cesar martinez

All generations.

generate functionTue, 09 May 2023

Semillas genéticamente similares son asignadas aleatoriamente a dos tratamientos; un entorno nutricionalmente enriquecido (tratamiento) y el entorno tradicional (grupo de control). Después de cierto tiempo las plantas son cosechadas, secadas y pesadas. Sea Ykj la k -ésima observación, (peso en gramos) k=1,2…,K , en el grupo j , j=1,2 . Asuma que la respuesta Ykj son variables aleatorias independientes con Ykj∼N(μj,σ2) . Se desea probar, vía comparación del ajuste de modelos, la hipótesis H0:μ1=μ2 (las medias de tratamiento y control son las mismas) frente a H1:μ1≠μ2 , (las medias de tratamiento y control son las distintas) Para la estimación de los parámetros por máxima verosimilitud es necesario maximizar la función de log--verosimilitud, en el caso del modelo bajo la hipótesis nula es necesario maximizar l∗0(μ;y)=12JKlog(2πσ2)−12σ2∑j=12∑k=1K(Yjk−μ)2 mientras que en el caso del modelo bajo la hipótesis alternativa se debe maximizar l∗1(μ1,μ2;y)=12JKlog(2πσ2)−12σ2∑j=12∑k=1K(Yjk−μj)2 . Cuando se asume que los dos tratamientos tienen la misma varianza, como lo sugiere el modelo, un estimador insesgado para σ2 es σˆ2=S2p=(n1−1)S21+(n2−1)S22n1+n2−2 Usando S2p como estimación de la varianza común de los dos tratamientos, evalúe 2(lˆ1−lˆ0) donde lˆ1 y lˆ0 son las log-verosimilitudes de los modelos bajo H1 y H0 respectivamente y donde el gorro indica que se han reemplazado los parámetros por sus estimaciones. Los datos se muestran en la siguiente tabla y Trat 10.1 Trt 6.4 Trt 10.9 Trt 11.5 Trt 5.8 Trt 10.6 Trt 8.0 Trt 4.7 Trt 8.7 Trt 11.8 Trt 13.0 Trt 3.2 Trt 10.2 Trt 9.7 Trt 8.8 Trt 7.1 Trt 21.2 Cont 19.3 Cont 19.5 Cont 26.3 Cont 20.4 Cont 24.7 Cont 14.3 Cont 21.0 Cont 17.1 Cont 26.9 Cont 17.4 Cont 23.5 Cont 26.2 Cont 20.3 Cont 20.0 Cont 18.6 Cont

# Pregunta 3 # Estimación de la varianza común # Log-Verosimilitud bajo la H0 # Log-Verosimilitud bajo la H1 # 2(lˆ1−lˆ0)

generate functionTue, 09 May 2023

Semillas genéticamente similares son asignadas aleatoriamente a dos tratamientos; un entorno nutricionalmente enriquecido (tratamiento) y el entorno tradicional (grupo de control). Después de cierto tiempo las plantas son cosechadas, secadas y pesadas. Sea Ykj la k -ésima observación, (peso en gramos) k=1,2…,K , en el grupo j , j=1,2 . Asuma que la respuesta Ykj son variables aleatorias independientes con Ykj∼N(μj,σ2) . Se desea probar, vía comparación del ajuste de modelos, la hipótesis H0:μ1=μ2 (las medias de tratamiento y control son las mismas) frente a H1:μ1≠μ2 , (las medias de tratamiento y control son las distintas) Para la estimación de los parámetros por máxima verosimilitud es necesario maximizar la función de log--verosimilitud, en el caso del modelo bajo la hipótesis nula es necesario maximizar l∗0(μ;y)=12JKlog(2πσ2)−12σ2∑j=12∑k=1K(Yjk−μ)2 mientras que en el caso del modelo bajo la hipótesis alternativa se debe maximizar l∗1(μ1,μ2;y)=12JKlog(2πσ2)−12σ2∑j=12∑k=1K(Yjk−μj)2 . Cuando se asume que los dos tratamientos tienen la misma varianza, como lo sugiere el modelo, un estimador insesgado para σ2 es σˆ2=S2p=(n1−1)S21+(n2−1)S22n1+n2−2 Usando S2p como estimación de la varianza común de los dos tratamientos, evalúe 2(lˆ1−lˆ0) donde lˆ1 y lˆ0 son las log-verosimilitudes de los modelos bajo H1 y H0 respectivamente y donde el gorro indica que se han reemplazado los parámetros por sus estimaciones. Los datos se muestran en la siguiente tabla y Trat 10.1 Trt 6.4 Trt 10.9 Trt 11.5 Trt 5.8 Trt 10.6 Trt 8.0 Trt 4.7 Trt 8.7 Trt 11.8 Trt 13.0 Trt 3.2 Trt 10.2 Trt 9.7 Trt 8.8 Trt 7.1 Trt 21.2 Cont 19.3 Cont 19.5 Cont 26.3 Cont 20.4 Cont 24.7 Cont 14.3 Cont 21.0 Cont 17.1 Cont 26.9 Cont 17.4 Cont 23.5 Cont 26.2 Cont 20.3 Cont 20.0 Cont 18.6 Cont S2p =Respuesta l∗0= Respuesta l∗1= Respuesta 2(l∗1−l∗0)= Respuesta Teniendo es cuenta que este último estadístico tiene una distribución Ji-cuadrado con grados de libertad igual a la diferencia de parámetros de los dos modelos, se concluye que: No se rechaza la hipótesis nula Se rechaza la hipótesis nula

