Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Metodología
37
CAPÍTULO 3. METODOLOGÍA
y en el caso más real conυ 2 desconocida y x1 ,..., x n . una realización de dicha variable
aleatoria, se desea probar:
H o : µ ≤ µo
H a : µ > µo
Con µo fijo. La prueba entonces se basa en el error tipo I. Así pues, la región de
rechazo proporcionada por la prueba uniformeme nte más potente se define como: X > c , con
c tal que:
x − µ0
T= ~ t n −1 ,
s n
38
CAPÍTULO 3. METODOLOGÍA
X − µ0 c - µo
α= P > µ = µ o ,υ desconocida .
2
s s n
n
X − µ0 x - µo
valor P = P > µ = µ o ,υ desconocida ,
2
s s n
n
Paso 1. Generar n observaciones xi 1 ,.. xin . N( µo , υ 2 ) para i=1,...,B, siendo “B” un valor para
el cual P se estabilice, ver Burguete, Tamborero y Morales (2003), por ejemplo B =
2000, calcular:
xis − µ 0 1 n 1 n
t is =
si2 ,s n
, donde xis = ∑
n j=1
xij , si
2, s
= ∑
n j =1
( xij − x i ) 2
∑ I (P C
s
> Pc )
Valor P = i =1
,
B
x − µ0
donde : t c = .
s
n
39
CAPÍTULO 3. METODOLOGÍA
a
C i2 a
Sα ,u = CME ∑ ( a − 1) Fα , a −1 , N − a ; N = ∑n i ,
i =1 ni i =1
es decir:
a
C i2 a
C u > CME∑ ( a − 1) Fα ,a −1, N −a , N = ∑ ni ,
i =1 ni i =1
C u2
Fc = > (a − 1) Fα , a −1, N − a .
C2 a
CME ∑ i
i =1 n i
40
CAPÍTULO 3. METODOLOGÍA
Y ij = µ + ε ij i = 1,..., a; j = 1,..., b.
Si se toman los errores aleatorios como N(0,1), para mayor comodidad, puesto que son
contrastes llevados a cabo después de realizar el experimento es necesario tomar cada C u2
con los estadísticos de orden, siendo:
(C us ) 2
Fcs = ,
C i2
a
CME ∑ s
i =1 ni
1 Contador de rechazos = 0
2 Generar xi . observaciones de N(0,1) y asignarlas a los i-ésimos tratamientos, i=1,...,a.
Y ij = µ + τ i + β j + ε ij i = 1,..., a; j = 1,..., b .
41
CAPÍTULO 3. METODOLOGÍA
Y( i ) −Y( j )
.
CME
n
C u2
Pc = .
a
C i2
CME∑ ( a − 1)
i =1 n i
Es en este caso, se incorpora el efecto debido a los bloques, dado que al reducir el
modelo por Ho, resulta el modelo Y ij = µ + β j + ε ij , dado que las observaciones generadas
bajo el bootstrap paramétrico son obtenidas de la función de distribución.
1 Calcular Pc
2 Calcular el efecto de bloques β j = Y • j − Y••
3 Contador de rechazos = 0
4 Generar xi . observaciones de N(0,1) y asignarlas a los i-ésimos tratamientos, i=1,...,a.
42
CAPÍTULO 3. METODOLOGÍA
Este algoritmo cambia en su paso cuatro cuando se aplica a un segundo modelo ver
siguiente sección.
Y ij = µ + τ i + β j + ε ij i = 1,..., a ; j = 1,..., b ,
donde:
Y ij = observación j del tratamiento i
β j = efecto bloque j.
donde:
Yˆij = observación j del tratamiento i simuladas
µ̂ = media estimada
43
CAPÍTULO 3. METODOLOGÍA
Con el modelo anterior se realiza la prueba DE, Sin embargo surge la pregunta:
considere el hecho de que el efecto de bloques sea significativo. Entonces al generar números
aleatorios N(0,1) es posible que el efecto de tratamientos quede escondido o enmascarado, ya
que siempre existe la posibilidad de una contaminación de las observaciones simuladas hacia
el efecto de bloques.
Así pues, se propone igualmente realizar una simulación con el siguiente modelo:
donde:
Yˆij = observación j del tratamiento i simuladas
µ̂ = media estimada
Esta solución parece ser más adecuada que la propuesta en primera instancia. De este
modo el objetivo central del presente trabajo de tesis se enfoca en la comparación de los
procedimientos anteriores.
44