diff --git a/R/cmp.R b/R/cmp.R
index 715a2b0d508d4713f6ca3b9563e3f91663ee9758..a307210761662618f36842a6fbe59337617cd0b8 100644
--- a/R/cmp.R
+++ b/R/cmp.R
@@ -186,32 +186,56 @@ llcmp <- function(params, y, X, sumto = ceiling(max(y)^1.2)){
}
#' @title Probabilidades do Modelo Conway-Maxwell-Poisson
-#' @description Calcula as probabilidades conforme modelo COM-Poisson
-#' @param y Valor da contagem
-#' @param loglambda Logaritmo neperiano do parâmetro \eqn{\lambda} da
-#' distribuição
-#' @param phi Valor do parâmetro \eqn{\phi}, definido como
-#' \eqn{\log(\nu)} na distribuição de probabilidades COM-Poisson
-#' @param sumto Número de incrementos a serem considerados para a soma
-#' da constante normalizadora Z.
#' @author Eduardo E. R. Junior, \email{edujrrib@gmail.com}
-#' @examples
-#' dpois(5, 5)
-#' dcmp(5, log(5), 0, sumto = 20)
-#'
-#' x <- 0:30
-#' px1 <- dpois(x, 15)
-#' px2 <- dcmp(x, log(915), log(2.5), sumto = 50)
-#' px3 <- dcmp(x, log(2.2), log(0.3), sumto = 50)
-#'
-#' plot(y = px2, x = x, type = "h", lwd = 2)
-#' lines(y = px1, x = x - 0.2, type = "h", lwd = 2, col = 4)
-#' lines(y = px3, x = x + 0.2, type = "h", lwd = 2, col = 2)
#' @export
+#' @description Calcula as probabilidades para uma variável aleatória
+#' distribuída conforme modelo COM-Poisson.
+#'
+#' \deqn{p(y,\lambda,\nu) =
+#' \frac{\lambda^y}{(y!)^\nu Z(\lambda, \nu)}
+#' }
+#'
+#' em que \eqn{Z(\lambda, \nu)} é a constante de normalização definida
+#' por \eqn{\sum_{j=0}^{\infty} \frac{\lambda^j}{(j!)^\nu}}. Nesta
+#' implementação o número de incrementos considerados para cálculo
+#' dessa constante é definido por \code{sumto}. \eqn{\lambda > 0} e
+#' \eqn{\nu \geq 0} são os parâmetros da distribuição.
+#'
+#' @param y Valor da variável de contagem.
+#' @param lambda Valor do parâmetro \eqn{\lambda} da distribuição
+#' COM-Poisson.
+#' @param nu Valor do parâmetro \eqn{\nu} da distribuição COM-Poisson.
+#' @param sumto Número de incrementos a serem considerados para a
+#' cálculo da constante normalizadora Z.
+#' @examples
+#' dpois(5, lambda = 5)
+#' dcmp(5, lambda = 5, nu = 1, sumto = 20)
+#'
+#' probs <- data.frame(y = 0:30)
+#' within(probs, {
+#' py0 <- dpois(y, lambda = 15)
+#' py1 <- dcmp(y, lambda = 15, nu = 1, sumto = 50)
+#' py2 <- dcmp(y, lambda = 915, nu = 2.5, sumto = 50)
+#' py3 <- dcmp(y, lambda = 2.2, nu = 0.3, sumto = 50)
+#' plot(py0 ~ y, type = "h",
+#' ylim = c(0, max(c(py0, py2, py3))),
+#' ylab = expression(Pr(Y == y)))
+#' points(y + 0.1, py1, type = "h", col = 2)
+#' points(y - 0.3, py2, type = "h", col = 3)
+#' points(y + 0.3, py3, type = "h", col = 4)
+#' legend("topleft", bty = "n",
+#' col = c(1:4), lty = 1,
+#' legend = expression(
+#' Poisson(lambda == 15),
+#' CMP(lambda == 15, nu == 1),
+#' CMP(lambda == 915, nu == 2.5),
+#' CMP(lambda == 2.2, nu == 0.3)))
+#' })
-dcmp <- function(y, loglambda, phi, sumto) {
