Comparaciones Mltiples

Cuando se realiza un experimento, y se utiliza el modelo I, el investigador siempre est

interesado en determinar si existe o no diferencia significante entre medias de
tratamientos. Estas comparaciones pueden ser planeadas o no antes del experimento.
Las pruebas de comparaciones ms usadas son:
1) Prueba de t y DMS o DLS ( Diferencia Mnima o Limite Significante)(Para
comparaciones planeadas).
2) Prueba de Tukey (Para muchas comparaciones planeadas o comparaciones no
planeadas).
3) Prueba de Dunnett (para comparar con un tratamiento testigo o control).
4.) Prueba de t y F con contrastes.
5) Prueba de Scheffe (para funciones lineales de media o para contraste y
comparaciones no planeadas).
6) Prueba de Bonferroni (para pocas comparaciones entre en m pares).
7) La prueba de Hsu con el mejor tratamiento (cuando se desea que el mejor o el
conjunto de los mejores tratamiento sea seleccionado)
Prueba de t y Diferencia Mnima o Lmite Significante (DMS o DLS)
Esta prueba puede realizarse si se cumple las siguientes condiciones:
a) Esta prueba es vlida para comparaciones planeadas. Es decir, cuando las
comparaciones entre medias de tratamientos han sido planeados de antemano,
antes de realizar el experimento.
b) La prueba de F en el ANVA debe resultar significante.
c) Los
ij

es una variable aleatoria independiente distribuida normalmente con

media cero y variancia comn
2
.
Prueba de t
Planteamiento de hiptesis
Caso Bilateral Unilateral a la derecha Unilateral a la izquierda
0
:
i i
H

0
:
i i
H

0
:
i i
H

:
a i i
H

:
a i i
H

> :
a i i
H

<
Para i i ,
, 1, 2, , i i t K
Nivel de significacin

Estadstica de prueba

( )
~ /
i i
i i
c GLE
Y Y
Y Y
t t
S

0
H
es verdadera
donde :
GLE = Grados de libertad del error

1 1
i i
Y Y
i i
S CME
n n

1
+
1
]
Criterio de decisin
Decisin Caso Bilateral Unilateral a la
derecha
Unilateral a la
izquierda
Se acepta
0
H
, 1 ,
2 2
c
GLE GLE
t t t
_ _

, ,

( ) 1 , c GLE
t t

( ) , c GLE
t t

Se rechaza
0
H
, 1 ,
2 2
c c
GLE GLE
t t o t t
_ _

, ,
< >
( ) 1 , c GLE
t t

>
( ) , c GLE
t t

<
Diferencia mnima o lmite de significacin (DMS o DLS)
0
:
i i
H

:
a i i
H

Para i i ,
, 1, 2, , i i t K
Nivel de significacin

En la prueba de t se acepta
0
H
si
, 1 ,
2 2
c
GLE GLE
t t t
_ _

, ,

, 1 ,
2 2
i i
i i
GLE GLE
Y Y
Y Y
t t
S

_ _

, ,

1 , 1 ,
2 2
i i i i
i i Y Y Y Y
GLE GLE
t S Y Y t S

_ _


, ,

1 ,
2
i i
i i Y Y
GLE
Y Y t S

,

Y se rechaza
0
H
si
1 ,
2
i i
i i Y Y
GLE
Y Y t S

,
>
Entonces si definimos
( )
1 ,
2
,
i i
Y Y
GLE
DMS i i t S

,

o
( )
1 ,
2
,
i i
Y Y
GLE
DLS i i t S

,

Luego, un criterio para examinar si existe diferencia significativa entre medias de
tratamiento se puede usar este criterio de la diferencia mnima o lmite significante
( ) ( ) ( )
, , DMS i i o DLS i i
. Esto es, se rechaza
0
H
si
( ) ,
i i
Y Y DMS i i

>
o ( ) ,
i i
Y Y DLS i i

>
Para i i ,
, 1, 2, , i i t K
Ejemplo: Para el ejemplo de tiempo de coagulacin, suponga se ha planeado comparar
los verdaderos tiempo promedio de coagulacin que se obtiene con la dieta A y la dieta
C, use la prueba de t para realizar esta comparacin a un nivel de significacin
0.05 .
0
:
C A
H
:
a C A
H
0.05
( )
1 1 1 1
5.6 1.5275
6 4
C A
Y Y
C A
S CME
n n

1
1
+ +
1
1
]
]
68 61
4.5826
1.5275
C A
C A
c
Y Y
Y Y
t
S



( ) 0.025,20
2.086 t
y
( ) 0.975,20
2.086 t
, como
( ) 0.975,20 c
t t >
, se rechaza
0
H
Ejemplo Si se planeo realizar todas las comparaciones en el ejemplo de coagulacin a
un nivel de significacin 0.05 , use la prueba de DMS. Luego, se tiene:
0
:
i i
H

