Clase 5

Jorge Mario Martinez

9/9/2018

Comparaciones Multiples
• Estas pruebas se realizan después de haber elaborado el análisis de varianza, con el fin de determinar
que tratamientos o grupo de tratamientos son distintos o iguales entre sí.
• Se presentan diferentes pruebas de comparación múltiple con el fin de tomar decisiones, una vez la
hipótesis general sobre igualdad de tratamientos ha sido rechazada.
• Si el estadístico F para igualdad de medias no es significante, el experimentador aún podrá considerar
las comparaciones planeadas pero deberá usar el método de t-multivariado
Estas pruebas de comparaciones múltiples de medias pueden ser planeadas o no planeadas.
• Pruebas planeadas: Son aquellas en las cuales el investigador planea las comparaciones que va a realizar
antes de obtener los resultados del experimento
• Pruebas no planeadas: Son aquellas en las cuales el investigador realiza sin ningún tipo de planeación y
después de obtener los resultados el interés recae en realizar comparaciones múltiples entre los niveles
del factor de interés

Comparaciones Multiples
Pruebas no planeadas:
A continuación se examinan una serie de metodologías de comparación múltiple no planeadas como:
1. Diferencia Mínima Significativa - DMS
2. Método de DUNCAN
3. Método de la diferencia significativa honesta de Tukey:
El interés al realizar las pruebas de comparaciones múltiples, recae en contrastar el siguiente juego de hipótesis:

H0 := µi = µj ,



H1 := µi 6= µj i 6= j


Comparaciones Multiples
Pruebas no planeadas:

Diferencia Minima Significativa - DMS

• El método DMS es uno de los métodos más usados quizá porque es uno de los más fáciles de aplicar, Se
usa para efectuar pruebas de t múltiples cada una al nivel α, sólo si la prueba F es significativa al nivel
α.

1
 • La DMS al nivel α para comparar µj con µj 0 , está dada por las siguientes ecuaciones:
1. Diseños con número de replicas iguales
r
2CM E
| y j − y j 0 |> t( α2 , gle)
r
2. Diseños con número de replicas distintas
s  
1 1
| y j − y j 0 |> t( α2 , gle) CM E +
rj rj 0

Diferencia Minima Significativa - DM Sα

• Pasos para realizar la prueba
1. Identificar el valor en la tabla t-Student con t( α2 , gle)
q
E
2. Calcular DM Sα = t( α2 , gle) 2CM r
3. Realizar la diferencia de los promedios entre los diferentes pares
4. Identificar r
2CM E
| y i. − y j. |> t( 2 , gle)
α
r
• Se concluye que: y j 6= y j 0 si

| y .j − y .j 0 |> DM Sα

Diferencia Minima Significativa - DM Sα

Ejemplo
• Tomando los datos del ejemplo II, tenemos,
• Tomando los datos del ejemplo 1, Calculamos los promedios por tratamiento:

2. Calculamos el valor tabalado t( α2 , gle)

t(0.025, 17) = 2.1098

2
Tabla t-Student - valor critico

Diferencia Minima Significativa - DM Sα

• Dado que las replicas son diferentes debemos calcular un DM S para realizar las comparaciones de cada
tratamiento, esto es
q √
– DM S1,2 = (2.1098) (8.009)( 15 + 41 ) = (2.10)( 3.60405) = (2.10)(1.898434) = 3.98671
q √
– DM S1,3 = (2.1098) (8.009)( 15 + 41 ) = (2.10)( 3.60405) = (2.10)(1.898434) = 3.98671
q √
– DM S1,4 = (2.1098) (8.009)( 15 + 51 ) = (2.10)( 3.60405) = (2.10)(1.898434) = 3.98671
q √
– DM S1,5 = (2.1098) (8.009)( 15 + 41 ) = (2.10)( 3.60405) = (2.10)(1.898434) = 3.98671
q √
– DM S2,3 = (2.1098) (8.009)( 14 + 41 ) = (2.10)( 4.0045) = (2.10)(2.001125) = 4.20236
q √
– DM S2,4 = (2.1098) (8.009)( 14 + 51 ) = (2.10)( 3.60405) = (2.10)(1.898434) = 3.98671
q √
– DM S2,5 = (2.1098) (8.009)( 14 + 41 ) = (2.10)( 4.0045) = (2.10)(2.001125) = 4.20236
q √
– DM S3,4 = (2.1098) (8.009)( 14 + 51 ) = (2.10)( 3.60405) = (2.10)(1.898434) = 3.98671
q √
– DM S3,5 = (2.1098) (8.009)( 14 + 41 ) = (2.10)( 4.0045) = (2.10)(2.001125) = 4.20236
q √
– DM S4,5 = (2.1098) (8.009)( 15 + 41 ) = (2.10)( 3.60405) = (2.10)(1.898434) = 3.98671

