D = max(Ti ) a marginal da densidade conjunta

i
fD,S (d,s; , ) quando se integra em relao a varivel s, que varia de [0,),

chegando-se a
fD (d; , ) =
i=1
y + sd
pi
1 2i
(y)f (s; )dyds,
!
k y + sd
p

1 2k
r
Y
1 2i k=1
k6=i

Teorema 5.4.7. (Funo de distribuio do mximo da t multivariada)
vetor T, dado por D = max(Ti ) e definido em (5.4.12), tem a seguinte funo de
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
tegrando-se fD (d; , ) dada em (5.4.13), em relao a d, da seguinte forma
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
(y)f (s; )dydsdw,
f (s; )ds,
137
pois
r
r
Y
[f1 (q)f2 (q) . . . f3 (q)] X
=
fi (q)
fk (q)
q
k=1
i=1
[f1 (q)f2 (q) . . . f3 (q)]

=
q
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

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
(5.1.4) e a varivel aleatria de interesse |D| = max(|Ti |), a funo densidade
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
)
(y)dy f (s; )ds,
(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
A funo densidade de probabilidade conjunta de |D| e S obtida atravs da

transformao |Z| = |D|S e S = S, cujo Jacobiano s, resultando em
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
A funo densidade de |D| a marginal da densidade conjunta f|D|,S (|d|,s; , )

quando se integra em relao a varivel s, que varia de [0,), chegando-se a
Z
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
que a (5.4.15), como se queria mostrar.

A funo de distribuio de probabilidade da varivel |D| obtida integrando-se a funo densidade f|D| (|d|; , ) obtida em relao a |d|, da seguinte forma
!
!#
!!
i y + ws
i y ws
s
p
p
p
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
!#
(y)dy f (s; )ds,
140
A funo de distribuio do mximo do mdulo da t multivariada, dada

por (5.4.16) utilizada no teste de Dunnett bilateral quando os graus de liberdade
so finitos.
Em sntese, considerando uma matriz de correlao que satisfaz a estrutura de correlao produto, denota-se por pontos crticos superiores da distribuio do mximo da t multivariada max(Ti ) ou do mximo do mdulo da t
i
multivariada max(|Ti |), os valores de d ou |d| solues das equaes

i
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.
6.1 Distribuio do mximo e do mximo do mdulo da normal

Para obter as distribuies das estatsticas do teste de Dunnett

considerando como parmetro de no-FHQWUDOLGDGH XWLOL]RX-se as mesmas
ideias do que feito para as distribuies centrais. Nesta subseo desenvolve-se
a obteno das distribuies do mximo e do mximo do mdulo da normal
multivariada no-central.
8VDQGRDPDWUL]GHFRPELQDo}HVOLQHDUHVGDGDSRUHXPYHWRUGH
FRQVWDQWHVSRGHVHREWHUDWUDQVIRUPDomRZ=Y+,HPTXHZNr(,)HD
PDWUL]VDWLVID]DFRQGLomRGHHVWUXWXUDGHFRUUHODomRSURGXWRGDGDSRU
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
Assim, E(Z) = E(Y + ) = E(Y) + = E(Y) + =
E(Z) =
1
2
..
.
r
1
2
..
.
r
143
e Cov(Z) = Cov(Y + ) = Cov(Y) = .I = , ou seja
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
Usando o resultado da distribuio do mximo de variveis aleatrias, dado por
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
com Z = max Zi tem-se que

i
y
+
z
i
iq
FZ (z; , ) =
(y)dy,
2
i=1
1 i
Z
r
Y
Esta funo da distribuio do mximo da normal multivariada no-central

com parmetro de no-centralidade = utilizada no teste de Dunnett unilateral quando os graus de liberdade tendem ao infinito.
Teorema 6.1.2. (Funo densidade do mximo da normal multivariada nocentral)

Dadas as mesmas condies do teorema 6.2.1., o mximo do vetor Z = Y +
dado por Z = max Zi tem a seguinte funo densidade de probabilidade:
i
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
Teorema 6.1.3. (Funo de distribuio do mximo do mdulo da normal multivariada no-central)

Dadas as mesmas condies do teorema 6.2.1., 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
"
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
ou seja, com |Z| = maxi |Zi |
F|Z| (z; , ) =
r
Y
i=1
i y z i
p
1 2i
!#)
(y)dy,
Afunodadistribuiodomximodomdulodanormalmultivariada
no-centralcomparmetrodeno-centralidade=utilizadanotestedeDunnettbilateralquandoosgrausdeliberdadetendemaoinfinito.
148
Teorema 6.1.4. (Funo densidade do mximo do mdulo da normal multivariada no-central)

Dadas as mesmas condies do teorema 6.2.1., o mximo do vetor Z = Y +
dado por |Z| = max(|Zi |) tem a seguinte funo densidade de probabilidade:
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.
(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
(6.1.3) em relao a z, conforme (5.4.8) obtendo-se

"
"Z
!
!#
#
r
Y
i y + z i
i y z 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
Assim, a funo de densidade do mximo da normal multivariada no-central
!
!#
!!
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
Para se obter a distribuio do mximo da t multivariada no-central

com parmetro de no-centralidade , de forma semelhante s distribuies
centrais toma-se T = [T1, T2, . . . , Tr] um vetor aleatrio GHQLGR por
Z
T= q ,
(6.2.1)
em que S =
U/ =
b/ uma varivel aleatria com distribuio de uma
raiz de qui-quadrado dividido pelos graus de liberdade, cuja funo densidade de

probabilidade dada pela equao (5.1.4), independente em relao a Z.
Tomando-se
max(Ti ) =
i
max(Zi )
i
q
(6.2.2)
e chamando de Z = max(Zi ) e D = max(Ti ), a varivel aleatria de interesse

i
D = Z/S, em que cada Di = Qi /S t (i ).
Teorema 6.2.1. (Funo densidade do mximo da t multivariada no-central)

vetor T, dado por D = max(Ti ) e definido em (6.2.2), tem a seguinte funo
i
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
(y)f (s; )dyds.

2
k=1
1 k
Z
"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
deve-se obter a funo densidade conjunta de Z e de S. Como Z = max(Zi ) e S

i
so independentes, a funo densidade conjunta de Z e S obtida pelo produto de

fZ (z; , ) e fS (s; ), dadas, respectivamente, pelas funes (6.1.2) e (5.1.4), ou
seja
r
X
1
i y + z i
q
q
i=1
1 2i
1 2i
)
r
Y
k y + z k
(y)f (s; )dy.

k=1
1 2k
fZ,S (z,s; , , ) =
k6=i
Utilizando as transformaes Z = DS e S = S, cujo Jacobiano dado por

J=

z
d
s
d
z
s
s
s

s d

=
0 1

= s,

com abs(s) = s, obtm-se a funo densidade conjunta de D = maxi (Ti ) e S,

dadaporfD,S(d,s;,,)=fZ,S(z,s;,,)abs(J),ouseja
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
(y)f (s; )sdy.
A funo densidade de probabilidade de D = max(Ti ) a marginal da densidade

i
conjunta fD,S (d,s; , , ) quando se integra em relao a varivel s, que varia de
[0,), chegando-se a
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
(y)f (s; )dyds,
Teorema 6.2.2. (Funo de distribuio do mximo da t multivariada nocentral)

vetor T, dado por D = max(Ti ) e definido em (6.2.2), tem a seguinte funo de
i
distribuio de probabilidade:
FD (d; , , ) =
"Z
r
Y
i=1
i y + sd i
p
1 2i
(y)dy f (s; )ds,
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
tegrando-se a funo densidade fD (d; , , ) em relao a d, da seguinte forma
y
+
sw
i
i
q
q
FD (d; , , ) =
i=1
0
1 2i
1 2i
)#)
r
Y k y + sw k
q
(y)f (s; )dydsdw,
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
(y)dy f (s; )ds,
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.
Teorema 6.2.3. (Funo densidade e funo de distribuio do mximo do mdulo da t multivariada)

Tomando o vetor aleatrio T = (T1 , T2 , . . . , Tr ) dado em (6.2.1), define-se o
mximo do mdulo do vetor T como
max(|Ti |) =
i
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
(5.1.4) e a varivel aleatria de interesse |D| = max(|Ti |), a funo densidade

i
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
(y)f (s; )dyds.
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
"
(y)dy f (s; )ds,
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
deve-se obter 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 dada
por f|Z|,S (z,s; , , ) = f|Z| (z; , ).fS (s; ), ou seja
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
(y)f (s; )dy.

1 2k
1 2k
154
A funo densidade de probabilidade conjunta de |D| = max(|Ti |) e S obtida

i
atravs da transformao |D| = |Z|S e S = S, cujo Jacobiano s, resultando em

f|D|,S (|d|,s; , , ) = f|Z|,S (z,s; , , )abs(J), ou seja
!
!#
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
(y)f (s; )sdy.
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
(y)f (s; )dyds,
que a expresso (6.2.5), como se queria mostrar.

$IXQomRGHGLVWULEXLomRGHSUREDELOLGDGHGDYDULiYHO |D| = max(|Ti|)

i
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
"
(y)dy f (s; )ds,
i y + |d|s i
p
1 2i
i y |d|s i
p
1 2i
!#
que a expresso (6.2.6), como se queria mostrar.