:
a i i
H

Para i i ,
, , , , i i A B C D
i
A D B C
. i
Y
61 61 66 68
i
n 4 8 6 6
Comparaciones
i i
Y Y

i i
Y Y
S

( )
( ) 0.975,20
,
i i
Y Y
DMS i i t S

C-A 7 1.5275 3.1864 *
C-D 7 1.2780 2.6659 *
C-B 2 1.3663 2.8501 ns
B-A 5 1.5275 3.1864 *
B-D 5 1.2780 2.6659 *
D-A 0 1.4491 3.0228 ns
*=significativo , ns= no significativo
Prueba de t con R
> coag<-read.table("c:/victor/datos/coag.txt",header=TRUE)
> tiempo<-coag[,1]
> dieta<-coag[,2]
> pairwise.t.test(tiempo,dieta,p.adjust.method="none")
Pairwise comparisons using t tests with pooled SD
data: tiempo and dieta
a b c
b 0.00380 - -
c 0.00018 0.15878 -
d 1.00000 0.00086 2.3e-05
P value adjustment method: none
Las comparaciones mltiples afectan las tasas de error
Para probar la hiptesis

0
:
i j
H

1
:
i j
H
para
i j
,
, 1, 2, , i j t K
se utiliza la estadstica
0
2
1 1
i j
i j
y y
t
s
r r

1
+
1
1
]
(1)
Siendo
2
s 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 estamos

dispuestos a correr en una sola comparacin .
Si se tienen
t
tratamientos entonces se pueden hacer ( ) 1 2 t t
comparaciones por
pares. Por ejemplo si se tienen cuatro tratamientos: A, B, C, D, entonces se puede hacer
( ) 4 3 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
2
s CME en el denominador es la misma, y en el
numerador de cada prueba contiene la misma media que en algunos otros estadsticos
0
t
.
Aunque las pruebas en la familia descrita no son independientes, se puede evaluar el
lmite superior para el valor del error tipo I con respecto al experimento, si se suponen
pruebas independientes. Suponiendo que las hiptesis nulas son ciertas para cada una de
las
( ) 1
2
t t
n

pruebas, la probabilidad de un error tipo I para cualquier prueba sola es
C

( la tasa respecto a la comparacin) con ( ) 1

C

como la probabilidad de una
decisin correcta. La probabilidad de cometer
x
errores tipo I est dada por la
distribucin Binomial como:
( ) ( ) 1
n x
x
C C
n
P x
x

_


,
(2)
para
0, 1, , x n K
errores tipo I. La probabilidad de no cometer error tipo I es:
( ) ( ) 0 1
n
C
P X (3)
La probabilidad de cometer al menos un error tipo I (
1, 2, , x n K
) es
( ) ( ) 1 1 0 P x P x
, o sea
( ) 1 1
n
E C
(4)
La probabilidad
E

es el riesgo de cometer al menos un error tipo I entre las

n

comparaciones independientes. Es el lmite superior de la tasa de error tipo I con
respecto al experimento, para
n
pruebas en un conjunto de medias de tratamientos.
La relacin
( )
1/
1 1
n
C E
(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
C
cuando 0.05
E

E
cuando 0.05
C

1 0.050 0.050
2 0.098 0.025
3 0.143 0.017
4 0.185 0.013
5 0.226 0.010
10 0.401 0.005
Para el caso del ejemplo de comparacin de coagulacin si fijamos una tasa de error
tipo I
0.05
C

para cada comparacin, la tasa de error tipo I para el experimento ser
de ( )
6
1 1 .05 0.265
E
y si fijamos una tasa de error tipo I para el experimento de
0.05
E

, la tasa de error tipo I para la comparacin ser de
1/ 6
1 (1 0.05) 0.009
C

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 tratamiento, 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 planeada 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
0
:
i i
H

:
a i i
H

Para i i ,
, 1, 2, , i i t K
Nivel de significacin

Clculo del Valor Crtico:

( )
1
,
2
i i
Y Y
w q t GLE S

donde:
( ) , q t GLE

=amplitud estudiantizada para la prueba de Tukey

t
= nmero de tratamiento a comparar
GLE = Grados de libertad del error
1 1
i i
Y Y
i i
S CME
n n

1
+
1
]
Se rechaza
0
H
a un nivel de significacin

, si
i i
Y Y w

>
Ejemplo Use la prueba de Tukey para realizar todas comparaciones en el ejemplo de
coagulacin a un nivel de significacin 0.05 .
i
A D B C
. i
Y
61 61 66 68
i
n 4 8 6 6

