Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Completamente Al Azar PDF
Completamente Al Azar PDF
No es necesariamente cierto.
No hay repeticiones.
A A A A
B B B B
C C C C
D D D D
1 5 9 13
2 6 10 14
3 7 11 15
4 8 12 16
1 5 9 13
2 6 10 14
3 7B 11 15
4 8 12 16
1C 5A 9B 13 D
2D 6B 10 D 14 C
3C 7B 11 A 15 D
4A 8A 12 C 16 B
40% O2 (oxgeno)
59% N (nitrgeno)
4. 100% CO2 (bixido de carbono)
Cmo aleatorizar?
# aleatorio 52 56 20 99 44 34 62 60 31 57 40 78
rango 6 7 1 12 5 3 10 9 2 8 4 11
trat 1 1 1 2 2 2 3 3 3 4 4 4
u.e. 1 2 3 4 5 6 7 8 9 10 11 12
trat 1 3 2 4 2 1 1 4 3 3 4 2
Modelo de medias:
yij = i + ij i = 1, 2, . . . , t j = 1, 2, . . . , r
donde
yij es la observacin de la j-sima u.e. del i-simo tratamiento,
i es la media del i-simo tratamiento,
ij es el error experimental de la unidad ij.
Suponemos que hay t tratamientos y r repeticiones en cada
uno.
El modelo:
yij = i + ij
lo llamaremos modelo completo ya que incluye una media
separada para cada una de las poblaciones definidas por los
tratamientos.
yij = + ij yij = i + ij
yij = i + ij i = 1, . . . , t j = 1, . . . , r
ij = yij i
X r
t X t X
X r
2
SSEc = 2ij = (yij i )
i=1 j=1 i=1 j=1
Para una i:
r r
X 2
X
(yij i ) = 2 (yij i )
i j=1 j=1
igualando a cero
Xr
2 (yij i ) = 0
j=1
r
X
yij ri = 0
j=1
Pr
j=1 yij
i = = yi.
r
Por lo tanto,
i = yi i = 1, . . . , t
Entonces,
t X
X r
2
SSEc = (yij i )
i=1 j=1
t X
X r
2
= (yij yi. )
i=1 j=1
t
X Xr
2
= (yij yi. )
i=1 j=1
SSEc 0.9268
S2 = = = 0.11585
t(r 1) 4(2)
yij = + ij
ij = yij
t X
X r t X
X r
2
SSEr = 2ij = (yij )
i=1 j=1 i=1 j=1
t r t X
r
XX 2
X
(yij ) = 2 (yij )
i=1 j=1 i=1 j=1
igualando a cero
t X
X r t X
X r
= yij
i=1 j=1 i=1 j=1
rt = y..
y..
= = y..
rt
Entonces,
t X
X r t X
X r
2 2
SSEr = (yij ) = (yij y.. )
i=1 j=1 i=1 j=1
Para el ejemplo,
70.80
= y.. = = 5.90
12
Diferencia:
XX XX
2
SSEr SSEc = (yij y.. ) (yij yi. )2
i j i j
haciendo lgebra
XX X
2
= (yi. y.. ) = r (yi. y.. )2
i j i
XX XX 2
2
(yij y.. ) = [(yij yi. ) + (yi. y.. )]
i j i j
XX XX
2
= (yij yi. ) + (yi. y.. )2
i j i j
XX
2 (yij yi. )(yi. y.. )
i j
XX X X
(yij yi. )(yi. y.. ) = (yi. y.. ) (yij yi. )
i j i j
X
= (yi. y.. )(yi. ryi. ) = 0
i
ANOVA
F.V. g.l. SS CM
Tratamientos t1 SSt CMt = SSt /t 1
Error nt SSE CM E = SSE/n t = 2
Total n1 SStotal
Si suponemos ij N ID(0, 2 ) i = 1, . . . , t j = 1, . . . , r
en el modelo completo yij = i + ij
Cuando H0 : 1 = 2 = . . . = t es cierta
P 2
SSt i r(y i. y .. ) 2
= t1
2 2
ANOVA
SSE
Error nt SSE CM E = nt 2
Total n1 SStotal
t
X 2
SSt = r (yi. y.. )
i=1
t X
X r
2
SSE = (yij yi. )
i=1 j=1
t X
X r
2
SStotal = (yij y.. )
i=1 j=1
Diseo de experimentos p. 42/112
Tabla de Anlisis de Varianza
tratamientos
1 2 3 ... t
y11 y21 y31 ... yt1
y12 y22 y32 ... yt2
y13 y23 y33 ... yt3
. . . ... .
