Testmedias

Contraste sobre el vector de medias.
Curso: Análisis de datos Multivariantes.
M.Sc. Daira Luz Velandia Muñoz.

dvelandia@unitecnologica.edu.co
Universidad Tecnológica de Bolívar.
18 de junio del 2011
M.Sc. Daira Luz Velandia Muñoz. (UTB) Contraste sobre el vector de medias. 18 de junio del 2011 1 / 33
1 Test de uno o dos vectores de medias.
2 Análisis de perfiles.
Test de uno o dos vectores de medias.
Argumentos a favor de un enfoque multivariante para pruebas de hi-
pótesis:
pótesis:
El uso de las p pruebas univariantes infla el error tipo I, α mientras

que las pruebas multivariantes preservan a α en un nivel exacto.
pótesis:
El uso de las p pruebas univariantes infla el error tipo I, α mientras

que las pruebas multivariantes preservan a α en un nivel exacto.
Las pruebas univariantes ignoran completamente la correlación

entre las variables, mientras que las pruebas multivariantes hacen
uso directo de las correlaciones.
Las pruebas multivariantes son más potentes en muchos casos. En
algunos casos todas las p de las pruebas univariantes no alcanzan
significación, pero la prueba multivariante es significativa porque
pequeños efectos en algunas variables se combinan conjuntamente
para indicar significancia.
Las pruebas multivariantes son más potentes en muchos casos. En
algunos casos todas las p de las pruebas univariantes no alcanzan
significación, pero la prueba multivariante es significativa porque
pequeños efectos en algunas variables se combinan conjuntamente
para indicar significancia.
Muchas pruebas multivariantes que envuelven medias tienen co-

mo un subproducto la construcción de una combinación lineal de
variables que revelan más acerca de cómo las variables se unen
para rechazar hipótesis.
Test de µ con Σ conocida.
Test de µ con Σ conocida.
Prueba univariada para H0 : µ = µ0 con σ 2 conocida.
Se asume una muestra aleatoria de n observaciones y1 , y2 , · · · , yn
para una N(µ, σ 2 ), con σ 2 conocida.
Se calcula Pn
yi
ȳ = i=1
n
y se compara con µ0 usando el test estadístico:

ȳ −µ0 ȳ −µ0
t= σȳ
= σ
√
n
La cual se distribuye N(0, 1) si H0 es verdadera. Para α = 0, 05

se rechaza H0 si | Z |> 1, 96.
Pruebas multivariantes para H0 : µ = µ0 con Σ conocida.
       
µ1 µ01 µ1 µ01
 µ2   µ02  µ2   µ02 
      
 
H0 :  ..  =  ..  , H1 : 
    ..  6=  .. 
 
 .   .  .   . 
 

µp µ0p µp µ0p
Para poner a prueba H0 se usa una muestra aleatoria de n vectores
P y1 , y2 , · · · , yn de Np (µ, Σ), con Σ conocida y se
de observación
n
i y
calcula ȳ = i=1n
.
El estadístico de prueba es:
Z 2 = n(ȳ − µ0 )T Σ−1 (ȳ − µ0 )
Si H0 es verdadera, Z 2 se distribuye como χ2p , por tanto se rechaza