( )
0.05
4, 20 3.96 q
0
:
i i
H

:
a i i
H

Para i i ,
, , , , i i A B C D
Comparaciones
i i
Y Y

i i
Y Y
S

( )
0.05
1
4, 20
2
i i
Y Y
w q S

C-A 7 1.5275 4.2770 *

C-D 7 1.2780 3.5784 *
C-B 2 1.3663 3.82564 ns
B-A 5 1.5275 4.2770 *
B-D 5 1.2780 3.5784 *
D-A 0 1.4491 4.0575 ns
*=significativo , ns= no significativo
Con el paquete R
Para realizar esta pruebas con el lenguaje R bajar del CRAN los paquetes multcomp y
nvtnorm. 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 nvtnorm luego hacer lo
mismo con multcomp.
> coag<-read.table("d:/data2/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:
Estimate Std. Error t value Pr(>|t|)
B - A == 0 5.000e+00 1.528e+00 3.273 0.01832 *
C - A == 0 7.000e+00 1.528e+00 4.583 < 0.001 ***
D - A == 0 -1.071e-14 1.449e+00 -7.39e-15 1.00000
C - B == 0 2.000e+00 1.366e+00 1.464 0.47487
D - B == 0 -5.000e+00 1.278e+00 -3.912 0.00433 **
D - C == 0 -7.000e+00 1.278e+00 -5.477 < 0.001 ***
---
Signif. codes: 0 *** 0.001 ** 0.01 * 0.05 . 0.1
1
(Adjusted p values reported -- single-step method)
Con otro comando en R
> coag<-read.table("d:/data2/coag.txt",header=T)
> mod<-aov(Tiempo~dieta,data=coag)
> TukeyHSD(mod,"dieta")
Tukey multiple comparisons of means
95% family-wise confidence level
Fit: aov(formula = Tiempo ~ dieta, data = coag)
$dieta
diff lwr upr p adj
B-A 5.000000e+00 0.7245544 9.275446 0.0183283
C-A 7.000000e+00 2.7245544 11.275446 0.0009577
D-A -1.421085e-14 -4.0560438 4.056044 1.0000000
C-B 2.000000e+00 -1.8240748 5.824075 0.4766005
D-B -5.000000e+00 -8.5770944 -1.422906 0.0044114
D-C -7.000000e+00 -10.5770944 -3.422906 0.0001268
Prueba de Dunnett (comparaciones de todas las medias de tratamientos con un control
o testigo)
Tratamiento testigo o control: Es un tratamiento estndar, cuya efectividad es conocida.
Este tratamiento se usa cuando la efectividad de los tratamientos en estudio es no
conocido o cuando la efectividad general de los tratamientos bajo estudio es conocido
pero no es consistente bajo todas las condiciones.
Ejemplo: En un experimento para comparar el efecto de tres nuevos Aditivos para
gasolina, el tratamiento de control puede ser sin aditivo.
Procedimiento: Para realizar la comparacin de todas las medias de tratamiento con la
media del tratamiento testigo se usa la prueba de Dunnett. Para aplicar esta prueba
requiere:
a) Las comparaciones deben ser planeada
b) Los
ij

sea una variable aleatoria independiente distribuida normalmente con

media cero y variancia comn
2
.
0 1
:
i
H
1
:
a i
H
, para
2, , i t K
Donde:
1

= es la media del tratamiento testigo o de control

Nivel de significacin

Valor Crtico:
( )
1
, ,
i
Dunnet Y Y
d t t GLE S


, para
2, , i t K
donde :
( ) , ,
Dunnet
t t GLE
= t de Dunnett con un nivel de significacin

.
t
= nmero de tratamiento a comparar
GLE = Grados de libertad del error
1 1
i i
Y Y
i i
S CME
n n

1
+
1
]
Se rechaza
0
H
aun nivel de significacin

, si
1 i
Y Y d >
, para
2, , i t K
Ejemplo: Suponga que el tratamiento A es el testigo. Use la prueba de Dunnett para
realizar la comparacin entre media de tratamiento testigo con el resto a un nivel de
significacin 0.05 .
0
:
i A
H
:
a i A
H
, para
, , i B C D
0.05
( ) 0.05, 3, 20 2.54
Dunnett
t
Comparaciones
i i
Y Y

i i
Y Y
S

( ) 0.05, 4, 20
i A
Dunnett Y Y
d t S


D-A 0 1.4491 3.6807 ns
C-A 7 1.5275 3.8799 *
B-A 5 1.5275 3.8799 *
*=significativo , ns= no significativo
Usando el paquete R
> library(multcomp)
> coag<-read.table("d:/data2/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
Multiple Comparisons of Means: Dunnett Contrasts
Fit: aov(formula = Tiempo ~ dieta, data = coag)
Linear Hypotheses:
Estimate Std. Error t value Pr(>|t|)
B - A == 0 5.000e+00 1.528e+00 3.273 0.00955 **
C - A == 0 7.000e+00 1.528e+00 4.583 < 0.001 ***
D - A == 0 -1.071e-14 1.449e+00 -7.39e-15 1.00000
---
Signif. codes: 0 *** 0.001 ** 0.01 * 0.05 . 0.1 1
(Adjusted p values reported -- single-step method)
Prueba de t y F con Contraste
Contraste: Son subconjunto de funciones lineales de totales o media de tratamientos
estimados. De esta manera si se tiene t tratamiento, de modo que el tratamiento i est
repetido
i
n
veces en el experimento, entonces un contraste se define:
. .
1 1
t t
i i i i i
i i
Q CY n CY



, con
1
0
t
i i
i
n C

En el caso que
1 2 t
n n n n L
, entonces
. . .
1 1 1
t t t
i i i i i i
i i i
Q CY nCY n CY



, con
1 1
0
t t
i i
i i
nC n C



,
1
0
t
i
i
C

Luego, para el caso Balanceado o igualmente repetido (

1 2 t
n n n n L
), un
contraste se define:

