Documentos de Académico
Documentos de Profesional
Documentos de Cultura
INTRODUCCIN AL DISEO DE
EXPERIMENTOS
=+
Conclusiones y recomendaciones
1 2
de texto
attach(datos)
punto <- as.factor(punto)
6.5
6.5
6.0
6.0
oxigeno
5.5
5.5
5.0
5.0
4.5
4.5
1 2 3 4 1 2 3 4
punto
Experimentos con un solo factor
Suponga que se tienen tratamientos o niveles diferentes de un solo factor
que quieren compararse, por ejemplo, especies, temperaturas,
concentraciones, etc. La respuesta observada de cada uno de los
tratamientos es una variable aleatoria.
Tratamiento Observaciones Totales Promedios
(Nivel)
1 11 12 . . . 1 1. 1.
2 21 22 . . . 2 2. 2.
. . . ... . . .
. . . . . .
. . . . . .
1 2 . . . . .
.. ..
Qu representa el elemento ?
Recomendaciones
34
Modelo
1. Modelo de medias
= + , = 1,2, , y = 1,2, ,
= + + , = 1,2, , y = 1,2, ,
Objetivo
Probar hiptesis adecuadas acerca de las medias de los tratamientos
y estimarlas.
Supuestos
Errores del modelo son variables aleatorias con distribucin normal e
independientes: 2
~(0, )
Las conclusiones se aplican nicamente a los niveles del factor considerado en el anlisis.
0 : 1 = 2 == =
1 : , para al menos un par (, )
0 : 1 = 2 == = 0
1 : 0, para al menos una
2
1
= ,
Efecto del tratamiento es la distancia entre la respuesta media del
tratamiento, , y la respuesta media global, .
Cuando un efecto es igual a cero, equivale a decir que la media del
tratamiento correspondiente es igual a la media global.
Tabla de anlisis de varianza
1 2 ..2 2 ..2
= . =
=1 =1 =1
=
Criterio de Rechazo
Se rechaza 0 :
Hay diferencias en las medias
de los tratamientos.
Valor-p<,
Valor-p: error al rechazar H0
0 > ,1,
42
Ejemplo - Modelo
significativas en las
cantidades medias de
oxgeno disuelto en los Df Sum Sq Mean Sq F value Pr(>F)
punto 3 7.8295 2.60983 66.493 2.982e-09 ***
cuatro puntos del ro? Residuals 16 0.6280 0.03925
---
Signif. codes: 0 *** 0.001 ** 0.01 * 0.05 .
2. Realice comparaciones 0.1 1
y..
i yi. y.. , i 1,2,..., a.
= +
MSE MSE
yi. t 2, N a i yi. t 2, N a
n n
Resumen
Modelo
Medias = + ,
= 1,2, , y = 1,2, ,
~(0, 2 ); ~( , 2 )
Anlisis
Efectos = + + ,
Varianza
simple o ,
= 1,2, , y = 1,2, ,
de un solo
factor o Efectos Probar la igualdad 0 : 1 = 2 == =
Fijos de: 1 : , para al menos un par ,
de una va Las medias
0 : 1 = 2 = = = 0
Los tratamientos 1 : 0, para al menos una i
46
Anlisis de varianza
= ( .. )2 = (i. .. )2 + ( i. )2
=1 =1 =1 =1 =1
= +
No hay efecto de tratamientos Hay efecto de tratamientos
Variabilidad Variabilidad
Variabilidad Variabilidad
debida a debida al
debida a debida al
tratamientos error
tratamientos error
El termino del error desaparece del modelo estimado por el hecho de que su valor
esperado es igual a cero. Como la media global se estima como .. y el efecto del
tratamiento con . -.. , el modelo ajustado se puede escribir como
= .. + (. .. ) = .
1. Los son una muestra aleatoria de una distribucin normal con media cero.
3. Los residuos de cada tratamiento proceden de una distribucin que tiene la misma
varianza.
Verificacin de los supuestos del modelo
Supuesto:
Los errores del modelo son variables aleatorias que siguen una distribucin normal e
independiente con media cero y varianza 2 .
~(0, 2 )
Esto implica que las observaciones son independientes con la siguiente distribucin
~( + , 2 )
Residuales (anlisis de residuales)
1. Normalidad:
a. Procedimiento grfico:
Grfico cuantil-cuantil, (quantile quantile plot, qqplot).
Histograma
Diagrama de cajas (boxplot)
b. Prueba estadstica:
Prueba de Shapiro-Wilk
Prueba de Jarque Bera
Prueba de Anderson Darling
Prueba de Cramer Von Mises
Prueba de Kolmogorov Smirnov
Grfico Cuantil - Cuantil
Histograma
Distribucin
Distribucin asimtrica, con
Distribucin
asimtrica, con sesgo negativo
simtrica (ideal)
sesgo positivo
Diagrama de cajas
Distribucin
asimtrica, con
sesgo positivo
Distribucin
asimtrica, con
sesgo negativo
Distribucin
simtrica (ideal)
Prueba estadstica: prueba de normalidad
Prueba de Shapiro-Wilk
Prueba de JarqueBera
Prueba de Anderson Darling
Prueba de Cramer Von Mises
Prueba de Kolmogorov -Smirnov
par(mfrow=c(1,3))
qqnorm(residuales, xlab="Cuantiles tericos", ylab="Cuantiles muestrales",
main="Grfico cuantil-cuantil")
qqline(residuales)
hist(residuales, xlab="Residuales", ylab="Frecuencia", main="Histograma")
boxplot(residuales, xlab="Residuales", main="Grfico de cajas")
Prueba estadstica
require(nortest)
shapiro.test(residuales)
ad.test(residuales)
Ejemplo. Procedimiento grfico
5
0.2
0.2
4
Cuantiles muestrales
0.0
0.0
Frecuencia
3
2
-0.2
-0.2
1
-0.4
-0.4
0
Prueba estadstica
Shapiro-Wilk normality test Anderson-Darling normality test
a. Procedimiento grfico:
Grfico de valores ajustados vs residuales.
