Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Propiedades:
0
2
E(χν,δ ) = ν +δ
Modelo Lineal A. M. Bianco FCEyN 2013 145
02
V ar (χν,δ ) = 2ν + 4δ 2
Distribución F no central:
0
Def: Si U1 ∼ χν21,δ1 independiente de U2 ∼ χ2ν2 , tenemos que
U1/ν1 0
∼ Fν1,ν2,δ1
U2/ν2
es decir, F no central de ν1 y ν2 grados de libertad y parámetro de no cen-
Modelo Lineal A. M. Bianco FCEyN 2013 146
tralidad δ1.
Distribución t no central:
Def: Sean X ∼ N(δ, 1) independiente de U ∼ χ2ν , tenemos que
X 0
√ ∼ tν,δ
U/ν
es decir, t no central con ν y parámetro de no centralidad δ.
0 0
Observación: Notemos que tν,δ = F1,ν,δ
donde
Vr −q : {αq+1, . . . , αr }
Vr : {α1, . . . , αq , αq+1, . . . , αr }
Por lo tanto,
n
∑
y ∈ <n =⇒ y = zj αj =⇒ α0i y = zi
j=1
y si definimos a T como la matriz que tiene filas α0i , entonces
z = Ty
Usamos el estadı́stico F :
q
kη̂ − η̂ ω k2 2
∑
i =1 zi
2
=
qs qs 2
donde n
∑
zi2
i =r +1
s2 =
n−r
Ya probamos que {z1, · · · , zq } y {zr +1 , · · · , zn } son independientes y como
E(zi ) = 0 si i ≥ r + 1 =⇒
⎛ ⎞2 2
n
∑ zi (n − r )s 2
⎝ ⎠
= ∼ χ n−r
i =r +1 σ σ2
Sin embargo, si H0 es cierta
⎛ ⎞2
q
∑ zi
⎝ ⎠
∼ χ2q
i =1 σ
de lo contrario
zi ξi
∼ N( , 1)
σ σ
Modelo Lineal A. M. Bianco FCEyN 2013 149
ξi ⎟2
⎛ ⎞2 ⎛ ⎞
q
∑ zi 02 q
∑
⎝ ⎠
∼ χq,δ con δ 2 = ⎜
⎝ ⎠
i =1 σ i =1 σ
en consecuencia n
∑
ξi = E(zi ) = αi j ηj
j=1
Cuadrados Medios
2 ky−η̂ k2
En el denomirador del estadı́stico F tenemos: s = n−r y su esperanza es
σ 2.
1 ∑ q
= (σ 2 + ξi2)
q i =1
= σ 2 + q −1σ 2δ 2
Ω0 : E(Y) = Xβ Σ = σ 2I
¿Cómo quedarı́a en el caso de regresión lineal?
Consideremos
H0 : β1 = 0 H1 : β1 6= 0
Modelo Lineal A. M. Bianco FCEyN 2013 153
2 n
∑
kη̂ − η̂ω k = (βˆ0 + βˆ1xi − Y )2
i =1
Usando la Regla 1, reemplazamos por los valores esperados bajo Ω:
⎛ ⎞2
n
∑
n ⎜
∑
⎜
⎜
(β0 + β1xi ) ⎟⎟⎟
σ 2δ 2 = ⎜
⎜
⎜ β0 + β1xi − i =1 ⎟
⎟
⎟
i =1 ⎜
⎝ n ⎟
⎠
n
(β0 + β1xi − β0 − β1x)2
∑
=
i =1
n
β12 (xi − x)2
∑
=
i =1
n
(xi − x)2
∑
= β1 2
i =1
Modelo Lineal A. M. Bianco FCEyN 2013 154
por lo tanto
n
(xi − x)2
∑
β1 2
δ2 = i =1
σ2
yi j = βi + i j i =, · · · , k j = 1, · · · , ni
i j ∼ N(0, σ 2) independientes
Deseamos testear:
H0 : β1 = · · · = βk H1 : existen i 6= j : βi 6= βj
⎛ ⎞ ⎛ ⎞
⎜ y11 ⎟ ⎜ 1 0 0 ... 0⎟
⎜ ⎟ ⎜ ⎟
⎜ ⎟ ⎜
⎜ y12
⎜
⎟
⎟
⎜ 1
⎜ 0 0 ... 0⎟⎟
⎟
⎜ ⎟ ⎜ ⎟
⎜ ⎟ ⎜
⎜ ...