A funo da distribuio do mximo do mdulo da t multivariada nocentral com parmetro de no-centralidade = utilizada no teste de Dunnett
bilateral quando os graus de liberdade so finitos.
Em sntese, considerando uma matriz de correlao que satisfaz a estrutura de correlao produto, denota-se por pontos crticos superiores da distribuio do mximo da t multivariada no-central ou do mximo do mdulo da t
multivariada no-central, com parmetro de no-centralidade = , os valores de
d ou |d|, que sejam solues das equaes
FD (d; , , ) =
"Z
r
Y
i y + sd i
p
1 2i
i=1
e
F|D| (|d|; , , ) =
(Z
r
Y
i=1
"
(y)dy f (s; )ds = 1
i y + |d|s i
p
1 2i
(y)dy f (s; )ds = 1 ,
respectivamente.
i y |d|s i
p
1 2i
!#
6.3 Detalhes da implementao das funes
Abaixo esto descritos os parmetros de entrada utilizados nas diversas

funes desenvolvidas na biblioteca Q&'XQQHWW.
D d: a estatstica calculada para o quantil da distribuio de Dunnett, dado por
d = qbi 1br+11 , para cada i = 1, . . . , r;
ni
+n
r+1
156
E : o vetor de correlaes. A partir dos tamanhos amostrais, dados por

n = (n1 , n2 , . . . , nr , nr+1 ), em que as i = 1, . . . ,r primeiras amostras
so dos tratamentos em teste e a (r + 1)-sima amostra do tratamento
controle, devem ser calculados os coeficientes de correlao entre cada contraste formando o vetor = (21 , 22 , . . . , 2r ), em que cada 2i = i =
ni /(ni + nr+1 ) para i = 1, . . . ,r;
F : o vetor contendo os parmetros de no-centralidade;
G n: nmero de pontos da quadratura;
H 1 : a probabilidade ou nvel de confiana conjunta dos r contrastes simultaneamente testados;
b2 .
I : os graus de liberdade da distribuio da varincia amostral residual
As funes densidade e de distribuio de uma varivel normal padro
utilizadas em todas as rotinas programadas so dadas de forma genrica por

z2
1
(z) = e 2
2
(z) =
w2
1
e 2 dw.
2
No pacote proposto existem duas possibilidades para executar o teste de

DunnettGHVFULWDVDVHJXLU
Para cada contraste entre o i-simo novo tratamento e o tratamento controle determinar a estimativa dbi . Usando como parmetros de entrada
o valor dbi ; o vetor de correlaes, o vetor de parmetros de no-centralidade ,
a) Alternativa 1:
se houver, os graus de liberdade da distribuio da varincia amostral residual,

a rotina fornece a probabilidade conjunta estimada, da qual se obtm o valor-p
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:
De outra forma, pode-se estabelecer uma probabilidade ou n-
vel de significncia desejvel para o teste simultneo dos r contrastes. Usando

como parmetros de entrada o valor 1 de probabilidade de confiana conjunta,
o vetor de correlaes, o vetor de parmetros de no-centralidade , se houver,
os graus de liberdade , a rotina fornece o quantil d, usando a inversa da funo

de distribuio da probabilidade 1 fornecida. Compara-se o valor do quantil
d fornecido pelo programa com as r estimativas dos contrastes, e conclui-se sobre
a significncia da diferena de mdias de cada um dos r contrastes. Desta forma

tambm determina-se quais dos tratamentos em teste apresentam mdia significativamente diferente da mdia do tratamento controle, considerando um nvel de
significncia pr-especificado para as r comparaes simultaneamente.
O APNDICE A traz um exemplo que ilustra essas possibilidades.
6.3.1 Funo para a distribuio do teste de Dunnett unilateral para dados

QmREDODQFHDGRVFRPLQQLWRVJUDXVGHOLEHUGDGHHSDUkPetro de nocentralidade , denominada de pNDUD
Nesta funo pNDUD, os parmetros de entrada so o quantil d, que ser

o mesmo do quantil z, o vetor de correlaes, o vetor de no-FHQWUDOLGDGHHR
nmero de pontos n a ser utilizado na quadratura, que por padro usado n = 32.
2 YDORU IRUQHFLGR SHOD IXQomR p R GD SUREDELOLGDGH DFXPXODGD
Quando os graus de liberdade tendem ao LQQLWR a distribuio t multivariada
recai na distribuio normal multivariada, tanto no caso central como nocentral. Assim, deseja-se resolver a funo de distribuio do mximo da normal
multivariada no-central com parmetro de no-centralidade obtida em
(6.1.1), que dada por
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
a quadratura Gauss-Hermite e transformar a integral original numa integral com

LQWHUYDOR>@HDYDOLi-la por uma quadratura de Gauss-Legendre. Esta deciso
se deveu principalmente por dois fatores:
160
D na implementao das quadraturas Gauss-Hermite e Gauss-Laguerre surgem

grandes valores (ou valores muito pequenos) dos ns das respectivas quadraturas. Nos computadores, a preciso finita. Assim, determinadas funes
apresentam imagens que computacionalmente do resultados infinitos ou
so arredondados erroneamente para zero, quando computadas para argumentos muito grandes ou muito pequenos. Isso decorre da preciso finita
dos nmeros reais representados por mquinas. Esses erros so denotados
por overflow ou underflow. Determinados casos das distribuies da estatstica do teste de Dunnett, quando submetidos a esses tipos de quadraturas,
apresentaram problemas dessa natureza, o que conduziu a uma menor acurcia da integrao, quando comparada com a quadratura Gauss-Legendre.
E as funes que sero integradas no so definidas para x < 0, o que pode
acarretar dificuldade para avaliar estas integrais em intervalos infinitos, conforme descrito da seo (4.1.3). Uma opo para resolver estas integrais
mantendo o intervalo infinito o mtodo de quadratura gaussiana proposto
por SteelH*HOEDUG(1969).
Foi realizada uma mudana da varivel y para a varivel t, do tipo apresentada em (4.1.8), que dada por
Z
g(y; z, , )dy =
g
1
t
1 t2
1 + t2
dt
(1 t2 )2
em que z = d o valor da estatstica calculada em cada contraste.

Z
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
com tj um n da quadratura Gauss-Legendre e wj o seu respectivo peso.
161
6.3.2 Funo para a distribuio do teste de Dunnett bilateral para dados

no bDODQFHDGRVFRPLQQLWRVJUDXVGHOLEHUGDGHHSDUkPHWURGHQmRFHQWUDOLGDGHGHQRPLQDGDGH pNDBD
Nesta funo pNDBD, os parmetros de entrada so o mdulo do quantil

| d |, que ser o mesmo mdulo do quantil | z |, o vetor de correlaes, o
vetorde no-centralidade e o nmero de pontos n a ser utilizado na quadratura,
que por padro usado n = 32. O valor fornecido pela funo o da
SUREDELOLGDGHDFXPXODGD
Neste caso, deseja-se resolver a funo de distribuio do mximo do
mdulo da normal multivariada no-central com parmetro de no-centralidade
obtida em (6.1.3), que dada por
F|Z| (z; , ) =
com |Z| = max |Zi |.
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.
1RYDPHQWH D LQWHJUDO RULJLQDO VHUi WUDQVIRUPDGD QXPD LQWHJUDO FRP

LQWHUYDOR >@ H DYDOLDGD SRU XPD TXDGUDWXUD GH *DXVV/HJHQGUH 6HUi
UHDOL]DGDXPDPXGDQoDGDYDULiYHO\SDUDDYDULiYHOWGRWLSRREWLGDHP
TXHUHVXOWDHP
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
em que cada tj um n da quadratura Gauss-Legendre, wj o seu respectivo

peso e sendo z = | d | o valor do quantil calculado em cada contraste.
6.3.3 Funo para a densidade do teste de Dunnett unilateral para dados

QmREDODQFHDGRVFRPLQQLWRVJUDXVGHOLEHUGDGHHSDUkPHWURGHQmRFHQWUDOLGDGHGHQRPLQDGDdNDUD
Nesta funo dNDUD, os parmetros de entrada so o quantil d, que ser

o mesmo do quantil z, o vetor de correlaes, o vetor de no-centralidade e o
O valor fornecido pela funo o da densidade de probabilidade no
ponto z. Neste caso, deseja-se resolver a funo densidade do mximo da normal
multivariada no-central com parmetro de no-centralidade obtida em
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
em que cada tj um n da quadratura Gauss-Legendre, wj o seu respectivo peso

e sendo z = d o valor do quantil calculado em cada contraste.
164
6.3.4 Funo para a densidade do teste de Dunnett bilateral para dados no

EDODQFHDGRVFRPLQQLWRVJUDXVGHOLEHUGDGHHSDUkPHWUR de noFHQWUDOLGDGHGHQRPLQDGDdNDBD
Nesta funo dNDBD, os parmetros de entrada so o mdulo do
quantil |d|, que ser o mesmo mdulo do quantil | z |, o vetor de correlaes, o
vetor de no-centralidade e o nmero de pontos n a ser utilizado na
quadratura, que por padro usado n = 32. O valor fornecido pela funo o da
densidade de probabilidade no ponto z.
Neste caso, deseja-se resolver a funo densidade do mximo do mdulo
da normal multivariada no-central com parmetro de no-centralidade
obtida em (6.1.4), que dada por
( "
!
!#
!!
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

L
/PWBNFOUF B JOUFHSBM PSJHJOBM TFS USBOTGPSNBEB OVNB JOUFHSBM DPN

JOUFSWBMP < > F BWBMJBEB QPS VNB RVBESBUVSB EF (BVTT-FHFOESF 4FS
SFBMJ[BEBVNBNVEBOBEBWBSJWFMZQBSBBWBSJWFMU EPUJQPPCUJEBFN

RVFSFTVMUBFN

( "
!
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
Cada tj um n da quadratura Gauss-Legendre, wj o seu respectivo peso e

sendo z = |d| o valor do quantil calculado em cada contraste.
165
6.3.5 Funo para a inversa da funo de distribuio do teste de Dunnett