H0 si Z 2 > χ2α,p .
Ejemplo 1
Los datos del archivo HandW.txt corresponden a la estatura y el pe-
so de una muestra de 20 hombres en edad escolar. Se asume que la
muestra es originaria de N2 (µ, Σ), donde:
!
20 100
Σ=
100 100
Se quiere probar H0 : µ = (70, 170)T .
Fig 1: Región elíptica de aceptación.
Fig 2: Regiones de aceptación y rechazo para pruebas univariadas y
multivariadas.
La figura muestra la región de aceptación (rectángulo) en el caso de
pruebas univariantes superpuesta en la región de aceptación multiva-
riante (elipse). El rectángulo fué obtenido calculando las dos regiones
de aceptación:
µ01 − 1, 96 √σ1n < y¯1 < µ01 + 1, 96 √σ1n
µ02 − 1, 96 √σ2n < y¯2 < µ02 + 1, 96 √σ2n
Test de µ con Σ desconocida.
Test de µ con Σ desconocida.
Examen de la prueba univariada para H0 : µ = µ0 con σ 2 desco-
nocida.
Se asume que se dispone de una muestra aleatoria que se distri-
buye N(µ, σ 2 ).
Se estima µ con ȳ y σ 2 con S 2 , donde ȳ y S son:
Pn Pn
y
i=1 i
(yi −ȳ )2
ȳ = n
y S2 = i=1
n−1
se usa:
√
ȳ −µ0 n(ȳ −µ0 )
t= S
√
= S
n
Si H0 es verdadera, t se distribuye como tn−1 . Se rechaza H0 si

√
n(ȳ −µ0 )
| n
|> t α2 ,n−1 .
Test de Hotelling para H0 : µ = µ0 con Σ desconocida.
Se asume un muestra aleatoria de n observaciones y1 , y2 , · · · , yn
para una Np (µ, σ 2 ), con σ 2 desconocida, donde yi contiene p
mediciones en la i-ésima unidad de muestreo.
Se estima µ por ȳ y Σ por S, donde
 
ȳ1
 ȳ2 
Pn   Pn
y
i=1 i 2 (y −ȳ )(yi −ȳ )T
i=1 i
ȳ = n =  ..   y S = n−1
 . 

ȳp
Para poner a prueba H0 se usa:
T 2 = n(ȳ − µ0 )T S −1 (Ȳ − µ0 )
Se rechaza H0 si T 2 > Tα,p,n−1

2
.
La forma característica del estadístico T 2 es:
T 2 = (ȳ − µ0 )T ( Sn )−1 (Ȳ − µ0 )
Y tiene dos características:
T 2 = (ȳ − µ0 )T ( Sn )−1 (Ȳ − µ0 )

S
n
es la matriz de covarianza muestral de ȳ y sirve como matriz
de normalización de la función de distancia.
T 2 = (ȳ − µ0 )T ( Sn )−1 (Ȳ − µ0 )

S
n
es la matriz de covarianza muestral de ȳ y sirve como matriz
de normalización de la función de distancia.
Si y1 , y2 , · · · , yn se distribuyen Np (µ, Σ), se deduce que
ȳ ∼ Np (µ, n1 Σ), (n − 1)S ∼ W (n − 1, Σ) y ȳ y S son inde-
pendientes.
Si la prueba indica rechazo de H0 : µ = µ0 , la cuestión que surge
es cómo y qué variable o variables contribuyen más al rechazo.
Propiedades de la prueba T 2 :
Se deben tener n − 1 > p.
En ambos casos (una muestra y dos muestras) los grados de li-
bertad para el estadístico pueden ser calculados de forma análoga
como para el estadístico t en el caso univariante. v = n − 1.
La hipótesis alternativa es de dos colas.
La hipótesis alternativa es de dos colas.
2
En el caso univariante, tn−1 = F1,n−1 . El estadístico T 2 puede
también convertirse en una F .
( v −p+1
vp
2
Tpv = Fp,v −p+1 ).
Ejemplo 2
Los datos presentados en el archivo calcium.txt tienen 10 observaciones
en 3 variables. Los niveles deseados para y1 , y2 y y3 son 15, 6 y 2.85
respectivamente. Probar la hipótesis
 
15
 6 
H0 : µ =  
2,85
Comparando dos vectores de medias
Revisión del test univariante para dos muestras.
Se obtienen las muestras aleatorias y11 , y12 , · · · , y1n para una
N(µ1 , σ12 ) y y21 , y22 , · · · , y2n para una N(µ2 , σ22 ).
Se asume las muestras son independientes y que σ12 = σ22 = σ 2 ,
desconocida.
Se asume las muestras son independientes y que σ12 = σ22 = σ 2 ,
desconocida.
Se calcula ȳ1 y ȳ2 ,
SS1 = ni=1 (y1i − ȳ1 )2 = (n1 − 1)S12
P
SS2 = ni=1 (y2i − ȳ2 )2 = (n2 − 1)S22