+dcmp <- function(y, lambda, nu, sumto) {
sapply(y, function(yi) {
- exp(-llcmp(c(phi, loglambda), y = yi, X = 1, sumto = sumto))
+ exp(-llcmp(c(log(nu), log(lambda)),
+ y = yi, X = 1, sumto = sumto))
})
}
diff --git a/man/dcmp.Rd b/man/dcmp.Rd
index 72e682b473d22385c219190a4dadc045de50fdd8..02ffcb7669394fdf033a3ded8c2d2fb00b9ef3fa 100644
--- a/man/dcmp.Rd
+++ b/man/dcmp.Rd
@@ -4,35 +4,57 @@
\alias{dcmp}
\title{Probabilidades do Modelo Conway-Maxwell-Poisson}
\usage{
-dcmp(y, loglambda, phi, sumto)
+dcmp(y, lambda, nu, sumto)
}
\arguments{
-\item{y}{Valor da contagem}
+\item{y}{Valor da variável de contagem.}
-\item{loglambda}{Logaritmo neperiano do parâmetro \eqn{\lambda} da
-distribuição}
+\item{lambda}{Valor do parâmetro \eqn{\lambda} da distribuição
+COM-Poisson.}
-\item{phi}{Valor do parâmetro \eqn{\phi}, definido como
-\eqn{\log(\nu)} na distribuição de probabilidades COM-Poisson}
+\item{nu}{Valor do parâmetro \eqn{\nu} da distribuição COM-Poisson.}
-\item{sumto}{Número de incrementos a serem considerados para a soma
-da constante normalizadora Z.}
+\item{sumto}{Número de incrementos a serem considerados para a
+cálculo da constante normalizadora Z.}
}
\description{
-Calcula as probabilidades conforme modelo COM-Poisson
+Calcula as probabilidades para uma variável aleatória
+ distribuída conforme modelo COM-Poisson.
+
+\deqn{p(y,\lambda,\nu) =
+ \frac{\lambda^y}{(y!)^\nu Z(\lambda, \nu)}
}
-\examples{
-dpois(5, 5)
-dcmp(5, log(5), 0, sumto = 20)
-x <- 0:30
-px1 <- dpois(x, 15)
-px2 <- dcmp(x, log(915), log(2.5), sumto = 50)
-px3 <- dcmp(x, log(2.2), log(0.3), sumto = 50)
+em que \eqn{Z(\lambda, \nu)} é a constante de normalização definida
+ por \eqn{\sum_{j=0}^{\infty} \frac{\lambda^j}{(j!)^\nu}}. Nesta
+ implementação o número de incrementos considerados para cálculo
+ dessa constante é definido por \code{sumto}. \eqn{\lambda > 0} e
+ \eqn{\nu \geq 0} são os parâmetros da distribuição.
+}
+\examples{
+dpois(5, lambda = 5)
+dcmp(5, lambda = 5, nu = 1, sumto = 20)
-plot(y = px2, x = x, type = "h", lwd = 2)
-lines(y = px1, x = x - 0.2, type = "h", lwd = 2, col = 4)
-lines(y = px3, x = x + 0.2, type = "h", lwd = 2, col = 2)
+probs <- data.frame(y = 0:30)
+within(probs, {
+ py0 <- dpois(y, lambda = 15)
+ py1 <- dcmp(y, lambda = 15, nu = 1, sumto = 50)
+ py2 <- dcmp(y, lambda = 915, nu = 2.5, sumto = 50)
+ py3 <- dcmp(y, lambda = 2.2, nu = 0.3, sumto = 50)
+ plot(py0 ~ y, type = "h",
+ ylim = c(0, max(c(py0, py2, py3))),
+ ylab = expression(Pr(Y == y)))
+ points(y + 0.1, py1, type = "h", col = 2)
+ points(y - 0.3, py2, type = "h", col = 3)
+ points(y + 0.3, py3, type = "h", col = 4)
+ legend("topleft", bty = "n",
+ col = c(1:4), lty = 1,
+ legend = expression(
+ Poisson(lambda == 15),
+ CMP(lambda == 15, nu == 1),
+ CMP(lambda == 915, nu == 2.5),
+ CMP(lambda == 2.2, nu == 0.3)))
+})
}
\author{
Eduardo E. R. Junior, \email{edujrrib@gmail.com}