XQLODWHUDO SDUD GDGRV QmR EDODQFHDGRV FRP LQQLWRV JUDXV GH
liberdade e parmetro de no-centralidade , denominada qNDUD
Nesta funo qNDUD, os parmetros de entrada so a probabilidade
DFXPXODGD R YHWRU de correlaes, o vetor de no-centralidade e o
O valor fornecido pela funo o do quantil da distribuio.
Neste caso, deseja-se resolver a inversa da funo de distribuio do
mximo da normal multivariada no-central com parmetro de no-centralidade
ou seja, obter o quantil d = z para o qual a expresso (6.1.1) se anula, que
dada por
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
6.3.6 Funo para a inversa da funo de distribuio do teste de Dunnett

bilateral para dados no balanceados com LQQLWRV graus de liberdade
e parmetro de no-centralidade , denominada qNDBD
Nesta funo qNDBD, os parmetros de entrada so a probabilidade
DFXPXODGD R YHWRU de correlaes, o vetor de no-centralidade e o
O valor fornecido pela funo o do quantil da distribuio.
mximo do mdulo da normal multivariada no-central com parmetro de nocentralidade , ou seja, obter o quantil | d | = z para o qual a expresso
(6.1.3) se anula, que dada por
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,
Novamente necessrio utilizar um mtodo numrico para encontrar a

raizdaequao.Comoestodisponveisafunodistribuioedensidadedomximo da normal multivariada no-central, representadas por F|Z| (z; , ) dada em
(6.1.3) e f|Z| (z; , ) dada em (6.1.4), respectivamente, pode-se utilizar o mtodo
de Newton-Raphson.
Tomando como ponto inicial x0 = z1(1)1/r , sendo f (.) = F|Z| (z; , )
(1 ) e f (.) = f|Z| (z; , ), tem-se
xn+1 = xn
F|Z| (z; , ) (1 )
,
f|Z| (z; , )
efixandoumatolernciaparaosvaloresobtidosemiteraessequentesde110
13,comnomximo5000iteraes,obtm-seoquantildesejado.Asintegrais
soresolvidaspelasfunesdescritasnassubsees6.3.2e6.3.4.
167
6.3.7 Funo para a distribuio do teste de Dunnett unilateral para dados

QmREDODQFHDGRVFRPQLWRVJUDXVGHOLEHUGDGHHSDUkPHWURGHQmRFHQWUDOLGDGHGHQRPLQDGDpNDUDF
Nesta funo pNDUDF, os parmetros de entrada so o quantil d, o vetor
de correlaes, os graus de liberdade da distribuio da varincia amostral
residual, o vetor de no-centralidade e o nmero de pontos n a ser utilizado na
quadratura, que por padro usado n = 32. O valor fornecido pela IXQomRpR
GDSUREDELOLGDGHDFXPXODGD
Neste caso de graus de liberdade nitos deseja-se resolver a funo de
distribuio do mximo da t multivariada no-central com parmetro de nocentralidade obtida em (6.2.4), que dada por
FD (d; , , ) =
"Z
r
Y
i=1
i y + sd i
p
1 2i
(y)dy f (s; )ds,
com D = max Tief(s;)dadapelaequao(5.1.4),ouseja

i
f (s; ) =
/2
1 s2 /2
e
.
s
(/2)1
2
( 2 )
Chamando o integrando dessa expresso de g(y; s,d,,, ), tem-se
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
Figura 14 5HSUHVHQWDomR JUiFD GD IXQomR g(;s,d,), integrando da

expresso (6.2.4), com os parmetros d = 1,35, = (0,2; 0,3; 0,5), =
(0,2; 0,5; 0,5), = 120 para os valores de s = (1; 1,05; 1,1),
comparando-a com a funo densidade da normal )(
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
em que cada tj um n da quadratura Gauss-Legendre 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
2
s1 es /2 ds,
2(/2)1 ( 2 )
em que a funo a ser integrada

h(s; d, , , ) =
Z
g(y; s, d, , , )dy
/2
2
s1 es /2 .
2(/2)1 ( 2 )
Fazendo a integral externa como a soma de duas integrais tem-se

FD (d; , , ) =
h(s; d, , , )ds +
0
h(s; d, , , )ds,
1
Para resolver a primeira integral ser realizada uma mudana da varivel s

para a varivel u, levando o intervalo finito [0,1] para [1,1], do tipo apresentada
em (4.1.5), ou seja
Z
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
=
em que cada tj e u um n da quadratura Gauss-Legendre e wj e w os seus

respectivos pesos.
Na segunda integral foi realizada duas mudanas de variveis:
i) de s para a varivel u, do tipo apresentada em (4.1.6), que dada por
Z
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 )
ii) e depois de u para a varivel m, com f (u) =
h(ln(u))
,
u
do tipo apresentada
em (4.1.7), que dada por

Z
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 )
em que cada tj e m um n da quadratura Gauss-Legendre e wj e w os seus

respectivos pesos.
Assim, todas as integrais envolvidas na funo de distribuio so resolvidas por quadraturas de Gauus-Legendre.
6.3.8 Funo para a distribuio do teste de Dunnett bilateral para dados

QmREDODQFHDGRVFRPQLWRVJUDXVGHOLEHUGDGHHSDUkPHWURGHQmRcentralidade , denominada pNDBDF
Nesta funo pNDBDF, os parmetros de entrada so o quantil d, o vetor
quadratura, que por padro usado n = 32. O valor fornecido pela funo o
da SUREDELOLGDGHDFXPXODGD
Neste caso de graus de liberdade nitos deseja-se resolver a funo de
distribuio do mximo do mdulo da t multivariada no-central com parmetro
de no-centralidade obtida em (6.2.6), que dada por
F|D| (|d|; , , ) =
(Z
r
Y
i=1
"
(y)dy f (s; )ds,
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; ) =
Denominando o integrando dessa expresso de g(y; s,d,,, ), tem-se

g(y; s,d,,, ) =
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
com g(y) = g(y; s, d, , , ).

Assim
Z
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
Figura 15 5HSUHVHQWDomR JUiFD GD IXQomR g(;s,d,), integrando da

expresso (6.2.6), com os parmetros d = 1,35, = (0,2; 0,3; 0,5),
= (0,2; 0,5; 0,5), = 120 para os valores de s = (1; 1,05; 1,1),
comparando-DFRPDIXQomRGHQVLGDGHGDQRUPDO)
175
se
F|D| (|d|; , , ) =
Z
g(y; s, d, , , )dy
/2
1 s2 /2
e
ds,
s
(/2)1
2
( 2 )

Z
h(s; d, , , ) =
g(y; s, d, , , )dy
/2
1 s2 /2
e
.
s
(/2)1
2
( 2 )

F|D| (|d|; , , ) =
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 )
"
em que cada tj e u um n da quadratura Gauss-Legendre e wj e w os seus

respectivos pesos.
i) de s para a varivel u, do tipo obtida em (4.1.6), que dada por
Z
h(s; d, , , )ds =
1
e1
h(ln(u))
dt;
u
ii) e depois de u para a varivel m, com f (u) =
h(ln(u))
,
u
do tipo obtida em

Z
e1
0
e1
f (u)du =
2
f
1
1m
+1
2
dm.
177
Assim, tem-se que

Z
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
em que cada tj e m um n da quadratura Gauss-Legendre e wj e w os seus

respectivos pesos.
Assim, todas as integrais envolvidas na funo de distribuio so resolvidas por quadraturas de Gauus-Legendre.
6.3.9 Funo para a densidade do teste de Dunnett unilateral para dados

no balanceados com nitos graus de liberdade e parmetro de noFHQWUDOLGDGHGHQRPLQDGDdNDUDF
Nesta funo dNDUDF, os parmetros de entrada so o quantil d, o

vetor de correlaes, os graus de liberdade da distribuio da varincia
amostral residual, o vetor de no-centralidade e o nmero de pontos n a ser
utilizado na quadratura, que por padro usado n = 32. O valor fornecido pela
funo o da densidade de probabilidade no ponto d. Neste caso, deseja-se
resolver a funo densidade do mximo da t multivariada no-central com
parmetro de no-centralidade obtida em (6.2.3), que dada por
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
A integral interna 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
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.
fD (d; , , ) =
Z
g(y; s, d, , , )dy
/2
1 s2 /2
e
ds,
s
(/2)1
2
( 2 )
179

h(s; d, , , ) =
Z
g(y; s, d, , , )dy
/2
1 s2 /2
e
.
s
(/2)1
2
( 2 )

fD (d; , , ) =
h(s; d, , , )ds +
0
h(s; d, , , )ds,
1
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.
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
LL e depois de u para a varivel m, com f (u) =

Z
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
Assim, todas as integrais envolvidas na funo densidade so resolvidas

por quadraturas de Gauss-Legendre.
6.3.10 Funo para a densidade do teste de Dunnett bilateral para dados

QmREDODQFHDGRVFRPQLWRVJUDXVGHOLEHUGDGHHSDUkPHWURGHQmRcentralidade , denominada dNDBDF
Nesta funo dNDBDF, os parmetros de entrada so o quantil d, o vetor
quadratura, que por padro usado n = 32. O valor fornecido pela funo o
da densidade de probabilidade no ponto d.
Neste caso, deseja-se resolver a funo densidade do mximo do mdulo
da t multivariada no-central com parmetro de no-centralidade obtida em
%#
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
(y)dy f (s; )ds,
com |D| = max |Ti |.

i
A integral interna 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
Z
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
Cada tj um n da quadratura Gauss-Legendre e wj o seu respectivo peso e

g(y) = g(y; s, d, , , ).
f|D| (|d|; , , ) =
Z
g(y)dy
/2
2
s1 es /2 ds,
2(/2)1 ( 2 )

h(s; d, , , ) =
Z
g(y; s, d, , , )dy
/2
1 s2 /2
e
.
s
(/2)1
2
( 2 )

f|D| (|d|; , , ) =
h(s; d, , , )ds +
0
h(s; d, , , )ds.
1
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.
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
LL e depois de u para a varivel m, com f (u) =

