Documentos de Académico
Documentos de Profesional
Documentos de Cultura
ANOVA mul)factorial
¿Por qué un único análisis para dos factores, en vez de dos análisis
separados?
• eficacia
• disminuir la probabilidad de cometer un error Tipo I
• mayor información (efecto combinado de los factores)
Análisis estadístico y uso de bases de datos ! ! ! ! ! Diseños factoriales!
región R R1 R2 R3 R1 R2 R3 r=3
réplicas
n=3
R1 R2 R3
P n n n
NP n n n
DISEÑO ORTOGONAL
Análisis estadístico y uso de bases de datos ! ! ! ! ! Diseños factoriales!
Diseño ortogonal
• Buscamos explorar más de un factor experimental simultáneamente y en
combinación
• Cada nivel de un factor está presente en el experimento en combinación
con cada nivel del otro factor (ortogonalidad)
• Debemos asegurar la ortogonalidad con el fin de investigar las
interacciones entre factores
R1
R2
R3
P NP P NP
Análisis estadístico y uso de bases de datos ! ! ! ! ! Diseños factoriales!
Diseños Factoriales
B
B1 B2 Medias del
A Factor A
A1 68 60 64
EFECTO SIMPLE EFECTO
A2 65 97 81 PRINCIPAL
l1 µ21 - µ11 = 65 – 68 = -3
= A1 68 60
Factor A
64.0
Ef. 97 Ef.
l2 = µ22 - µ12 = 97 – 60 = 37 A2
Medias del
65
66.5 simple
78.5
81.0
princ.
Factor B
l4 = 2 l - l1 = 37 – (-3) = 40 A1 A2
Análisis estadístico y uso de bases de datos ! ! ! ! ! Diseños factoriales!
B
B1 B2 Medias del
A Factor A
Error aleatorio r1
A1 68 r2 60 64
rn EFECTO
A2 65 97 81 PRINCIPAL
Diseño ortogonal
Y ¿cuándo es aleatorio?
El análisis con factores fijos es más potente, pero requiere más análisis
a posteriori, no siempre justificado y no siempre racional.
Análisis estadístico y uso de bases de datos ! ! ! ! ! Diseños factoriales!
Diseño ortogonal
• Hipótesis nula:
H01: µ1 = µ2 = … = µi = … = µa
2º) Efectos
de los factores H02: µ1 = µ2 = … = µj = … = µb
• En nuestro ejemplo:
H01: µ1 = µ2 = µ3
H02: µ1 = µ2
H03: las diferencias entre niveles del factor P son independientes de
las diferencias entre niveles del factor R
Análisis estadístico y uso de bases de datos ! ! ! ! ! Diseños factoriales!
Diseño ortogonal
• Modelo lineal:
X
Xijk = µ + Ai +Bj + ABij + ek(ij)
µij = µ.. + αi + βj
Siendo: αi = µi. - µ..
βj = µ.j - µ..
• Los Efectos de los factores son aditivos en ausencia de
Interacción
Análisis estadístico y uso de bases de datos ! ! ! ! ! Diseños factoriales!
Diseño ortogonal
• Modelo lineal:
• Si no hubiera interacción
X
Xijk = µ + Ai +Bj + ABij + ek(ij)
Análisis estadístico y uso de bases de datos ! ! ! ! ! Diseños factoriales!
Diseño ortogonal
• Modelo lineal:
Xijk = µ + Ai +Bj + ABij + ek(ij)
Si existe la interacción
Diseño ortogonal
• Modelo lineal con interacción:
Xijk = µ + Ai +Bj + ABij + ek(ij)
Prueba de NO Aditividad
Ho: (αβ)ij = µij – µi. – µ.j + µ.. = 0
H1: (αβ)ij = µij – µi. – µ.j + µ.. ≠ 0
1 F crítico
Análisis estadístico y uso de bases de datos ! ! ! ! ! Diseños factoriales!
Diseño ortogonal
• Modelo lineal con interacción:
Xijk = µ + Ai +Bj + ABij + ek(ij)
Análisis estadístico y uso de bases de datos ! ! ! ! ! Diseños factoriales!
Diseño ortogonal
En nuestro ejemplo?
Región: ALEATORIO
Análisis estadístico y uso de bases de datos ! ! ! ! ! Diseños factoriales!
Diseño ortogonal:
Diseño ortogonal:
Comparaciones múltiples a posteriori (p.ej. SNK, Bonferroni,Tukey)
H0 no se rechaza Se rechaza H0
(Test no significativo) (Test significativo)
Lago3-Lago1
Lago3-Lago1
Lago3-Lago2
Lago3-Lago2
Lago4-Lago3
Lago4-Lago3
-2 -1 0 1 -3 -2 -1 0 1
Diseño ortogonal:
αB = 0,05 / 6 = 0,00833
Análisis estadístico y uso de bases de datos ! ! ! ! ! Diseños factoriales!
Diseño ortogonal:
A x B ns
B* SNK para B (an casos)
ANOVA
Diseños ortogonales
• No hay límites matemáticos a la adición de factores ortogonales; ej: