Documentos de Académico
Documentos de Profesional
Documentos de Cultura
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:
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
| y .j − y .j 0 |> DM Sα
2
Tabla t-Student - valor critico
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
Método de DUNCAN
4. Los rangos mínimos significativos son:
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.
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
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
• 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
7
95% family−wise confidence level
3−1
5−1
4−2
4−3
5−4
−5 0 5 10
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)
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
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)
−5 0 5 10
13