. .
1 1
t t
i i i i
i i
Q CY n CY



, con
1
0
t
i
i
C

Contrastes Ortogonales:
Dos contrastes:
1 1 .
1
t
i i
i
Q C Y

y
2 2 .
1
t
i i
i
Q C Y

son ortogonales si
1
1
0
t
i i
i
n C

,
2
1
0
t
i i
i
n C

y
1 2
1
0
t
i i i
i
n C C

En el caso de igualmente repetido (

1 2 t
n n n n L
),
1 1 .
1
t
i i
i
Q C Y

y
2 2 .
1
t
i i
i
Q C Y

son ortogonales si
1
1
0
t
i
i
C

,
2
1
0
t
i
i
C

y
1 2
1
0
t
i i
i
C C

Nota: En un experimento con t tratamiento y dado un contraste base entonces se puede

formar t-1 contrastes ortogonales.
Media y variancia de un contraste: Sea
. .
1 1
t t
i i i i i
i i
Q CY n CY



, entonces la media del
contraste est dado por:
[ ]
. . .
1 1 1 1
t t t t
i i i i i i i i i i i
i i i i
E Q E CY E n CY n C E Y n C

1 1
1
1 1 ]
] ]

[ ]
1
t
i i i
i
E Q n C

y la variancia est dado por:

[ ]
2
2 2 2 2 2 2
. .
1 1 1 1
t t t t
i i i i i i i i i i
i i i i
i
Var Q Var n CY n C Var Y n C n C
n

1
1
1 ]
]

[ ]
2 2
1
t
i i
i
Var Q n C

Distribucin Muestral de un contraste:

Si los
ij

sea una variable aleatoria independiente distribuida normalmente con media

cero y variancia comn
2
, entonces
2 2
. .
1 1 1 1
~ ,
t t t t
i i i i i i i i i i
i i i i
Q CY n CY N n C n C

_


,

Luego
( )
.
1 1
2 2
1
~ 0,1
t t
i i i i i i
i i
t
i i
i
n CY n C
Z N
n C

Adems se sabe que:

( )
( )
2
2
~
GLE
GLE CME

Tambin se puede demostrar que para este caso las variables

.
1 1
2 2
1
t t
i i i i i i
i i
t
i i
i
n CY n C
Z
n C

y
( )
2
GLE CME

Son variables aleatorias independientes. Entonces

( )
( )
2
~
GLE
GLE
Z
t t
GLE

Luego
( )
.
1 1
2 2
.
1 1 1
2
2
1
t t
i i i i i i
i i
t t t
i i i i i i i i
i i i
t
i i
i
n CY n C
n C n CY n C
t
GLE CME
CME n C
GLE

( )
.
1 1
2
1
~
t t
i i i i i i
i i
GLE
t
i i
i
n CY n C
t t
CME n C

Para realizar la prueba de t y F que se dan a continuacin se necesita las siguientes

condiciones:
a) Los contraste deben ser planeados antes de realizar el experimento
b) Los
ij

sea una variable aleatoria independiente distribuida normalmente con

media cero y variancia comn
2
.
Prueba de t con contraste:
Suponga que se desea probar la Hiptesis
0
1
: 0
t
i i i
i
H n C

1
: 0
t
a i i i
i
H n C

a un nivel de significacin

Estadstica de Prueba
( )
0
2
1
~ /
GLE
t
i i
i
Q
t t H
CME n C

es verdadera, siendo
. .
1 1
t t
i i i i i
i i
Q CY n CY



Luego se acepta
0
H
si
, 1 ,
2 2
c
GLE GLE
t t t
_ _

, ,

, caso contrario se rechaza.
Prueba de F con contraste:
Suponga que se desea probar la Hiptesis
0
1
: 0
t
i i i
i
H n C

1
: 0
t
a i i i
i
H n C

a un nivel de significacin

Estadstica de Prueba
Se sabe que
( ) ( )
2
1, GLE GLE
t F
, entonces la prueba de t dada anteriormente es equivalente a
usar la siguiente estadstica
( ) ( )
2
2
2
2
2 1
1,
2
2
1
1
~
t
i i
i
GLE GLE t
t
i i
i i
i
i
Q
n C
Q Q
t F
CME
CME nC
CME n C

1
1
1

1
1
1
]

Si se hace
2
2
1
t
i i
i
Q
SCQ
n C

=Suma de cuadrado de contraste, entonces se puede usar la siguiente

estadstica de prueba:
( )
0 1,
~ /
c GLE
SCQ
F F H
CME
es verdadera
Luego, se rechaza
o
H
a un nivel de significacin

, si
( ) 1 ,1, c GLE
F F

>
Prueba de F con contrastes ortogonales
Si se planeado comparar t-1 funciones de medias de tratamientos resultante de t-1
contrastes ortogonales :
1 2 1
, , ,
t
Q Q Q

K
, se puede demostrar que
1 2 1 t
SCTrat SCQ SCQ SCQ

+ + + K
Luego se puede tener el siguiente cuadro de ANVA
Fuente de
Variacin
SC GL CM F
c
Entre Tratamiento SCTrat GLTrat CMTrat / CMTrat CME

