You are on page 1of 14

FORMULARIO

AG-EE-EM-ET-EQ 1011

1011 ESTADISTICA y OPTIMIZACION


Formulario para examen (curso 2014-15)
(no escribir nada)

1. Medidas Estadstica Descriptiva . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2


2. Probabilidad y Modelos
2.1 Probabilidad . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
2.2 Combinatoria . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
2.3 Distribuciones Discretas de Probabilidad . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
2.4 Distribuciones Continuas de Probabilidad . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
3. Inferencia
3.1 Principales estadsticos del muestreo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
3.2 Distribuciones muestrales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
3.3 Intervalos de confianza . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
3.4 Tama
no muestral para obtener intervalos de precision determinada . . . . . . . . . . . . . . . . . . . . . 10
3.5 Estadsticos en Contrastes Parametricos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
3.6 Regiones de aceptaci
on (para los contrastes parametricos) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
4. Anova de un factor
4.1 Resoluci
on Anova . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
4.2 Prueba Bartlett-Box . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
4.3 Prueba de Scheffe . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
5. Tablas probabilidad (en otro archivo)
Binomial individual (tabla I)
Poisson individual (tabla II)
Normal tipificada (tabla III)
t-Student (tabla E y p
agina siguiente izquierda)
2 (tabla D y p
agina siguiente derecha)
F -Snedecor (percentil 0.9 y tabla F (varios percentiles))

FORMULARIO

AG-EE-EM-ET-EQ 1011

1. Medidas Estadstica Descriptiva


Media aritm
etica

x
=

Media geom
etrica
v
u k
uY
N
G = t xni i

k
X
xi ni
i=1

i=1

Moda
M o = xi tal que ni es maximo
Distribuciones no agrupadas
Distribuciones agrupadas
- Intervalos de igual amplitud: [li , Li ) tal que ni es maximo
M o = li +

ni+1
ai
ni1 + ni+1

- Intervalos de distinta amplitud: [li , Li ) tal que hi = ni /ai es maximo


M o = li +

hi+1
ai
hi1 + hi+1

Mediana
Distribuciones no agrupadas
Ni1 <

N
< Ni = M e = xi
2

Ni1 <

N
xi + xi+1
= Ni = M e =
2
2

Distribuciones agrupadas
Ni1 <

N
Ni = M e [li , Li )
2

M e = li +

N/2 Ni1
ai
Ni Ni1

Percentil de orden r
Distribuciones no agrupadas
Ni1 <

N r
< Ni = Pr = xi
100

Ni1 <

N r
xi + xi+1
= Ni = Pr =
100
2

Distribuciones agrupadas
Ni1 <

N r
Ni = Pr [li , Li )
100

Pr = li +

N r/100 Ni1
ai
Ni Ni1

FORMULARIO

AG-EE-EM-ET-EQ 1011

Varianza
s2x =

Cuasi-varianza

k
X
(xi x
)2 ni
i=1

k
X
x2 ni
i

i=1

s2
x =

x
2

k
X
(xi x
)2 ni
i=1

N 1

N
s2
N 1 x

La desviaci
on tpica (s
o s ) se obtiene calculando la raz cuadrada positiva de la varianza.
Recorrido
Re = xmax xmin

Recorrido intercuartlico

Coeficiente de variaci
on de Pearson
sx
CV =
x

RI = Q3 Q1

Medidas de forma: asimetra y curtosis En practicas debemos elegir Tipo 1.


Coeficiente de asimetra de Pearson:

CAP =

Coeficiente de asimetra de Fisher: g1 =

m3
s3x

x
M o
sx

a3 3a2 a1 +2a31

a2 a21 )3

Si CAP > 0
o g1 > 0 la distribucion es asimetrica POSITIVA.

