Anovas Transparencias

Universidad de Alcalá
ANÁLISIS DE LA VARIANZA
M. Concepción Alonso Rodríguez
Departamento de Matemáticas, MCAR Página 1
Comparación de medias
A Caso 1
B
A Caso 2
B
A Caso 3
B

Comparación de medias
Mientras en los casos anteriores se comparaban grupos
con similar variabilidad, en los siguientes se observa
que aparecen grupos con variabilidad muy diferente.
Caso 4
Caso 5
La comparación en estos casos es más problemática.

También se haría problemática la comparación de grupos en los
que aparecieran elementos raros o aislados.
Análisis de la Varianza (ANOVA)

Comparación entre:
la variabilidad explicada (entre grupos) (B)
y la no explicada (dentro de los grupos) (W)
B/W es grande
A
Se aprecian diferencias
B significativas entre grupos
A
B
B/W es pequeño
A
Las diferencias no serían
significativas entre grupos
B
Análisis de la Varianza (ANOVA)
Diseño con un factor

Objetivo:
Estudiar la influencia de la concentración de madera dura en la pulpa
sobre la resistencia a la tensión de bolsas para comestibles.
A = 5% B=10% C=15% D=20%
7 12 14 19
Niveles de concentración 8 17 18 25
de madera dura: 15 13 19 22
11 18 17 23
5%, 10%, 15% y 20%.
9 19 16 18
10 17 18 19
Medias de cada concentración y 1• =10 y 2• =16 y 3 • =17 y 4 • =21


A = 5% B=10% C=15% D=20%
7 12 14 19
8 17 18 25
15 13 19 22
11 18 17 23
9 19 16 18
10 17 18 19
y 1• =10 y 2• =16 y 3 • =17 y 4 • =21
α1=-6 α2=0 α3=1 α1=5
efectos de cada concentración

αi = µi - µ
A = 5% B=10% C=15% D=20% TODOS
-3=7-10 -4=12-16 -3 -2
-2
5
1
-3
1
2
4
1
VT = B + W
1 2 0 2
-1 3 -1 -3
0 1 1 -2
y 1• =10 y 2• =16 y 3 • =17 y 4• =21

y ij = µ + αi + ε ij
resistencia = media + efecto concentración + error
y ij = y •• + ( y i • − y •• ) + ( y ij − y i • )
Datos Media Efectos Residuos
7 12 14 19 16 16 16 16 -6 0 1 5 -3 -4 -3 -2
8 17 18 25 16 16 16 16 -6 0 1 5 -2 1 1 4
15 13 19 22 = 16 16 16 16 + -6 0 1 5 + 5 -3 2 1
11 18 17 23 16 16 16 16 -6 0 1 5 1 2 0 2
9 19 16 18 16 16 16 16 -6 0 1 5 -1 3 -1 -3
10 17 18 19 16 16 16 16 -6 0 1 5 0 1 1 -2
y ij − y •• = ( y i • − y •• ) + ( y ij − y i • )
7 12 14 19 16 16 16 16 -6 0 1 5 -3 -4 -3 -2
8 17 18 25 16 16 16 16 -6 0 1 5 -2 1 1 4
15 13 19 22 - 16 16 16 16 = -6 0 1 5 + 5 -3 2 1
11 18 17 23 16 16 16 16 -6 0 1 5 1 2 0 2
9 19 16 18 16 16 16 16 -6 0 1 5 -1 3 -1 -3
10 17 18 19 16 16 16 16 -6 0 1 5 0 1 1 -2

y ij − y •• = ( y i • − y •• ) + ( y ij − y i • )
7 12 14 19 16 16 16 16 -6 0 1 5 -3 -4 -3 -2
8 17 18 25 16 16 16 16 -6 0 1 5 -2 1 1 4
15 13 19 22 - 16 16 16 16 = -6 0 1 5 + 5 -3 2 1
11 18 17 23 16 16 16 16 -6 0 1 5 1 2 0 2
9 19 16 18 16 16 16 16 -6 0 1 5 -1 3 -1 -3
10 17 18 19 16 16 16 16 -6 0 1 5 0 1 1 -2
Efectos Residuos
-9 -4 -2 3 -6 0 1 5 -3 -4 -3 -2
-8 1 2 9 -6 0 1 5 -2 1 1 4
-1 -3 3 6 = -6 0 1 5 + 5 -3 2 1
-5 2 1 7 -6 0 1 5 1 2 0 2
-7 3 0 2 -6 0 1 5 -1 3 -1 -3
-6 1 2 3 -6 0 1 5 0 1 1 -2
k ni k k ni
∑∑ ( y
i =1 j =1
ij − y •• ) = ∑ ni ( y i• − y •• ) + ∑∑ ( yij − y i• ) 2
2
i =1
2
i =1 j =1
∑∑ ( y i• − y•• )( yij − yi• ) =∑ ( yi• − y•• )∑ eij = 0