P
SS1 +SS2
Spl2 = n1 +n2 −2
donde n1 + n2 − 2 es la suma de los pesos n1 − 1 y n2 − 1 en el

numerador.
Las hipótesis nula y alternativa son respectivamente:
H0 : µ1 = µ2 y H1 : µ1 6= µ2
H0 : µ1 = µ2 y H1 : µ1 6= µ2
ȳ1 −ȳ2
t= q 1 1
Spl n1
+n
1
El cual tiene una distribución t con n1 + n2 − 2 grados de libertad

cuando H0 es verdadera. Se rechaza H0 si | t |> t α2 ,n1 +n2 −2
Test T 2 para dos muestras
Se obtienen las muestras aleatorias y11 , y12 , · · · , y1n1 para una
Np (µ1 , Σ21 ) y y21 , y22 , · · · , y2n2 para una Np (µ2 , σ22 ).
Se asume las muestras son independientes y que Σ1 = Σ2 = Σ,
desconocida.
desconocida.
Se calcula ȳ1 y ȳ2 .
desconocida.
Se calcula ȳ1 y ȳ2 .
Se definen W1 y W2 como las matrices de sumas de cuadrados y
el producto cruzado para las dos muestras:
W1 = ni=1 (y1i − ȳ1 )(y1i − ȳ1 )T = (n1 − 1)S1
P 1
Pn2
W2 = i=1 (y2i − ȳ2 )(y2i − ȳ2 )T = (n2 − 1)S2
1
Spl = n1 +n2 −2
(W1 + W2 )
H0 : µ1 = µ2 y H1 : µ1 6= µ2
H0 : µ1 = µ2 y H1 : µ1 6= µ2
T2 = n1 n2
(ȳ
n1 +n2 1
− ȳ2 )T Spl−1 (ȳ1 − ȳ2 )
2
El cual está distribuido como Tp,n 1 +n2 −2
cuando H0 es verdadera.
2 2
Se rechaza H0 si T > Tα,p,n1 +n2 −2 .
Propiedades de la prueba T 2 para dos muestras:
Es necesario que n1 + n2 − 2 > p.
El estadístico T 2 es un escalar.
Puesto que el límite inferior de T 2 es cero y no tiene límite supe-
rior, la densidad es sesgada.
Para los grados de libertad de T 2 se tienen n1 + n2 − 2.
La hipótesis alternativa H1 : µ1 6= µ2 es de dos colas.
La hipótesis alternativa H1 : µ1 6= µ2 es de dos colas.
El estadístico T 2 puede ser fácilmente transformado a un estadís-
tico F usando:
n1 +n2 −p−1 2
(n1 +n2 −2)p
T = Fp,n1 +n2 −p−1 .
Ejemplo 3
Los datos presentados en el archivo sico.txt tienen 64 observaciones en
4 variables de 32 hombres y 32 mujeres.
Las variables son:
y1 =inconsistencias pictóricas.
y2 =tablas de forma.
y3 =reconocimiento de herramienta.
y4 =vocabulario.
La respuesta registrada para cada variable fue el número de preguntas

contestadas correctamente.
Probar la hipótesis µH = µM .
Pruebas en variables individuales condicionadas en
rechazo de H0 por la prueba T 2
Si la hipótesis µ1 = µ2 es rechazada, la implicación es que µ1j 6= µ2j
para alguna j = 1, 2, 3, · · · , p.
Pero esto no garantiza que µ1j = µ2j pueda ser rechazado para algún
j para el test univariante.
Por tanto si se considera una combinación lineal de las variables,
z = aT y , entonces hay al menos un vector coeficiente para el cual:
z̄1 −z̄2
t(a) = q
( n1 + n1 )Sz2
1 2
la cual rechaza la hipótesis H0 = µz1 = µz2 ó H0 = aT µ1 = aT µ2 .