1
Q

1
SCQ 1

1
SCQ

1
/ SCQ CME

2
Q

2
SCQ 1

2
SCQ

2
/ SCQ CME
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

1 t
Q

1 t
SCQ

1

1 t
SCQ

1
/
t
SCQ CME

Dentro de
Tratamiento
SCE GLE CME
Total SCTotal
.
1 n
Este cuadro de ANVA permite probar las siguientes pruebas de hiptesis:
0
1
: 0
t
i li i
i
H n C

versus
1
: 0
t
a i li i
i
H n C

, para
1, 2, , 1 l t K
donde :
1
0
t
i li
i
n C

y
1
0
t
i li l i
i
n C C

, para l l y
, 1, 2, , 1 l l t K
Nota: Para el caso de experimentos no balanceados (con tratamientos desigualmente
repetidos), sucede en muchos casos que los contrastes ortogonales que se construyen no
tienen sentidos, por esta razn lo ms comn es construir contrastes ortogonales para el
caso balanceado (con tratamientos igualmente repetido). En caso,
1 2 t
n n n n L

entonces se tiene
0
1
: 0
t
i i i
i
H n C

es equivalente a
0
1
: 0
t
i i
i
H nC

, luego
0
1
: 0
t
i i
i
H n C

esto implica que

0
1
: 0
t
i i
i
H C

y la suma de cuadrado de contraste se reduce a:

2 2 2
2
. . . 2
1 1 1
2 2 2 2
1 1 1 1
t t t
i i i i i i
i i i
t t t t
i i i i i
i i i i
nCY n CY n CY
Q
SCQ
n C nC n C C


_ _ _

, , ,



Luego, para el caso balanceado, se puede probar:
0
1
: 0
t
i i
i
H C

versus
1
: 0
t
a i i
i
H C

usando la siguiente suma de cuadrados de contraste

2
.
1
2
1
t
i i
i
t
i
i
n CY
SCQ
C

_

,

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,
obtenindose los siguientes resultados:
Fertilizante
T
1
T
2
T
3
T
4
. i
Y
73.8 74.2 69.0 71.8
10.4 SCE
Adems, 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 (
1
T
y
2
T
) versus (
3
T
y
4
T
). Obtenga todos los contrastes ortogonales. Realice las pruebas de hiptesis
correspondientes a un nivel de significacin 0.05
Matriz de contraste
Fertilizante
Coeficientes T
1
T
2
T
3
T
4
1i
C -1 -1 1 1
2i
C -1 1 0 0
3i
C 0 0 -1 1
Contrastes ortogonales
1 1. 2. 3. 4.
Q Y Y Y Y + +
2 1. 2.
Q Y Y +
3 3. 4.
Q Y Y +
Hiptesis:
(
1
T
y
2
T
) versus (
3
T
y
4
T
)
0 3 4 1 2
: 0 H +
contra
3 4 1 2
: 0
a
H +
1
T
versus
2
T
0 2 1
: 0 H
contra
2 1
: 0
a
H
3
T
versus
4
T
0 4 3
: 0 H
contra
4 3
: 0
a
H
( ) ( )
( ) ( ) ( ) ( )
2
2
1 .
1
1 2 2 2 2
2
1
1
5 73.8 74.2 69.0 71.8
64.8
1 1 1 1
t
i i
i
t
i
i
n C Y
SCQ
C

_

+ +
,

+ + +

( ) ( )
( ) ( )
2
2
2 .
1
2 2 2
2
2
1
5 73.8 74.2
0.4
1 1
t
i i
i
t
i
i
n C Y
SCQ
C

_

+
,

+

( ) ( )
( ) ( )
2
2
3 .
1
3 2 2
2
3
1
5 69.0 71.8
19.6
1 1
t
i i
i
t
i
i
n C Y
SCQ
C

_

+
,

+

Contraste SC GL CM F
c
(
1
T
y
2
T
) versus (
3
T
y
4
T
)
64.80 1 64.80 99.69*
1
T
versus
2
T 0.4 1 0.4 0.62 ns
3
T
versus
4
T 19.6 1 19.6 30.15*
Residual 10.4 16 0.65
*=Significativo ns = no significativo
( ) 0.95,1,16
4.49 F
> 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)
> 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
1 Q1 1 64.8 64.80 99.6923 0
2 Q2 1 0.4 0.40 0.6154 0.4442
3 Q3 1 19.6 19.60 30.1538 0
4 Residuals 16 10.4 0.65
>
Prueba de Scheffe
Es una prueba que permite realizar pruebas sobre cualquier funcin estimable de
medias de tratamientos (o de funciones lineales de medias de 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 vlida para
comparaciones sugeridas por los datos. Luego, esta prueba de hiptesis sobre las
siguientes funciones lineales de parmetros:
1
t
i i
i
L C

donde
1
0
t
i
i
C

Para aplicar esta prueba se requiere que los

ij

son variables aleatorias independientes

distribuidas normalmente con media cero y variancia comn
2
. Entonces, para probar
las siguientes hiptesis
0
1
: 0
t
i i
i
H C

contra
1
: 0
t
a i i
i
H C

Nivel de significacin

Valor Crtico de la prueba

( )
( )
1 , , GLTrat GLE L
VCS S GLTrat F

donde:

.
1

t
i i
i
L CY

1
t
i
L
i
i
C
S CME
n

Se acepta
0
H
, si

L VCS
Se rechaza
0
H
, si

L VCS >
Ejemplo: Con los datos de tiempo de coagulacin, pruebe:
0
: 0
A B C D
H +
contra la alternativa
: 0
a A B C D
H +
0.05
A B C D
. i
Y
61 66 68 61
i
n 4 6 6 8
i
C 1 1 -1 -1
5.6 CME ,
( ) 0.95,3,20
3.098391 F
( ) ( ) ( ) ( ) ( ) ( ) ( ) ( )
.
1