i j i j

Efectos Residuos
81 16 4 9 36 0 1 25 9 16 9 4
64 1 4 81 36 0 1 25 4 1 1 16
1 9 9 36 36 0 1 25 25 9 4 1
25 4 1 49 36 0 1 25 1 4 0 4
49 9 0 4 36 0 1 25 1 9 1 9
36 1 4 9 36 0 1 25 0 1 1 4
256 40 22 188 216 0 6 150 40 40 16 38
506 = 372 + 134

k ni k k ni
∑∑ ( y
i =1 j =1
ij − y •• ) = ∑ ni ( y i• − y •• ) + ∑∑ ( yij − y i• ) 2
2
i =1
2
i =1 j =1
VT = VE + VNE = B + W
506 = 372 + 134
23 = 3 + 20
VT = VE + VNE = B + W
506 = 372 + 134
23 = 3 + 20
TABLA ANOVA (Análisis de la Varianza)

Fuentes de Suma de Grados de Varianzas F calculada P-valor
variabilidad cuadrados libertad
Explicada 372 3 124 18,51 0,0000
No explicada 134 20 6.7
Total 506 23
VE 372 VNE 134
R2 = = = 0,7352 = 1 − = 1− = 1 − 0,2648
VT 506 VT 506

Explicada VE K-1 Sα2 F = Sα2/ SR2 p
No explicada VNE n-k SR2

Total VT n-1
αi = µi - µ
H0 : µ1 = µ2 =…= µk = µ Fk-1,n-k
son equivalentes
H0 : α1 = α2 =…= αk = 0
P-Valor
H1 : al menos una es diferente
p-valor pequeño ⇒ Rechazar H0

p-valor grande ⇒ No Rechazar H0 F = Sα2/ SR2

Explicada VE K-1 Sα2 F = Sα2/ SR2 p
No explicada VNE n-k SR2

Total VT n-1
VT VE VNE
VT = VE + VNE ⇒
VT
=
VT
+
VT
>0
% de variabilidad explicada 1
o bondad del modelo ajustado R2
VE VNE
R2 = = 1− % de variabilidad no explicada
VT VT
Intervalos de confianza
Medias y 95,0 Porcentajes Intervalos LSD
23
20
resistencia
17
14
11
8
5 10 15 20
concentracion


Otro ejemplo:
Se desea comparar el rendimiento de cuatro semillas
A,B,C y D. Un terreno se divide en 24 parcelas similares y
se asigna al azar cada semilla a 6 parcelas.
A B C D
229.1 233.4 211.1 270.4
253.7 233.0 223.1 248.6
241.3 219.2 217.5 230.0
254.7 200.0 211.8 250.7
237.2 224.3 207.6 230.0
241.3 202.0 213.7 245.8
242.9 218.7 214.1 245.9

Estimación de σ = raíz (142.4) = 11.93, lo que

nos da una estimación del error experimental.


