Caros R-users, Coloquei como off-topic pois acredito que esta seja mais uma dúvida conceitual do que de R ppd. Dado que tenho dois conjuntos de dados: x <- c ( 13.772 , 10.119 , 11.224 , 21.999 , 17.181 , 27.477 , 21.693 , 26.706 , 14.576 , 19.689 , 12.494 , 19.511 , 16.785 , 16.551 , 20.780 , 0.000 , 25.867 , 28.223 , 26.059 , 21.668 , 18.209 , 20.186 , 28.320 , 26.946 , 16.218 , 16.814 , 16.859 , 0.000 , 0.000 , 3.986 , 1.625 , 17.286 , 28.149 , 19.404 , 21.669 , 22.058 , 14.947 , 14.512 , 21.177 , 29.997 , 20.958 , 15.123 , 28.932 , 23.807 , 30.589 , 10.208 , 20.076 , 18.897 , 14.666 , 13.955) y <- c ( 13.902 , 10.102 , 11.301 , 22.081 , 17.234 , 27.540 , 21.741 , 26.677 , 14.621 , 19.766 , 12.547 , 19.622 , 16.857 , 16.628 , 20.787 , 0.000 , 25.943 , 28.313 , 26.166 , 21.724 , 18.255 , 20.307 , 28.387 , 27.079 , 16.202 , 16.857 , 16.875 , 0.000 , 0.000 , 3.951 , 1.681 , 17.353 , 28.273 , 19.422 , 21.724 , 22.164 , 14.902 , 14.458 , 21.174 , 30.024 , 20.949 , 15.101 , 28.926 , 23.850 , 30.597 , 10.147 , 20.035 , 18.873 , 14.691 , 13.892) As duas amostras estão pareadas. As duas amostras falham para o teste de normalidade:
shapiro.test ( x )
Shapiro-Wilk normality test data: testetcompounds$tR...tM.UV.ABC W = 0.9373, p-value = 0.01057
shapiro.test ( y )
Shapiro-Wilk normality test data: testetcompounds$tR...tM.UV.ABC.Group10 W = 0.9372, p-value = 0.01043 No livro Bayesian Computation with R Sugere que para distribuições não normais é necessário fazer o teste de Monte Carlo Com a seguinte função ======================================================= tstatistic = function ( y , x ) { m = length ( y ) n = length ( x ) sp = sqrt( ( ( m - 1 ) * sd ( y ) ^ 2 + ( n - 1 ) * sd ( x ) ^ 2 ) / ( m + n - 2 ) ) t = ( mean ( y ) - mean ( x ) ) / ( sp * sqrt ( 1 / m + 1 / n) ) return ( t ) } ======================================================== Retornando t = -0.02242564 Em seguida o teste: ======================================================== alpha = 0.01 ; m = 50 ; n = 50 # sets alpha, m and n ( alpha is the stated significance level, m and n are the samples sizes ) N = 10000 # sets the number of simulations n.reject = 0 # counter of num. of rejections for ( i in 1 : N ) { x = rnorm ( m , mean = x , sd = x ) # simulates xs from population 1 y = rnorm ( n , mean = y , sd = y ) # simulates ys from population 2 t = tstatistic ( y , x ) # computes the t statistic if ( abs ( t ) > qt ( 1 - alpha / 2 , n + m - 2) ) n.reject = n.reject + 1 # reject if |t| exceeds critical pt } true.sig.level = n.reject/N # est. is proportions of rejections ======================================================== Retornando true.sig.level = 0.0049 Problema Conceitual 1) Como interpretar esse resultado? Porém ainda há uma diferença entre o t calculado por essa fórmula e o t calculado com o comando t.stat (padrão do R) ================================================================ t = t.test ( y , x , mu = 0 , paired = TRUE , var.equal = TRUE , conf.level = 0.9999 ) t Paired t-test data: y and x t = 4.6437, df = 49, p-value = 2.594e-05 alternative hypothesis: true difference in means is not equal to 0 99.99 percent confidence interval: 0.003082235 0.067077765 sample estimates: mean of the differences 0.03508 ================================================================ E finalmente… minha média da diferencia é conhecida e não é zero, assim utilizei o seguinte comando: t = t.test ( y , x , mu = 0.87 , paired = TRUE , var.equal = TRUE , conf.level = 0.9999, alternative = "less” ) Paired t-test data: y and x t = -110.5231, df = 49, p-value < 2.2e-16 alternative hypothesis: true difference in means is less than 0.87 99.99 percent confidence interval: -Inf 0.06545182 sample estimates: mean of the differences 0.03508 2) Problema de Comando… como fazer a simulação de Monte Carlo na situação acima? * Obs.: aceito sugestões de leitura sobre o assunto e comando alternativos para comparar a médias Muito obrigado e me desculpe pelo longo e-mail. Thales