Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Doe-3-Completamente Al Azar PDF
Doe-3-Completamente Al Azar PDF
No es necesariamente cierto.
No hay repeticiones.
Para hacer más fácil de recordar cuál conejo tiene cuál dieta,
las jaulas se acomodan como se muestra abajo:
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 (oxígeno)
■ 59% N (nitrógeno)
4. 100% CO2 (bióxido de carbono)
Cómo 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 = µi + ǫij i = 1, 2, . . . , t j = 1, 2, . . . , r
donde
yij es la observación de la j-ésima u.e. del i-ésimo tratamiento,
µi es la media del i-ésimo tratamiento,
ǫij es el error experimental de la unidad ij.
Suponemos que hay t tratamientos y r repeticiones en cada
uno.
El modelo:
yij = µi + ǫij
lo llamaremos modelo completo ya que incluye una media
separada para cada una de las poblaciones definidas por los
tratamientos.
yij = µi + ǫij i = 1, . . . , t j = 1, . . . , r
ǫij = yij − µi
X r
t X t X
X r
2
SSEc = ǫ2ij = (yij − µi )
i=1 j=1 i=1 j=1
Para una i:
r r
∂ X 2
X
(yij − µi ) = −2 (yij − µi )
∂µi j=1 j=1
igualando a cero
Xr
−2 (yij − µ̂i ) = 0
j=1
r
X
yij − rµ̂i = 0
j=1
Pr
j=1 yij
µ̂i = = ȳi.
r
Por lo tanto,
µ̂i = ȳi i = 1, . . . , t
Entonces,
t X
X r
2
SSEc = (yij − µ̂i )
i=1 j=1
t X
X r
2
= (yij − ȳi. )
i=1 j=1
t
X Xr
2
= (yij − ȳi. )
i=1 j=1
SSEc 0.9268
S2 = = = 0.11585
t(r − 1) 4(2)
yij = µ + ǫij
ǫij = yij − µ
t X
X r t X
X r
2
SSEr = ǫ2ij = (yij − µ)
i=1 j=1 i=1 j=1
t r t X
r
∂ XX 2
X
(yij − µ) = −2 (yij − µ)
∂µ i=1 j=1 i=1 j=1
igualando a cero
t X
X r t X
X r
µ̂ = yij
i=1 j=1 i=1 j=1
rtµ = y..
y..
µ̂ = = ȳ..
rt
Entonces,
t X
X r t X
X r
2 2
SSEr = (yij − µ̂) = (yij − ȳ.. )
i=1 j=1 i=1 j=1
Para el ejemplo,
70.80
µ̂ = ȳ.. = = 5.90
12
Diferencia:
XX XX
2
SSEr − SSEc = (yij − ȳ.. ) − (yij − ȳi. )2
i j i j
haciendo álgebra
XX X
2
= (ȳi. − ȳ.. ) = r (ȳi. − ȳ.. )2
i j i
XX XX 2
2
(yij − ȳ.. ) = [(yij − ȳi. ) + (ȳi. − ȳ.. )]
i j i j
XX XX
2
= (yij − ȳi. ) + (ȳi. − ȳ.. )2
i j i j
XX
+2 (yij − ȳi. )(ȳi. − ȳ.. )
i j
XX X X
(yij − ȳi. )(ȳi. − ȳ.. ) = (ȳi. − ȳ.. ) (yij − ȳi. )
i j i j
X
= (ȳi. − ȳ.. )(yi. − rȳi. ) = 0
i
ANOVA
F.V. g.l. SS CM
Tratamientos t−1 SSt CMt = SSt /t − 1
Error n−t SSE CM E = SSE/n − t = σ̂ 2
Total n−1 SStotal
Cuando H0 : µ1 = µ2 = . . . = µt es cierta
P 2
SSt i r(ȳ i. − ȳ .. ) 2
= ∼ χt−1
σ2 σ2
ANOVA
SSE
Error n−t SSE CM E = n−t σ2
t
X 2
SSt = r (ȳi. − ȳ.. )
i=1
t X
X r
2
SSE = (yij − ȳi. )
i=1 j=1
t X
X r
2
SStotal = (yij − ȳ.. )
i=1 j=1
Diseño de experimentos – p. 42/111
Tabla de Análisis 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
ȳ1. ȳ2. ȳ3. ... ȳt. medias
t
X
n = ni
i=1
Xni
yi. = yij i = 1, . . . , t total tratamiento i
j=1
Pni
j=1 yij
ȳi. = 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..