Descomposición de la variabilidad:

Interpretación gráfica de la descomposición


P-valor
0,0002
F3,20 VE 4798.1 VNE 2847.5

R2 = = = 0,6276 = 1 − = 1− = 1 − 0,3724
VT 7645.5 VT 7645, 5
P-Valor = 0,0002 ⇒ Es muy significativo,

luego aceptamos que las
medias son distintas.
F = 11.2
Intervalos de confianza


Diagnosis del modelo
Diseño con dos factores

Se desea comparar 4 procedimientos de extracción de
penicilina A, B, C y D. A partir de materias primas
diferentes. Se prueba cada procedimiento con cada mezcla.
A B C D
mezcla 1 89 88 97 94
mezcla 2 84 77 92 79
mezcla 3 81 87 87 85
mezcla 4 87 92 89 84
mezcla 5 79 81 80 88


Procedemos a estimar los parámetros del modelo:
A B C D medias βj
mezcla 1 89 88 97 94 92 6
mezcla 2 84 77 92 79 83 -3
mezcla 3 81 87 87 85 85 -1
mezcla 4 87 92 89 84 88 2
mezcla 5 79 81 80 88 82 -4
medias 84 85 89 86 86
αi -2 -1 3 0

Descomposición:
y ij = µ + αi + β j + ε ij
y ij = y.. + ( y i . − y..) + (y. j − y..) + (y ij − y i . − y. j + y..)

89 88 97 94 92 86 86 86 86 6 6 6 6 -2 -1 3 0 -1 -3 2 2
84 77 92 79 83 86 86 86 86 -3 -3 -3 -3 -2 -1 3 0 3 -5 6 -4
81 87 87 85 85 = 86 86 86 86 + -1 -1 -1 -1 + -2 -1 3 0 + -2 3 -1 0
87 92 89 84 88 86 86 86 86 2 2 2 2 -2 -1 3 0 1 5 -2 -4
79 81 80 88 82 86 86 86 86 -4 -4 -4 -4 -2 -1 3 0 -1 0 -5 6
84 85 89 86 86
Observación = media + efecto mezcla + efecto procedimiento + error

y ij − y.. = ( y i . − y..) + (y. j − y..) + (y ij − y i . − y. j + y..)

3 2 11 8 6 6 6 6 -2 -1 3 0 -1 -3 2 2
-2 -9 6 -7 -3 -3 -3 -3 -2 -1 3 0 3 -5 6 -4
-5 1 1 -1 = -1 -1 -1 -1 + -2 -1 3 0 + -2 3 -1 0
1 6 3 -2 2 2 2 2 -2 -1 3 0 1 5 -2 -4
-7 -5 -6 2 -4 -4 -4 -4 -2 -1 3 0 -1 0 -5 6
Observación - media = efecto mezcla+ efecto procedimiento + error

Descomposición y cuadrados:
9 4 12 64 36 36 36 36 4 1 9 0 1 9 4 4
1
∑ 4 81 36 49 ∑ 9 9 9 9 ∑ 4 1 9 0 ∑ 9 25 36 16
25 1 1 1
= 1 1 1 1
+ 4 1 9 0
+ 4 9 1 0
1 36 9 4 4 4 4 4 4 1 9 0 1 25 4 16
49 25 36 4 16 16 16 16 4 1 9 0 1 0 25 36
VT = VE mezcla + VE procedimiento + VNE
560 = 264 +70+ 226

19 = 4 + 3 + 12

VT = VE mezcla + VE procedimiento + VNE

560 = 264 +70+ 226
19 = 4 + 3 + 12
Procedimiento 70 3 23,3333 1,24 0,3387
Mezcla 264 4 66 3,5 0,0407
No explicada 226 12 18,8333
Total 560 19
VT = VE mezcla + VE procedimiento + VNE ⇒
VT VE m ezcla VE proce dim iento VNE

⇒ = + + >0
VT VT VT VT
1 R2mezcla R2procedimiento
% de variabilidad
R2mezcla + R2procedimiento = R2 no explicada
% de variabilidad total explicada

o bondad del modelo ajustado
VE mezcla VE proce dimiento VNE

R2 = + = 1−
VT VT VT


Fuentes de Suma de
variabilidad cuadrados
Procedimiento 70
560 = 264 +70+ 226 Mezcla 264
19 = 4 + 3 + 12
No explicada 226
Total 560
VE mezcla VE proce dimiento VNE
R2 = + = 1− =
VT VT VT
264 70 226
= + = 1− =
560 560 560
= 0,4714 + 0,1250 = 1 − 0,4036 = 0,5964 = R 2
Luego el % de variabilidad total explicada o bondad del modelo ajustado es el

59,64% (47,14% es explicada por la mezcla y el 12,5% por el procedimiento);
el % de variabilidad no explicada es el 40,36%.
Intervalos de confianza:

VT = VE procedimiento + VNE
560 = 70+ 490
19 = 3 + 16
Procedimiento 70 3 23,3333 0,76 0,5318
No explicada 490 16 30,625
Total 560 19

Para reducir el coste energético en la fabricación de
cemento, se desea estudiar el efecto que produce la
fluorita. Se usan 6 mezclas distintas de materias primas.


