Академический Документы
Профессиональный Документы
Культура Документы
Unilateral a la derecha
H 0 : i i k
Unilateral a la izquierda
H 0 : i i k
H a : i i k
H a : i i k
H a : i i k
Para i i , i, i 1, 2,
,t
Nivel de significacin
Estadstica de prueba
tc
donde :
Yi Yi k
~ tGLE / H 0 es verdadera
SYi Yi
Caso Bilateral
Se acepta H 0
Se rechaza H 0
tc t
,GLE
2
tc t
1 ,GLE
2
,GLE
2
Unilateral a la
derecha
tc t1 ,GLE
Unilateral a la
izquierda
tc t ,GLE
tc t1 ,GLE
tc t ,GLE
o tc t
1 ,GLE
2
H a : i i
Para i i , i, i 1, 2,
,t
Nivel de significacin
En la prueba de t se acepta H 0 si
,GLE
2
,GLE
2
Yi Yi
1 ,GLE
2
tc t
1 ,GLE
2
Yi Yi
t
SYi Yi
1 ,GLE
2
Yi Yi t
Yi Yi
1 ,GLE
2
Yi Yi t
Yi Yi t
o DLS i, i t
Yi Yi
1 ,GLE
2
Y se rechaza H 0 si
Yi Yi
1 ,GLE
2
Entonces si definimos
DMS i, i t
Yi Yi
1 ,GLE
2
Yi Yi
1 ,GLE
2
Yi Yi DMS i, i o Yi Yi DLS i, i
Para i i , i, i 1, 2,
,t
H a : A C
0.05
1
1
SYA YC CME
nA nC
tc
5.6
1 1
1.5275
4 6
YA YC 61 68
4.5826
SYA YC
1.5275
H a : i i
Para i i , i, i A, B, C, D
i
Yi.
A
61
D
61
B
66
C
68
ni
Comparaciones
Yi Yi
C-A
C-D
C-B
B-A
B-D
D-A
*=significativo ,
SYi Yi
7
1.5275
7
1.2780
2
1.3663
5
1.5275
5
1.2780
0
1.4491
ns= no significativo
3.1864 *
2.6659 *
2.8501 ns
3.1864 *
2.6659 *
3.0228 ns
Prueba de t con R
>
>
>
>
coag<-read.table("coag.txt",header=TRUE)
tiempo<-coag[,1]
dieta<-coag[,2]
pairwise.t.test(tiempo,dieta,p.adjust.method="none")
a
0.00380
0.00018
1.00000
b
0.15878
0.00086
c
2.3e-05
para i j , i, j 1, 2,
,t
se utiliza la estadstica
t0
yi y j
1 1
s2
ri rj
(1)
Siendo s 2 CME , el nivel de significacin o probabilidad de error tipo I para una sola
prueba es una tasa de error con respecto a la comparacin , C , es el riesgo que se estn
dispuestos a correr en una sola comparacin .
Si se tienen t tratamientos entonces se pueden hacer t t 1 2 comparaciones por
pares. Por ejemplo si se tienen cuatro tratamientos: A, B, C, D, entonces se puede hacer
4 3 / 2 6 pares posibles de comparaciones: (A,B), (A,C), (A,D), (B,C), (B,D), (C,D),
Si se prueban los 6 pares existe la posibilidad de cometer 0, 1, 2, 3, 4, 5 o 6 errores de
tipo I, si las medias poblacionales son iguales.
Con la posibilidad de hasta 6 errores tipo I para 6 pruebas, se puede emplear otra forma
de error tipo I basada en el riesgo acumulado asociado con la familia de prueba en
estudio. La familia es el conjunto de comparaciones por pares como para el ejemplo del
prrafo anterior. El riesgo acumulado asociado con una familia de comparaciones se
conoce como la tasa de error tipo I con respecto al experimento, E . Es el riesgo de
cometer al menos un error tipo I en la familia de comparaciones en el experimento.