Como z̄1 = aT ȳ1 , z̄2 = aT ȳ2 y sz2 es el estimador de aT Spl a,entonces:
T T ȳ
t(a) = q an ȳ+n1 −a 2
( 1 2 )aT S a
n1 n2 pl
Se busca la línea (dirección) en la cual la diferencia ȳ1 − ȳ2 sea maxi-
mizada cuando es proyectada.
El valor de a que maximiza t 2 (a) es:
a = Spl−1 (ȳ1 − ȳ2 )
Dado que a proyecta ȳ1 − ȳ2 sobre una línea paralela a la línea conjunta
ȳ1 y ȳ2 se espera que t 2 (a) = T 2 .
Ejemplo 4
Para el ejemplo anterior, encuentre la mejor combinación lineal que
separe los dos grupos.
Análisis de perfiles.
Análisis de perfil de una sola muestra:
Sea Y la matriz de datos. Para comparar las medias µ1 , µ2 , µ3 , · · · , µp

en µ, la hipótesis básica es que el perfil está en nivel o que es plano:
H 0 : µ1 = µ2 = · · · = µp vs H1 : µj 6= µk para algún j 6= k.
No se puede usar el análisis de varianza para probar H0 porque las
columnas en Y no son independientes.
Para un enfoque multivariado, el cual permite correlación entre las
variables, primero se expresa H0 con p − 1 comparaciones:
µ1 − µ2 µ1 − µ2
       
0 0
 µ2 − µ3  0   µ −µ   0
       
 =  .  o como H0 :  1 . 3  =  .
 
H0 :  ..  .  ..  .

.  .   .
    
    
µp−1 − µp 0 µ1 − µp 0
Es decir, H0 : C1 µ = 0 y H0 : C2 µ = 0, con C1 y C2 matrices de
(p − 1)xp:
1 −1 0 · · ·
 
0
 0 1 −1 · · · 0
 

C1 = 
 .. .. .. ..  y
 . . . ··· .


0 0 0 ··· −1
1 −1 0 · · ·
 
0
 1 0 −1 · · · 0
 

C2 = 
 .. .. .. .. 
 . . . ··· .


1 0 0 ··· −1
Para una muestra y1 , y2 , · · · , yp se obtienen estimadores de los
parámetros poblacionales µ y Σ.
Para probar H0 : C µ = 0 transformamos cada yi , i = 1, 2, · · · , p
en zi = cyi , la cual es una matriz de (px 1)x 1.
T
T 2 = (C ȳ )T ( CSC
n
)−1 (C ȳ ) se distribuye Tp−1,n−1
2
.
T
T 2 = (C ȳ )T ( CSC
n
)−1 (C ȳ ) se distribuye Tp−1,n−1
2
.
Rechazamos H0 : C µ = 0 si T 2 > Tα,p−1,n−12
.
Análisis de perfil de dos muestras:
Ahora tenemos dos grupos independientes al que se le realizan las
mismas p mediciones.
Probando la hipótesis µ1 = µ2 deseamos ser más específico en compa-
ración con los perfiles obtenidos por la conexión de los puntos (j, µj ),
j = 1, 2, · · · , p y (j, µj ), j = 1, 2, · · · , p.
Hay tres hipótesis de interés al comparar los perfiles de las dos mues-
tras.
¿Son los dos tipos de perfiles similares en apariencia, o más pre-
cisamente, son paralelos?.
I Si dos perfiles son paralelos, entonces el grupo puntea uniformi-

dad igual que el otro grupo en todas las p pruebas.
I Si dos perfiles son paralelos, entonces el grupo puntea uniformi-

dad igual que el otro grupo en todas las p pruebas.
I La hipótesis de paralelismo puede ser definida en términos de
pendientes.
La hipótesis puede ser expresada como:
µ12 − µ11 µ22 − µ21
   
 µ13 − µ12   µ23 − µ22

   

H0 :  .. = .. 
. .
   