Si CAP = 0
o g1 = 0 la distribucion es SIMETRICA.
Si CAP < 0
o g1 < 0 la distribucion es asimetrica NEGATIVA.
Coeficiente de curtosis: g2 =

m4
s4x

3=

a4 4a3 a1 +6a2 a21 3a41

a2 a21 )4

donde ar representa momento ordinario de orden r y mr representa momento central de orden r


Momento ordinario de orden r :
Momento central de orden r :

P
xr n
ar = ki=1 iN i
P
x)r ni
mr = ki=1 (xi
N

Si g2 > 0(> 3) la distribuci


on es mas apuntada que la Normal.
Si g2 = 0(= 3) la distribuci
on es igual apuntada que la Normal.
Si g2 < 0(< 3) la distribuci
on es menos apuntada que la Normal.

EN PRACTICAS:
Para dos variables categoricas (ATRIBUTOS) se puede calcular el coeficiente
de contingencia (C) para medir la relacion entre los atributos. Siempre toma valores en el intervalo
[0, 1]. Cuanto m
as pr
oximo a cero, hay menor relacion y cuanto mas proximo a 1, hay mayor relaci
on.
Se calcula con la siguiente expresi
on, siendo 2 el valor que se obtiene al realizar el Test de chi-cuadrado
(con el R-Commander, en el procedimiento de la Tabla de contingencia).
s
2
Coeficiente de contingencia C =
2 + N

FORMULARIO

AG-EE-EM-ET-EQ 1011

Covarianza
sxy =

h X
k
h X
k
X
X
(xi x
)(yj y)nij
xi yj nij
=
x
y
N
N
i=1 j=1

i=1 j=1

Coeficiente de correlaci
on lineal de Pearson
sxy
rxy =
sx sy

Recta de regresi
on
Recta de regresi
on de Y sobre X

y = a + bx

Recta de regresi
on de X sobre Y

x = a0 + b0 y

Varianza residual
s2e =

con

s2y =

a0 = x
b0 y

Coeficiente de determinaci
on

N
X
(y y)2

R2 =

i=1

a = y b
x

b0 = sxy /s2y

Varianza debida a la regresion

N
X
(yi y )2
i=1

b = sxy /s2x

con

s2y
s2e
=
1

s2y
s2y

2
SOLO en el caso de regresion lineal: R2 = rxy

Modelos de regresi
on no lineal simple
y = kxb

Modelo potencial
Modelo exponencial

y=

Varianza residual
=

log y = log c + x log k

a = log k

b=b

a = log c

b = log k

Coeficiente de determinacion

N
X
(yi y )2
i

i=1

log y = log k + b log x

y = a + bx + cx2

P
P
P 2
y
=
aN
+
b
x
+
c
x
i
i
i
i
i
i
P 3
P
P
P 2
y
x
=
a
x
+
b
x
+
c
i
i
i
Pi 2
Pi 2
Pi i3
Pi xi4
y
x
=
a
x
+
b
x
+
c
i i i
i i
i i
i xi

Modelo parab
olico

s2e

ck x

R2 = 1

s2e
s2y

FORMULARIO

AG-EE-EM-ET-EQ 1011

2. Probabilidad y Modelos
2.1 Probabilidad
P (A B) = P (A) + P (B) P (A B)
P (A B C) = P (A) + P (B) + P (C) P (A B) P (A C) P B C) + P (A B C))
P (A B) = P (A) P (B/A) = P (B) P (A/B)
P (A B) = P (A) P (A B)
P (A B) = P (A B)

P (A B) = P (A B)

2.2 Combinatoria
Vn,k =

n!
(n k)!

V Rn,r = nr

CRn,r =

Cn,k =

n!
k!(n k)!

(n + r 1)!
r!(n 1)!

Pk = k!

P Rkk1 ,k2 ,...,kr =

k!
k1 !k2 ! . . . kr !

2.3 Distribuciones Discretas de Probabilidad.


Distribuci
on Bernouilli o dicot
omica. X Be(p)
f (x) = px (1 p)1x

con x = 0, 1

E[X] = 0 q + 1 p = p

Distribuci
on binomial. X Bi(n, p)


n
px (1p)nx con x = 0, 1, 2, 3, . . . , n
f (x) =
x

E[X] = np

var[X] = p(1 p) = pq

var[X] = np(1p) = npq

Distribuci
on de Poisson. X P o()
f (x) =

e x
x!

con x = 0, 1, 2, 3, . . .