⎜
⎟
⎟
⎜ .
⎜
. . . .⎟⎟
⎟
⎜ ⎟ ⎜ ⎟
⎜ y ⎟ ⎜ 1 0 0 ... 0⎟
⎜ 1n1 ⎟ ⎜ ⎟
⎜ ⎟ ⎜ ⎟
⎜ ⎟ ⎜
⎜ y21
⎜
⎟
⎟
⎜ 0
⎜ 1 0 ... 0⎟⎟
⎟
⎛ ⎞
⎜ ⎟ ⎜ ⎟ ⎜ β1 ⎟
⎜ 0 1 0 0⎟
⎜ ⎟ ⎜
⎜ y22 ⎟ ... ⎟ ⎜
⎜
⎟
⎟
⎜
⎜
⎟
⎟
⎜
⎜
⎟
⎟ ⎜ β2 ⎟
⎜ ... ⎜ . ⎜ ⎟
⎜
⎟
⎟ ⎜ . . . .⎟⎟ ⎜
⎜
⎟
⎟
⎜ ⎟ ⎜ ⎟ ⎜ ... ⎟
Y=⎜
⎜ ...
⎜
⎟
⎟
⎜
⎟;X = ⎜ .
⎜ . . . ⎟
. ⎟;β = ⎜
⎟ ⎜
⎜ ...
⎟
⎟
⎟
⎜ ⎟ ⎜ ⎟ ⎜ ⎟
⎜ ⎟ ⎜
⎜ ... ⎟ ⎜ . . . . .⎟⎟ ⎜
⎜
⎟
⎟
⎜
⎜
⎟
⎟
⎜
⎜
⎟
⎟ ⎜ ... ⎟
⎜ 0 ⎜ ⎟
⎜ y
⎜ 2n2
⎟
⎟ ⎜ 1 0 ... 0⎟⎟ ⎝ ⎠
⎜
⎜
⎟
⎟
⎜
⎜
⎟
⎟ βk
⎜ ··· ⎟ ⎜ . . . . .⎟
⎜ ⎟ ⎜ ⎟
⎜ ⎟ ⎜ ⎟
⎜ 0 0 0 1⎟
⎜ ⎟ ⎜
⎜ yk1 ⎟ ... ⎟
⎜ ⎟ ⎜ ⎟
⎜ ⎟ ⎜ ⎟
⎜ y ⎟ ⎜ 0 0 0 ... 1⎟
⎜ k2 ⎟ ⎜ ⎟
⎜ ⎟ ⎜ ⎟
⎜ ⎟ ⎜
⎜ ...
⎜
⎟
⎟
⎜ .
⎜ . . . .⎟⎟
⎟
⎝ ⎠ ⎝ ⎠
yknk 0 0 0 ... 1
donde r g(X) = k. En consecuencia en este modelo todas las funciones de la
forma c0β son estimables.
Modelo Lineal A. M. Bianco FCEyN 2013 157
luego
∂S ∗(β) k ∑
∑
ni
= −2 (yi j − β) = 0
∂β i =1 j=1
y en consecuencia
∑k ∑ ni ∑k
i =1 j=1 yi j i =1 ni y i .
