A simulação de dados que seguem distribuição de Poisson é essencial em muitas aplicações reais de várias áreas, tais como saúde, marketing, ciências agronômicas, entre outras em que os dados são contagens multivariadas. Métodos de simulação atuais sofrem de limitações computacionais e restrições à estrutura de correlação e, portanto, são raramente usados. Neste trabalho propôs-se uma modificação do método NORTA para gerar dados com distribuição Poisson multivariada a partir de uma distribuição normal multivariada com matriz de correlações e vetor de médias pré estabelecidos. Como as distribuições Normal multivariada e univariada e a distribuição Poisson univariada já estão implementadas em softwares estatísticos, inclusive no R, implementou-se algumas linhas de código. Mostrou-se que o método funciona bem e é altamente preciso na geração de dados multivariados com distribuição marginais de Poisson, para diferentes estruturas de correlações (negativas e positivas e variando os valores) e para altos e baixos valores de médias. Mostrou-se as vantagens práticas da simulação de dados de Poisson multivariada sobre a normal multivariada na detecção da taxa de falsos alertas de super populações de percevejos, evidenciando que simulações inadequadas podem levar a excesso de falsos alertas. Uma vez que os dados seguem distribuição Poisson multivariada, a taxa de falsos alertas pode ser maior do que a imaginada. Essa taxa pode ser estimada por um modelo ajustado. A mesma técnica pode ser aplicada em diversos problemas de várias áreas do conhecimento. / The simulation data that follow a Poisson distribution is essential in many real applications in various areas such as healthcare, marketing, agronomic sciences, among others that the data are multivariate counts. Current simulation methods suffer from limitations and constraints on computing correlation structure and are therefore seldom used. This paper proposed a modification of the NORTA method for generating data with multivariate Poisson distribution from a multivariate normal distribution with correlation matrix and vector of predetermined average. As the multivariate and univariate Normal distribution and univariate Poisson distribution are already implemented in statistical software, including R, was implemented just a few lines of code. It was shown that the method works well and is highly accurate in generating multivariate data with marginal Poisson distribution structures for different correlations (negative and positive values) and for high and low ?. Proved the practical benefits of the simulation data on the multivariate Poisson multivariate normal in the detection of super bugs populations, inadequate simulations can lead to excessive false alerts. Once the data are multivariate Poisson distribution, the rate of false alarms can be greater than the imagined. This rate can be estimated by an adjusted model. The same technique can be applied to many problems in various fields of knowledge.

A simulação de dados que seguem distribuição de Poisson é essencial em muitas aplicações reais de várias áreas, tais como saúde, marketing, ciências agronômicas, entre outras em que os dados são contagens multivariadas. Métodos de simulação atuais sofrem de limitações computacionais e restrições à estrutura de correlação e, portanto, são raramente usados. Neste trabalho propôs-se uma modificação do método NORTA para gerar dados com distribuição Poisson multivariada a partir de uma distribuição normal multivariada com matriz de correlações e vetor de médias pré estabelecidos. Como as distribuições Normal multivariada e univariada e a distribuição Poisson univariada já estão implementadas em softwares estatísticos, inclusive no R, implementou-se algumas linhas de código. Mostrou-se que o método funciona bem e é altamente preciso na geração de dados multivariados com distribuição marginais de Poisson, para diferentes estruturas de correlações (negativas e positivas e variando os valores) e para altos e baixos valores de médias. Mostrou-se as vantagens práticas da simulação de dados de Poisson multivariada sobre a normal multivariada na detecção da taxa de falsos alertas de super populações de percevejos, evidenciando que simulações inadequadas podem levar a excesso de falsos alertas. Uma vez que os dados seguem distribuição Poisson multivariada, a taxa de falsos alertas pode ser maior do que a imaginada. Essa taxa pode ser estimada por um modelo ajustado. A mesma técnica pode ser aplicada em diversos problemas de várias áreas do conhecimento. / The simulation data that follow a Poisson distribution is essential in many real applications in various areas such as healthcare, marketing, agronomic sciences, among others that the data are multivariate counts. Current simulation methods suffer from limitations and constraints on computing correlation structure and are therefore seldom used. This paper proposed a modification of the NORTA method for generating data with multivariate Poisson distribution from a multivariate normal distribution with correlation matrix and vector of predetermined average. As the multivariate and univariate Normal distribution and univariate Poisson distribution are already implemented in statistical software, including R, was implemented just a few lines of code. It was shown that the method works well and is highly accurate in generating multivariate data with marginal Poisson distribution structures for different correlations (negative and positive values) and for high and low ?. Proved the practical benefits of the simulation data on the multivariate Poisson multivariate normal in the detection of super bugs populations, inadequate simulations can lead to excessive false alerts. Once the data are multivariate Poisson distribution, the rate of false alarms can be greater than the imagined. This rate can be estimated by an adjusted model. The same technique can be applied to many problems in various fields of knowledge.