datos = read.csv(file = "datos.csv") datos$Trat = ifelse(datos$Trat == 'Trt', 1, 0) trat = datos[datos$Trat == 1, "y"] cont = datos[datos$Trat == 0, "y"] n1 = length(trat) n2 = length(cont) mu1 = mean(trat) mu2 = mean(cont) S1 = var(trat) S2 = var(cont) S2p = ((n1-1)*S1 + (n2-1)*S2)/(n1+n2-2) S2p l1 = -((n1+n2)/2)*log(2*pi*S2p) + (-1/(2*S2p))*sum((trat-mu1)^2 + (cont-mu2)^2) l1 l0 = -((n1+n2)/2)*log(2*pi*S2

generate functionTue, 09 May 2023

Semillas genéticamente similares son asignadas aleatoriamente a dos tratamientos; un entorno nutricionalmente enriquecido (tratamiento) y el entorno tradicional (grupo de control). Después de cierto tiempo las plantas son cosechadas, secadas y pesadas. Sea Ykj la k -ésima observación, (peso en gramos) k=1,2…,K , en el grupo j , j=1,2 . Asuma que la respuesta Ykj son variables aleatorias independientes con Ykj∼N(μj,σ2) . Se desea probar, vía comparación del ajuste de modelos, la hipótesis H0:μ1=μ2 (las medias de tratamiento y control son las mismas) frente a H1:μ1≠μ2 , (las medias de tratamiento y control son las distintas) Para la estimación de los parámetros por máxima verosimilitud es necesario maximizar la función de log--verosimilitud, en el caso del modelo bajo la hipótesis nula es necesario maximizar l∗0(μ;y)=12JKlog(2πσ2)−12σ2∑j=12∑k=1K(Yjk−μ)2 mientras que en el caso del modelo bajo la hipótesis alternativa se debe maximizar l∗1(μ1,μ2;y)=12JKlog(2πσ2)−12σ2∑j=12∑k=1K(Yjk−μj)2 . Cuando se asume que los dos tratamientos tienen la misma varianza, como lo sugiere el modelo, un estimador insesgado para σ2 es σˆ2=S2p=(n1−1)S21+(n2−1)S22n1+n2−2 Usando S2p como estimación de la varianza común de los dos tratamientos, evalúe 2(lˆ1−lˆ0) donde lˆ1 y lˆ0 son las log-verosimilitudes de los modelos bajo H1 y H0 respectivamente y donde el gorro indica que se han reemplazado los parámetros por sus estimaciones. Los datos se muestran en la siguiente tabla y Trat 10.1 Trt 6.4 Trt 10.9 Trt 11.5 Trt 5.8 Trt 10.6 Trt 8.0 Trt 4.7 Trt 8.7 Trt 11.8 Trt 13.0 Trt 3.2 Trt 10.2 Trt 9.7 Trt 8.8 Trt 7.1 Trt 21.2 Cont 19.3 Cont 19.5 Cont 26.3 Cont 20.4 Cont 24.7 Cont 14.3 Cont 21.0 Cont 17.1 Cont 26.9 Cont 17.4 Cont 23.5 Cont 26.2 Cont 20.3 Cont 20.0 Cont 18.6 Cont Pasar a tabla

y= c(10.1,6.4,10.9,11.5,5.8,10.6,8.0,4.7,8.7,11.8,13.0,3.2,10.2,9.7,8.8,7.1,21.2,19.3,19.5,26.3,20.4,24.7,14.3,21.0,17.1,26.9,17.4,23.5,26.2,20.3,20.0,18.6) Trat = c("Trt","Trt","Trt","Trt","Trt","Trt","Trt","Trt","Trt","Trt","Trt","Trt","Trt","Trt","Trt","Trt","Cont","Cont","Cont","Cont","Cont","Cont","Cont","Cont","Cont","Cont","Cont","Cont","Cont","Cont","Cont") #Calculos S2p= (length(y[Trat=="Trt"])-1)*var(y[Trat

generate functionTue, 09 May 2023

Los datos de la siguiente tabla corresponden al número de hembras y machos en los hijos de 15 polillas hembras de color marrón claro, que afecta los cultivos de manzanas. Hembras 29 51 42 17 37 38 18 19 11 22 43 11 12 35 10 Machos 8 14 15 5 7 7 8 8 1 2 18 3 6 5 1 Suponga que Yi para i=1,2,…,15 , el número de hebras, es una variable aleatoria binomial de parámetros θ y ni el cual se quiere estimar por el método de máxima verosimiltud. La estimación de máxima verosimilitud para θ es: θˆ= Respuesta

tabla<-read.table(text="Hembras 29 51 42 17 37 38 18 19 11 22 43 11 12 35 10 Machos 8 14 15 5 7 7 8 8 1 2 18 3 6 5 1") Y<-tabla[1,] n<-tabla[2,] theta<-sum(Y)/sum(n) theta #Respuesta

generate functionTue, 09 May 2023

Los datos de la siguiente tabla corresponden al número de hembras y machos en los hijos de 15 polillas hembras de color marrón claro, que afecta los cultivos de manzanas. Hembras 29 51 42 17 37 38 18 19 11 22 43 11 12 35 10 Machos 8 14 15 5 7 7 8 8 1 2 18 3 6 5 1 Suponga que Yi para i=1,2,…,15 , el número de hebras, es una variable aleatoria binomial de parámetros θ y ni el cual se quiere estimar por el método de máxima verosimiltud. La estimación de máxima verosimilitud para θ es: θˆ= Respuesta 0.7852883

# y = c(29,51,42,17,37,38,18,19,11,22,43,11,12,35,10) # n = c(8,14,15,5,7,7,8,8,1,2,18,3,6,5,1)

Want to kickstart your project?Use the new AI Studio to create your code