   
µ1p − µ1,p−1 µ2p − µ2,p−1
Usando la matriz de contraste es equivalente a:
H01 : C µ1 = C µ2 .
µ12 − µ11 µ22 − µ21
   
 µ13 − µ12   µ23 − µ22 

   
H0 :  .. =
  .. 
. .

   
µ1p − µ1,p−1 µ2p − µ2,p−1
H01 : C µ1 = C µ2 .
Usamos ȳ1 , ȳ2 y Spl como los estimadores de µ1 ,µ2 y Σ.
µ12 − µ11 µ22 − µ21
   
 µ13 − µ12   µ23 − µ22 

   
H0 :  .. =
  .. 
. .

   
µ1p − µ1,p−1 µ2p − µ2,p−1
H01 : C µ1 = C µ2 .
T 2 = (C ȳ1 − C ȳ2 )T [(CSpl C T )( n11 + n12 )]−1 (C ȳ1 − C ȳ2 ) de
2
distribuye Tp−1,n 1 +n2 −2
.
µ12 − µ11 µ22 − µ21
   
 µ13 − µ12   µ23 − µ22 

   
H0 :  .. =
  .. 
. .

   
µ1p − µ1,p−1 µ2p − µ2,p−1
H01 : C µ1 = C µ2 .
2
.
Si H01 es rechazada se puede seguir con la prueba univariante en
las componentes individuales de C (ȳ1 − ȳ2 ).
µ12 − µ11 µ22 − µ21
   
 µ13 − µ12   µ23 − µ22 

   
H0 :  .. =
  .. 
. .

   
µ1p − µ1,p−1 µ2p − µ2,p−1
H01 : C µ1 = C µ2 .
2
.
Si H01 es rechazada se puede seguir con la prueba univariante en
las componentes individuales de C (ȳ1 − ȳ2 ).
Es posible calcular la función discriminante:
a = (CSpl C T )−1 C (ȳ1 − ȳ2 ).
La segunda hipótesis de interés en la comparación de los dos
perfiles es:
¿Son los dos grupos del mismo nivel? (igualdad de respuesta)
La segunda hipótesis de interés en la comparación de los dos
perfiles es:
¿Son los dos grupos del mismo nivel? (igualdad de respuesta)
µ +µ +···+µ µ +µ +···+µ
I H02 : 11 12p 1p
= 21 22p 2p
Es decir, H02 : j T µ1 = j T µ2
Si H01 es verdadera, H02 se puede dibujar como en la siguiente
figura a.
Si H02 es falsa,entonces los perfiles difieren por una constan-
te.(con H01 es verdadera-figura b)
Se estima j T (µ1 − µ2 ) con j T (ȳ1 − ȳ2 ).
T (ȳ −ȳ )
Se usa t = q j 1 2
.
j T Spl ( n1 + n1 )
1 1
T (ȳ −ȳ )
Se usa t = q j 1 2
.
j T Spl ( n1 + n1 )
1 1
Rechazar H02 si | t |> t α2 ,n1 +n2 −2 .
La tercera hipótesis de interés corresponde a los efectos principa-
les:
¿Son los perfiles planos?
La tercera hipótesis de interés corresponde a los efectos principa-
les:
¿Son los perfiles planos?
I Si H01 es verdadera, H03 se puede dibujar como en la siguiente
figura a.
Si H01 es falsa,se podría llegar a una solución separadamente para
cada grupo.
Si H01 es verdadera, los dos perfiles podrían coincidir.
H03 : µ11 +µ
2
21
= µ12 +µ
2
22
= · · · = µ1p +µ
2
2p
ó H03 : C (µ1 +µ
2
2)
= 0, donde C(p−1)xp tal que Cj = 0.
H03 : µ11 +µ
2
21
= µ12 +µ
2
22
= · · · = µ1p +µ
2
2p
ó H03 : C (µ1 +µ
2
2)
Estimamos (µ1 +µ2
2)
con ȳ = (n1nȳ11 +n2 ȳ2 )
+n2
.
Σ
con E (C ȳ ) = 0 y Cov (ȳ ) = n1 +n2 .
H03 : µ11 +µ
2
21
= µ12 +µ
2
22
= · · · = µ1p +µ
2
2p
ó H03 : C (µ1 +µ
2
2)
Estimamos (µ1 +µ2
2)
con ȳ = (n1nȳ11 +n2 ȳ2 )
+n2
.
Σ
con E (C ȳ ) = 0 y Cov (ȳ ) = n1 +n2 .
CS C T
T 2 = (C ȳ )T [( n1pl+n2 ]−1 (C ȳ ) de distribuye Tp−1,n
2
1 +n2 −2
cuando
H01 y H02 son verdaderas.