Em experimentos de genótipos ambiente são comuns à presença de valores ausentes, devido à quantidade insuficiente de genótipos para aplicação dificultando, por exemplo, o processo de recomendação de genótipos mais produtivos, pois para a aplicação da maioria das técnicas estatísticas multivariadas exigem uma matriz de dados completa. Desta forma, aplicam-se métodos que estimam os valores ausentes a partir dos dados disponíveis conhecidos como imputação de dados (simples e múltiplas), levando em consideração o padrão e o mecanismo de dados ausentes. O objetivo deste trabalho é avaliar a eficiência da imputação múltipla livre da distribuição (IMLD) (BERGAMO et al., 2008; BERGAMO, 2007) comparando-a com o método de imputação múltipla com Monte Carlo via cadeia de Markov (IMMCMC), na imputação de unidades ausentes presentes em experimentos de interação genótipo (25) ambiente (7). Estes dados são provenientes de um experimento aleatorizado em blocos com a cultura de Eucaluptus grandis (LAVORANTI, 2003), os quais foram feitas retiradas de porcentagens aleatoriamente (10%, 20%, 30%) e posteriormente imputadas pelos métodos considerados. Os resultados obtidos por cada método mostraram que, a eficiência relativa em ambas as porcentagens manteve-se acima de 90%, sendo menor para o ambiente (4) quando imputado com a IMLD. Para a medida geral de exatidão, a medida que ocorreu acréscimo de dados em falta, foi maior ao imputar os valores ausentes com a IMMCMC, já para o método IMLD estes valores variaram sendo menor a 20% de retirada aleatória. Dentre os resultados encontrados, é de suma importância considerar o fato de que o método IMMCMC considera a suposição de normalidade, já o método IMLD leva vantagem sobre este ponto, pois não considera restrição alguma sobre a distribuição dos dados nem sobre os mecanismos e padrões de ausência. / In trials of genotypes by environment, the presence of absent values is common, due to the quantity of insufficiency of genotype application, making difficult for example, the process of recommendation of more productive genotypes, because for the application of the majority of the multivariate statistical techniques, a complete data matrix is required. Thus, methods that estimate the absent values from available data, known as imputation of data (simple and multiple) are applied, taking into consideration standards and mechanisms of absent data. The goal of this study is to evaluate the efficiency of multiple imputations free of distributions (IMLD) (BERGAMO et al., 2008; BERGAMO, 2007), compared with the Monte Carlo via Markov chain method of multiple imputation (IMMCMC), in the absent units present in trials of genotype interaction (25)environment (7). This data is provisional of random tests in blocks with Eucaluptus grandis cultures (LAVORANTI, 2003), of which random percentages of withdrawals (10%, 20%, 30%) were performed, with posterior imputation of the considered methods. The results obtained for each method show that, the relative efficiency in both percentages were maintained above 90%, being less for environmental (4) when imputed with an IMLD. The general measure of exactness, the measures where higher absent data occurred, was larger when absent values with an IMMCMC was imputed, as for the IMLD method, the varied absent values were lower at 20% for random withdrawals. Among results found, it is of sum importance to take into consideration the fact that the IMMCMC method considers it to be an assumption of normality, as for the IMLD method, it does not consider any restriction on the distribution of data, not on mechanisms and absent standards, which is an advantage on imputations.

Em experimentos de genótipos ambiente são comuns à presença de valores ausentes, devido à quantidade insuficiente de genótipos para aplicação dificultando, por exemplo, o processo de recomendação de genótipos mais produtivos, pois para a aplicação da maioria das técnicas estatísticas multivariadas exigem uma matriz de dados completa. Desta forma, aplicam-se métodos que estimam os valores ausentes a partir dos dados disponíveis conhecidos como imputação de dados (simples e múltiplas), levando em consideração o padrão e o mecanismo de dados ausentes. O objetivo deste trabalho é avaliar a eficiência da imputação múltipla livre da distribuição (IMLD) (BERGAMO et al., 2008; BERGAMO, 2007) comparando-a com o método de imputação múltipla com Monte Carlo via cadeia de Markov (IMMCMC), na imputação de unidades ausentes presentes em experimentos de interação genótipo (25) ambiente (7). Estes dados são provenientes de um experimento aleatorizado em blocos com a cultura de Eucaluptus grandis (LAVORANTI, 2003), os quais foram feitas retiradas de porcentagens aleatoriamente (10%, 20%, 30%) e posteriormente imputadas pelos métodos considerados. Os resultados obtidos por cada método mostraram que, a eficiência relativa em ambas as porcentagens manteve-se acima de 90%, sendo menor para o ambiente (4) quando imputado com a IMLD. Para a medida geral de exatidão, a medida que ocorreu acréscimo de dados em falta, foi maior ao imputar os valores ausentes com a IMMCMC, já para o método IMLD estes valores variaram sendo menor a 20% de retirada aleatória. Dentre os resultados encontrados, é de suma importância considerar o fato de que o método IMMCMC considera a suposição de normalidade, já o método IMLD leva vantagem sobre este ponto, pois não considera restrição alguma sobre a distribuição dos dados nem sobre os mecanismos e padrões de ausência. / In trials of genotypes by environment, the presence of absent values is common, due to the quantity of insufficiency of genotype application, making difficult for example, the process of recommendation of more productive genotypes, because for the application of the majority of the multivariate statistical techniques, a complete data matrix is required. Thus, methods that estimate the absent values from available data, known as imputation of data (simple and multiple) are applied, taking into consideration standards and mechanisms of absent data. The goal of this study is to evaluate the efficiency of multiple imputations free of distributions (IMLD) (BERGAMO et al., 2008; BERGAMO, 2007), compared with the Monte Carlo via Markov chain method of multiple imputation (IMMCMC), in the absent units present in trials of genotype interaction (25)environment (7). This data is provisional of random tests in blocks with Eucaluptus grandis cultures (LAVORANTI, 2003), of which random percentages of withdrawals (10%, 20%, 30%) were performed, with posterior imputation of the considered methods. The results obtained for each method show that, the relative efficiency in both percentages were maintained above 90%, being less for environmental (4) when imputed with an IMLD. The general measure of exactness, the measures where higher absent data occurred, was larger when absent values with an IMMCMC was imputed, as for the IMLD method, the varied absent values were lower at 20% for random withdrawals. Among results found, it is of sum importance to take into consideration the fact that the IMMCMC method considers it to be an assumption of normality, as for the IMLD method, it does not consider any restriction on the distribution of data, not on mechanisms and absent standards, which is an advantage on imputations.