Para una familia de pruebas independientes, se puede evaluar la tasa de error tipo I con
respecto al experimento. Sin embargo, no todas las pruebas son independientes con la
ecuacin dado en (1), ya que s 2 CME en el denominador es la misma, y en el
numerador de cada prueba contiene la misma media que en algunos otros estadsticos
t0 .
n
n x
(2)
P x Cx 1 C
x
, n errores tipo I. La probabilidad de no cometer error tipo I es:
para x 0,1,
P X 0 1 C
(3)
, n ) es
P x 1 1 P x 0 , o sea
E 1 1 C
(4)
C 1 1 E
1/ n
(5)
Expresa la tasa de error tipo I con respecto a la comparacin como una funcin de la
tasa de error tipo I con respecto al experimento o familiar.
En la siguiente tabla se muestra la relacin entre la tasa de error tipo I del Experimento
o familiar y la tasa de error tipo I de la comparacin
N
E cuando C 0.05
C cuando E 0.05
1
2
3
4
5
10
0.050
0.098
0.143
0.185
0.226
0.401
0.050
0.025
0.017
0.013
0.010
0.005
Para el caso del ejemplo de comparacin de las medias de los tiempos de coagulacin si
se fija una tasa de error tipo I C 0.05 para cada comparacin, la tasa de error tipo I
para el experimento ser de E 1 1 .05 0.265 y si se fija una tasa de error tipo I
6
C 1 (1 0.05)1/ 6 0.009
Nota: la prueba t y DMS o DLS es recomendable para una sola comparacin planeada
Prueba de Tukey-Cramer (Tukey HSD)
Esta prueba fue propuesta por Tukey(1949), quien desarroll un procedimiento que
proporciona una tasa con respecto al experimento en el sentido fuerte, para las
comparaciones por pares de todas las medias de la variable respuestas sujetos
tratamiento diferentes, que se usa para obtener intervalos de confianza simultneos de
100 1 % . La prueba se le conoce por varios nombres, entre ellas diferencia
honestamente significativa.
Para aplicar esta prueba slo es necesario que los ij sea una variable aleatoria
independiente distribuida normalmente con media cero y variancia comn 2 . Es decir
no se necesita que las comparaciones sean previamente planeadas y que la prueba de F
en el ANVA resulte significativa.
Para realiza la prueba de Tukey se procede de la siguiente manera:
Planteamiento de hiptesis
H 0 : i i
Para i i , i, i 1, 2,
H a : i i
,t
Nivel de significacin
Clculo del Valor Crtico:
w q t , GLE
1
SY Y
2 i i
donde:
q t , GLE =amplitud estudiantizada para la prueba de Tukey
Yi Yi w
Ejemplo Use la prueba de Tukey para realizar todas comparaciones en el ejemplo de
coagulacin a un nivel de significacin 0.05 .
i
Yi.
A
61
D
61
B
66
C
68
ni
q0.05 4, 20 3.96
H 0 : i i
H a : i i
Para i i , i, i A, B, C, D
Comparaciones
Yi Yi
C-A
C-D
C-B
B-A
B-D
D-A
*=significativo ,
SYi Yi
w q0.05 4, 20
7
1.5275
7
1.2780
2
1.3663
5
1.5275
5
1.2780
0
1.4491
ns= no significativo
1
SY Y
2 i i
4.2770 *
3.5784 *
3.82564 ns
4.2770 *
3.5784 *
4.0575 ns
Con el paquete R
Para realizar esta pruebas con el lenguaje R bajar del CRAN los paquetes multcomp y
mvtnorm. Esto puede realizarse directamente usando el Men para el caso que tuviera
Internet. Ente caso ir a Package y dentro de esto a la opcin Install package(s) from
CRAN. Para el caso que no tuviera internet, se puede ir al CRAN y bajar los archivos
zip en www.cran.r-project/bin/windows, guardar estos archivos en una carpeta, luego ir
al menu de R a Package y dentro de este ir a la opcin Install package(s) from local zip
files buscar la carpeta e instalar estos paquetes. Una vez instalado esto queda grabado en
una librera. Para usar estos paquetes primero instalar mediante la opcin de Menu en
Packages e ir a la opcin Load Packages y leer primero mvtnorm luego hacer lo
mismo con multcomp.