Z
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.
6.3.11Funo para a inversa da funo de distribuio do teste de Dunnett

XQLODWHUDOSDUDGDGRVQmREDODQFHDGRVFRPQLWRVJUDXVGHOLEHUGDGH
e parmetro de no-centralidade , denominada qNDUDF
Nesta funo qNDUDF, os parmetros de entrada so a probabilidade
DFXPXODGDRYHWRU de correlaes, os graus de liberdade da distribuio
da varincia amostral residual, o vetor de no-centralidade e o nmero de
pontos n a ser utilizado na quadratura, que por padro usado n = 32. O valor
fornecido pela funo o do quantil da distribuio.
mximo da t multivariada no-central com parmetro de no-centralidade ,
ou seja, obter o quantil d para o qual a expresso (6.2.4) se anula, que dada por
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; , , )
e fixando uma tolerncia para os valores obtidos em iteraes sequentes de 1

1013 , com no mximo 5000 iteraes, obtm-se o quantil desejado. As integrais
so resolvidas pelas funes descritas nas subsees 6.4.7 e 6.4.9.
6.3.12Funo para a inversa da funo de distribuio do teste de Dunnett

ELODWHUDOSDUDGDGRVQmREDODQFHDGRVFRPQLWRVJUDXVGHOLEHUGDGHH
parmetro de no-centralidade , denominada qNDBDF
Nesta funo qNDBDF, os parmetros de entrada so a probabilidade
DFXPXODGDRYHWRU de correlaes, os graus de liberdade da distribuio
da varincia amostral residual, o vetor de no-centralidade e o nmero de
pontos n a ser utilizado na quadratura, que por padro usado n = 32. O valor
fornecido pela funo o do quantil da distribuio.
mximo do mdulo da t multivariada no-central com parmetro de nocentralidade , ou seja, obter o quantil | d | para o qual a expresso (6.2.6)
se anula, que dada por F|D| (|d|; , , ) (1 ) = 0, ou seja
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,
com |D| = max |Ti |.

i
Novamente necessrio utilizar um mtodo numrico para encontrar a

raiz da equao. Como esto disponveis a funo distribuio e densidade do mximo da normal multivariada no-central, representadas por F|D| (|d|; , , ) dada
em (6.2.6) e f|D| (|d|; , , ) dada em (6.2.5), respectivamente, pode-se utilizar o
mtodo de Newton-Raphson.
Tomando como ponto inicial x0 = t[(1(1/2)1/r ,] tem-se
xn+1 = xn
F|D| (|d|; , , ) (1 )
,
f|D| (|d|; , , )
e fixando uma tolerncia para os valores obtidos em iteraes sequentes de 1

1013 , com no mximo 5000 iteraes, obtm-se o quantil desejado. As integrais
so resolvidas pelas funes descritas nas subsees 6.4.8 e 6.4.10.
187
7 RESULTADOS
Nessa
seo
buscou-se
avaliar
desempenho
das
funes
implementadas no software R e comparar as suas acurcias com valores

publicados na literatura ou oriundos de pacotes implementados no sistema R.
Diferentes FRQJXUDo}HV dos argumentos dessas funes foram utilizadas.
Portanto, a LQXrQFLD do nmero de tratamentos em teste r, das correlaes is,
dos graus de liberdade e de parmetro de no-centralidade foi avaliada.
Tambm procurou-se avaliar a LQXrQFLD do nmero de pontos das quadraturas
na preciso dos resultados das probabilidades dos casos unilaterais e bilaterais.
Inicialmente, uma questo que merece ser discutida refere-se
convergncia da distribuio t multivariada para a normal na medida em que os
graus de liberdade aumentam. Para mostrar isso, na Figura 16 as probabilidades
da t para q = 1,35, = (0.2,0.5,0.5) e = 0, em funo dos graus de liberdade ,
foram computadas para a distribuio da estatstica do teste de Dunnett
unilateral no balanceada, com n = 200 pontos na quadratura, por meio da
funo pNDUDF. A linha horizontal tracejada (p = 0,791) refere-se a
probabilidade acumulada da normal trivariada, considerando o quantil d = 1,35 e
demais parmetros anteriormente citados. Ela foi calculada pela funo pNDUD.
Nesse exemplo, YHULFD-se que com o aumento dos graus de liberdade a
probabilidade da t trivariada se aproxima daquela obtida pela normal trivariada.
Com = 100 os valores so praticamente idnticos. Por isso o teste de
Dunnett calculado pela normal multivariada quando os graus de liberdade
aumentam para o LQQLWR Entretanto, para = 1, os valores da probabilidade da t
trivariada e da normal trivariada divergem bastante. Se for feito um paralelo da
convergncia da t normal no caso univariado para esse caso trivariado,
constata-se que a aproximao normal da t bem mais lenta a medida que a
dimenso aumenta.
188
Na Tabela 5 esto apresentados os valores das probabilidades das

estatsticas do teste de Dunnett variando-se o nmero de pontos da quadratura n
para LQQLWRV graus de liberdade, a partir das funes pNDUD no teste unilateral
e pNDBD no teste bilateral, que utilizam a distribuio normal multivariada.
Fixou-se = (0,2; 0,5; 0,5) e d = 1,35, considerando-se o caso central = (0; 0;
0.70
0.60
0.65
probabilidade
0.75
0.791
0.80
0) e no-central com = (0,5; 0,3; 0,2).
50
100
150
200
graus de liberdade
Figura 16 Representao da probabilidade t multivariada, funo pNDUDF (d =

1,35, = (0,2; 0,5; 0,5), = 0, n = 200), em funo dos graus de
liberdade , em que a linha horizontal tracejada refere-se a
probabilidade da normal multivariada nessas mesmas condies
189
Na Tabela 6 esto apresentados os resultados das probabilidades das

estatsticas do teste de Dunnett, variando-se os graus de liberdade e o nmero
de pontos da quadratura n, a partir das funes pNDUDF e pNDBDF para o teste
unilateral e bilateral, respectivamente, utilizando a distribuio t multivariada. Em
todos os casos xou-se = (0,2; 0,5; 0,5) e d = 1,35, considerando-se um FDVR
FHQWUDO HRVRXWURVQmR-FHQWUDLVFRP
Comparando-se os valores das probabilidades das Tabelas 5 e 6, em
UHODomRDGLVWULEXLomRFHQWUDO H QmR FHQWUDO
observa-se maior valor das probabilidade para o caso central, tanto para teste
unilateral como para bilateral, independentemente dos graus de liberdade
LQQLWRV graus de liberdade na Tabela 5 e = 5 na Tabela 6). Isto aconteceu
SRUTXHQHVWHFDVRSDUWLFXODURYHWRUGHQmRFHQWUDOLGDGH GD
distribuio composto somente de valores positivos, indicando um
deslocamento da mdia no sentido positivo em relao origem nas trs
dimenses. Isto acarreta uma diminuio do volume da regio que indica a
probabilidade acumulada.
Tabela 5 Probabilidade do teste de Dunnett em funo do nmero de pontos da

quadratura n SDUD LQQLWRV JUDXV GH OLEHUGDGH 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
= (0; 0; 0)
n
30
31
32
33
34
35
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
Quando se comparam os valores das probabilidades da Tabela 6 em

relao aos graus de liberdade, para o caso no-central, observa-se que as
probabilidades aumentam com o aumento dos graus de liberdade, tanto para o
teste unilateral como para o bilateral. Os resultados dessas probabilidades tendem
para os valores obtidos quando os graus de liberdade so LQQLWRV
De modo geral, pelas Tabelas 5 e 6 YHULFD-se que a preciso dos valores
obtidos mantida no mnimo at a quarta casa decimal a partir de n = 32 pontos
QDTXDGUDWXUD2HUURGHSUHFLVmRQHVWHVFDVRVpQRPi[LPRGHAssim,
adotou-se na maioria das funes R implementadas n = 32 pontos na quadratura
como padro. Tomou-se como exemplo a distribuio no-central, com QD
7DEHODH = 5 na Tabela 6, para mostrar o aumento da preciso do valor obtido
para a probabilidade com o aumento dos pontos na quadratura n. Observa-se
que com n = 50 pontos da quadratura a preciso do valor da probabilidade
obtida da ordem da stima casa decimal, nos dois casos, tanto para teste
unilateral como bilateral. Com n = 100 pontos na quadratura a preciso do valor
da ordem da dcima terceira casa decimal. A diferena de preciso obtida com
n = 200 e n SRQWRVSDUDDTXDGUDWXUDpGH
191
Portanto, uma grande vantagem do uso das quadraturas gaussianas na resoluo

das integrais que a preciso pode ser aumentada aumentando-se o nmero
de pontos nas quadraturas.
Na Tabela 7 esto valores de probabilidades do teste de Dunnett bilateral
balanceado, para o caso central, obtidas pela funo pNDBD e pmvt do pacote
mvtnorm do sistema R e em algoritmos da literatura obtidos no artigo de
Wang e .HQQHG\6mR[DGRV G LQQLWRVJUDXVHliberdade e
n = 100 pontos na quadratura e tomam-se diferente nmero de comparaes e
diferentes valores para a correlao: = (0,7; 0,7; 0,7; 0,7) com r = 4 e =
(0,95; 0,95; 0,95) com r = 3. Observa-se que os valores das probabilidades
obtidos pela funo pNDBD tem preciso comparvel com os resultados obtidos
na literatura, enquanto que o valor obtido pela funo pmvt tem a menor
preciso dentre os quatro algoritmos comparados. Os erros apresentados na
referida tabela foram obtidos das seguintes formas: para a funo pNDBD foi
calculado pelo mdulo da diferena entre o valor obtido com n = 99 e n = 100
pontos na quadratura; para a funo pmvt foi fornecido pelo programa; para os
algoritmos de Schervish e de Wang & Kennedy foram obtidos na literatura.
Tabela 6 Probabilidade do teste de Dunnett em funo do nmero de pontos da