3
Diferencia Minima Significativa - DM Sα
4. Calculmos las difefrencias y comparamos con el valor DM Sα
• | y.1 = 5.40 − y.2 = 5.25 |= 0.15 < DM S1,2
• | y.1 = 5.40 − y.3 = 5.50 |= 0.10 < DM S1,3
• | y.1 = 5.40 − y.4 = 10.4 |= 5.00 > DM S1,4
• | y.1 = 5.40 − y.5 = 12.0 |= 6.60 > DM S1,5
• | y.2 = 5.25 − y.3 = 5.50 |= 0.25 < DM S2,3
• | y.2 = 5.25 − y.4 = 10.4 |= 5.15 > DM S2,4
• | y.2 = 5.25 − y.5 = 12.0 |= 6.75 > DM S2,5
• | y.3 = 5.50 − y.4 = 10.4 |= 4.90 > DM S3,4
• | y.3 = 5.50 − y.5 = 12.0 |= 6.50 > DM S3,5
• | y.4 = 5.50 − y.5 = 1.60 |= 1.60 < DM S4,5

Método de DUNCAN
• Este procedimiento requiere que las rj sean iguales, la aplicación de este método es muy popular debido
a que es más fail encontrar diferencias entre las medias de los tratamientos que cuando se usan otros
métodos.
• Está prueba se utiliza para comparar un grupo de t medias y sigue los siguientes pasos:
Pasos
1. Ordenar en forma ascendente los promedios de los t tratamientos.
2. Determinar la varianza de las medias, con la expresion:
r
CM E
Sy.j =
r
3. Determine los valores significativos de la tabla de Duncan

r(α, p, gle) con p = 2, 3, . . . , t − 1

Método de DUNCAN
4. Los rangos mínimos significativos son:

Rp = r(α, p, gle) Sȳ.j

• Donde p = 2, 3, . . . , t − 1 y r(α, p, gle)
• Los valores tabulados son denominados rangos significativos para la prueba del rango múltiple de
Duncan.
• Si la diferencia de los promedios es menor al rango crítico de la primera columna, forman grupo.

Método de DUNCAN
Ejemplo
• Tomando los datos del ejemplo I, tenemos,

4
1. Elaborar una tabla con 4 renglones y t − 2 columnas. En el primer renglón se llena con números
iniciando en 2 y terminando en t − 1.

2. Segundo calculamos la varianza de las medias

r
12.1
Sȳ.j = = 1.5601
5

Método de DUNCAN
3. Ordenamos las medias de mayor a menor
94.2, 93.4, 90.8, 88.8
4. Calculmos las difefrencias de acuerdo a la distancia de p
• 94.2 − 93.4 = 0.8 < p2 = 3.12 No hay diferencia
• 94.2 − 90.8 = 3.4 < p3 = 4.68 No hay diferencia
• 93.4 − 90.8 = 2.6 < p2 = 3.12 No hay diferencia
• 93.4 − 88.8 = 4.6 < p3 = 4.68 No hay diferencia
• 90.8 − 88.8 = 2.0 < p2 = 3.12 No hay diferencia
5. Como 0.8 < 3.12; entonces la primera y la segunda media forman grupo.