ȳ.. = media general
n
Modelo de efectos
yij = µ + τi + ǫij i = 1, . . . , t j = 1, . . . , ni
donde
yij = µ + τi + ǫij i = 1, . . . , t j = 1, . . . , ni
X ni
t X ni
t X
X
SSE = ǫ2ij = (yij − µ − τi )2
i=1 j=1 i=1 j=1
t n
i ni
t X
∂ XX X
(yij − µ − τi )2 = −2 (yij − µ − τi )
∂µ i=1 j=1 i=1 j=1
t ni ni
∂ XX X
(yij − µ − τi )2 = −2 (yij − µ − τi ) i = 1, . . . , t
∂τi i=1 j=1 j=1
Igualando a cero:
X ni
t X t
X
yij = nµ̂ + ni τ̂i
i=1 j=1 i=1
n1
X
y1j = n1 µ̂ + n1 τ̂1
j=1
n2
X
y2j = n2 µ̂ + n2 τ̂2
j=1
... ...
nt
X
ytj = nt µ̂ + nt τ̂t
j=1
µ̂ = ȳ..
τ̂i = ȳi. − ȳ.. i = 1, . . . , t
b) µ̂ = 0
µ̂ = 0
τ̂i = ȳi. i = 1, . . . , t
c) τ̂1 = 0
µ̂ = ȳ1.
τ̂i = ȳi. − ȳ1. i = 2, . . . , t
Cuál usar?
µ\
+ τi = ȳi.
Aunque no podemos obtener estimadores únicos de los
parámetros del modelo de efectos, podemos obtener
estimadores únicos de funciones de estos parámetros.
SSE
Error n−t SSE CM E = n−t σ2
2
r
S CM E
µ̂i = ȳi. Sȳ2i. = 2
con S = CM E = σ̂ 2
Sȳi. =
ni ni
Como suponemos que
¡ 2
¢
yij ∼ N µi , σ
entonces ¡ ¢
2
ȳi. ∼ N µi , σ /ni
como estimamos la varianza:
ȳi. − µi
∼ tn−t
Sȳi.
Por lo tanto, un intervalo del (1 − α)100% de confianza para µi
es
1−α/2
ȳi. ± tn−t (Sȳi. )
Qué sigue?
Si suponemos que
¡ 2
¢
yij ∼ N µi , σ
entonces ¡ ¢
2
ȳi. ∼ N µi , σ /ni
Por lo tanto,
t
à t t
!
X X X ki2
Ĉ = ki ȳi. ∼ N ki µi , σ 2
i=1 i=1 i=1
ni
Ya que:
à t ! t t
X X X
E ki ȳi. = ki E (ȳi. ) = ki µi
i=1 i=1 i=1
à t ! t t t
2 2
X X
2 2 σ
X
2
X ki
V ki ȳi. = ki V (ȳ i. ) = ki = σ
i=1
|{z}
i=1 i=1
ni n
i=1 i
m.indep
t 2 t
³ ´
2
X ki
X ki2
V̂ Ĉ = σ̂ = CM E
n
i=1 i
n
i=1 i
Entonces,
Pt Pt
i=1 ki ȳi. − i=1 ki µi
q Pt ∼ tg.l.error
CM E i=1 ki2 /ni
Además,
Ĉ − C
q P ∼ N (0, 1)
t
σ 2 i=1 ki2 /ni
Pt
Si H0 : i=1 ki µi = 0, es decir, H0 : C = 0 es cierta, entonces,
Ĉ 2
Pt 2 /n
∼ χ21
σ 2 k
i=1 i i
Sea
Ĉ 2
SSc = Pt 2 /n
k
i=1 i i
entonces
Pt
SSc /σ 2 Ĉ / i=1 ki2 /ni
2
2
= ∼ F1,n−t
SSE/σ (n − t) CM E
α
Por lo tanto, para probar H0 : C = 0 se rechaza si Fc > F1,n−t
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 : µ1 = µ2 = µ3 = µ4
Se rechaza H01 : µ1 = 13 (µ2 + µ3 + µ4 )
No se rechaza H02 : µ2 = 21 (µ3 + µ4 )
Se rechaza H03 : µ3 = µ4
2
Cˆ1 (2.11)2 4.4521
SSC1 = P4 = = = 10.01
1
ki2 12 +3(−1/3)2 0.4444
r i=1 3
El análisis en R:
■ Los datos están en el archivo coag.txt
o equivalente a
s
1−α/2 1 1
|ȳi. − ȳj. | > tni +nj −2 sp +
ni nj
αE ≤ nαc
n comparaciones, la igualdad se dá cuando las pruebas son
independientes.