TXDGUDWXUDQHGRVJUDXVGHOLEHUGDGHSDUD = (0,2; 0,5; 0,5), d =
1,35, obtidas pelas funes pNDUDF(d, , Q) para o teste
unilateral e pNDBDF(d, , Q) para o teste bilateral
= (0; 0; 0)
n
30
31
32
33
34
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
Tabela 7 Probabilidades do teste de Dunnett bilateral obtidas pela funo

pNDBD(d, , Q) e pmvt do pacote mvtnorm do sistema R e em
algoritmos da literatura, para d = 2 e n = 100 pontos na
quadratura
programa
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
= (0,95; 0,95; 0,95)

0,9328458417978010
0,9328138039268582
0,9328451942000000
0,9328452295000000
2.3419e-07
0,000562
0,000001
0,000001
Na Tabela 8 esto apresentados valores das probabilidade do teste de

Dunnett unilateral e bilateral, pelas funes propostas com n = 32 pontos na
quadratura e pela funo pmvt do pacote mvtnorm, para o caso em que so
comparados r = 18 tratamentos com o controle e o quantil d = 1,35. Pode-se citar
como exemplo de uma situao experimental com graus de liberdade do resduo
= 5 um experimento em blocos aumentados, em que somente a testemunha
repetida, por exemplo com 6 blocos e 2 testemunhas. Nesta tabela, comparando-se
os valores das probabilidades para o caso balanceado com = 0,5 e nobalanceado, observa-se que a probabilidade maior para a situao balanceada,
para o mesmo valor de graus de liberdade, tanto na distribuio central como na
no-central.
Pela Tabela 8 tambm pode-se comparar os valores das probabilidades
obtidas pelas funes propostas em relao s obtidas pela funo pmvt do
pacote mvtnorm. Para a funo pmvt a rotina fornece o erro, que em geral da
ordem da quarta casa decimal. Observa-se que os valores das probabilidades
194
obtidas pelas funes propostas coincidem com os valores fornecidos pela

funo pmvt at a quarta decimal. No entanto, as funes propostas fornecem
probabilidades de acurcia igual ou maior do que as fornecidas pela funo pmvt
do pacote mvtnorm, j que o seu limite de preciso pode aumentar conforme o
aumento do nmero de pontos n tomados para a quadratura. Nessa tabela
todos os clculos foram realizados com n = 32.
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
pmvt (unilateral) (*)
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
Na Tabela 9 esto apresentadas probabilidades do teste bilateral de

Dunnett balanceado em funo do valor do quantil | d |, do vetor de correlaes
GRVJUDXVGHOLEHUGDGHHGRQ~PHURGHFRPSDUDo}HVr, para o caso central (
= 0).
So comparados os valores obtidos pela funo pNDBDF, pela
funo mvstud do pacote mvtnormpcs e pela funo pmvt de o pacote
mvtnorm. Apesar do pacote mvtnormpcs no estar mais disponvel no
sistema R, constata-se que a sua funo mvstud fornecia valores precisos
para as probabilidades de at r = 50 comparaes.
Tabela 9 Probabilidades do teste bilateral de Dunnett balanceado obtidas pela

funo pNDBDF com n = 100 pontos na quadratura, pela funo
mvstud do pacote mvtnormpcs e pela funo pmvt do pacote
mvtnorm, para o quantil | d | = 2,0 em funo da correlao , dos
graus de liberdade e do nmero de comparaes r, para o caso
central
r
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
Pela Tabela 9 pode-se observar tambm que para o mesmo nmero de

comparaes e de graus de liberdade, o aumento da correlao aumenta o valor
das probabilidades. No entanto, ao se comparar o valor das probabilidades
mantendo-se xo o nmero de comparaes e a correlao, observa-se que o
aumento do nmero de graus de liberdade LQXrQFLD de forma diferente no
valor da probabilidade. Quando o nmero de comparaes pequeno, com o
aumento dos graus de liberdade ocorre um aumento na probabilidade, para
qualquer valor da correlao. Conforme aumenta o nmero de comparaes,
observa-se que para correlaes baixas, esta relao inversa, ou seja, com o
aumento dos graus de liberdade ocorre uma queda na probabilidade. Quando o
nmero de comparaes maior isto ocorre com correlaes maiores, inclusive
com correlaes maiores do que 0,5. Por exemplo, com um quantil d = 2 e r =
180 comparaes, num experimento com correlao constante entre as
comparaes igual a 0,6, a probabilidade para o teste bilateral central de pN
DBDF = 0,28598 para HS1'%') SDUD (PHVWXGRV
SRVWHULRUHV pode-se melhor compreender como se d o comportamento das
distribuies de
199
probabilidade do teste em toda a amplitude de correlaes possveis, em funo

do nmero de comparaes e dos graus de liberdade.
Nas Tabelas 10 e 11 esto apresentados valores dos quantis do teste bilateral de Dunnett balanceado, no caso central, com p Hp
= 0,99, respectivamente, e = 0,5 em funo do nmero de comparaes r e dos
JUDXV GH OLEHUGDGH 2V YDORUHV DSUHVHQWDGRV IRUDP REWLGRV SHODV IXQo}HV
qNDBDF e qNDBD com n = 32 pontos na quadratura, pela funo qmvt do
pacote mvtnorm e pelas tabelas do Hsu (1999) nos casos de nmero de
comparaes abrangidas pelas referidas tabelas. Observa-se que, conforme o
nmero de comparaes aumenta, tambm aumenta o valor do quantil das
distribuies, para o mesmo nmero de graus de liberdade. Considerando o
aumento dos graus de liberdade para o mesmo nmero de comparaes, observase que o valor do quantil diminui. Essas relaes so observadas da mesma forma
para as duas probabilidades p = 0,95 e p = 0,99. Essa informao de que o valor
do quantil diminui com o aumento dos graus de liberdade importante na fase
de planejamento experimental, pois os graus de liberdade esto diretamente
relacionados ao tamanho amostral dos tratamentos. Nesse caso, quando vivel
amostras com maior nmero de repeties, mais facilmente pode ser comprovada
a existncia de diferena VLJQLFDWLYD no contraste.
Tabela 10 Quantis do teste bilateral de Dunnett balanceado, no caso central, com

= 0,5, p = 1 = 0,95 e n = 32 pontos na quadratura, em funo do
nmero de comparaes r e dos graus de liberdade
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
Tabela 10, concluso
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
(*) obtido pela funo qNDBD(p, r, delta, n).
Nas Tabelas 12 e 13 esto os valores dos quantis do teste bilateral de

Dunnett balanceado, no caso central, com p H p
respectivamente, em funo do nmero de comparaes r, dos graus de
liberdade , variando-se o valor da correlao = 0,2; 0,4; 0,5; 0,60; 0,75. Os
valores apresentados foram obtidos pelas funes qNDBDF com n = 32 pontos na
quadratura, e pela funo qmvt do pacote mvtnorm. Inicialmente, observa-se
que no caso de uma comparao, r = 1, as funes fornecem o mesmo valor do
quantil, independente dos valores da correlao. Isso ocorre porque no caso
201
de uma s comparao no existe correlao entre comparaes, pois a

distribuio se VLPSOLFD na t univariada.
Tabela 11 Quantis do teste bilateral de Dunnett balanceado, no caso central com

= 0,5, = 0, p = 1 = 0,99 e n = 32 pontos na quadratura, em
funo do nmero de comparaes r e dos graus de liberdade
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
(*) obtido pela funo qNDBD(p, r, delta, n).
qmvt
202
Pelas Tabelas 12 e 13 comparando-se o valor do quantil em relao aos

graus de liberdade, com a mesma correlao aumentando-se os graus de
liberdade ocorre uma diminuio no valor do quantil. Por outro lado, com
o aumento do nmero de comparaes, para o mesmo nmero de graus
de liberdade e mesma correlao, o valor do quantil aumenta. Essas relaes
so observadas da mesma forma para as duas probabilidades p = 0,95 e p = 0,99.
A partir das Tabelas 12 e 13 tambm se observa que para o mesmo
nmero de comparaes e graus de liberdade, conforme o valor da correlao
aumenta o valor do quantil diminui, mantendo-se xa a probabilidade. Ou seja,
quanto menor a correlao, maior o valor do quantil. Dunnett(1964) considerou
esta questo ao incluir, na publicao das suas novas tabelas para testes do tipo
MCC, um mtodo de correo para o quantil equicorrelacionado que a tabela
fornecia nos casos com correlaes menores do que 0,5.