1 61 1 66 1 68 1 61 2
t
i i
i
L CY

+ + +

( )
( ) ( ) ( ) ( )
2 2 2 2
2

1
1 1 1 1
5.6 1.991649
4 6 6 8
t
i
L
i
i
C
S CME
n

1

+ + + 1
1
]

( )
( )
( ) ( ) ( )
1 , ,
1.991649 4 1 3.098391 6.0721382
GLTrat GLE L
VCS S GLTrat F


Como

2 6.072138 L VCS <

, se acepta
0
H
Usando R
> 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)))
> vcs<-sdl*sqrt(3*qf(0.95,3,20))
> vcs
[1] 6.072138
El Mtodo de Bonferroni
Este mtodo se basa en la desigualdad de Bonferroni, el cual dice: dado una secuencia
de eventos { }
j
A
,
{ } j j
j j
P A P A 1
]
U
. De esta manera la posibilidad de uno o ms
error tipo I es una coleccin arbitraria de la prueba es a lo ms la suma de sus
posibilidades separada de error tipo I. Para el caso que se desee realizar
2
t
nc
_

,
de
tratamientos se puede seguir el siguiente procedimiento:
1) Plantear las hiptesis:

0
:
i i
H

:
a i i
H

, para i i , y
, 1, 2, . i i t K
2) Fijar el nivel de significacin de comparacin simultnea

3) Encontrar toda las diferencias absolutas de medias muestrales para las

comparaciones:
. . i i
Y Y

, para i i , y
, 1, 2, . i i t K
4) Encontrar el valor Crtico de Bonferroni
( )
. .
1 ,
2
,
i i
Y Y
GLE
nc
VCB i i t S

,

donde:

. .
1 1
i i
Y Y
i i
S CME
n n

1
+
1
]
Se rechaza
0
H
para i i , y
, 1, 2, . i i t K
, si
( )
. .
,
i i
Y Y VCB i i

>
Para aplicar esta prueba se requiere que
ij

son variables aleatorias independientes

distribuidas normalmente con media cero y variancia comn
2
. Adems, en este caso
las comparaciones deben ser planeadas de antemano. Esta prueba es recomendable
cuando se desea realizar pocas comparaciones entre medias de tratamientos.
Ejemplo Si se planeo realizar todas las comparaciones en forma simultanea en el
ejemplo de coagulacin a un nivel de significacin 0.05 , use la prueba de
Bonferroni. Luego, se tiene:
0
:
i i
H

:
a i i
H

Para i i ,
, , , , i i A B C D
i
A D B C
. i
Y
61 61 66 68
i
n 4 8 6 6
( ) 0.05 0.9958333,20
1 ,20
12
2.927116 t t
_

,

, esto se obtuvo usando R:
> qt(0.9958333,20)
[1] 2.927116
Comparaciones
i i
Y Y

i i
Y Y
S

( )
( )
0.9995833,20
,
i i
Y Y
VCB i i t S

)
C-A 7 1.5275 4.471243* 4.471243
C-D 7 1.2780 3.74091* 3.740910
C-B 2 1.3663 3.999201ns 3.999201
B-A 5 1.5275 4.471243* 4.471243
B-D 5 1.2780 3.74091* 3.740910
D-A 0 1.4491 4.241793ns 4.241793
*=significativo , ns= no significativo
> pairwise.t.test(tiempo,dieta,p.adjust.method="bonferroni")
Pairwise comparisons using t tests with pooled SD
data: tiempo and dieta
a b c
b 0.02282 - -
c 0.00108 0.95266 -
d 1.00000 0.00518 0.00014
P value adjustment method: bonferroni
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
En este caso los parmetros de inters son:
. , para 1, 2, ,
i j
j i
mx i t

K
donde: j
j i
mx

es la media mxima sin incluir

i

. Si
. 0
i j
j i
mx

>
, entonces el
tratamiento i es el mejor. Por otro lado, si
. 0
i j
j i
mx

<
, entonces el tratamiento i
no es el mejor.
Los intervalos de confianza simultneos (ICS) de las CMM para
.
i j
j i
mx

tiene la
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 j
j i
mx

incluye el cero o el
cero es su lmite inferior. Por el contrario, si el lmite superior del intervalo para
.
i j
j i
mx

es cero, entonces el tratamiento i no es el mejor. El procedimiento para

construir los intervalos de confianza simultneos se da a continuacin:
1.- Se calcula la diferencia,
( )
, para 1, 2, ,
i i j
j i
D y mx y i t

K
. Esto es entre cada
media de tratamiento,
i
y
, y la mayor media de tratamiento de los restantes,
( )
j
j i
mx y

2.- La cantidad
, 1,
2
t gle
CME
M d
r

, donde
, 1, t gle
d

es el estadstico tabulado para las
comparaciones de un lado en la Tabla IV del apndice del texto Diseos de
Experimentos de Robert Kuehl para una tasa experimental de

, 1 t 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 j
j i
mx

es:
, Si 0
0 de otra manera
i i
D M D M
L
<

'

y el lmite superior de confianza para

.
i j
j i
mx

es:
, Si 0
0 de otra manera
i i
D M D M
U
+ + >

'