E[X] = var[X] =

Distribuci
on hipergeom
etrica. X HG(N, n, p) Cuando las n pruebas no son independientes.



Np
Nq
x
nx
N n


f (x) =
con x = 0, 1, 2, 3, . . . , n
E[X] = np
var[X] = npq
N 1
N
n
Distribuci
on binomial negativa. X BN (k, p) Cuando fijamos el n
umero de exitos k y nos
piden el n
umero de pruebas (independientes) necesarias.


kq
k
x1
f (x) =
pk (1 p)xk con x = k, k + 1, k + 2, k + 3, . . .
E[X] =
var[X] = 2
k1
p
p

FORMULARIO

AG-EE-EM-ET-EQ 1011

2.4 Distribuciones Continuas de Probabilidad.


Distribuci
on Uniforme. X U (a, b)
 1
axb
ba ,
f (x) =
0, en el resto

E[X] =

b+a
2

var[X] =

(b a)2
12

Distribuci
on Exponencial. X Exp()
f (x) = ex

con x 0

E[X] =

var[X] =

1
2

Distribuci
on Normal. X N (, 2 )
f (x) =

1
2 2

(x)2
2 2

x R

var[X] = 2

E[X] =

Distribuci
on 2 (ji cuadrado) de Pearson. X 2 (n) (donde n = grados de libertad)
Si Z1 , Z2 , . . . , Zn v.as. independientes tales que Zi , N (0, 1) entonces
X=

n
X

Zi2 , 2 (n)

E[X] = n

var[X] = 2n

i=1

Si n es grande entonces

Y =

2X , N ( 2n 1, 1)

Distribuci
on t de Student.
Dadas las v.as. independientes X , N (0, 1) e Y , 2 (n), la nueva v.a.
X
, t(n)
T =p
Y /n

E[T ] = 0

var[T ] =

n
n2

decimos que se distribuye como una t de Student con n grados de libertad.


Distribuci
on F de Snedecor.
Sean las v.as. independientes X , 2 (n) e Y , 2 (m). La nueva v.a.
F=

X/n
, F (n, m)
Y /m

E[F ] =

m
m2

var[F ] =

2m2 (n + m 2)
n(m 2)2 (m 4)

sigue una distribuci


on F de Snedecor con n grados de libertad en el numerador y m grados de libertad
en el denominador.

FORMULARIO

AG-EE-EM-ET-EQ 1011

3. Inferencia
3.1 Principales estadsticos del muestreo
Media muestral
Varianza muestral
P
P
n )2
Xi
(Xi X
2

Xn =
sX =
n
n

Varianza muestral insesgada


P
n )2
(Xi X
2
sX =
n1

3.2 Distribuciones Muestrales (Exactas en poblaciones normales y aproximadas cuando la


muestra es grande. Se supondr
a m.a.s. a menos que se especifique lo contrario)
Media muestral con 2 conocida.
Si X1 , X2 , . . . , Xn son una m.a.s. con E[Xi ] = y var[Xi ] = 2 entonces
2

n , N (, )
X
n

n] =
E[X

n] =
var[X

2
n

n] =
E[X

Si el muestreo es irrestricto (poblaci


on de tama
no N ):

n] =
var[X

2 N n

n N 1

Varianza muestral.
Si X1 , X2 , . . . , Xn son una m.a.s. con var[Xi ] = 2 entonces
ns2n
, 2n1
2

con

E[s2n ] =

(n 1)s2
n
, 2n1
2

con

n1 2

n
2
E[s2
n ]=

var[s2n ] =

2(n 1) 4
n2

var[s2
n ]=

2 4
n1

Media muestral con 2 desconocida.


Si X1 , X2 , . . . , Xn son una m.a.s. con E[Xi ] = entonces
n
X

, t(n 1)
sn / n 1

n
X
, t(n 1)
sn / n

Proporci
on muestral.
Si tenemos una m.a.s. de tama
no n de una poblacion Bernouilli:
X = nP , Bi(n, p)
(siendo X = n
umero de exitos en la muestra, P = proporcion de exitos en la muestra)
Si n es grande aproximamos por una distribucion Normal.
Diferencia de proporciones muestrales.
P1 P2 , N (p1 p2 ,

p1 (1 p1 ) p2 (1 p2 )
+
)
n1
n2

FORMULARIO

AG-EE-EM-ET-EQ 1011

Diferencia de medias muestrales con 2 s conocidas.