Estimamos el modelo: y ij = µ + αi + β j + ε ij
Observación = media + efecto fluorita + efecto mezcla + error

Descomposición y cuadrados:
eij = y ij − µˆ − αˆ i −βˆ j = y ij − y i . − y.j + y.. residuos

Observación - media = efecto fluorita + efecto mezcla + error
y ij − y.. = ( y i . − y..) + (y. j − y..) + (y ij − y i . − y. j + y..)

4,29 1,13 -0,79 1,72 2,50 1,15 0,57 -1,33 -0,83 0,46 1,77 1,77 1,77 1,77 1,77 1,77 1,37 -1,21 -1,22 0,79 0,27
-2,31 -0,58 -2,19 -3,75 -1,80 1,15 0,57 -1,33 -0,83 0,46 -2,13 -2,13 -2,13 -2,13 -2,13 -2,13 -1,33 0,98 1,27 -0,79 -0,13
7,58 6,11 5,13 3,91 5,23 1,15 0,57 -1,33 -0,83 0,46 5,59 5,59 5,59 5,59 5,59 5,59 0,84 -0,05 0,88 -0,84 -0,82
= + +
-0,24 -0,21 -2,69 -0,23 -0,39 1,15 0,57 -1,33 -0,83 0,46 -0,75 -0,75 -0,75 -0,75 -0,75 -0,75 -0,64 -0,02 -0,60 1,36 -0,10
-0,95 -1,14 -3,77 -2,58 -1,49 1,15 0,57 -1,33 -0,83 0,46 -1,99 -1,99 -1,99 -1,99 -1,99 -1,99 -0,11 0,28 -0,45 0,24 0,04
-1,45 -1,89 -3,69 -4,07 -1,27 1,15 0,57 -1,33 -0,83 0,46 -2,47 -2,47 -2,47 -2,47 -2,47 -2,47 -0,13 0,02 0,12 -0,76 0,74
Elevando al cuadrado y haciendo las sumas se obtiene la descomposición:
291,33 = 26,05 + 247,77 + 17,51

29 = 4 + 5 + 20
Estimación de σ = raíz (0,88) = 0.938, lo que nos da una estimación del error experimental.


Tabla del análisis de la varianza:
Suma de Cuadrado
Fuente cuadrados GL Medio Cociente-F P-Valor
--------------------------------------------------------------------
EFECTOS PRINCIPALES
A:fluorita 26,0514 4 6,51285 7,44 0,0008
B:mezcla 247,768 5 49,5535 56,59 0,0000
RESIDUOS 17,5143 20 0,875717
--------------------------------------------------------------------
TOTAL (CORREGIDO) 291,333 29
Ambos son significativos
Tabla del análisis de la varianza, sin tener en cuenta la mezcla:
Suma de Cuadrado
Fuente cuadrados GL Medio Cociente-F P-Valor
----------------------------------------------------------------
Entre grupos 26,0514 4 6,51285 0,61 0,6567
Intra grupos 265,282 25 10,6113
----------------------------------------------------------------
Total (Corr.) 291,333 29

Suma de
Bondad del modelo: Fuente cuadrados
--------------------------------
EFECTOS PRINCIPALES
A:fluorita 26,0514
291,33 = 26,05 + 247,77 + 17,51 B:mezcla 247,768
29 = 4 + 5 + 20 RESIDUOS 17,5143
--------------------------------
TOTAL (CORREGIDO) 291,333
VE fluorita VE mezcla VNE

R2 = + = 1− =
VT VT VT
26,05 247,77 17,51 Del 94% explicado por el
= + = 1− =
291,33 291,33 291,33 modelo, el 9% lo explica la
fluorita y el 85% la mezcla.
= 0,0894 + 0,8505 = 1 − 0,0601 = 0,9399 = R 2
El 6% queda sin explicar.