p = 1 = 0,95 e n = 32 pontos na quadratura, em funo do
nmero de comparaes r, dos graus de liberdade e do valor da
correlao
r
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
Tabela 12, continuao

r
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
Tabela 12, concluso

r
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

p = 1 e n = 32 pontos na quadratura, em funo do
nmero de comparaes r, dos graus de liberdade e do valor da
correlao
r
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
Tabela 13, concluso

r
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
Com isso, torna-se claro o erro que se comete ao utilizar

indiscriminadamente tabelas com valor crtico para as estatsticas do teste de
Dunnett equicorrelacionadas ( = 0,5) sem levar em considerao se, ao nal do
experimento, as amostras de todos os tratamentos, ou seja, do tratamento
206
controle e de todos os tratamentos em teste, mantm o mesmo nmero de

repeties. Por exemplo, supondo uma anlise em que foi obtido um quantil
tabelado dado por d (=0,5; =120; r=15) = 2,874 para p = 0,95. Para um contraste com
valor da estatstica d = 2,90 concluir-se-ia que o efeito VLJQLFDWLYR Porm se a
correlao no fosse = 0,5 mas fosse = 0,4, o quantil tabelado correto
d(=0,4; =120; r=15) = 2,917 para p = 0,95. Neste caso, para o contraste com valor da
estatstica d = 2,90 concluir-se-ia que o efeito no VLJQLFDWLYR Observa-se que
as decises so contrrias. No entanto, esta observao inicial se contrape a
outra mais minuciosa, tambm relatada por Dunnett (1964). Quando se
considera a correta correlao entre os contrastes, no caso de correlaes menores
do que 0,5 existe um ganho relativo na estatstica de teste calculada. Devido ao
maior nmero de observaes do tratamento controle em relao aos tratamentos
em teste, o resultado uma diminuio do erro padro entre a diferena dos
tratamentos, que aparece no denominador da estatstica calculada
= ( )/( + 1/ ). Este fato faz com que, apesar do aumento do
valor crtico tabelado pela diminuio da correlao entre contrastes, o aumento
da estatstica calculada devido a diminuio do erro padro leva a uma estatstica

que mais facilmente rejeite a hiptese nula.
No ANEXO A est apresentado um exemplo ctcio de como o tamanho
amostral maior do tratamento controle pode afetar o resultado do teste.
Neste trabalho estas observaes so primras, sugerindo que estudos

futuros esclaream se isto ocorre em qualquer situao de nmero de
comparaes, graus de liberdade, valores de correlaes entre contrastes e de
no-centralidade tambm. Estudos de poder do teste em funo da relao entre
os tamanhos amostrais do tratamento controle e dos tratamentos em teste nestas
diversas situaes tambm so interessantes.
207
8 CONCLUSES
$V IXQo}HV GHQVLGDGH H GH GLVWULEXLomR GDV GLVWULEXLo}HV WPXOWLYDULDGDV

QmRFHQWUDLV TXH HQYROYHP R WHVWH GH 'XQQHWW IRUDP PDWHPDWLFDPHQWH
GHVHQYROYLGDVHDSUHVHQWDGDVGHIRUPDFODUDHFRPSUHHQVtYHO
2V DOJRULWPRV SDUD D REWHQomR GD IXQomR GH GLVWULEXLomR GD IXQomR
GHQVLGDGH H GD LQYHUVD GD IXQomR GH GLVWULEXLomR SDUD REWHQomR GH TXDQWLV GDV
GLVWULEXLo}HV GR Pi[LPR H GR Pi[LPR GR PyGXOR GD QRUPDO H GD W
PXOWLYDULDGDV XWLOL]DQGR TXDGUDWXUDV SDUD D UHVROXomR GDV LQWHJUDLV P~OWLSODV
IRUDPSURSRVWRVHLPSOHPHQWDGRVQRVRIWZDUH5FRPVXFHVVR
2V YDORUHV GDV SUREDELOLGDGHV H GRV TXDQWLV REWLGRV SHODV URWLQDV
SURSRVWDVWrPQRPtQLPRDPHVPDSUHFLVmRGHYDORUHVREWLGRVSDUDFRPSDUDomR
HP UHIHUrQFLDV ELEOLRJUiFDV RX RXWUDV URWLQDV FRPSXWDFLRQDLV $OpP GLVVR D
SUHFLVmRGRVYDORUHVIRUQHFLGRVSHODVURWLQDVSURSRVWDVSRGHDXPHQWDUFRQIRUPHD
QHFHVVLGDGH GR XVXiULR DSHQDV DXPHQWDQGR R Q~PHUR GH SRQWRV SDUD D
TXDGUDWXUD
$ ELEOLRWHFD Q&'XQQHWW IRL LPSOHPHQWDGD H VXEPHWLGD DR &5$15 H
HQFRQWUDVH GLVSRQLELOL]DGD SDUD LQVWDODomR HP WRGDV DV YHUV}HV 5LJXDLV RX
VXSHULRUHV D FRP OLYUH DFHVVR SRU WRGRV RV XVXiULRV GR SURJUDPD
QR PXQGR (VWD ELEOLRWHFD SRVVLELOLWD TXH TXDOTXHU SHVTXLVDGRU SRVVD
DSOLFDU FRUUHWDPHQWH R WHVWH GH 'XQQHWW LQGHSHQGHQWH GR YDORU GD
FRUUHODomR HQWUH FRPSDUDo}HVVHPGHSHQGrQFLDGHWDEHODVOLPLWDGDVGLVSRQtYHLV
QDOLWHUDWXUD
1R DVSHFWR WHyULFR IRL VLQWHWL]DGR UHGLJLGR H GLVSRQLELOL]DGR XP
UHIHUHQFLDO GLGiWLFR PLQXFLRVR VREUH R WHVWH GH 'XQQHWW HP SURFHGLPHQWRV
XQLODWHULDV H ELODWHUDLV SDUD GDGRV EDODQFHDGRV RX QmR %XVFRXVH HVFODUHFHU
VXDV SUHVVXSRVLo}HV H PRVWUDU WRGDV DV SDVVDJHQV GDV GHPRQVWUDo}HV GRV
WHRUHPDVDHOHVUHODFLRQDGDV(VSHUDVHTXHFRPLVVRKDMDXPDFRQWULEXLomRSDUD
208
o entendimento do tema, ampliando a ELEOLRJUDD nacional que ainda escassa

nesta rea.
209
REFERNCIAS
ANDRADE, D. F.; OGLIARI, P. J. Estatstica para as cincias agrrias e

biolgicas: com noes de experimentao. Florianpolis: UFSC, 2007. 438 p.
BARROSO, L. C. et al. Clculo numrico com aplicaes. 2. ed. So Paulo:
Harbra, 1987. 367 p.
BENJAMINI, Y.; HOCHBERG, Y. Controlling the false discovery rate: a
practical and powerful approach to multiple testing. Journal of the Royal
Statistical Society, Serie B, London, n. 57, p. 289-300, 1995.
BOHRER, R.; SCHERVISH, M. J. An error-bounded algorithm for normal
probabilities of rectangular regions. Journal of Applied Statistics, Abingdon, v.
23, n. 3, p. 297-300, 1981.
BOHRER, R.; SCHERVISH, M. J.; SHEFT, J. Algorithm as 184: non-central
studentized maximum and related multiple t-probabilities. Journal of Applied
Statistics, Abingdon, v. 31, n. 3, p. 309-317, 1982.
BORGES, C. L.; FERREIRA, D. F. Poder e taxas de erro tipo I dos testes ScottKnott, Tukey e Student-Newmankeuls sob distribuio normal e no normais
dos resduos. Revista de Matemtica e Estatstica, Marlia, v. 21, n. 1, p. 6783, 2003.
BRETZ, F.; HOTHORN, T.; WESTFALL, P. Multiple comparisons using R.
New York: Chapman & Hall/CRC, 2011. 182 p.
BURDEN, R. L.; FAIRES, J. D. Anlise numrica. So Paulo: Thomson, 2003.
763 p.
CHAPRA, S. C.; CANALE, R. P. Numerical methods for engineers. 6th ed.
Boston: McGraw-Hill Higher Education, 2010. 968 p.
DEAN, A. M.; VOSS, D. T. Design and analysis of experiments. New York:
Springer-Verlag, 1999. 740 p.
210
DMITRIENKO, A.; TAMHANE, A. C.; BRETZ, F. Multiple testing problems

in pharmaceutical statistics. New York: Chapman & Hall/CRC, 2010. 289 p.
DREZNER, Z. Computation of the multivariate normal integral. ACM
Transactions on Mathematical Software, Davis, v. 18, n. 4, p. 470-480, 1992.
DUNLAP, W. P.; MARX, M. S.; AGAMY, G. J. FORTRAN IV functions for
calculating probabilities associated with Dunnetts test. Behavior Research
Methods & Instrumentation, Psychonomic Society, Austin, v. 13, n. 3, p.
363-366, 1981.
DUNNETT, C. W. Algorithm AS 251: multivariate normal probabilities
integrals with product correlation structure. Journal of Applied Statistic,
Abingdon, v. 38, p. 564-579, 1989.
______. Multiple comparison procedure for comparing several treatments with a
control. Journal of the American Statistical Association, New York, v. 50, n.
272, p. 1096-1121, 1955.
______. New tables for multiple comparisons with a control. Biometrika,
London, v. 20, n. 3, p. 482-491, 1964.
FERREIRA, D. F. Estatstica bsica. 2. ed. Lavras: UFLA, 2009. 664 p.
______. Estatstica multivariada. Lavras: UFLA, 2008. 661 p.
FRANCO, N. B. Clculo numrico. So Paulo: Pearson Prentice Hall, 2007.
505 p.
GENZ, A.; BRETZ, F. Methods for the computation of multivariate tprobabilities. Journal of Computational and Graphical Statistics, Alexandria,
v. 11, n. 2, p. 950-971, 2002.
______. Numerical computation of the multivariate t-probabilities with
applications to power calculation of multiple contrasts. Journal of Statistical
Computation and Simulation, New York, v. 63, n. 4, p. 361-378, 1999.
211
GIL, A.; SEGURA, J.; TEMME, N. M. Numerical methods for special

functions. Philadelphia: Siam, 2007. 417 p.
GIRARDI, L. H.; CARGNELUTTI FILHO, A.; STORCK, L. Erro tipo I e poder
de cinco testes de comparaes mltiplas de mdias. Revista Brasileira de
Biometria, So Paulo, v. 27, n. 1, p. 23-36, 2009.
HINKELMANN, K.; KEMPTHORNE, O. Design and analysis of
experiments. 2nd ed. New York: J. Wiley, 2007. 631 p.
HOCHBERG, Y.; TAMHANE, A. C. Multiple comparisons procedures. New
York: J. Wiley, 1987. 450 p.
HSU, J. C. Multiple comparisons: theory and methods. New York: Chapman &
Hall/CRC, 1999. 277 p.
IZBICKI, R. Classe de testes de hipteses. 2010. 48 p. Dissertao (Mestrado
em Cincias) - Universidade de So Paulo, So Paulo, 2010.
JOHNSON, N. L.; KOTZ, S.; BALAKRISHNAN, N. Continuous univariate
distributions. 2nd ed. New York: J. Wiley, 1995. 717 p.
KHURI, A. I. Advanced calculus with applications in statistics. 2nd ed. New
York: J. Wiley, 2003. 673 p.
KOLMOGOROV, A. Foundations of the theory of probability. 2nd ed. New
York: Chelsea, 1956. 84 p. Disponvel em:
<http://www.matematik.com/Kolmogorov/index.html>. Acesso em: 10 dez.
2012.
KOTZ, S.; NADARAJAH, S. Multivariate t-distributions and their
applications. Cambridge: Cambridge University, 2004. 272 p.
KRISHNAMOORTHY, K. Handbook of statistical distribuitions with
Applications. Chicago: Taylor & Francis, 2006. 344 p.
212
LEITHOLD, L. O Clculo com geometria analtica. 3. ed. So Paulo: Harbra,