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:
0
i
D M + >
b) Eleccin de subconjunto con la media ms pequea
En este caso los parmetros de inters son:
. min , para 1, 2, ,
i j
j i
i t

K
donde:
min
j
j i

es la media mnima sin incluir

i

. Si
. min 0
i j
j i

<
, entonces el
tratamiento i es el mejor. Por otro lado, si
. min 0
i j
j i

>
, entonces el tratamiento i
no es el mejor.
El procedimiento para construir los intervalos de confianza simultneos se da a
continuacin:
1.- Se calcula la diferencia,
( )
min , para 1, 2, ,
i i j
j i
D y y i t

K
. Esto es entre cada
media de tratamiento,
i
y
, y la menor media de tratamiento de los restantes,
( )
min
j
j i
y

2.- La cantidad
, 1,
2
t gle
CME
M d
r

, donde
, 1, t gle
d

es el estadstico tabulado para las
comparaciones de un lado en la Tabla IV del apndice del texto Diseos de
Experimentos de Robert Kuehl para una tasa experimental de

, 1 t 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
. min
i j
j i

es:
, Si 0
0 de otra manera
i i
D M D M
L
<

'

y el lmite superior de confianza para

. min
i j
j i

es:
, Si 0
0 de otra manera
i i
D M D M
U
+ + >

'

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:
0
i
D M <
Observacin: Hsu (1996) desarroll su metodologa para el caso balanceado donde las
variancias de la diferencia de media 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/pulg
2
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 DF SS MS F P
Porcentajes 4 475,76 118,94 14,76 0,000
Error 20 161,20 8,06
Total 24 636,96
S = 2,839 R-Sq = 74,69% R-Sq(adj) = 69,63%
Individual 95% CIs For Mean Based on
Pooled StDev
Level N Mean StDev ------+---------+---------+---------+---
15 5 9,800 3,347 (-----*----)
20 5 15,400 3,130 (----*----)
25 5 17,600 2,074 (----*----)
30 5 21,600 2,608 (----*----)
35 5 10,800 2,864 (-----*----)
------+---------+---------+---------+---
10,0 15,0 20,0 25,0
Pooled StDev = 2,839
Hsu's MCB (Multiple Comparisons with the Best)
Family error rate = 0,05
Critical value = 2,30
Intervals for level mean minus largest of other level means
Level Lower Center Upper ---+---------+---------+---------+------
15 -15,938 -11,800 0,000 (-----*----------------)
20 -10,338 -6,200 0,000 (-----*--------)
25 -8,138 -4,000 0,138 (-----*-----)
30 -0,138 4,000 8,138 (-----*-----)
35 -14,938 -10,800 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
Varias Muestras Independientes (La prueba de Kruskal - Wallis)
Cuando no se cumple el supuesto de Normalidad de los errores, una alternativa es usar
Mtodos no paramtricos, como la pruebas de Kruskal-Wallis. Para realizar esta prueba
se sigue el siguiente procedimiento.
Datos: Los datos consiste de k muestras aleatorias, posiblemente de tamaos diferentes.
La i-sima muestra aleatoria de tamao n
i
se denota por
X X X
i i in
i
1 2
, , ,
. Entonces,
los datos pueden ser arreglados en columna:
Muestra1 Muestra 2 ... Muestra k
X
11
X
21
X
k1
X
12
X
22
X
k2
.
.
.
.
.
.
.
.
.
X
n 1
1
X
n 2
2
X
kn
k
Sea N que denota el nmero total de observaciones
N n
i
i
k

1
(1)
Asignar el rango 1 al ms pequeo de la totalidad de N observaciones, rango 2 al
segundo ms pequeo, y as sucesivamente hasta el ms grande de todas las
observaciones, al cual se le asigna rango N. Sea R(X
ij
) que representa el rango asignado
a X
ij
. Sea
i
R
la suma de rango asignado a la i-sima muestra
( )
R R X
i ij
j
n
i

1
i=1, 2, ..., k (2)
Calcule R
i
para cada muestra.
En caso que existan empates, asignar el promedio de los rangos a cada una de las
observaciones empatadas.
Asunciones :
1.- Todas las muestras son muestras aleatorias de sus respectivas poblaciones
2.- Las muestras son mutuamente independientes.
3.- La escala de medida es al menos ordinal.
4.- Las k poblaciones tienen funciones de distribucin idnticas, o algunas de las
poblaciones tiende a producir valores ms grandes que otras poblaciones.
Hiptesis :
H
0
: Las k poblaciones tienen funciones de distribucin idnticas.
H
1
: Al menos una de las k poblaciones tiende a producir observaciones ms grandes
que las restantes.
Nota : La prueba de Kruskal - Wallis est diseado para ser ms sensitivo contra la
diferencia entre medias en k poblaciones, por esta razn, algunas veces la hiptesis
alternativa se expresa como sigue :
H
1
: Las k poblaciones no tiene medias idnticas.
Estadstico de Prueba : Se usa el siguiente estadstico
( )
T
S
R
n
N N
i
i i
k

+

1
]
1

1 1
4
2
2
1
2
(3)
donde
( )
( )
S
N
R X
N N
ij
i j
2
2
2
1
1
1
4

1
]
1
,
(4)
si no hay empates S
2
se simplifica a
( ) N N +1
4
2
y el estadstico de prueba se reduce a
( )
( ) T
N N
R
n
N
i
i i
k