> coag<-read.table("coag.txt",header=T)
> mod<-aov(Tiempo~dieta,data=coag)
> summary(mod)
Df Sum Sq Mean Sq F value
Pr(>F)
dieta
3 228.0
76.0 13.571 4.658e-05 ***
Residuals
20 112.0
5.6
> library(multcomp)
> cht <- glht(mod, linfct = mcp(dieta = "Tukey"))
> summary(cht)
Simultaneous Tests for General Linear Hypotheses
Multiple Comparisons of Means: Tukey Contrasts
Fit: aov(formula = Tiempo ~ dieta, data = coag)
Linear Hypotheses:
,t
,t
donde :
Yi Y1 d , para i 2,
,t
H 0 : i A
H a : i A , para i B, C, D
0.05
tDunnett 0.05,3, 20 2.54
Comparaciones
Yi Yi
D-A
C-A
B-A
*=significativo ,
SYi Yi
0
1.4491
7
1.5275
5
1.5275
ns= no significativo
3.6807 ns
3.8799 *
3.8799 *
Usando el paquete R
>
>
>
>
>
library(multcomp)
coag<-read.table("coag.txt",header=T)
mod<-aov(Tiempo~dieta,data=coag)
cdu <- glht(mod, linfct = mcp(dieta = "Dunnett"))
summary(cdu)
Simultaneous Tests for General Linear Hypotheses
i 1
i 1
i 1
Contrastes Ortogonales:
t
i 1
i 1
i 1
i 1
C1i 0 ,
i 1
C2i 0 y
i 1
C C
i 1
1i
2i
i 1
i 1
i 1
E Q n Ci i
i 1
2
2
2 2
Var Q Var n CiYi. n Ci Var Yi. n Ci
n Ci2 2
n
i 1
i 1
i 1
i 1
Var Q n 2 Ci2
i 1
Luego
t
C Y C
i i.
i 1
i 1
2
i
i 1
~ N 0,1
GLE CME ~ 2
GLE
i 1
i 1
CiYi. Ci i
2
C
i 1
2
i
~ N 0,1 y
2GLE
GLE
Luego
t
CiYi. Ci i
i 1
i 1
i 1
Ci2
GLE CME
2
GLE
i 1
i 1
CiYi. Ci i
CME t 2
Ci
n i 1
~ tGLE
GLE CME
2
i 1
i 1
CiYi. Ci i
~ tGLE
CME t 2
Ci
n i 1
Unilateral a la derecha
H 0 : Ci i k
H 0 : Ci i k
i 1
i 1
H a : Ci i k
H a : Ci i k
i 1
i 1
Unilateral a la izquierda
t
H 0 : Ci i k
i 1
t
H a : Ci i k
i 1
a un nivel de significacin
Estadstica de Prueba
t
C Y
i 1
i i.
~ tGLE / H 0 es verdadera
CME t 2
Ci
n i 1
Luego, se tiene los siguientes criterios de decisin
Decisin
Caso Bilateral
Se acepta H 0
Se rechaza H 0
tc t
,GLE
2
tc t
,GLE
2
1 ,GLE
2
o tc t
1 ,GLE
2
Unilateral a la
derecha
tc t1 ,GLE
Unilateral a la
izquierda
tc t ,GLE
tc t1 ,GLE
tc t ,GLE
Ejemplo: Suponga que se tiene cuatro fertilizantes que se desea comparar, con tal
motivo se realiz un experimento bajo un DCA con cinco repeticiones por tratamiento,
de la cual se obtuvo los siguientes resultados:
Fertilizante
T1
73.8
Yi.