Testmedias

Загружено:

Сведения о документе

Оригинальное название

Авторское право

Доступные форматы

Поделиться этим документом

Поделиться или встроить документ

Параметры публикации

Этот документ был вам полезен?

Это неприемлемый материал?

Авторское право:

Доступные форматы

Testmedias

Загружено:

Авторское право:

Доступные форматы

Contraste sobre el vector de medias.

Curso: Análisis de datos Multivariantes.

M.Sc. Daira Luz Velandia Muñoz.

Universidad Tecnológica de Bolívar.

18 de junio del 2011

El uso de las p pruebas univariantes infla el error tipo I, α mientras

El uso de las p pruebas univariantes infla el error tipo I, α mientras

Las pruebas univariantes ignoran completamente la correlación

Muchas pruebas multivariantes que envuelven medias tienen co-

y se compara con µ0 usando el test estadístico:

La cual se distribuye N(0, 1) si H0 es verdadera. Para α = 0, 05

Z 2 = n(ȳ − µ0 )T Σ−1 (ȳ − µ0 )

Si H0 es verdadera, Z 2 se distribuye como χ2p , por tanto se rechaza

Se quiere probar H0 : µ = (70, 170)T .

Si H0 es verdadera, t se distribuye como tn−1 . Se rechaza H0 si

Se rechaza H0 si T 2 > Tα,p,n−1

T 2 = (ȳ − µ0 )T ( Sn )−1 (Ȳ − µ0 )

Y tiene dos características:

T 2 = (ȳ − µ0 )T ( Sn )−1 (Ȳ − µ0 )

Y tiene dos características:

T 2 = (ȳ − µ0 )T ( Sn )−1 (Ȳ − µ0 )

Y tiene dos características:

SS2 = ni=1 (y2i − ȳ2 )2 = (n2 − 1)S22

donde n1 + n2 − 2 es la suma de los pesos n1 − 1 y n2 − 1 en el

El cual tiene una distribución t con n1 + n2 − 2 grados de libertad

El estadístico de prueba es:

La respuesta registrada para cada variable fue el número de preguntas

la cual rechaza la hipótesis H0 = µz1 = µz2 ó H0 = aT µ1 = aT µ2 .

a = Spl−1 (ȳ1 − ȳ2 )

Sea Y la matriz de datos. Para comparar las medias µ1 , µ2 , µ3 , · · · , µp

I Si dos perfiles son paralelos, entonces el grupo puntea uniformi-

I Si dos perfiles son paralelos, entonces el grupo puntea uniformi-

 µ13 − µ12   µ23 − µ22

 µ13 − µ12   µ23 − µ22 

 µ13 − µ12   µ23 − µ22 

 µ13 − µ12   µ23 − µ22 

 µ13 − µ12   µ23 − µ22 

Rechazar H02 si | t |> t α2 ,n1 +n2 −2 .

Вам также может понравиться