+
+

12
1
3 1
2
1
(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 H es cierta
k

1
2
0
|

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:
R
n
R
n
i
i
j
j

con
( )
( )
t
S N T
N k n n
N k
i j
1
2
1 2
2
1 1 1

_
,

1
]
1
1

,
/
As si
( )
( ) R
n
R
n
t
S N T
N k n n
i
i
j
j
N k
i j
>

_
,

1
]
1
1
1
2
1 2
2
1 1 1

,
/
Existe diferencia entre las funciones de distribucin de las poblaciones i y j a un nivel
de significacin .
Ejemplo No 1 : Para comparar tres mtodos de enseanza de programacin en cierto
lenguaje en computadora, en donde:
El mtodo A: instruccin directa con la computadora
El mtodo B: instruccin de teora y prctica en computadora
El mtodo C: instruccin solo de clase tericas
Se extraen de grandes grupos de alumnos instruidas por uno de los mtodos en forma
aleatoria: 4 alumnos del mtodo A, 6 del mtodo B y 5 del mtodo C. Luego se les tom
una prueba. Los puntajes obtenidos se dan a continuacin:
Mtodos
A B C
73 91 72
77 90 76
67 81 79
71 83 77
84 78
83
H
0
: Los tres mtodos son equivalentes.
H
1
: Algunos mtodos de enseanza tiene puntajes ms altos que otros.
Mtodos
A B C 4
Observ. Rango Observ. Rango Observ. Rango
73 4 91 15 72 3
77 6.5 90 14 76 5
67 1 81 10 79 9
71 2 83 11.5 77 6.5
84 13 78 8
83 11.5
R
i
13.5 75 31.5
n
i
4 6 5
N=15
( )
( ) ( )
2 2
2
2
,
1 15 15 1
1 1
1239 19.92857
1 4 15 1 4
ij
i j
N N
S R X
N
1 1
+ +
_
1 1


,
1 1
] ]

( ) ( )
2 2
2
2
1
1 15 15 1
1 1
1181.513 11.11535
4 19.92857 4
k
i
i
i
N N R
T
S n

1 1
+ +
1 1
1 1
] ]

( )
2
0.95,2
5.991
, se rechaza H
0
.
Como se rechaz H
0
en la prueba anterior, entonces se prosigue con las comparaciones
mltiples para determinar entre que mtodos existe diferencias en los rendimientos:
( ) 0.975,11
2.201 t
Comparaciones
R
n
R
n
i
i
j
j

( )
( )
2
1/ 2
2
1 ,
1
1 1
N k
i j
S N T
t
N k n n

1
_

+ 1

1
, ]
A y B 9.125 3.078296*
A y C 2.925 3.199059ns
B y C 6.2 2.887698*
> metodos<-read.table("d:/datos/metodos.txt",header=T)
> puntaje<-metodos[,1]
> metodo<-metodos[,2]
> kruskal.test(puntaje,metodo)
Kruskal-Wallis rank sum test
data: puntaje and metodo
Kruskal-Wallis chi-squared = 11.1153, df = 2, p-value = 0.003858
> rank(puntaje)
[1] 4.0 6.5 1.0 2.0 15.0 14.0 10.0 11.5 13.0 11.5 3.0 5.0 9.0 6.5 8.0
> rango<-rank(puntaje)
> pr<-tapply(rango,metodo,mean)
> pr
a b c
3.375 12.500 6.300
> library(mvtnorm)
> library(multcomp)
> re<-tapply(rango,metodo,length)
> re
a b c
4 6 5
> mc<-as.matrix(contrMat(re,type="Tukey"))
> mc
a b c
b-a -1 1 0
c-a -1 0 1
c-b 0 -1 1
> difrp<-abs(mc%*%pr)
> difrp
[,1]
b-a 9.125
c-a 2.925
c-b 6.200
> sumrangoq<-sum(rango^2)
> sumrangoq
[1] 1239
> N<-length(rango)
> s2<-(sumrangoq-N*(N+1)^2/4)/(N-1)
> s2
[1] 19.92857
> kt<-kruskal.test(puntaje,metodo)
> T<-kt$statistic
> a<-mc[,1]
> b<-mc[,2]
> c<-mc[,3]
> mc1<-data.frame(a,b,c)
> mc1
a b c
1 -1 1 0
2 -1 0 1
3 0 -1 1
> mc1$a[mc1$a==-1]<-1
> mc1$b[mc1$b==-1]<-1
> mc1$c[mc1$c==-1]<-1
> mc1
a b c
1 1 1 0
2 1 0 1
3 0 1 1
> vdifre<-as.matrix(mc1)%*%rei
> vdifre
[,1]
1 0.4166667
2 0.4500000
3 0.3666667
> k<-length(re)
> vcc<-qt(0.975,N-k)*sqrt((s2*(N-1-T)/(N-k))*vdifre)
> vcc
[,1]
1 3.078296
2 3.199059
3 2.887698
> data.frame(difrp,vcc)
difrp vcc
b-a 9.125 3.078296
c-a 2.925 3.199059
c-b 6.200 2.887698