T2
74.2
T3
69.0
T4
71.8
10.4
0.65
16
2 74.2 69 71.8 1
tc
0.65 2
2
2
2 1 1
5
> pvalue<-1-pt(tc,16)
> pvalue
[1] 6.634694e-07.
7.473028
La prueba result altamente significativa, se puede afirmar que la media del rendimiento
obtenido con el fertilizante 2 supera en ms de una unidad a la media de los
rendimientos obtenidos con los fertilizantes 3 y 4.
Prueba de F con contraste:
Suponga que se desea probar la Hiptesis
t
H 0 : Ci i 0
i 1
t
H a : Ci i 0
i 1
a un nivel de significacin
Estadstica de Prueba:
CiYi.
F t 2 i 1 t
CME
Ci2
n i 1
n CiYi.
i 1
C
i 1
2
i
CME
~ F1,GLE / H 0
Se sabe que t2GLE F1,GLE , entonces la prueba de t para este caso es equivalente a usar
la siguiente estadstica
Si se hace
2
n CiYi
=Suma de cuadrado de contraste, entonces se puede usar la
SCQ i 1t
Ci2
i 1
Fc
SCQ
~ F1,GLE / H 0 es verdadera
CME
SCQt 1
Fuente de
SC
Variacin
Entre Tratamiento SCTrat
Q1
Q2
.
.
.
Qt 1
Dentro de
Tratamiento
Total
GL
CM
Fc
GLTrat
CMTrat
SCQ1
SCQ1
CMTrat / CME
SCQ1 / CME
SCQ2
.
.
.
SCQt 1
SCQ2
.
.
.
SCQt 1
SCQ2 / CME
.
.
.
SCQt 1 / CME
.
.
.
1
SCE
GLE
SCTotal
n. 1
CME
i 1
i 1
donde :
C
i 1
li
0 y
C C
i 1
li
l i
, t 1
0 , para l l y l , l 1, 2,
, t 1
Fcl
SCQl
~ F1,GLE / H 0 , para l 1, 2,
CME
, t 1
Ejemplo:
En el ejemplo del fertilizante se sabe adems que los fertilizantes 3 y 4 poseen un
componente K que no poseen los fertilizantes 1 y 2. Se ha planeado antes de realizar el
experimento comparar ( T1 y T2 ) versus ( T3 y T4 ). Obtenga todos los contrastes
ortogonales. Realice las pruebas de hiptesis correspondientes a un nivel de
significacin 0.05
Matriz de contraste
Fertilizante
Coeficientes T1 T2 T3 T4
-1 -1 1 1
C1i
C2i
-1
C3i
-1
Contrastes ortogonales
Q1 Y1. Y2. Y3. Y4.
Q2 Y1. Y2.
Q3 Y3. Y4.
Hiptesis:
( T1 y T2 ) versus ( T3 y T4 )
H 0 : 3 4 1 2 0 contra H a : 3 4 1 2 0
T1 versus T2
H 0 : 2 1 0 contra H a : 2 1 0
T3 versus T4
H 0 : 4 3 0 contra H a : 4 3 0
n C1iYi.
2
5 73.8 74.2 69.0 71.8
i 1
SCQ1
64.8
t
2
2
2
2
2
C1i
i 1
n C2iYi.
2
5 73.8 74.2
i 1
SCQ2
0.4
t
2
2
2
C2i
i 1
n C3iYi.
