Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Completamente Al Azar PDF
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. 42/112
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
2
X ki
Ĉ = ki ȳi. ∼ N ki µi , σ
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 2
Ĉ / i=1 ki2 /ni
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 = 31 (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
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
ȳi. 68.2 62.0 60.5 68.0
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.
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.sav
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