Grfico de niveles de factor vs residuales.
b. Prueba estadstica:
Prueba de Breusch-Pagan
Prueba de Levene
Prueba de Bartlett
Prueba de Hartley
Prueba de Cochran
Grfico de valores ajustados vs residuales
Satisfactorio En embudo
1 : 2 2 para algn
Prueba de Breusch-Pagan
Prueba de Levene
Prueba de Bartlett
valores_ajustados<-(fitted(modelo))
par(mfrow=c(1,2))
plot(valores_ajustados, residuales, xlab="Valores ajustados", ylab="Residuales")
abline(h=0, col = "gray60")
plot(as.numeric(punto), residuales, xlab="Punto", ylab="Residuales")
abline(h=0, col = "gray60")
Prueba estadstica
require(car)
leveneTest(oxigeno ~punto)
bartlett.test(oxigeno ~punto)
require(lmtest)
bptest(oxigeno ~punto)
0.2
0.2
Residuales
Residuales
0.0
0.0
-0.2
-0.2
-0.4
-0.4
5.0 5.5 6.0 6.5 1.0 1.5 2.0 2.5 3.0 3.5 4.0
data: modelo
BP = 5.3502, df = 3, p-value = 0.1479
3. Independencia:
a. Procedimiento grfico:
b. Prueba estadstica:
Prueba de Durbin-Watson
Grfico de orden vs residuales
par(mfrow=c(1,3))
plot(residuales, pch=16, ylab="Residuales", xlab="Orden", main="Grfico de Orden vs
Residuales")
abline(h=0)
acf(residuales,ylim=c(-1,1), main="Grfico de ACF")
pacf(residuales,ylim=c(-1,1), main="Grfico de PACF", ylab="PACF")
Prueba estadstica
require(lmtest)
dwtest(modelo,alternative="two.sided")
Grfico de Orden vs Residuales Grfico de ACF Grfico de PACF
1.0
1.0
0.2
0.5
0.5
0.0
Residuales
PACF
ACF
0.0
0.0
-0.2
-0.5
-0.5
-0.4
-1.0
-1.0
5 10 15 20 0 2 4 6 8 10 12 2 4 6 8 10 12
Durbin-Watson test
data: modelo
DW = 2.251, p-value = 0.8918
alternative hypothesis: true autocorrelation is
not 0
AGENDA SESIN 4
1. Medidas Remediales
2. Tamao de Muestra
4. Prueba Krusbak-Wallis
Medidas Remediales
1. Normalidad
Transformar los datos.
Usar mtodos no paramtricos.
2. Homocedasticidad
Transformar los datos.
3. Independencia
No existen transformaciones o ajustes simples que corrijan la falta
de independencia en los errores. La solucin apropiada sera la
modificacin del diseo bsico o la forma de realizar el
experimento.
1. Normalidad
2. Homocedasticidad
3. Independencia
71
Transformaciones de Potencia
La familia de transformaciones de potencia es indexada con
el parmetro .
Un valor dado de implica una transformacin particular.
Transformacin sugerida
-2 1
2
-1 1
-0.5 1
0
0.5
1 x
2 2
INCAS Innovacin y Gestin de Cadenas de Abastecimiento 72
El mtodo analtico de Box-Cox est disponible para elegir una
adecuada transformacin de potencia
Ellos consideran una ligera familia modificada de transformaciones de
potencia
1
= 0
0
se obtiene como el valor de que minimiza la suma de cuadrados
2
=
=
donde es la media de la serie transformada usando
INCAS Innovacin y Gestin de Cadenas de Abastecimiento 73
Ejemplo transformaciones de Potencia
testTransform(powerTransform(oxigeno),lambda=?)
Leer:
Libro: Diseo de Experimentos
Autor: Montgomery
La diferencia primordial entre los mtodos radica en la potencia que tiene una
prueba para detectar diferencias entre las medias. Se dice que una prueba es
ms potente si es capaz de detectar diferencias ms pequeas.
I. Comparacin de parejas de medias de tratamientos
2. Mtodo de Tukey
3. Mtodo de Duncan
Mtodo de Dunnett
Mtodo de Sheff
Mtodo LSD
El objetivo es probar la igualdad de todos los posibles pares de medias con la
hiptesis
0 : =
1 : para toda
El estadstico de prueba es
i. j.
punto, means
$punto
diff lwr upr p adj
2-1 0.36 0.001515244 0.71848476 0.0488533
3-1 -1.30 -1.658484756 -0.94151524 0.0000001
4-1 -0.08 -0.438484756 0.27848476 0.9179993
3-2 -1.66 -2.018484756 -1.30151524 0.0000000
4-2 -0.44 -0.798484756 -0.08151524 0.0138156
4-3 1.22 0.861515244 1.57848476 0.0000002
95% family-wise confidence level
2-1
3-1
4-1
3-2
4-2
4-3