2 e Y , Y , . . . , Y son una m.a.s.
Si X1 , X2 , . . . , Xn son una m.a.s. con E[Xi ] = X y var[Xi ] = X
1 2
m
con E[Yj ] = Y y var[Yj ] = Y2 entonces
2
2
n Ym , N (X Y , X + Y )
X
n
m

Diferencia de medias muestrales con 2 s desconocidas pero iguales.


Si X1 , X2 , . . . , Xn son una m.a.s. con E[Xi ] = X e Y1 , Y2 , . . . , Ym son una m.a.s. con E[Yj ] = Y
entonces
n Ym (X Y )
X
q
, t(n + m 2)
ns2n +ms2m 1
1
(
+
)
n+m2 n
m
Diferencia de medias muestrales con 2 s desconocidas pero distintas.
Si X1 , X2 , . . . , Xn son una m.a.s. con E[Xi ] = X e Y1 , Y2 , . . . , Ym son una m.a.s. con E[Yj ] = Y
entonces el estadstico
n Ym (X Y )
X
q
s2
s2
X
Y
n + m
cuando n 30 y m 30, sigue distribucion N (0, 1)
cuando los tama
nos muestrales son peque
nos, sigue distribucion t(n + m 2 ) siendo el entero
[(m1)1 (n1)2 ]2
= (m1)2 +(n1)2
s2
s2
Y
mas proximo a
1
2
con 1 = nX y 2 = m
(0 max{n 1, m 1})
Diferencia de medias muestrales cuando las poblaciones son dependientes o relacionadas.

2 es
Consideramos la variable diferencia D que obtenemos Di = Xi Yi y suponemos que D
desconocida. Entonces
D
D
, t(n 1)
sD / n

Cociente de varianzas muestrales.


2 e Y , Y , . . . , Y m.a.s. con var[Y ] = 2 entonces
Sean X1 , X2 , . . . , Xn m.a.s. con var[Xi ] = X
1 2
m
j
Y
2 (n 1)
ns2n /X
, F (n 1, m 1)
ms2m /Y2 (m 1)

2
s2
n /X
2 , F (n 1, m 1)
s2
m /Y

FORMULARIO

AG-EE-EM-ET-EQ 1011

3.3 Intervalos de Confianza al nivel de confianza 1


Por ejemplo: denotamos z al valor z de una distribucion Z , N (0, 1) tal que P (Z z) =
Para , con 2 conocida:

[X n z1 2 , X n + z1 2 ]
n
n
Para , con 2 desconocida:
[X n t1 2 (n 1)

sn
sn
, X n + t1 2 (n 1)
]
n1
n1

s
s
[X n t1 2 (n 1) n , X n + t1 2 (n 1) n ]
n
n

Para p, (n grande):
r
[P z1 2

PQ
, P + z1 2
n

PQ
]
n

2 y 2 conocidas:
Para X Y , poblaciones independientes, con X
Y
r
r
2
2
X
Y2
X
2
[X n Y m z1 2
+
, X n Y m + z1 2
+ Y]
n
m
n
m
2 y 2 desconocidas pero iguales:
Para X Y , poblaciones independientes, con X
Y
s
s
2
2
nsX + msY 1
ns2X + ms2Y 1
1
1
[X n Y m t1 2 (n+m2)
( + ), X n Y m +t1 2 (n+m2)
( + )]
n+m2 n m
n+m2 n m
2 y 2
Para X Y , poblaciones independientes, (con tama
nos muestrales peque
nos) con X
Y
desconocidas pero distintas. Para saber el valor de mirad en pagina 8:
r
r
s2
s2
s2
s2
X
Y
X
[X n Y m t1 2 (n + m 2 )
+
, X n Y m + t1 2 (n + m 2 )
+ Y ]
n
m
n
m

