Академический Документы
Профессиональный Документы
Культура Документы
Experimentos
Diseño de experimentos
…
i yi1 yi2 … yij … yin yi. yi.
…
…
a ya1 ya2 … yaj … yan ya. y a.
Donde: y.. y ..
n a a n
yi. y ..
y i . = ∑ y ij y .. = ∑ y i . = ∑∑ y ij yi. = y .. =
j =1 i =1 i =1 j =1 n N
El análisis de varianza
• Modelos para la representación de las
observaciones
– Modelo de las medias
i = 1, 2, ..., a
y ij = µ i + ε ij
donde:
j = 1, 2, ..., n
• yij es la observación ij-ésima,
• µ i es la media del i-ésimo tratamiento del factor y
• ε ij es un componente del error aleatoria que incorpora todas la
demás fuentes de variabilidad del experimento (mediciones,
factores no controlables, diferencias entra unidades
experimentales y el ruido de fondo –debido al paso del tiempo, a
variables ambientales, etc.-)
El análisis de varianza
• Modelos para la representación de las
observaciones
– Modelo de los efectos
– Defínase µ i= µ + τ i, i= 1, …, a; con ello el modelo de
las medias se transforma en:
i = 1, 2, ..., a
y ij = µ + τ i + ε ij
donde ahora: j = 1, 2, ..., n
• yij es la observación ij-ésima,
• µ es la media global
• τ i es el efecto del i-ésimo tratamiento y
• ε ij es un componente del error aleatorio.
El análisis de varianza
• Modelos para la representación de las
observaciones
– Los modelos de las medias y de los efectos son modelos
estadísticos lineales, pues la variable de respuesta yij es
una función lineal de los parámetros del modelo.
– En el caso de un solo factor, se les llama modelo del
análisis de varianza simple o de un solo factor (o
dirección).
– El diseño experimental es un diseño completamente
aletorizado, con la finalidad de evitar que los efectos de
variables perturbadoras contaminen los resultados.
El análisis de varianza
• Modelos para la representación de las
observaciones
– Los objetivos serán probar las hipótesis apropiadas
sobre las medias de los tratamientos y estimarlas.
– Para ello se supondrá que los errores son NID, tales
que:
• ε ij~N(0, σ 2), i= 1, …, a, j= 1, …, n.
• σ 2 es constante para todos los tratamientos o niveles del
factor.
• Por consiguiente: yij~N(µ + τ i, σ 2).
• Y las observaciones yij son mutuamente excluyentes.
El análisis de varianza
• Factor fijo y factor aleatorio
– El modelo estadístico
i = 1, 2, ..., a
y ij = µ + τ i + ε ij
j = 1, 2, ..., n
puede representar dos situaciones
diferentes con respecto a la forma como
se determinaron los niveles o factores a
considerar en la experimentación.
El análisis de varianza
• El modelo con efectos fijos
– Los a tratamientos o niveles son establecidos o
elegidos expresamente por el experimentador.
– Este enfoque se emplea cuando se desean probar
hipótesis sobre las medias de los tratamientos.
– Las conclusiones se aplican únicamente a los
tratamientos del factor considerados en el diseño.
– Es decir: las conclusiones no se pueden extender o
aplicar a tratamientos similares del factor que no
fueron considerados explícitamente en el diseño del
experimento.
El análisis de varianza
• El modelo con efectos fijos
– Con este modelo se podrá:
• Estimar la media global, µ .
• Los efectos de los tratamientos, τ i, i= 1, …, a.
• Las medias de los efectos, µ i, i= 1, …, n.
• La varianza del error aleatorio, σ 2.
El análisis de varianza
• El modelo con efectos aleatorios
– Los a tratamientos son una muestra aleatoria de una
población más grande de tratamientos del factor.
– Este enfoque se emplea cuando se desean probar
hipótesis sobre la variabilidad de los tratamientos.
– Las conclusiones (basadas en la muestra de los
tratamientos) se pueden extender a todos los
tratamientos de la población, sin importar si se
consideraron explícitamente o no en el diseño del
experimento.
El análisis de varianza
• El modelo con efectos aleatorios
– En este modelo las τ i son variables
aleatorias y el conocimiento de las τ i
particulares que se investigaron es
relativamente inútil.
– Con este modelo se podrá:
• Probar hipótesis sobre la variabilidad de las τ i.
• Estimar la variabilidad de las τ i.
Análisis del modelo con efectos fijos
• yi. representa el total de n
las observaciones para el y i . = ∑ y ij
i-ésimo tratamiento j =1
de todas las y .. = ∑ y i . = ∑∑ y ij
observaciones i =1 i =1 j =1
• y .. representa el y ..
y .. =
promedio global de todas N
las observaciones
• N=total de observaciones N= an
Análisis del modelo con efectos fijos
i =1 j =1
Descomposición de la suma de
cuadrados total
• La suma de cuadrados total corregida puede
expresarse como
2
∑∑ ( y − y .. ) = ∑∑ [( y i . − y .. ) + ( y ij − y i . ) ]
a n a n
2
ij
i =1 j =1 i =1 j =1
• Lo cual se simplifica en
∑∑ ( y − y .. ) = n ∑ ( y i . − y .. ) + ∑∑ ( y ij − y i . )
a n a a n
2 2 2
ij
i =1 j =1 i =1 i =1 j =1
• O bien:
SST = SSTratamientos + SSE
Descomposición de la suma de
cuadrados total
• Suma de cuadrados total
∑∑ ( )
a n
2
corregida: N-1 grados de SST = y ij − y ..
libertad i =1 j =1
• Suma de cuadrados a
debida a los tratamientos SS
Tratamientos = n ( y i . − y .. )
∑
2
SSE
MSE =
N −a
Análisis estadístico
• Puede demostrarse que el valor esperado de
los cuadrados medios, si los tratamientos son
fijos es:
a
n ∑τ i
2
E ( MSTratamientos ) = σ 2 + i =1
a −1
( )
E MSE = σ 2
Análisis estadístico