Entonces,
αc = αE /n
Si queremos αE = 0.05 entonces, αc = 0.05/n y se hacen las
pruebas t para los pares de medias con un nivel de
significancia αc en cada una de ellas.
Medias ordenadas:
ȳ4. = 3.36 ȳ2. = 5.50 ȳ3. = 7.26 ȳ1. = 7.48
Se calculan
α
Rp = rp,f Sȳi. p = 2, 3, . . . , t
Medias ordenadas:
ȳ4. = 3.36 ȳ2. = 5.50 ȳ3. = 7.26 ȳ1. = 7.48
H0 : µi = µt se rechaza si r
CM E
|ȳi. − ȳt. | > D = dα (t − 1, glerror)
r
con dα (k, ν) es el percentil 1 − α de las tablas de Dunnett.
Para el ejemplo de la carne empacada, el tratamiento 1 es el
control.
Comercial Al vacío CO,O2,N CO2
ȳi. 7.48 5.50 7.26 3.36
d0.05,3,8 = 2.42
Ãr !
CM E
D = 2.42 = 0.477
r
Tenemos el modelo
yij = µi + ǫij ó yij = µ + τi + ǫij
¡ 2
¢
ǫij ∼ N ID 0, σ
Suposiciones:
■ errores normales
■ independientes
■ varianza constante
Residuales
eij = yij − ŷij
ŷij = µ\+ τi = µ̂i = ȳi.
eij = yij − ȳi.
Prueba de Bartlett
H0 : σ12 = σ22 = . . . = σt2
Ha : no H0
Estadística de Prueba:
" #
1 2
X
U= (n − t)ln(σ̂ ) − (ni − 1)ln(σ̂i2 )
C i
X (ni − 1)σ̂ 2 X (yij − ȳi. )2
2 i
donde σ̂ = = σ̂i2
i
n − t j
ni − 1
à !
1 X 1 1
C =1+ −
3(t − 1) i
ni − 1 n − t
H0 se rechaza si U > χ2α,t−1 (prueba sensible a falta de
normalidad)
Prueba de Levene
Se calcula
dij = |yij − ỹi. | i = 1, . . . , t j = 1, . . . , ni
donde ỹi. es la mediana de las observaciones en el
tratamiento i.
P P
Sean Wi = ni /σ̂i2 ȳ ∗ = i Wi ȳi. / i Wi y
X (1 − Wi /W. )2
Λ=
i
ni − 1
P
donde W. = i Wi .
Entonces
P (ȳi. −ȳ ∗ )2
i Wi t−1
Fc =
1+ 2(t − 2)Λ/(t2 − 1)
σy ∝ µβ
Una transformación de las observaciones, del estilo:
x = yp
Da una relación
σx ∝ µp+β−1
Si p = 1 − β entonces la desviación estándar de la variable
transformada x será constante, ya que p + β − 1 = 0 y σx ∝ µ0 .
La transformación 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 análisis de
varianza usando la transformación x = (y p − 1)/p para el valor
dado p.
ej2_1_messy.jmp
ej2_1_messy.txt
(
i = 1, 2, 3, 4
yij = β0 + β1 x1j + β2 x2j + β3 x3j + ǫij
j = 1, 2, 3
(
1 si la observación j es del tratamiento 1
x1j =
0 en otro caso
(
1 si la observación j es del tratamiento 2
x2j =
0 en otro caso
(
1 si la observación j es del tratamiento 3
x3j =
0 en otro caso
Por lo tanto,
β0 = µ4
β1 = µ1 − µ4
β2 = µ2 − µ4
β3 = µ3 − µ4