Intervalos de confianza: Gráfico por nivel de fluorita:
Medias y 95,0 Porcentajes Intervalos LSD

12,8 21
11,8 18
coste
coste
15
10,8
12
9,8
9
8,8 6
0 1 2 3 4
0 1 2 3 4
fluorita fluorita

Gráficos de residuos (homocedasticidad):
Gráfico de Residuos para coste Gráfico de Residuos para coste
1,6 1,6
1,1 1,1
residuo
residuo
0,6 0,6
0,1 0,1
-0,4 -0,4
-0,9 -0,9
-1,4 -1,4
0 5 10 15 20 25 30 6 9 12 15 18 21
número de fila coste predicho
Gráfico de Residuos para coste Gráfico de Residuos para coste

1,6 1,6
1,1 1,1
residuo
0,6
residuo
0,6
0,1 0,1
-0,4 -0,4
-0,9 -0,9
-1,4 -1,4
0 1 2 3 4 1 2 3 4 5 6
fluorita mezcla


Diagnosis del modelo: Ejemplos de heteocedasticidad

Gráfico Cuantil-Cuantil
Gráfico de normalidad: 1,6
1,1
RESIDUALS
0,6
Estadístico DN global de
0,1
Kolmogorov = 0,0985524
-0,4
P-Valor aproximado = 0,933
-0,9
-1,4
-1,4 -0,9 -0,4 0,1 0,6 1,1 1,6
Normal distribución
Estadístico chi-cuadrado de bondad de ajuste = 17,0
P-valor = 0,149597
Estadístico W de Shapiro-Wilks = 0,954873
P-valor = 0,263378
Puntuación Z para asimetría = 0,235854
P-valor = 0,813542
Puntuación Z para curtosis = -1,14213
P-valor = 0,253401

Diagnosis del modelo:

Ejemplo:
Se mide el tiempo de supervivencia (unidad=10 horas) de una serie de animales
a los cuales se les ha asignado aleatoriamente un tipo de veneno (I,II,III) y un
tipo de antídoto (A,B,C,D).
A B C D
0.31 0.82 0.43 0.45
0.45 1.10 0.45 0.71
I
0.46 0.88 0.63 0.66
0.43 0.72 0.72 0.62
0.36 0.92 0.44 0.56
0.29 0.61 0.35 1.02
II
0.40 0.49 0.31 0.71
0.23 1.24 0.40 0.38
0.22 0.30 0.23 0.30
0.21 0.37 0.25 0.36
III
0.18 0.38 0.24 0.31
0.23 0.29 0.22 0.33

y ijk = µ + α i + β j + αβ ij + ε ijk

Modelo: y ijk = µ + α i + β j + αβ ij + ε ijk
yijk = observación para el factor A con nivel i (factor

principal); factor B con nivel j (factor principal) en
la repetición k del experimento.
µ = media global
αi = efecto del factor A al nivel i, i=1,…,I
βj = efecto del factor B al nivel j, J=1,…,J
αβij = efectos por la interacción de A y B (efectos
secundarios)
εijk = error de la observación (experimental)
Estimación del modelo:

Diseños factoriales
Estimación de los parámetros del modelo: y ijk = µ + α i + β j + αβ ij + ε ijk



Variabilidades:


Tabla ANOVA:

Ejemplo: Tabla ANOVA:
VE veneno VE antidoto VE int eraccion VNE

R2 = + + = 1− =
VT VT VT VT
1,033 0,921 0,25 0,801
= + + = 0,3738 + 0,3065 + 0,0832 = 0,7334 = 1 − = 1 − 0,2666 = R2
3,005 3,005 3,005 3,005
Como la interacción no es significativa el modelo puede simplificarse a:

y ijk = µ + α i + β j + ε ijk

Intervalos de confianza:
Medias y 95,0 Porcentajes Intervalos LSD Medias y 95,0 Porcentajes Intervalos LSD
0,75 0,72
0,65 0,62
superviv
superviv
0,55 0,52
0,45 0,42
0,35 0,32
0,25 0,22
1 2 3 4 1 2 3
antidoto veneno
Al realizar el diagnóstico del modelo se puede comprobar que no

cumple las hipótesis de homocedasticidad ni de normalidad, por lo
que hay que transformar la variable de respuesta “tiempo de
supervivencia” para realizar un modelo correctamente.
Diseño con tres factores

Ejemplo:
Se desean estudiar los efectos producidos por tres factores (concentración,
catalizador y temperatura) sobre el rendimiento en un proceso químico. Los
resultados obtenidos para cada tratamiento con tres replicaciones son:

• Homocedasticidad
• Normalidad
• Independencia.