. . . ... .
. . . ... .
y1n1 y2n2 y3n3 ... ytnt
y1. y2. y3. ... yt. totales
y1. y2. y3. ... yt. medias
t
X
n = ni
i=1
Xni
yi. = yij i = 1, . . . , t total tratamiento i
j=1
Pni
j=1 yij
yi. = i = 1, . . . , t media tratamiento i
ni
t X
X ni t
X
y.. = yij = yi. total de las observaciones
i=1 j=1 i=1
y..
y.. = media general
n
Modelo de efectos
yij = + i + ij i = 1, . . . , t j = 1, . . . , ni
donde
yij = + i + ij i = 1, . . . , t j = 1, . . . , ni
X ni
t X ni
t X
X
SSE = 2ij = (yij i )2
i=1 j=1 i=1 j=1
t n
i ni
t X
XX X
(yij i )2 = 2 (yij i )
i=1 j=1 i=1 j=1
t ni ni
XX X
(yij i )2 = 2 (yij i ) i = 1, . . . , t
i i=1 j=1 j=1
Igualando a cero:
X ni
t X t
X
yij = n + ni i
i=1 j=1 i=1
n1
X
y1j = n1 + n1 1
j=1
n2
X
y2j = n2 + n2 2
j=1
... ...
nt
X
ytj = nt + nt t
j=1
= y..
i = yi. y.. i = 1, . . . , t
b) = 0
= 0
i = yi. i = 1, . . . , t
c) 1 = 0
= y1.
i = yi. y1. i = 2, . . . , t
Cul usar?
\
+ i = yi.
Aunque no podemos obtener estimadores nicos de los
parmetros del modelo de efectos, podemos obtener
estimadores nicos de funciones de estos parmetros.
SSE
Error nt SSE CM E = nt 2
Total n1 SStotal
t t
X 2
X y2 i. y..2
SSt = ni (yi. y.. ) =
i=1 i=1
ni n
ni
t X ni
t X t
X 2
X
2
X y2 i.
SSE = (yij yi. ) = yij
i=1 j=1 i=1 j=1 i=1
ni
ni
t X ni
t X
X 2
X
2 y..2
SStotal = (yij y.. ) = yij
i=1 j=1 i=1 j=1
n
t
X
n = ni
i=1 Diseo de experimentos p. 58/112
Intervalos de confianza
2
r
S CM E
i = yi. Sy2i. = 2
con S = CM E = 2
Syi. =
ni ni
Como suponemos que
2
yij N i ,
entonces
2
yi. N i , /ni
como estimamos la varianza:
yi. i
tnt
Syi.
Por lo tanto, un intervalo del (1 )100% de confianza para i
es
1/2
yi. tnt (Syi. )
Qu sigue?
Si suponemos que
2
yij N i ,
entonces
2
yi. N i , /ni
Por lo tanto,
t
t t
!
X X
2
X ki
C = ki yi. N ki i ,
i=1 i=1 i=1
ni
Ya que:
t ! t t
X X X
E ki yi. = ki E (yi. ) = ki i
i=1 i=1 i=1
t ! t t t
2 2
X X
2 2
X
2
X ki
V ki yi. = ki V (y i. ) = ki =
i=1
|{z}
i=1 i=1
ni n
i=1 i
m.indep
t 2 t
2
X ki
X ki2
V C = = CM E
n
i=1 i
n
i=1 i
Entonces,
Pt Pt
i=1 ki yi. i=1 ki i
q Pt tg.l.error
CM E i=1 ki2 /ni
Adems,
C C
q P N (0, 1)
t
2 i=1 ki2 /ni
Pt
Si H0 : i=1 ki i = 0, es decir, H0 : C = 0 es cierta, entonces,
C 2
Pt 2 /n
21
2 k
i=1 i i
Sea
C 2
SSc = Pt 2 /n
k
i=1 i i
entonces
Pt
SSc / 2 2
C / i=1 ki2 /ni
2
= F1,nt
SSE/ (n t) CM E
Por lo tanto, para probar H0 : C = 0 se rechaza si Fc > F1,nt
k1 k2 k3 k4
C1 1 -1/3 -1/3 -1/3
C2 0 1 -1/2 -1/2
C3 0 0 1 -1
Se rechaza H0 : 1 = 2 = 3 = 4
Se rechaza H01 : 1 = 31 (2 + 3 + 4 )
No se rechaza H02 : 2 = 21 (3 + 4 )
Se rechaza H03 : 3 = 4
2
C1 (2.11)2 4.4521
SSC1 = P4 = = = 10.01
1
ki2 12 +3(1/3)2 0.4444
r i=1 3
Tratamiento (marca)
A B C D
63 60 59 70
68 65 66 69
71 61 58 62
70 59 71
69 70
66
ni 5 3 4 6
yi. 341 186 242 408
yi. 68.2 62.0 60.5 68.0
o equivalente a
s
1/2 1 1
|yi. yj. | > tni +nj 2 sp +
ni nj
E nc
n comparaciones, la igualdad se d cuando las pruebas son
independientes.
