Capítulo 3

Metodología

En este capitulo se pretende mostrar la forma en que las pruebas DE (Diferencias

estudentizadas) funciona n al probar una hipótesis con varianza desconocida, para así
enfocarse posteriormente a la descripción del algoritmo general en la prueba de contrastes, de
este modo poder entender aquel que en la comparación de los diseños a bloques al azar se
utilizará.

3.1 PRUEBA DE O DIFERENCIAS STUDENTIZADAS

La prueba de Diferencias Estudentizadas entran dentro de las pruebas de rango múltiple,

referente a la comparación particular de dos medias, ésta podría calificarse de ser una prueba
no protegida, es decir sin llegar a la utilización de la prueba F para probar la igualdad de los
tratamientos, en consecuente sin haber visto los datos. La definición y demás características
relacionadas fueron tomadas de Burguete, Tamborero y Morales (2003). Como se mencionó
antes, esta prueba pretende ser una alternativa a la problemática que existe con la
sustentación de algunas de las PRM que se utilizan actualmente.

37
CAPÍTULO 3. METODOLOGÍA

La prueba de diferencias estudentizadas como ya se mencionó, es una generalización

de del rango estudentizado, siendo viable una comparación de cualquier par de medias, de ahí
su nombre. Esta prueba depende totalmente de los recursos de simulación que no son posibles
de llevar que de manera computacional. Así pues se simula en primera estancia una serie de
observaciones o muestras que se distribuyan normal e independientemente, tarea que se logra
a través de los generadores de números aleatorios ver sección 2.8. De las observaciones
simuladas, se calculan los valores P de las comparaciones involucradas, esto se lleva a cabo
mediante un procedimiento bootstrap descrito más adelante. Si bien no es una prueba exacta
en el cálculo al generar el valor P, si se emplea el número adecuado de repeticiones se
obtienen resultados aceptables y sobre todo justificados completamente.

Suponga que se tiene una muestra aleatoria X1 , X 2 ,..., X n de la población N ( µ ,υ 2 ) ,

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:

α= P(Error Tipo I ) =P(Rechazar Ho / Ho cierta) =P( X > c / µ = µ o , υ 2 desconocida).

Es de notarse que la distribución de X no esta determinada, sin embargo el estadístico

x − µ0
T= ~ t n −1 ,
s n

, si se determina, siendo s la varianza maestral, de este modo se conoce en su totalidad la

distribución, sea entonces:

38
CAPÍTULO 3. METODOLOGÍA

 
 X − µ0 c - µo
α= P > µ = µ o ,υ desconocida  .
2
 s s n 
 n 

El valor P puede verse como la probabilidad en la misma región de rechazo anterior

calculada en X , es decir:

 
 X − µ0 x - µo
valor P = P > µ = µ o ,υ desconocida ,
2
 s s n 
 n 

lo siguiente es estimar el valor P, entonces se utiliza el algoritmo siguiente:

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

Paso 2. Estimar el valor P por:

∑ I (P C
s
> Pc )
Valor P = i =1
,
B

x − µ0
donde : t c = .
s
n

39
CAPÍTULO 3. METODOLOGÍA

Se define I como la función identificadora, en la cual I (P) =1 si P es verdadero, y I

(P) = 0 si P es falso. De este modo se tendrán únicamente el número de veces en que cada

valor simulado de t is es mayor que el estadístico t c , es la función que cumple la función I.

Este es el principio de la prueba DE, en la siguiente secció n se describirá el procedimiento
general.

3.2 ALGORITMO GENERAL

La prueba DE está enfocada a probar contrastes, aquí se describe el procedimiento de

a
Burguete, Tamborero y Morales (2003), entonces suponga que se desea probar: ∑Cτ
i =1
i i = 0 en

el modelo completamente al azar:

Yij = µ + τ i + ε ij i = 1,..., a; j = 1,..., b.

Scheffé (1953) propone calcular C u = ∑ C i Y i para utilizarlo en la regla de decisión

para rechazar Ho con un α determinado, si C u > Sα , u , de donde:

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

dicho de otra manera:

C u2
Fc = > (a − 1) Fα , a −1, N − a .
C2 a
CME ∑ i
i =1 n i

40
CAPÍTULO 3. METODOLOGÍA

Ahora si la hipótesis nula Ho resulta cierta, entonces se considera como modelo

general

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

finalmente el algoritmo funciona como sigue:

1 Contador de rechazos = 0
2 Generar xi . observaciones de N(0,1) y asignarlas a los i-ésimos tratamientos, i=1,...,a.

3 Calcular Fcs . con los datos generados en 2.

4 Si Fcs . > Fc . paso 5, Si Fcs . ≤ Fc . , paso 2.

5 Contador de rechazos = Contador de rechazos + 1.
6 Valor P = Contador de rechazos / B.

3.3 ALGORITMO PARA EL DISEÑO BLOQUES AL AZAR

Sea el modelo bloques al azar:

Y ij = µ + τ i + β j + ε ij i = 1,..., a; j = 1,..., b .

41
CAPÍTULO 3. METODOLOGÍA

Se desea probar H o : µ i = µ j ; i, j fijos. Si la comparación de medias fuera la

mínima µ (1) contra la máxima µ (a ) se podría utilizar el rango estudentizado, si no lo fuera, y se

tratara de cualquier comparación, se utilizaría una generalización de este:

Y( i ) −Y( j )
.
CME
n

Como propone Pajares y Céspedes (1999). Dado que la finalidad de la Prueba DE es

probar contrastes, estos deben tomarse con sus respectivos coeficientes, ahora bien el
estadístico derivado de Scheffé (1953), es el que debemos usar para calcular el valor P, sea:

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.

Sea entonces el algoritmo para :

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.

5 Si Pcs . > Pc . ir paso 6, Si Pcs . ≤ Pc . , paso 4.

42
CAPÍTULO 3. METODOLOGÍA

6 Contador de rechazos = Contador de rechazos + 1.

7 Valor P = Contador de rechazos / B.

Este algoritmo cambia en su paso cuatro cuando se aplica a un segundo modelo ver
siguiente sección.

3.4 PLANTEAMIENTO DEL PROBLEMA

Esta tesis propone estudiar el procedimiento Bootstrap paramétrico en el diseño bloques al

azar, la prueba procede considerado el modelo:

Y ij = µ + τ i + β j + ε ij i = 1,..., a ; j = 1,..., b ,
donde:
Y ij = observación j del tratamiento i

µ = media general del experimento

ιi = efecto del tratamiento i.

β j = efecto bloque j.

ε ij = errores aleatorios independientes con distribución N ( µ ,υ 2 ) .

Para hacer la prueba se generan observaciones del modelo reducido bajo

H o : τ i = 0∇ i sea:

Yˆij = µˆ + βˆ j + εˆij i = 1,..., a ; j = 1,..., b ,

donde:
Yˆij = observación j del tratamiento i simuladas

µ̂ = media estimada

β̂ j = efecto bloque estimado.

εˆij = errores aleatorios independientes con distribución N (0 ,1) .

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:

Yˆij = µˆ + βˆ j + εˆij i = 1,..., a ; j = 1,..., b ,

donde:
Yˆij = observación j del tratamiento i simuladas

µ̂ = media estimada

β̂ j = efecto bloque estimado.

εˆij = errores aleatorios independientes con distribución N (0 , CME) .

CME = Cuadrado medio del error del modelo original.

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