• Como todas la medias son iguales podemos agarrar cualquira de ello, confirmand lo hecho en el analisis
de varianza

5
Tabla - Valores criticos para la prueba de Duncan

Método de la diferencia significativa honesta de Tukey - HDS

• Esta prueba requiere que los rj sean iguales, aunque dispone de un procedimiento aproximado cuando
no son muy diferentes.
• Se utiliza para realizar comparaciones múltiples, en donde se realizan comparaciones por pares, inde-
pendientemente de cuantas medias estén en un grupo.
• El estadístico de prueba a utilizar es el siguiente:
1. Diseños con número de replicas iguales
r
CM E
| ȳj − ȳj 0 |> Tα = q(α, t, gle)
r
2. Diseños con número de replicas distintas
s
CM E
| ȳj − ȳj 0 |> Tα = q(α, t, gle)
min(rj , rj 0 )

6
 Método de la diferencia significativa honesta de Tukey - HDS
• La prueba de Tukey declara dos medias significativamente diferentes si el valor absoluto de sus medias
muestrales excede Tα , esto es, se rechaza H0 si

| ȳi. − ȳj. |> Tα

• Lo cual implica que existe evidencia estadística que indica que las medias yj y yj 0 difieren significativa-
mente.
Pasos para realizar la prueba de Tukey:
1. Identificar en la tabla de rangos studentizados de Tukey q(α, t, gle)
q
2. Calcular Tα = q(α, t, gle) CM r
E

3. Realizar la diferencia de los promedios dos a dos

4. Identificar | ȳi. − ȳj. |> Tα

Método de la diferencia significativa honesta de Tukey - HDS

Ejemplo
• Tomando los datos del ejercico II, tenemos
1. Rangos studentizados de Tukey q(α, t, gle) = q(0.05, 5, 17) = 4.30
2. Calculmos las difefrencias y comparamos con el valor q DM Sα q
8.009
• | y.1 = 5.40 − y.2 = 5.25 |= 0.15 < Tα = (4.30) min(5,4) = (4.30) 8.009
4 = 6.08
q q
8.009
• | y.1 = 5.40 − y.3 = 5.50 |= 0.10 < Tα = (4.30) min(5,4) = (4.30) 8.009
4 = 6.08
q q
8.009
• | y.1 = 5.40 − y.4 = 10.4 |= 5.00 < Tα = (4.30) min(5,5) = (4.30) 8.009
5 = 6.08
q q
8.009
• | y.1 = 5.40 − y.5 = 12.0 |= 6.60 > Tα = (4.30) min(5,4) = (4.30) 8.009
4 = 6.08 Diferentes
q q
8.009
• | y.2 = 5.25 − y.3 = 5.50 |= 0.25 < Tα = (4.30) min(4,4) = (4.30) 8.009
4 = 6.08
q q
8.009 8.009
• | y.2 = 5.25 − y.4 = 10.4 |= 5.15 < Tα = (4.30) min(4,5) = (4.30) 4 = 6.08

Método de la diferencia significativa honesta de Tukey - HDS

• Continuación q q
8.009
– | y.2 = 5.25 − y.5 = 12.0 |= 6.75 > Tα = (4.30) min(4,4) = (4.30) 8.009
4 = 6.08 Diferentes
q q
8.009 8.009
– | y.3 = 5.50 − y.4 = 10.4 |= 4.90 < Tα = (4.30) min(4,5) = (4.30) 4 = 6.08
q q
8.009 8.009
– | y.3 = 5.50 − y.5 = 12.0 |= 6.50 > Tα = (4.30) min(4,4) = (4.30) 4 = 6.08 Diferentes
q q
8.009 8.009
– | y.4 = 5.50 − y.5 = 1.60 |= 1.60 < Tα = (4.30) min(5,4) = (4.30) 4 = 6.08

7
 95% family−wise confidence level

3−1
5−1
4−2
4−3
5−4

−5 0 5 10

Differences in mean levels of ttos

8
 Tabla - Valores criticos de la tabla de Tukey - HDS

Alicacione en R
• Prueba de Duncan
library(agricolae)
rep <- c(2,3,6,9,7, 3,7,7,4, 3,3,10,6, 9,8,12,10,13, 16,8,10,14)
ttos <- factor(rep(c(1:5), c(5,4,4,5,4)))
modelo <- aov(rep ~ ttos)
out <- duncan.test(modelo, "ttos") ; out