Para tama
nos muestrales iguales o superiores a 30 se usa la distribucion N (0, 1) en lugar de la
distribucion t Student
Para X Y , poblaciones dependientes o relacionadas, donde D = X Y y s2
D es la varianza
insesgada de la variable diferencia D.
s
s
[D t1 2 (n 1) D , D + t1 2 (n 1) D ]
n
n

FORMULARIO

AG-EE-EM-ET-EQ 1011

10

Para p1 p2 :
r
[P1 P2 z1 2

P1 Q1 P2 Q2
+
, P1 P2 + z1 2
n1
n2

P1 Q1 P2 Q2
+
]
n1
n2

Para 2 , (:: Si n > 100 utilizar intervalo (A)):


[

ns2n
ns2n
,
]
21 (n 1) 2 (n 1)
2

(A)

(n 1)s2
(n 1)s2
n
n
,
]
21 (n 1) 2 (n 1)
2

ns2n
ns2n
,
]
(n 1) + z1 2 2n (n 1) z1 2 2n

Para el cociente de varianzas:


s2
1
s2
1
12
n
n

]
2
2
2
sm F1 2 (n 1, m 1) sm F 2 (n 1, m 1)
2

12
ns2n (m 1)
1
ns2n (m 1)
1

]
2
2
2

msm (n 1) F1 2 (n 1, m 1) msm (n 1) F 2 (n 1, m 1)
2
3.4 Tama
no muestral para obtener intervalos de precisi
on determinada
Para la media, si conocemos 2 :

E = z1 2 = n = (z1 2 )2
E
n
Para la media, si desconocemos 2 : cuando n > 30 obtendremos
n = (z1 2

sn 2
)
E

Para la proporci
on:
r
E=z

1
2

2
P Qz1

00 5z1 2 2
PQ
2
= n =
(
)
n
E2
E

En la primera expresi
on de n utilizaremos estimaciones de p y q obtenidas en estudios previos
(P y Q). En la segunda expresi
on utilizamos el maximo producto p q 00 5 00 5
Para la varianza:

r
E = z1 2

Utilizaremos estimaci
on de 2 .

2 2
4
2

= n = 2z1
2 E2
n

FORMULARIO

AG-EE-EM-ET-EQ 1011

11

3.5 Estadsticos en Contrastes Param


etricos
Suponemos que la poblaci
on es normal o que trabajamos con muestra grande.
a) con 2 conocida, H0 : = 0
b) con 2 desconocida, H0 : = 0

T =

X n
0
/ n

T =

, N (0, 1)

X n0
sn / n1

, t(n 1)

c) con varianzas conocidas (poblaciones independientes)


H0 : x y = d0

T =

X n Y m d0
q
, N (0, 1)
y2
x2
+
n
m

d) con varianzas desconocidas pero iguales (poblaciones independientes)


H0 : x y = d0

T =q

X n Y m d0
ns2n +ms2m 1
n+m2 ( n

, t(n + m 2)

1
m)

e) con varianzas desconocidas pero distintas (poblaciones independientes)


con n 30 y m 30

con n < 30 y m < 30

H0 : x y = d0

H0 : x y = d0

T =

T =

X n Y m d0
q
, N (0, 1)
s2
s2
X
Y
n + m

X n Y m d0
q
, t(n+m2)
s2
s2
Y
X
+
n
m

( en p
agina 8)

f) para igualdad de medias (poblaciones relacionadas), Di = Xi Yi


con varianza de las diferencias conocida

con varianza de las diferencias desconocida

g) para una proporci


on, H0 : p = p0

H0 : x y = D = d0

T =

H0 : x y = D = d0

T = P p0

p0 q0 /n

, N (0, 1)

h) para la diferencia de proporciones


H0 : px py = d0

Px Py d0
T =q
, N (0, 1)
Py Qy
Px Qx
+
n
m

D d0

T =

, N (0, 1)

D d0
sD
n1

, t(n1)

FORMULARIO

AG-EE-EM-ET-EQ 1011

i) para la varianza, H0 : 2 = 02

T =

12
ns2n
02

j) para la igualdad de varianzas, H0 : x2 = y2

(n1)s2
02

T =

, 2 (n 1)

s2
x
s2
y

, F (n 1, m 1)