βˆ = = Y .. (= )
n n
Para calcular el estadı́stico F necesitamos:
k
∑
n
∑i k
∑
2 2
kη̂ − η̂ ω k = (Y i . − Y ..) = ni (Y i . − Y ..)2
i =1 j=1 i =1
k ∑
∑
ni ∑ k
kY − η̂k2 = (Yi j − Y i .)2 = (ni − 1)si2
i =1 j=1 i =1
H0 : β1 = · · · = βk
se puede escribir
H0 : β2 − β1 = · · · = βk − β1 = 0
Modelo Lineal A. M. Bianco FCEyN 2013 161
que es de la forma
⎛ ⎞⎛ ⎞ ⎛ ⎞
−1 ⎜
⎜
1 0 ... 0 ⎟⎟ ⎜⎜ β1 ⎟⎟ ⎜⎜ 0 ⎟⎟
⎜ ⎟⎜ ⎟ ⎜ ⎟
−1 ⎜
⎜
⎜
0 1 ... 0 ⎟ ⎜ . ⎟ ⎜ . ⎟⎟⎟
⎟⎜
⎟ ⎜
⎟
⎟
⎜
⎜
⎜ ⎟⎜ ⎟ ⎜ ⎟
. ⎜
⎜
⎜ . . ⎟⎜ . ⎟
⎟⎜
⎟ ⎜
⎟
⎟
⎜ . ⎟
⎜
⎜
⎟
⎟
Cβ = ⎜
⎜
⎟⎜
⎟⎜
⎟ = ⎜
⎟ ⎜
⎟
⎟
. ⎜
⎜
⎜
. . ⎟⎜ . ⎟
⎟
⎟⎜
⎜ ⎟
⎟
⎜ . ⎟
⎜
⎜
⎟
⎟
⎜ ⎟⎜ ⎟ ⎜ ⎟
. ⎜
⎜
⎜
. . ⎟⎜ . ⎟
⎟
⎟⎜
⎜ ⎟
⎟
⎜ . ⎟
⎜
⎜
⎟
⎟
⎝ ⎠⎝ ⎠ ⎝
−1 0 0 ... 1 βk 0⎠
donde r g(C) = k − 1, luego q = k − 1 y por lo tanto, el estadı́stico del test
será:
y rechazaremos H0 si
F > Fk−1,n−k,α
Modelo Lineal A. M. Bianco FCEyN 2013 162
k
∑
k ni (Y i . − Y .. )2 k
∑ ∑
Entre ni (Y i . − Y .. )2 k − 1 (1) = i =1
k−1 σ 2 + (k − 1)−1 ni (βi − β .. )2
i =1 i =1
(1)/(2)
ni
k ∑
∑
ni
k ∑
(Yi j − Y i . )2
∑ i =1 j=1
Dentro (Yi j − Y i . )2 n − k (2) = n−p σ2
i =1 j=1
ni
k ∑
∑
Tot. Cor. (Yi j − Y .. )2 n − 1
i =1 j=1
1 2 3 4 5 6
salida¡- aov(PAPFUA˜tipo.f)
anova(salida)
Response: PAPFUA
Modelo Lineal A. M. Bianco FCEyN 2013 166
y i . − y j. ± t20,0,002 s u
u
⎷ +
ni nj
donde t20,0,002 = 3,331
6 5 1 3 4 2
17,975 17,140 14,100 13,825 13,100 12,800
-----------------
Modelo Lineal A. M. Bianco FCEyN 2013 167
Scheffé: α = 0,05
Vamos a probar que en contxto del modelo yi j = βi +i j , βj −β1., j = 2, . . . , k
es una base de dimensión k −1 que genera el subespacio de todos los contrastes
y por lo tanto
la probabilidad de que todos los contrastes satisfagan simultáneamente las
desigualdades
v
u
√ u k
u ∑
ˆ
ψ ± (k − 1)Fk−1,n−k,αs u
⎷ ci2/ni
i =1
es 1 − α
Cada intervalo es de la forma:
v
u
√ 1 u
u
u
1
y i . − y j. ± (k − 1)Fk−1,n−k,0,05 s +
u
⎷
ni nj
Modelo Lineal A. M. Bianco FCEyN 2013 168
v
u
√ u
u
u
1 1
y i . − y j. ± 5F5,20,0,05 s
u
⎷ +
ni nj
6 5 1 3 4 2
17,975 17,140 14,100 13,825 13,100 12,800
-----------------
La conclusión es la misma.