2
5 69.0 71.8
i 1
SCQ3
19.6
t
2
2
2
1
1
C3i
t
i 1
Contraste
( T1 y T2 ) versus ( T3 y T4 )
SC
64.80
GL
1
CM
64.80
Fc
99.69**
T1 versus T2
0.4
0.4
0.62 ns
19.6
1
19.6
30.15**
T3 versus T4
Residual
10.4
16 0.65
**= altamente Significativo, ns = no significativo F 0.90,1,16 3.05 , F 0.95,1,16 4.49 ,
F 0.99,1,16 8.53
>
>
>
>
>
>
vp<-c(73.8,74.2,69,71.8)
sce<-10.4
r=5
ct<-c(-1,-1,1,1)
scc1<-r*((t(ct)%*%vp)^2)/(sum(ct^2))
scc1
[,1]
[1,] 64.8
> ct2<-c(-1,1,0,0)
> scc2<-r*((t(ct2)%*%vp)^2)/(sum(ct2^2))
> scc2
[,1]
[1,] 0.4
> ct3<-c(0,0,-1,1)
> scc3<-r*((t(ct3)%*%vp)^2)/(sum(ct3^2))
> scc3
[,1]
[1,] 19.6
> tr<-4
> gle<-r*tr-tr
> gle
[1] 16
> cme<-sce/gle
> fuente<-c("Q1","Q2","Q3","Residuals")
> gl<-c(1,1,1,gle)
>
>
>
>
>
>
>
1
2
3
4
SC<-c(scc1,scc2,scc3,sce)
CM<-SC/gl
Fc<-c(round(CM[1:3]/CM[4],4),"")
Fc1<-as.numeric(Fc[1:3])
pvalue1<-round(1-pf(Fc1,1,gle),4)
pvalue<-c(pvalue1,"")
data.frame(fuente,gl,SC,CM,Fc,pvalue)
fuente gl
SC
CM
Fc pvalue
Q1 1 64.8 64.80 99.6923
0
Q2 1 0.4 0.40 0.6154 0.4442
Q3 1 19.6 19.60 30.1538
0
Residuals 16 10.4 0.65
Prueba de Scheffe
Es una prueba que permite realizar pruebas sobre cualquier funcin estimable de
medias de la variable respuesta de todos los tratamientos. Esto quiere decir que se
puede realizar infinitas pruebas simultneas aunque en la prctica se realice un nmero
finito de pruebas simultneas. Inclusive esta prueba es vlida para comparaciones
sugeridas por los datos. Luego, las hiptesis son sobre las siguientes funciones lineales
de parmetros:
t
L Ci i donde
i 1
C
i 1
Para aplicar esta prueba se requiere que los ij son variables aleatorias independientes
distribuidas normalmente con media cero y variancia comn 2 .
Para probar las siguientes hiptesis
t
H 0 : Ci i 0 contra
i 1
t
H a : Ci i 0
i 1
Nivel de significacin
Se utiliza el siguiente valor crtico de la prueba
VCS S L
donde:
t
L CiYi.
i 1
S L CME
i 1
Ci2
ni
t 1 F1 ,t 1,GLE
t = nmero de tratamientos
Se acepta H 0 , si
L VCS
Se rechaza H 0 , si
20 L VCS
Ejemplo: Con los datos de tiempo de coagulacin, pruebe:
H 0 : A B C D 0 contra la alternativa H a : A B C D 0
0.05
Yi.
A
61
B
66
C
68
D
61
ni
Ci
-1
-1
L CiYi. 1 61 1 66 1 68 1 61 2
i 1
C2
S L CME i
i 1 ni
4
VCS SL
12 12 12 12
1.991649
5.6
6
6
8
4
tiempo<-coag[,1]
dieta<-coag[,2]
yp<-tapply(tiempo,dieta,mean)
ci<-c(1,1,-1,-1)
lab<-abs(t(ci)%*%yp)
lab
[,1]
[1,]
2
> re<-tapply(tiempo,dieta,length)
> mod<- lm(tiempo~dieta)
> cme<-deviance(mod)/df.residual(mod)
> sdl<-sqrt(cme*(sum(ci^2/re)))
> vcs5<-sdl*sqrt(3*qf(0.95,3,20))
> vcs5
[1] 6.072138
> vcs10<-sdl*sqrt(3*qf(0.9,3,20))
> vcs10
[1] 5.321939
El Mtodo de Bonferroni
Este mtodo se basa en la desigualdad de Bonferroni, el cual dice: dado una secuencia
de eventos Aj , P
H a : i i , para i i , y i, i 1, 2,
.t
.t
VCB i, i t
Y Y
,GLE i . i.
