Documentos de Académico
Documentos de Profesional
Documentos de Cultura
ESTG1037
1 FCNM - ESPOL
Tabla de Contenidos
5. Experimentos de un factor
5.1 Análisis de un factor a efectos fijos
5.2. Pruebas múltiples
5.3 Análisis de un factor a efectos aleatorios
Objetivo
yij = µi + ϵij , j = 1, . . . , ni ; i = 1, . . . , r
r
X
nT = ni
i=1
Modelo general: ejemplo
5. Experimentos de un factor
5.1 Análisis de un factor a efectos fijos
5.2. Pruebas múltiples
5.3 Análisis de un factor a efectos aleatorios
Ejemplo: El efecto de las gafas de cerveza (beer-goggles
effect)
yij = µi + ϵij , i = 1, . . . , r ; j = 1, . . . , ni
µi = µ + αi
yij = µ + αi + ϵij
r
X
αi = 0
i=1
Modelo general: efectos fijos
Modelo ANOVA
▶ µ y αi son constantes
▶ ϵij = variable aleatoria
Supuestos Gauss–Markov:
(A1) E [ϵij ] = 0
(A2) Var[ϵij ] = σ 2
(A3) Errores mutuamente independientes.
Supuesto adicional:
(A4) ϵij ∼ N(0, σ 2 )
Beer goggles: Efecto de la cerveza
Atractividad promedio
0% alcohol (n1 = 16) µ1
2 cervezas (n2 = 16) µ2
4 cervezas (n3 = 16) µ3
ϵij ∼ N(0, σ 2 )
nT = n1 + n2 + n3
Modelo general: efectos fijos, estimación por MCO
Atractividad promedio
0% alcohol (n1 = 16) Ȳ1. =63.750
2 cervezas (n2 = 16) Ȳ2. =64.688
4 cervezas (n3 = 16) Ȳ3. =46.563
Descomposición de la variabilidad
ANOVA de un factor fijo: Tabla ANOVA
ANOVA de un factor fijo
H 0 : µ1 , = . . . = µr
Atractividad promedio
0% alcohol (n1 = 16) Ȳ1. =63.750
2 cervezas (n2 = 16) Ȳ2. =64.688
4 cervezas (n3 = 16) Ȳ3. =46.563
5. Experimentos de un factor
5.1 Análisis de un factor a efectos fijos
5.2. Pruebas múltiples
5.3 Análisis de un factor a efectos aleatorios
Pruebas múltiples
Rp = rα (p, f )Sȳi.
Pruebas múltiples: Prueba del rango múltiple de Duncan
H0 (global) : ∩ri,i ′ =1 µi − µi ′ = 0; i ̸= i ′
H1 (global) : ∪ri,i ′ =1 µi − µi ′ ̸= 0; i ̸= i ′
Pruebas múltiples: Procedimiento de Tukey
Di,i ′ = µi − µi ′ ; i ̸= i ′
H0 : ∩ri,i ′ =1 Di,i ′ = 0 i ̸= i ′
▶ La prueba de Tukey declara que dos medias son
significativamente diferentes si
s
q(α;r ,nT −r )
ˆ 1 1
|Di,i ′ | > √ MSE +
2 ni ni ′
▶ ó equivalentemente si
√
2|D̂|
s > q(α;r ,nT −r ) .
1 1
MSE ni + ni ′
Pruebas múltiples: Procedimiento de Tukey
¿Cuál usar?
- Depende del interés
- Tukey es recomendado cuando el interés son las
comparaciones de todos los pares de tratamientos.
- Cuando el interés son las comparaciones de algunos pares de
tratamientos: Comparar Bonferroni y Tukey
- Duncan aunque con más potencia, no controla la probabilidad
global del error tipo I, especialmente cuando r es grande.
Beer goggles: Efecto de la cerveza
Atractividad promedio
0% alcohol (n1 = 16) Ȳ1. =63.750
2 cervezas (n2 = 16) Ȳ2. =64.688
4 cervezas (n3 = 16) Ȳ3. =46.563
Diferencias:
2 cervezas - 0 4 cervezas - 0 4 cervezas - 2 cervezas
0.9375 -17.1875 -18.1250
▶ Duncan:
▶ 18.125 ¿ R3 ≈ 8.42: Verdadero
▶ 0.9375 ¿ R2 ≈ 8.00: Falso
▶ 17.1875 ¿ R2 ≈ 8.00: Verdadero
Beer goggles: Efecto de la cerveza
Atractividad promedio
0% alcohol (n1 = 16) Ȳ1. =63.750
2 cervezas (n2 = 16) Ȳ2. =64.688
4 cervezas (n3 = 16) Ȳ3. =46.563
Diferencias:
2 cervezas - 0 4 cervezas - 0 4 cervezas - 2 cervezas
0.9375 -17.1875 -18.1250
Atractividad promedio
0% alcohol (n1 = 16) Ȳ1. =63.750
2 cervezas (n2 = 16) Ȳ2. =64.688
4 cervezas (n3 = 16) Ȳ3. =46.563
Diferencias:
2 cervezas - 0 4 cervezas - 0 4 cervezas - 2 cervezas
0.9375 -17.1875 -18.1250
5. Experimentos de un factor
5.1 Análisis de un factor a efectos fijos
5.2. Pruebas múltiples
5.3 Análisis de un factor a efectos aleatorios
Modelo general: efectos aleatorios
yij = µ + αi + ϵij , i = 1, . . . , r ; j = 1, . . . , ni
▶ µ: promedio general de la población.
▶ αi ∼ N(0, σα2 ): efecto aleatorio del grupo i.
▶ ϵij ∼ N(0, σ 2 ): error aleatorio
▶ αi y ϵij son independientes.
▶ Bajo estos supuestos:
- E [Yij ] = µ
- VAR(Yij ) = σα2 + σ 2
- COV (Yij , Yij ′ ) = σα2
- COV (Yi ′ j , Yij ′ ) = 0, i ̸= i ′
Análisis de un factor a efectos aleatorios
H0 : σα2 = 0
vs H1 : σα2 > 0
dado que si σα2 > 0 los tratamientos son distintos.
Análisis de un factor a efectos aleatorios
Análisis de un factor a efectos aleatorios
F0 = MSB/MSE ∼ Fr −1,nT −r
Estimación de σα2
▶ σα2 = E [MSB]−E
ñ
[MSE ]
MSB − MSE
sα2 =
ñ
- Diseño balanceado: ñ = n Pr
ni −( ri=1 ni2 )/ ri=1 ni
P P
i=1
- Diseño no balanceado: ñ = r −1
Estimación de σ 2
▶ MSE (también denominado como MSR)