1994. 546 p.
LIMA, E. L. Anlise real: funo de uma varivel. 9. ed. Rio de Janeiro: IMPA,
2007. 198 p.
MAGALHES, M. N. Probabilidade e variveis aleatrias. 2. ed. So Paulo:
EDUSP, 2006. 411 p.
MAGALHES, M. N.; LIMA, A. C. P. de. Noes de probabilidade e
estatstica. 6. ed. So Paulo: EDUSP, 2005. 392 p.
MARDIA, K. V.; KENT, J. T.; BIBBY, J. M. Multivariate analysis. 2nd ed.
New York: Academic, 2003. 521 p.
MEYER, P. L. Probabilidade: aplicaes estatstica. 2. ed. Rio de Janeiro:
Livros Tcnicos e Cientficos, 1984. 426 p.
MONTGOMERY, D. C. Design and analysis of experiments. 5th ed. New
York: J. Wiley, 2001. 684 p.
MOOD, A. M.; GRAYBILL, F. A.; BOES, D. C. Introduction to the theory of
statistics. 3rd ed. Singapore: McGraw-Hill, 1974. 564 p.
R CORE TEAM DEVELOPMENT. R: a language and environment for
statistical computing. Vienna, 2012. Disponvel em:
<http://www.Rproject.org/>. Acesso em: 12 dez. 2012.
RALSTON, A.; RABINOWITZ, P. A first course in numerical analysis.
Tokyo: McGraw-Hill, 1965. 578 p.
RAMALHO, M. A. P.; FERREIRA, D. F.; OLIVEIRA, A. Experimentao em
gentica e melhoramento de plantas. 2. ed. Lavras: UFLA, 2005. 322 p.
ROSS, S. M. Introduction to probability models. 9th ed. New York:
Academic, 2007. 782 p.
213
SCHERVISH, M. J. Algorithm AS 195: multivariate normal probabilities with

error bound. Journal of the Royal Statistical Society. Serie C, Applied
Statistics, London, v. 33, n. 1, p. 81-87, 1984.
______. Correction to algorithm AS 195: multivariate normal probabilities with
error bound. Journal of the Royal Statistical Society. Serie C, Applied
Statistics, London, v. 34, p. 103-104, 1985.
SPERANDIO, D.; MENDES, J. T.; SILVA, L. H. M. e. Clculo numrico:
caractersticas matemticas e computacionais dos mtodos numricos. So
Paulo: Pearson Prentice Hall, 2003. 354 p.
STEEN, M.; GELBARD, E. Gaussian quadratures for the integrals
f(x)dx and f(x)dx. Mathematics of Computation, Providence,

v. 23, p. 661-671, 1969.
WANG, M.; KENNEDY, W. J. A numerical method for accurately
approximating multivariate normal probabilites. Computational Statistics and
Data Analysis, New York, v. 13, n. 2, p. 197-210, Mar. 1992.
214
APNDICES
APNDICE A Aplicao do teste de Dunnett

Considerando os dados experimentais ctcios da Tabela 1, em que est
sendo estudado o efeito de trs catalisadores sobre o rendimento de uma reao.
Nos dois experimentos, um quarto tratamento, sem catalisador, usado
como controle. Testar a hiptese de diferena entre efeitos do rendimento da
reao, comparando cada catalisador com o controle, com um nvel de
VLJQLFkQFLD conjuntade 5% em cada um dos experimentos.
Tabela 1 Rendimento de uma reao em dois experimentos
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
Ambos os experimentos tem i = 1,2,3 tratamentos em teste e o T4

o tratamento controle. O primeiro experimento tem todos os tratamentos com
mesmo tamanho amostral, ni = n = 5 para todo i, tratando-se de um experimento
equicorrelacionado, com correlao constante igual a
1 =
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
Assim, no primeiro experimento se obtm:

2,06
53,50 51,44
q
=
= 2,1473484
dbC11 =
0,95932268
1
1
+
1,516822336
5
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
No segundo experimento se obtm:

dbC21 =
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
|dbC11 | = 2,1473484 a probabilidade conjunta 0,8845, ou seja, valor-p =

0,1155. Comparando-se com = 0,05 conclui-se que o efeito deste catalisador no significativo.
0,0397. Comparando-se com = 0,05 conclui-se que o efeito deste catalisador significativo.
0,1155. Comparando-se com = 0,05 conclui-se que o efeito deste catalisador no significativo.
No experimento II obteve-se, para:
|dbC21 | = 2,6120 a probabilidade conjunta 0,9530, ou seja, valor-p = 0,047.
Comparando-se com = 0,05 conclui-se que o efeito deste catalisador
significativo.
Comparando-se com = 0,05 conclui-se que o efeito deste catalisador
significativo.
21

Comparando-se com = 0,05 conclui-se que o efeito deste catalisador no
significativo.
# 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
Neste caso, a funo fornece o quantil d1 = 2,5925 e d2 = 2,5815, usando

a inversa da funo de distribuio da probabilidade 0,95 fornecida. Compara-se o
valor do quantil fornecido pelo programa com os valores das estatsticas em cada
contraste. Para o experimento I tem-se:
|db11 | = 2,1473484 < d = 2,5925 conclui-se que o efeito deste catalisador
no significativo.
|db12 | = 2,71024552 > d = 2,5925 conclui-se que o efeito deste catalisador
significativo.
no significativo.
21
Para o experimento II tem-se:

significativo.
significativo.
no significativo.
Portanto, no experimento I apenas o rendimento mdio da reao do catalisadore 3 significativamente diferente do rendimento mdio da reao utilizando
o controle enquanto que no experimento II o rendimento mdio da reao dos catalisadores2e3sosignificativamentediferentesdorendimentomdiodareao
utilizandoocontrolecomtamanhoamostralmaiordoqueostratamentosemteste,
emumnveldesignificnciade5%.
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
#################################################################
# 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 em 1 a 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 em 1 a 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 em 1 a 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
#################################################################
# 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

ANEXO A - Inferncia bsica

Probabilidade
Tomando Magalhes (2006) por referncia, pode-se calcular a probabilidade de uma varivel estar num certo intervalo (a,b], pela integrao da funo
de densidade da varivel naquele intervalo ou ento pela diferena da funo de
distribuio da varivel28 calculada no limite superior do intervalo b e no limite
inferior do intervalo a , ou seja:
P [a < X b] =
f (x)dx = F (b) F (a).

a
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]
com o evento A e a varivel aleatria X bem definidos no mesmo espao de probabilidades.

Mas se X contnua, P [A|X = x] no pode ser analogamente definida
pois P [X = x] = 0. No entanto, se x tal que o evento (x h < X < x + h) tem
probabilidade positiva para algum h > 0, ento, pode-se definir a probabilidade
condicional do evento A dada uma varivel aleatria contnua X = x como o
28
Derivado do teorema fundamental do clculo para funo f (x) que seja contnua em [a,b] e sua
primitiva F (x) seja conhecida.

limite de probabilidades condicionadas calculadas na vizinhana de x, ou seja:

P [A|X = x] = lim P [A|x h < X < x + h]
0<h0
se este limite existir.

Segundo Magalhes (2006), usando a ideia de probabilidade condicional,
o conceito de funo de distribuio pode ser estendido, considerando o condicionamento a um evento. Assim, a definio de funo de distribuio condicional
de A, dado que ocorreu X, com P (X) > 0, :
F (a|X) = P (A a|X) =
P ([A a] X
.
P (X)
Assim, se A e X so ambas variveis contnuas define-se a densidade

condicional de A dado X, como:
fA|X (a|x) =
fA,X (a,x)
,
fX (x)
cuja expresso a densidade conjunta de A e X dividida pela densidade marginal

de X.
O condicionamento preservado tambm na relao entre funo densidade e funo de distribuio, resultando como consequncia, dentre outras, a
expresso:
FA (a) =
fX (x)FA|X (a|x)dx, com < x < .
Mas F (a|X) = P (A a|X), ento:

FA (a) =
P (A a|X)fX (x)dx.
Em concordncia com Mood, Graybill e Boes (1974), Magalhes (2006) tambm

prope usar a probabilidade condicional P [A|X = x] para calcular outras probabilidades, como a probabilidade total de A (considerando que FA (a) = P (A

a) = P [A]), ou seja:
P [A] =
P [A|X = x]f (x)dx,
com X uma varivel aleatria contnua.

