Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Resumen Certamen 2
Análisis de Varianza ANOVA
Es una técnica estadística tiene como objetivo ver si la variable dependiente en cada nivel de la variable independiente es igual. El
ANOVA es una extensión del t-test, que se utiliza para comparar las medias de dos grupos.
Los supuestos del ANOVA son los siguientes:
→ Homogeneidad: Se asume que las varianzas en cada grupo son aproximadamente iguales.
→ Normalidad: Se asume que las distribuciones de las variables dependientes en cada grupo son aproximadamente normales.
→ Independencia: Se asume que las observaciones dentro de cada grupo son independientes entre sí.
El modelo del ANOVA se puede escribir de la siguiente manera:
𝑌𝑖𝑖 = 𝜇 + 𝛼𝑖 + 𝜀𝑖𝑗
Donde:
𝑌𝑖𝑖 : es la observación j-ésima en el grupo i-ésimo. 𝛼𝑖 : es el efecto del grupo i-ésimo.
𝜇 : es la media general de todos los grupos. 𝜀𝑖𝑗 :es el error asociado con la observación j-ésima en el grupo i-ésimo.
En resumen, el ANOVA es una técnica estadística utilizada para comparar las medias de tres o más grupos y determinar si hay
diferencias significativas entre ellos. Se basa en supuestos de homogeneidad de varianzas, normalidad e independencia. Los resultados
pueden proporcionar información sobre diferencias significativas entre grupos y comparaciones específicas entre pares de grupos.
Donde:
𝑌: es una matriz de variables dependientes (n x p), donde n es el número de observaciones y p es el número de variables
dependientes.
𝑋: es una matriz de diseño (n x q), donde q es el número de grupos o condiciones.
𝐵: es una matriz de coeficientes (q x p) que representa los efectos de los grupos en las variables dependientes.
𝜺: es una matriz de errores (n x p) que representa la variabilidad aleatoria no explicada.
Los pasos por seguir en un análisis MANOVA son los siguientes:
1) Definir las variables dependientes: Identificar las variables continuas que se medirán en cada grupo y determinar si tienen
una relación multivariada.
2) Seleccionar los grupos: Identificar los grupos o condiciones que se compararán y asegurarse de que sean mutuamente
excluyentes y exhaustivos.
3) Verificar los supuestos: Evaluar los supuestos de normalidad, homogeneidad de varianzas e independencia. Si los supuestos no
se cumplen, pueden ser necesarias transformaciones de datos o considerar alternativas al MANOVA.
4) Realizar el análisis MANOVA: Aplicar el modelo del MANOVA a los datos y calcular las estadísticas de prueba para
determinar si hay diferencias significativas entre los grupos en función de las variables dependientes.
5) Interpretar los resultados: Evaluar las estadísticas de prueba y considerar el nivel de significancia elegido para determinar si
existen diferencias significativas entre los grupos. También se pueden examinar los efectos multivariados y las interacciones
entre variables dependientes.
Las conclusiones a las que se puede llegar con un análisis MANOVA incluyen:
→ Si se encuentra una diferencia significativa entre los grupos: Significa que al menos una de las variables dependientes
difiere significativamente entre los grupos considerados.
→ Si no se encuentra una diferencia significativa entre los grupos: Indica que no hay evidencia suficiente para concluir que
existen diferencias significativas entre los grupos en función de las variables dependientes.
→ Además, el MANOVA puede proporcionar información sobre la combinación lineal de las variables dependientes que mejor
diferencia los grupos.
En resumen, el MANOVA permite analizar simultáneamente múltiples variables dependientes continuas y determinar si existen
diferencias significativas entre los grupos en función de esas variables. Se basa en supuestos de normalidad, homogeneidad de varianzas
e independencia. Los resultados del MANOVA pueden proporcionar información sobre diferencias significativas entre grupos y patrones
multivariados entre variables dependientes.
Donde:
𝑋: es el vector aleatorio de variables. Σ: es la matriz de covarianza.
𝜇: es el vector de medias. 𝑘: es el número de variables aleatorias.
La distribución normal multivariada tiene varias propiedades importantes:
→ Linealidad: Cualquier combinación lineal de variables aleatorias normales multivariadas sigue siendo una distribución normal
multivariada.
→ Independencia lineal: Si las variables aleatorias son independientes, entonces también son independientes linealmente.
→ Transformaciones lineales: Si se realiza una transformación lineal de las variables aleatorias, la nueva distribución sigue
siendo una distribución normal multivariada.
→ Distribuciones marginales: Las distribuciones marginales de las variables individuales son distribuciones normales univariadas.
La distribución normal multivariada se utiliza en otras distribuciones como la distribución 𝑊𝑝 y la distribución 𝑇 2.
La distribución 𝑊𝑝 (Wilshart) se utiliza en el análisis de varianza multivariado (MANOVA) para probar la igualdad de los vectores de
medias entre grupos. La distribución 𝑊𝑝 se basa en la relación entre las matrices de covarianza y permite determinar si existen
diferencias significativas entre los grupos.
La distribución 𝑇 2 (Hotelling's T-squared) se utiliza en el análisis de componentes principales y en el análisis discriminante. La
distribución 𝑇 2se utiliza para probar la igualdad de los vectores de medias entre grupos, teniendo en cuenta tanto las diferencias en
las medias como en las covarianzas. Se basa en la relación entre las medias y las matrices de covarianza y permite determinar si
existen diferencias significativas entre los grupos.
Ambas distribuciones, 𝑊𝑝 y 𝑇 2se utilizan para realizar pruebas de hipótesis en el contexto de análisis multivariado y se basan en la
distribución normal multivariada para calcular los valores críticos y determinar la significancia estadística.
En resumen, la distribución normal multivariada es una extensión de la distribución normal univariada que permite analizar
simultáneamente múltiples variables aleatorias correlacionadas. Se utiliza en otras distribuciones como la distribución 𝑊𝑝 y la distribución
𝑇 2 para realizar pruebas de hipótesis en el análisis multivariado. La distribución normal multivariada tiene propiedades importantes como
la linealidad, la independencia y las transformaciones lineales.
Distribución Wishart 𝑾𝒑
La distribución de Wishart es una extensión al caso multivariado de la distribución 𝒳 2. Sean 𝑋1 , … , 𝑋10 iid que tienen distribución 𝑁𝑝 (0, 𝛴),
diremos que la matriz
𝑛
𝑀 = ∑ 𝑋𝑖 𝑋𝑖 ′ ~ 𝑊𝑝 (𝛴, 𝑛)
𝑖=1