1
2 nc
donde:
1 1
SYi . Yi. CME
ni ni
Se rechaza H 0 para i i , y i, i 1, 2,
. t , si
H 0 : i i
H a : i i
Para i i , i, i A, B, C, D
i
Yi.
A
61
D
61
B
66
C
68
ni
0.05
,20
1
12
> qt(0.9958333,20)
[1] 2.927116
Comparaciones
Yi Yi
C-A
C-D
C-B
B-A
B-D
D-A
*=significativo ,
SYi Yi
7
1.5275
7
1.2780
2
1.3663
5
1.5275
5
1.2780
0
1.4491
ns= no significativo
4.471243*
3.74091*
3.999201ns
4.471243*
3.74091*
4.241793ns
4.471243
3.740910
3.999201
4.471243
3.740910
4.241793
> pairwise.t.test(tiempo,dieta,p.adjust.method="bonferroni")
Pairwise comparisons using t tests with pooled SD
data:
b
c
d
a
0.02282
0.00108
1.00000
b
0.95266
0.00518
c
0.00014
Nota el R da los pvalue ajustado de manera que se pueda tomar decisiones con la tasa
de error del experimento.
Prueba de Comparaciones Mltiple con el Mejor
El objetivo de esta prueba es seleccionar el conjunto de tratamientos o un slo
tratamiento (si es posible) que proporcione el resultado ms deseable. El procedimiento
de comparaciones mltiple con el mejor (CMM) permite al investigador clasificar los
tratamientos de manera que la mejor poblacin est incluida en subconjunto con un
nivel de confianza dado. Existen dos casos:
a) Eleccin de subconjunto con la media ms grande
b) Eleccin de subconjunto con la media ms pequea
a) Eleccin de subconjunto con la media ms grande
i . mx j , para i 1, 2,
j i
,t
j i
no es el mejor.
Los intervalos de confianza simultneos (ICS) de las CMM para i . mx j tiene la
j i
restriccin de incluir el cero con la perspectiva de que a la larga dos tratamientos nunca
tienen promedio idnticos. El intervalo de confianza CMM restringido establece que el
tratamiento i es uno de los mejores si el intervalo para i . mx j incluye el cero o el
j i
cero es su lmite inferior. Por el contrario, si el lmite superior del intervalo para
i . mx j es cero, entonces el tratamiento i no es el mejor. El procedimiento para
j i
2CME
, donde d ,t 1, gle es el estadstico tabulado para las
r
comparaciones de un lado en la Tabla IV del apndice del texto Diseos de
Experimentos de Robert Kuehl para una tasa experimental de , t 1 comparaciones y
gle grados de libertad del error experimental.
3.- Encontrar los intervalos de confianza restringidos. El lmite inferior del intervalo de
confianza restringido para i . mx j es:
j i
D M , Si Di M 0
L i
de otra manera
0
y el lmite superior de confianza para i . mx j es:
j i
D M , Si Di M 0
U i
de otra manera
0
4.- Para obtener el mejor tratamiento o el conjunto de los mejores de tratamientos con
una tasa de error experimental de se selecciona a aquellos tratamientos cuyo lmite
superior cumple con la regla: Di M 0
b) Eleccin de subconjunto con la media ms pequea
En este caso los parmetros de inters son:
i . min j , para i 1, 2,
j i
,t
j i
no es el mejor.
El procedimiento para construir los intervalos de confianza simultneos se da a
continuacin:
1.- Se calcula la diferencia, Di yi min y j , para i 1, 2,
j i
2CME
, donde d ,t 1, gle es el estadstico tabulado para las
r
comparaciones de un lado en la Tabla IV del apndice del texto Diseos de
Experimentos de Robert Kuehl para una tasa experimental de , t 1 comparaciones y
gle grados de libertad del error experimental.