Medias:


Ejemplo: Tabla ANOVA:
Análisis de la Varianza para rendimiento
---------------------------------------------------------------
Suma de Cuadrado
Fuente cuadrados GL Medio F P-Valor
--------------------------------------------------------------
EFECTOS PRINCIPALES
A:catalizador 518,68 2 259,34 8,51 0,0006
B:concentracion 966,021 2 483,01 15,85 0,0000
C:temperatura 398,724 1 398,724 13,08 0,0007
INTERACCIONES
AB 141,61 4 35,4025 1,16 0,3380
AC 270,052 2 135,026 4,43 0,0165
BC 53,6869 2 26,8435 0,88 0,4203
ABC 127,079 4 31,7697 1,04 0,3940
RESIDUOS 1645,78 54 30,4774
--------------------------------------------------------------
TOTAL (CORREGIDO) 4326,44 71
--------------------------------------------------------------
Como hay interacciones no significativas el modelo puede simplificarse a:

Anovas Transparencias

Cargado por

Información del documento

Descripción original:

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Anovas Transparencias

Cargado por

Copyright:

Formatos disponibles

Universidad de Alcalá

M. Concepción Alonso Rodríguez

Departamento de Matemáticas, MCAR Página 1

Departamento de Matemáticas, MCAR Página 2

La comparación en estos casos es más problemática.

Departamento de Matemáticas, MCAR Página 3

Análisis de la Varianza (ANOVA)

Análisis de la Varianza (ANOVA)

Departamento de Matemáticas, MCAR Página 5

Diseño con un factor

A = 5% B=10% C=15% D=20%

Departamento de Matemáticas, MCAR Página 6

Diseño con un factor

α1=-6 α2=0 α3=1 α1=5

efectos de cada concentración

A = 5% B=10% C=15% D=20% TODOS

Diseño con un factor

Diseño con un factor

∑∑ ( y i• − y•• )( yij − yi• ) =∑ ( yi• − y•• )∑ eij = 0

Diseño con un factor

506 = 372 + 134

Diseño con un factor

TABLA ANOVA (Análisis de la Varianza)

Departamento de Matemáticas, MCAR Página 11

Diseño con un factor

No explicada VNE n-k SR2

p-valor pequeño ⇒ Rechazar H0

Diseño con un factor

No explicada VNE n-k SR2

Diseño con un factor

Departamento de Matemáticas, MCAR Página 14

Diseño con un factor

Diseño con un factor

Departamento de Matemáticas, MCAR Página 16

Diseño con un factor

Estimación de σ = raíz (142.4) = 11.93, lo que

Departamento de Matemáticas, MCAR Página 17

Diseño con un factor

Departamento de Matemáticas, MCAR Página 18

Diseño con un factor

Departamento de Matemáticas, MCAR Página 19

Diseño con un factor

Departamento de Matemáticas, MCAR Página 20

Diseño con un factor

F3,20 VE 4798.1 VNE 2847.5

P-Valor = 0,0002 ⇒ Es muy significativo,

Diseño con un factor

Departamento de Matemáticas, MCAR Página 22

Diseño con un factor

Departamento de Matemáticas, MCAR Página 23

Diseño con dos factores

Departamento de Matemáticas, MCAR Página 24

Diseño con dos factores

Departamento de Matemáticas, MCAR Página 25

Diseño con dos factores

y ij = y.. + ( y i . − y..) + (y. j − y..) + (y ij − y i . − y. j + y..)

Observación = media + efecto mezcla + efecto procedimiento + error

Departamento de Matemáticas, MCAR Página 26

Diseño con dos factores

y ij − y.. = ( y i . − y..) + (y. j − y..) + (y ij − y i . − y. j + y..)

Observación - media = efecto mezcla+ efecto procedimiento + error

Departamento de Matemáticas, MCAR Página 27