(La poblaci
on X es la de mayor varianza muestral, y siempre se contrasta la alternativa x2 > y2 )

r
k) para el coeficiente de correlaci
on lineal, H0 : = 0
T = 1r
n 2 , t(n 2)
2
3.6 Regiones de aceptaci
on
Para las distribuciones simetricas de la normal y t de Student:

En los contrastes unilaterales a izquierda (H1 : < 0 )


la regi
on de aceptaci
on ser
a

R0 =] vc1 , +[

En los contrastes unilaterales a derecha (H1 : > 0 )


la regi
on de aceptaci
on ser
a

R0 =] , vc1 [

En los contrastes bilaterales (H1 : 6= 0 )


la regi
on de aceptaci
on ser
a

R0 =] vc1 2 , +vc1 2 [

Para las distribuciones 2 y F de Snedecor:

En los contrastes unilaterales a izquierda (H1 : < 0 )


la regi
on de aceptaci
on ser
a

R0 =]vc , +[

En los contrastes unilaterales a derecha (H1 : > 0 )


la regi
on de aceptaci
on ser
a

R0 =]0, vc1 [

En los contrastes bilaterales (H1 : 6= 0 )


la regi
on de aceptaci
on ser
a

R0 =]vc 2 , vc1 2 [

donde vc es el valor crtico que buscaremos seg


un la distribucion que siga el estadstico y el nivel
de significaci
on correspondiente.

FORMULARIO

AG-EE-EM-ET-EQ 1011

13

4. ANOVA de un factor
Suponiendo poblaciones normales con la misma varianza (aunque sea desconocida)
4.1 Resoluci
on del modelo Anova de 1 factor completamente aleatorizado
Hipotesis que se contrasta en el Anova:
H0 : 1 = 2 = ... = J =
H1 : noH0

(no influye el factor)

(si influye el factor)

F
ormulas para calcular sumas de cuadrados:
nj
J X
X

SCT =

nj

Yij2

1 XX
Yij )2 = a b
(
N
j=1 i=1

j=1 i=1
nj

J nj
J
X
1 XX
1 X
2
(
Yij ) (
Yij )2 = c b
SCE =
nj
N
i=1

j=1

SCR = SCT SCE =

j=1 i=1

nj
J X
X

Yij2

j=1 i=1

nj
J
X
1 X
(
Yij )2 = a c

nj
j=1

i=1

La tabla ANOVA:
SC

gl

MC

Factor

SCE

J 1

SCE
J1

Residual

SCR

N J

SCR
N J

TOTAL

SCT

N 1

Fuente de variaci
on

Estad. contraste
F =

M CE
M CR

Regi
on de rechazo: R1 = [F1 (J 1, N J), +[
4.2 Para comprobar que las varianzas son iguales se puede aplicar la Prueba de Bartlett-Box:
H0 : 12 = 22 = . . . = J2
El estadstico de contraste es
C = 20 3026[(N J)log

B=

PJ

2
j=1 (nj 1)sj

N J

C
A

2J1

PJ

j=1 (nj

con

1)logs2
j ]

donde s2
j es la cuasivarianza muestral en cada nivel del factor
P
1
1
A = 1 + 3(J1)
[( Jj=1 nj11 ) N J
]
Region crtica: R1 = [21 (J 1), +[

FORMULARIO

AG-EE-EM-ET-EQ 1011

14

4.3 Si rechazamos la hip


otesis nula del Anova, para determinar que niveles son diferentes se puede
aplicar Prueba de Scheffe:
(Hay que calcularlo para cada par de diferencias)
H0 : .j = .l
Calculamos

S=

H1 : .j 6= .l
|Y.j Y.l |
q

M CR( n1 + n1 )
j

Si

p
S (J 1) F1 (J 1, N J)

entonces rechazamos H0 .

****** Si todos los niveles tienen la misma cantidad de datos (n) entonces no es necesario
calcular S.
Las medias poblacionales de los niveles j y l seran diferentes si
r
2
|Y.j Y.l |
M CR (J 1) F1 (J 1, N J)
n