## $statistics
## MSerror Df Mean CV
## 8.008824 17 7.727273 36.62335

9
##
## $parameters
## test name.t ntr alpha
## Duncan ttos 5 0.05
##
## $duncan
## NULL
##
## $means
## rep std r Min Max Q25 Q50 Q75
## 1 5.40 2.880972 5 2 9 3.00 6.0 7.0
## 2 5.25 2.061553 4 3 7 3.75 5.5 7.0
## 3 5.50 3.316625 4 3 10 3.00 4.5 7.0
## 4 10.40 2.073644 5 8 13 9.00 10.0 12.0
## 5 12.00 3.651484 4 8 16 9.50 12.0 14.5
##
## $comparison
## NULL
##
## $groups
## rep groups
## 5 12.00 a
## 4 10.40 a
## 3 5.50 b
## 1 5.40 b
## 2 5.25 b
##
## attr(,"class")
## [1] "group"

Alicacione en R
• Prueba de Duncan
plot(out,variation="IQR")

10
 Groups and Interquartile range

16
14 a

a
12
10
8

b b b
6
4

5 4 3 1 2

Alicacione en R
• Prueba de DMS
library(agricolae)
rep <- c(2,3,6,9,7, 3,7,7,4, 3,3,10,6, 9,8,12,10,13, 16,8,10,14)
ttos <- factor(rep(c(1:5), c(5,4,4,5,4)))
modelo <- aov(rep ~ ttos)
out <- LSD.test(modelo,"ttos", p.adj="bonferroni")
out

## $statistics
## MSerror Df Mean CV
## 8.008824 17 7.727273 36.62335
##
## $parameters
## test p.ajusted name.t ntr alpha
## Fisher-LSD bonferroni ttos 5 0.05
##
## $means
## rep std r LCL UCL Min Max Q25 Q50 Q75
## 1 5.40 2.880972 5 2.729800 8.070200 2 9 3.00 6.0 7.0
## 2 5.25 2.061553 4 2.264625 8.235375 3 7 3.75 5.5 7.0
## 3 5.50 3.316625 4 2.514625 8.485375 3 10 3.00 4.5 7.0
## 4 10.40 2.073644 5 7.729800 13.070200 8 13 9.00 10.0 12.0
## 5 12.00 3.651484 4 9.014625 14.985375 8 16 9.50 12.0 14.5
##
## $comparison
## NULL
##
## $groups

11
## rep groups
## 5 12.00 a
## 4 10.40 ab
## 3 5.50 b
## 1 5.40 b
## 2 5.25 b
##
## attr(,"class")
## [1] "group"

Alicacione en R
• Prueba de DMS
plot(out)

Groups and Range

a
15

ab

b
10

b
b
5

5 4 3 1 2

Alicacione en R
• Prueba de Tukey
rep <- c(2,3,6,9,7, 3,7,7,4, 3,3,10,6, 9,8,12,10,13, 16,8,10,14)
ttos <- factor(rep(c(1:5), c(5,4,4,5,4)))
modelo <- aov(rep ~ ttos)
PTukey <- TukeyHSD(modelo)
PTukey

## Tukey multiple comparisons of means

## 95% family-wise confidence level
##
## Fit: aov(formula = rep ~ ttos)

12
##
## $ttos
## diff lwr upr p adj
## 2-1 -0.15 -5.9258781 5.625878 0.9999902
## 3-1 0.10 -5.6758781 5.875878 0.9999981
## 4-1 5.00 -0.4455501 10.445550 0.0804455
## 5-1 6.60 0.8241219 12.375878 0.0210511
## 3-2 0.25 -5.8383101 6.338310 0.9999389
## 4-2 5.15 -0.6258781 10.925878 0.0934573
## 5-2 6.75 0.6616899 12.838310 0.0259516
## 4-3 4.90 -0.8758781 10.675878 0.1187014
## 5-3 6.50 0.4116899 12.588310 0.0333358
## 5-4 1.60 -4.1758781 7.375878 0.9133497

Alicacione en R
• Prueba de Tukey
plot(PTukey)

95% family−wise confidence level

3−1
5−1
4−2
4−3
5−4

−5 0 5 10

Differences in mean levels of ttos

13