Entonces,
c = E /n
Si queremos E = 0.05 entonces, c = 0.05/n y se hacen las
pruebas t para los pares de medias con un nivel de
significancia c en cada una de ellas.
Medias ordenadas:
y4. = 3.36 y2. = 5.50 y3. = 7.26 y1. = 7.48
Se calculan
Rp = rp,f Syi. p = 2, 3, . . . , t
Medias ordenadas:
y4. = 3.36 y2. = 5.50 y3. = 7.26 y1. = 7.48
H0 : i = t se rechaza si r
CM E
|yi. yt. | > D = d (t 1, glerror)
r
con d (k, ) es el percentil 1 de las tablas de Dunnett.
Para el ejemplo de la carne empacada, el tratamiento 1 es el
control.
Comercial Al vaco CO,O2,N CO2
yi. 7.48 5.50 7.26 3.36
d0.05,3,8 = 2.42
r !
CM E
D = 2.42 = 0.477
r
Tenemos el modelo
yij = i + ij yij = + i + ij
2
ij N ID 0,
Suposiciones:
errores normales
independientes
varianza constante
Residuales
eij = yij yij
yij = \+ i = i = yi.
eij = yij yi.
Prueba de Bartlett
H0 : 12 = 22 = . . . = t2
Ha : no H0
Estadstica de Prueba:
" #
1 2
X
U= (n t)ln( ) (ni 1)ln(i2 )
C i
X (ni 1) 2 X (yij yi. )2
2 i
donde = = i2
i
n t j
ni 1
!
1 X 1 1
C =1+
3(t 1) i
ni 1 n t
H0 se rechaza si U > 2,t1 (prueba sensible a falta de
normalidad)
Prueba de Levene
Se calcula
dij = |yij yi. | i = 1, . . . , t j = 1, . . . , ni
donde yi. es la mediana de las observaciones en el
tratamiento i.
X (1 Wi /W. )2
=
i
ni 1
P
donde W. = i Wi .
Entonces
P (yi. y )2
i Wi t1
Fc =
1+ 2(t 2)/(t2 1)
y
Una transformacin de las observaciones, del estilo:
x = yp
Da una relacin
x p+1
Si p = 1 entonces la desviacin estndar de la variable
transformada x ser constante, ya que p + 1 = 0 y x 0 .
La transformacin de Box-Cox
x = (y p 1)/p p 6= 1
x = loge y p = 1
El estimador de p se encuentra maximizando
1
L(p) = loge [CM E(p)]
2
donde CM E(p) es el cuadrado medio del error del anlisis de
varianza usando la transformacin x = (y p 1)/p para el valor
dado p.
ej2_1_messy.sav
ej2_1_messy.jmp
ej2_1_messy.txt
(
i = 1, 2, 3, 4
yij = 0 + 1 x1j + 2 x2j + 3 x3j + ij
j = 1, 2, 3
(
1 si la observacin j es del tratamiento 1
x1j =
0 en otro caso
(
1 si la observacin j es del tratamiento 2
x2j =
0 en otro caso
(
1 si la observacin j es del tratamiento 3
x3j =
0 en otro caso
Por lo tanto,
0 = 4
1 = 1 4
2 = 2 4
3 = 3 4