3.- Encontrar los intervalos de confianza restringidos. El lmite inferior del intervalo de
confianza restringido para i . min j es:
j i
D M , Si Di M 0
L i
de otra manera
0
y el lmite superior de confianza para i . min j es:
j i
D M , Si Di M 0
U i
de otra manera
0
4.- Para obtener el mejor tratamiento o el conjunto de los mejores de tratamientos con
una tasa de error experimental de se selecciona a aquellos tratamientos cuyo lmite
inferior cumple con la regla: Di M 0
Observacin: Hsu (1996) desarroll su metodologa para el caso balanceado donde las
variancias de la diferencia de media de la variable respuesta de tratamientos son todos
iguales. Por otro lado, para el caso del Diseo completamente aleatorizado
desigualmente repetido, recomienda algunas aproximaciones basadas en desigualdades
de probabilidad, que paquetes como el Minitab ha incorporado
Ejemplo: Un ingeniero de desarrollo de producto le interesa determinar si el porcentaje
de algodn en una fibra sinttica afecta la tensin, y ha llevado a cabo un experimento
completamente aleatorizado con 5 niveles del peso porcentual de algodn y cinco
rplicas. los resultados sobre resistencia en lb/pulg2 del experimento se muestra a
continuacin:
> algodon
Resistencia Porcentajes
1
7
15
2
7
15
3
15
15
4
11
15
5
9
15
6
12
20
7
17
20
8
12
20
9
18
20
10
18
20
11
14
25
12
18
25
13
18
25
14
19
25
15
19
25
16
19
30
17
25
30
18
22
30
19
19
30
20
23
30
21
7
35
22
10
35
23
11
35
24
15
35
25
11
35
One-way ANOVA: Resistencia versus Porcentajes
Source
Porcentajes
Error
Total
S = 2,839
Level
15
20
25
30
35
N
5
5
5
5
5
DF
4
20
24
SS
475,76
161,20
636,96
MS
118,94
8,06
R-Sq = 74,69%
Mean
9,800
15,400
17,600
21,600
10,800
StDev
3,347
3,130
2,074
2,608
2,864
F
14,76
P
0,000
R-Sq(adj) = 69,63%
Lower
-15,938
-10,338
-8,138
-0,138
-14,938
Center
-11,800
-6,200
-4,000
4,000
-10,800
Upper
0,000
0,000
0,138
8,138
0,000
---+---------+---------+---------+-----(-----*----------------)
(-----*--------)
(-----*-----)
(-----*-----)
(-----*--------------)
---+---------+---------+---------+------14,0
-7,0
0,0
7,0
En este caso el conjunto de los tratamientos con mejores resistencia promedio est dado
por los tratamientos con los porcentajes de algodn 25 y 30
En el caso del tiempo de coagulacin, si estuviramos interesados en determinar con
cuales de las dietas se obtienen las menores medias de los tiempos de coagulacin,
aplicando la prueba de Hsu se tiene:
ANOVA unidireccional: Tiempo vs. dieta
Fuente
dieta
Error
Total
GL
3
20
23
S = 2.366
Nivel
A
B
C
D
N
4
6
6
8
SC
228.00
112.00
340.00
MC
76.00
5.60
F
13.57
R-cuad. = 67.06%
Media
61.000
66.000
68.000
61.000
Desv.Est.
1.826
2.828
1.673
2.619
P
0.000
R-cuad.(ajustado) = 62.12%
ICs de 95% individuales para la media
basados en Desv.Est. agrupada
-----+---------+---------+---------+---(-------*--------)
(------*------)
(------*-----)
(----*-----)
-----+---------+---------+---------+---60.0
63.0
66.0
69.0
Inferior
-3.214
0.000
0.000
-3.214
Centro
0.000
5.000
7.000
0.000
Superior
3.214
8.388
10.388
3.214
---------+---------+---------+---------+
(--------*--------)
(-------------*---------)
(-------------------*---------)
(--------*--------)
---------+---------+---------+---------+
0.0
3.5
7.0
10.5
Muestra 2
X21
X22
...