Magalhes (2006) tambm define a esperana condicional como a esperana calculada com a probabilidade condicional. Assim, com A e X variveis
aleatrias no mesmo espao de probabilidade, a esperana condicional de A dado
que X = x, se existir, dada por:
E(A|X = x) =
aFA|X (a|X = x).
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) =
E(A|X = x)fX (x)dx.
Alm disso Mood, Graybill e Boes (1974) afirmam que se A = {h(X,Y )

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 [h(x,Y ) z|X = x]f (x)dx.
Assim, essa expresso a esperana condicional de P [h(x,Y ) z].

Por exemplo, tomando X e Y variveis aleatrias independentes e Z =
X + Y , ento:
FZ (z) = P [Z z] = P [X + Y z] =
P [Z z] = P [X + Y z] =
P [Z z] = P [X + Y z] =
P [Z z] = P [X + Y z] =
P [X + Y z|X = x]f (x)dx
P [x + Y z]f (x)dx
P [Y (z x)]f (x)dx
FY (z x)f (x)dx,
em que FY (y = (z x)) a funo de distribuio de probabilidades da varivel

aleatria Y no ponto y = z x.
23
ANEXO B - Estrutura correlao produto
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 )],
representado por ii , para i, i = 1,2, . . . , r, com i 6= i .
Genericamente, quando a partir de uma populao Y N(y , y2 ) toma-
se uma amostra aleatria de tamanho n, Y1 , Y2 , . . . ,Yn , o estimador no viesado

da varincia populacional
by2 dado por
by2 =
n
X
k=1
(Yk Y )2
n1
A mdia amostral Y independente da varincia amostral estimada

by2 .
Se forem tomadas duas amostras independentes de tamanhos nA e nB de
duas populaes normais A e B, os estimadores da mdia e da varincia para estas
2 eY
2.
populaes so, respectivamente, Y A e
bA
bB
B e
Pelo fato das amostras serem independentes, a combinao linear dada
pela diferena de suas mdias, Y A Y B , tambm tem distribuio normal, com

mdia Y A Y B = A B . A varincia da diferena das mdias amostrais
igual soma das varincias de cada mdia, como mostrado a seguir.

2
(Y
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
= E[(Y A A )2 ] 2E[(Y A A )(Y B B )] + E[(Y B B )2 ].
Por definio, a covarincia entre as variveis aleatrias Y A e Y B dada

por Cov(Y A , Y B ) = E[(Y A A )(Y B B )] (MAGALHES; LIMA, 2005). Como
23
Y A e Y B so variveis aleatrias independentes esta covarincia nula j que:

Cov(Y A , Y B ) = E[(Y A A )(Y B B )]
= E[Y A Y B Y A B A Y B + A B ]
= E(Y A Y B ) B E(Y A ) A E(Y B ) + A B
= A B B A A B + A B
= 0.
Assim
2
(Y
A Y B )
E[(Y A A )2 ] + E[(Y B B )2 ] =
Y2 + Y2 ,
A
Da teoria das distribuies amostrais, a distribuio amostral da mdia

amostral de uma populao normal com mdia e varincia finita 2 , obtida a
2 =
partir de amostras de tamanho n, normal com mdia X = e varincia
bX
2 /n (FERREIRA, 2009). Assim

Y2
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 )] =
Cov [(Y A Y C ),(Y B Y C )]

q
q
.
Y2 Y
Y2 Y
A
23
A Cov[(Y A Y C ),(Y B Y C )] dada por:

=E{[(Y A Y C ) (A C )][(Y B Y C ) (B C )]}
=E{[(Y A A ) (Y C C )][(Y B B ) (Y C C )]}
=E[(Y A A )(Y B B ) (Y A A )(Y C C ) (Y C C )(Y B B )
+ (Y C C )2 ]
=E[(Y A A )(Y B B )] E[(Y A A )(Y C C )] E[(Y C C )(Y B B )]

+ E[(Y C C )2 ]
=Cov(Y A , Y B ) Cov(Y A , Y C ) Cov(Y C , Y B ) + E[(Y C C )2 ].
Como Y A , Y B e Y C so independentes, a covarincia entre cada par de mdias

nula. Assim,
Cov[(Y A Y C ),(Y B Y C )] = E[(Y C C )2 ] = Y2
2
,
nC
e, portanto, a correlao entre as duas diferenas de mdias dada por

2
nC
Corr[(Y A Y C ),(Y B Y C )] = q
Y2
A Y C
Y2
.
B Y C
Como as populaes so homocedsticas, chega-se a

Corr[(Y A Y C ),(Y B Y C )] = r
2
nC
1
nA
1
nC
r
1
nC
r
1
nB
1
nC
1
nC
que tambm pode ser escrita como:

Corr[(Y A Y C ),(Y B Y C )] = r
=q
1
nC
1
nA
1+
nC
nA
1
q
1+
1
nC
1
nB
nC
nB
Esta correlao tem uma estrutura especial denominada de correlao-
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
em que ni e ni so o nmero de repeties do i-simo e do i -simo tratamento

em teste, respectivamente, e nr+1 o nmero de repeties do tratamento controle.
Chamando de i e i os termos da fatorao desta correlao, pode-se
escrever:
Corr[(Y i Y r+1 ),(Y i Y r+1 )] =

i i .
Assim, genericamente, cada termo i dado por

i =
=
=
2
ni
1
ni
2
nr+1
2
+ nr+1
1
nr+1
1
+ nr+1
1
1+
De forma matricial, denotando
nr+1
ni
para i = 1, 2, . . . , r,.
i = i , obtm-se a matriz de correlaes entre
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
pode ser escrita como

X H(ni ,nr+1 )
2
que igual a i nr+1 .

TESE - Aspectos Teóricos e Computacionais Das Estatísticas Do Teste de Dunnett Não-Central

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

TESE - Aspectos Teóricos e Computacionais Das Estatísticas Do Teste de Dunnett Não-Central

Uploaded by

Copyright:

Available Formats

SIOMARA CRISTINA BROCH

ASPECTOS TERICOS E COMPUTACIONAIS

SIOMARA CRISTINA BROCH

ASPECTOS TERICOS E COMPUTACIONAIS DAS ESTATSTICAS

Tese apresentada Universidade

Ficha Catalogrfica Elaborada pela Diviso de Processos Tcnicos da

Broch, Siomara Cristina.

SIOMARA CRISTINA BROCH

ASPECTOS TERICOS E COMPUTACIONAIS DAS ESTATSTICAS

Tese apresentada Universidade

Dr. Jos Airton Rodrigues Nunes

Dr. Lucas Monteiro Chaves

Dr. Renato Ribeiro de Lima

Dr. Daniel Furtado Ferreira

Aos meus queridos OKRV Guilherme, Luiz Henrique e Gabriel,

Palavras-chave: T multivariada no-central. Comparaes mltiplas com um

Probabilidade de erro tipo I global em procedimentos de

Representao das funes peso (x) = 1 , (x) = 1 / e

respectiva-mente, no intervalo [1,1]............................................. 73

Figura 3 Representao das funes peso (x) = e , (x) =

, ortogonais em relao a famlia de polinmios de Laguerre

no intervalo [0,), Hermite probabilsticos e Hermite fsicos no

Figura 4 Representao da funo f(z) =

intervalo (1,7, ) ........................................................................... 94

no intervalo (1, 1) ........................................................................ 95

intervalo (1, 1)............................................................................. 96

Representao geomtrica do mtodo das secantes ...................... 100

Representao geomtrica do mtodo de Newton-Raphson .......... 104

Representao grfica da densidade da varivel aleatria U =

graus de liberdade ..................................................................... 111

Figura 10 Representao grfica da densidade da varivel aleatria S = /

graus de liberdade ..................................................................... 113

relao funo densidade da normal () ................................. 159

Figura 13 Representao grfica da funo g(; z,,) = g(; 1,35, (0,2;

comparando-a com a funo densidade da normal () ............... 162

Figura 14 Representao grfica da funo g(;s,d,,,), integrando da

expresso (6.2.4), com os parmetros d = 1,35, = (0,2; 0,3;

Figura 15 Representao grfica da funo g(;s,d,,,), integrando da

expresso (6.2.6), com os parmetros d = 1,35, = (0,2; 0,3;

Figura 16 Representao da probabilidade t multivariada, funo pNDUDF

Tabela 8 Probabilidade do teste de Dunnett obtidas pelas funes

DISTRIBUIES DE PROBABILIDADE .................................

Funo para a inversa da funo de distribuio do teste de

Em algumas reas de pesquisa, como na experimentao farmacolgica,

Isto VLJQLFD que num procedimento de comparaes mltiplas em que se envolvem

entre a mdia de cada um dos tratamentos em teste e o tratamento controle, com

Consideram-se balanceadas, para a aplicao do teste de Dunnett, aqueles experimentos em

nos casos em que a correlao no 0,5 obter as probabilidades ou os quantis

matematicamente e apresentando as funes densidade e de

b) escrever e disponibilizar um referencial terico didtico e claro sobre

construo dos algoritmos propostos para resolver as funes densidade, de

2 PROCEDIMENTOS DE COMPARAES MLTIPLAS - PCMS

Nesta seo apresentada uma reviso de alguns conceitos e

Na anlise de varincia dos diversos delineamentos experimentais o

consideradas diferentes ou no. Portanto, inicialmente deve-se aplicar um teste

estatstico a m de comparar as estimativas de varincias. Este teste pode ser o

teste F para homogeneidade de varincias. A partir das amostras so calculadas

estimativas das varincias amostrais, testa-se a hiptese nula (H0) de igualdade

das varincias populacionais das quais as amostras foram retiradas.

A distribuio F de Fisher-Snedecor corresponde a distribuio da

com vA = nA 1 e B = nB 1 graus de liberdade para o numerador e o

estimativas das varincias no numerador, quanto maior for em relao

unidade maior o indicativo de que as varincias populacionaissediferenciam.

das populaes A e B so iguais e diz-se que o teste no foi VLJQLFDWLYR