Estoy trabajando con los datos de que se ha reducido a valores caen entre -1 y 1. La fórmula es, "(número en el tubo 1 - el número en el tubo 2)/ (la suma de los números en los dos tubos). Ejemplo: Tubo 1 = 5 gusanos de Tubo 2 = 3 gusanos... ((5-3)/(5+3))= 0.25. Los valores positivos indican que la atracción, los valores negativos indican repulsión, 0 indica que no hay preferencia. En mis experimentos me puse 40 gusanos, y de comprobar que los gusanos están en el cual los tubos en diferentes tiempos (30 minutos, 1 hora y 2 horas). ¿Cómo puedo calcular si un solo valor, el 0,25 por ejemplo, es significativamente diferente de 0? Voy a tener que hacer esto cada vez que me marque los experimentos. Si alguien pudiera por favor, ayudar, estaría muy agradecido. También, uso de R, por lo que si alguien puede demostrar que para mí en R código, que sería oleaje. Gracias.
Respuesta
¿Demasiados anuncios?
Esperar hasta el final del experimento y calcular el valor de p de la distribución binomial. Bajo la hipótesis nula, un gusano que tiene igualdad de oportunidades para ir a cada tubo. $X$ , lo que representa el número de cuenta en un tubo, sigue una Distribución Binomial con $p=0.5$ $N$ N representa el número de gusanos que se han movido. Digamos 40 gusanos se han movido, 13 en una de las menos pobladas del tubo. La prueba está dada por :
> binom.test(13,40,0.5,alternative="two.sided")
Exact binomial test
data: 13 and 40
number of successes = 13, number of trials = 40, p-value = 0.03848
alternative hypothesis: true probability of success is not equal to 0.5
95 percent confidence interval:
0.1857290 0.4912949
sample estimates:
probability of success
0.325
Esto es todo lo que necesita para evaluar significativity de la relación la atractividad de los tubos. La siguiente sección explica cómo encontrar los valores críticos para su calificación si usted todavía desea utilizar como una estadística.
Usted va a comentar que su puntuación de crédito no se utiliza, pero este no es imposible, para cada una de las $N$, para encontrar los valores críticos de la cual usted va a obtener resultados significativos. Si usted quiere hacer eso
Lo que tenemos que hacer, entonces, es calcular la región crítica para el cual la hipótesis nula $H0:P=0.5$ es rechazado. Es decir $m1$ $m2$ para que bajo la hipótesis nula: $P(X \leq m1)=0.025$$P(X \geq m2)=0.025$. Digamos que decir que el 50 gusanos se han utilizado, y sólo $N=40$ gusanos se han movido.
Podemos encontrar $m2=27$$m1=13$. Esto puede ser dado por el uso de la función cuantil de la distribución binomial qbinom.
> qbinom(0.025,40,0.5)
[1] 14
> qbinom(0.975,40,0.5)
[1] 26
Usted necesita para obtener un cargo adicional para entrar en el rechazo a la región que desee.
En efecto :
> pbinom(14,40,0.5)
[1] 0.04034523
> pbinom(13,40,0.5)
[1] 0.01923865
Esto puede ser leído como $P(X \leq 13)=0.019$. Por simetría también tiene $P(X \geq 27)=0.019$
Esto significa que bajo la hipótesis nula si tienes 13 años o menos gusano en un tubo o en el otro, está en el 5% de los casos más extremos.
Si volvemos a su puntuación para $N=40$, cuando su puntuación es superior en valor absoluto a a (27-13)/40=14/40=0.35, se puede decir que tienen una importante atracción o de repulsión.
Edit : en realidad No es relevante ya en la luz de Spartan detalles. El mejor parece ser la de hacer un único examen al final del experimento.
Sin embargo, tenga cuidado en múltiples pruebas. Si marca esta frecuencia con la que usted va a aumentar su tasa de falsos positivos. Si usted va a ver 3 veces, la forma más sencilla de lidiar con esto es para dividirlo $\alpha$ nivel 3 y, a continuación, volver a calcular su crítica de las regiones con 0.00833 en lugar de 0.025. Esto daría :
> qbinom(0.008333,40,0.5)
[1] 13
>pbinom(12,40,0.5)
[1] 0.008294502
Mismo por el otro chico, m2, el cual es empujado sólo un cargo adicional. El nuevo umbral para su medida es entonces (28-12)/40=16/40=0.40.
En general, me aconsejo múltiples de la prueba si se puede evitar (como acaba de comprobar una vez). Pero por el otro su región crítica para los tres comprobar el estado es una especie de agradable, 0.00829 está muy cerca de la 0.0083 nivel. Esto implica que la prueba no tiene el problema de conservativeness que tenía para el que sólo uno de comprobar el estado (su verdadero nivel alfa fue de alrededor de 0.04 en lugar de 0,05).