Ejercicio Adicional de la Práctica 3: programar estos dos tipos de
intervalos.
Modelo Lineal A. M. Bianco FCEyN 2013 169
Además:
⎛ ⎛ ⎞ ⎛ ⎞⎞
ˆ 2⎜ 1 ⎜ 1 1 1 1 ⎟ 1 ⎜ 1 1 ⎟⎟
v ar (ψ) = s ⎝
ˆ ⎝ + + + ⎠ + ⎝ + ⎠⎠ = 0,0473
16 4 5 4 4 4 5 4
El inetervalo resultante es
(−4,1015−2,086∗0,0217, −4,1015+2,086∗0,0217) = (−4,199972, −4,002528)
Otra parametrización
Otra manera de escribir el modelo serı́a
yi j = µ + αi + i j
donde:
µ: es el efecto general
αi : es el efecto del tratamiento i
Modelo Lineal A. M. Bianco FCEyN 2013 171
k
∑
αk = 0 o αi = 0 etc.
i =1
∑k
Es muy usada la restricción i =1 αi = 0, que es natural ya que:
ηi j = E(yi j ) = µ + αi = µ + α + αi − α
= µ̃ + α̃i
k
∑
donde α̃i = 0
i =1
Notemos que usando esta restricción tenemos que:
ηi j = E(yi j ) = µ + αi =⇒ η.j = kµ
Modelo Lineal A. M. Bianco FCEyN 2013 173
=⇒ µ = η .j
por lo tanto
αi = ηi j − η.j
µ̂ y α̂i están unı́vocamente determinados por los η̂i j :
Por lo tanto:
k
∑ k
∑
nµ + ni αi = ni y i .
i =1 i =1
µ + αi = y i.
k
∑
αi = 0
i =1
máx1≤i ≤I xi − mı́n1≤i ≤I xi R
√
U
= √
U
∼ qI,ν
ν ν
Teorema de Tukey
Sean θ̂i v.a. independientes 1 ≤ i ≤ I, tales que θ̂i ∼ N(θi , a2σ 2), con a > 0
constante conocida y s 2 un estimador de σ 2, independiente de θ̂i ∀i , y tal que
Modelo Lineal A. M. Bianco FCEyN 2013 176
νs 2 2
2
∼ χ ν . Entonces
σ
La probabilidad de que todas los 12 I(I − 1) diferencias θi − θj satisfagan si-
multáneamente
θ̂i − θ̂j − T s ≤ θi − θj ≤ θ̂i − θ̂j + T s
donde T = aqI,ν,α es 1 − α.
Ejemplo: Supongamos que queremos comparar las medias de 4 tratamientos:
T1, T2, T3 y T4 y nos interesan los contrastes:
αi − αj
que es equivalente a comparar βi − βj .
Sabemos que β̂i = y i . y que y 1., . . . , y 4. son independientes. Además y i . ∼
2
N(βi , σni ). Para poder usar Tukey, entonces ni = m ∀i .
Por lo tanto: v v
u u
u 1 u 1
u u
I
∑ I
∑
ψ̂ − T s |ci |/2 ≤ ψ ≤ ψ̂ − T s |ci |/2
i =1 i =1
v v
u u
1 1u
u
u
1 1 1 1 u
u
u
y i . − y j. − qk,n−k,αs ( + ) ≤ βi − βj ≤ y i . − y j. − qk,n−k,αs ( + ))
u
⎷
u
⎷
2 ni nj 2 ni nj
Modelo Lineal A. M. Bianco FCEyN 2013 178
salida¡- aov(PAPFUA˜tipo.f)
anova(salida)
FLUOR.tuk¡-TukeyHSD(salida,”tipo.f”,ordered=FALSE,conf.level=0.99)
plot(FLUOR.tuk)
Modelo Lineal A. M. Bianco FCEyN 2013 179
2−1
4−1
6−1
4−2
6−2
5−3
5−4
6−5
−2 0 2 4 6
k
∑