Muestra k
Xk1
Xk2
.
.
.
.
.
.
.
.
.
X 1n1
X 2n 2
X kn k
ni
(1)
i 1
Ri
R X ij
ni
i=1, 2, ..., k
(2)
j 1
4
S i 1 ni
(3)
donde
1
S
R X ij
N 1 i, j
2
N N 1
N N 1
si no hay empates S se simplifica a
4
(4)
k
Ri2
12
T
3 N 1
N N 1 i 1 ni
(5)
Si hay pocos empates (nmero de empates moderado) de manera que los valores
obtenidos con la ecuacin (3) y (5) son muy prximos, entonces se prefiere usar
ecuacin (5).
Regla de decisin :
Si k=3, todos los tamaos de muestras son 5 o menos y no hay empates, el cuantil
exacto puede ser obtenido de la tabla A8. Tabla ms completa pueden ser obtenidos de
Iman Quade y Alexander (1975). Cuando hay empates o cuando tablas exactas no son
disponibles, entonces se puede usar la aproximacin
T 2k 1 | H0 es cierta
Comparaciones Mltiples :
Si y solamente si la hiptesis nula es rechazada, se puede usar el siguiente
procedimiento para determinar cuales de los pares de poblaciones tiende a ser
diferentes. As, para ver si existe diferencia entre las poblaciones i y j a un nivel de
significacin se compara:
Ri R j
ni n j
con
S 2 N 1 T 1
1
t 1 , N k
2
N k
ni n j
1/ 2
As si
S 2 N 1 T 1
Ri R j
1
t 1 , N k
2
ni n j
N k
ni n j
1/ 2
A
73
77
67
71
A
Observ.
73
77
67
71
Ri
ni
Rango
4
6.5
1
2
13.5
4
Mtodos
B
C
Observ. Rango Observ. Rango
91
15
72
3
90
14
76
5
81
10
79
9
83
11.5
77
6.5
84
13
78
8
83
11.5
75
31.5
6
5
N=15
2
2
2
N N 1 1
15 15 1
1
S
R X ij
19.92857
1239
N 1 i , j
4
4
15 1
1
T 2
S
2
k R 2 N N 12
15 15 1
1
i
1181.513
11.11535
4
4
i 1 ni
19.92857
Ri R j
ni n j
AyB
AyC
ByC
9.125
2.925
6.2
>
>
>
>
>
1/ 2
S 2 N 1 T 1 1
t1 , N k
2
N k
ni n j
3.078296*
3.199059ns
2.887698*
curso<-read.table("calif.txt",T)
calificacin<-curso[,1]
mtodo<-curso[,2]
library(agricolae)
kruskal(calificacin,mtodo)
Study:
Kruskal-Wallis test's
Ties or no Ties
Value: 11.11532
degrees of freedom: 2
Pvalue chisq : 0.003857788
mtodo,
a
b
c
calificacin replication
3.375
4
12.500
6
6.300
5
t-Student: 2.178813
Alpha
: 0.05
LSD
: 3.057705
Harmonic Mean of Cell Sizes 4.864865
Means with the same letter are not significantly different
Groups, Treatments and mean of the ranks
a
b
12.5
b
c
6.3
b
a
3.375
> kruskal(calificacin,mtodo,group=FALSE)
Study:
Kruskal-Wallis test's
Ties or no Ties
Value: 11.11532
degrees of freedom: 2
Pvalue chisq : 0.003857788
mtodo,
a
b
c
calificacin replication
3.375
4
12.500
6
6.300
5
Difference
pvalue sig
LCL
UCL
-9.125 0.000032 *** -12.203296 -6.0467039
-2.925 0.069606
. -6.124059 0.2740591
6.200 0.000534 ***
3.312302 9.0876977