Professional Documents
Culture Documents
Introduccin y ejemplos
Este modelo es el ms sencillo del diseo de experimentos, en el cual la variable respuesta puede depender de la inuencia de un nico factor, de forma que el resto de las causas de variacin se engloban en el error experimental. Se supone que el experimento ha sido aleatorizado por completo, es decir, todas las unidades experimentales han sido asignadas al azar a los tratamientos. Vamos a considerar dos tipos de modelos: el de efectos jos y el de efectos aleatorios. Se presentan ambos tipos mediante dos ejemplos: Ejemplo 1. Una rma comercial desea conocer la inuencia que tiene el nivel cultural de las familias en el xito de una campaa publicitaria sobre cierto producto. Para ello, aprovecha los resultados de una encuesta anterior clasicando las respuestas en tantos grupos como niveles culturales ha establecido. Estamos ante un modelo de un solo factor, ya que la rma slo est interesada en averiguar si los distintos niveles culturales inuyen o no de la misma manera sobre las ventas, no importndole la inuencia del resto de los factores que pueden inducir a una mayor o menor tendencia a la compra. El modelo es de diseo jo porque la rma aplicar los resultados de la investigacin exclusivamente a los niveles culturales establecidos por ella, que pueden abarcar o no la gama completa de formacin cultural. Ejemplo 2. En una fbrica se han observado anomalas en la calidad de las piezas pro1
ducidas por un tipo de mquinas: por haber sido revisadas recientemente se piensa que los defectos puedan deberse a los trabajadores. Para contrastar esta hiptesis se toma una muestra aleatoria de trabajadores y se controla la calidad de las distintas piezas que cada uno obtiene. Al igual que en el ejemplo anterior el modelo de comportamiento es de un solo factor, la calidad del trabajo de los trabajadores, pero al extender el resultado del anlisis a toda la poblacin de la que procede la muestra de obreros, el modelo es aleatorio, ya que de l deduciremos si los obreros que integran la poblacin estudiada realizan un trabajo de la misma calidad o no. En el Ejemplo 1, la rma tena una gama de formaciones culturales muy amplia, pero slo le interesaban unas determinadas. Para ella, la poblacin de niveles estaba compuesta por los elegidos en el estudio, por lo cual los resultados slo se pueden aplicar a ellos. En este caso, los niveles del factor se han elegido de forma determinista, basndose en datos histricos. Por el contrario, en el Ejemplo 2, no interesa la calidad del trabajo de los trabajadores, sino poder atribuir la aparicin de piezas defectuosas a todos los trabajadores o a las mquinas. Si del anlisis se deduce que la muestra de trabajadores no presenta diferencias de calidades, se inferir que en la poblacin tampoco, por lo cual se pueden atribuir los fallos a las mquinas. En este caso, los niveles del factor se han elegido de forma aleatoria, pudindose inferir los resultados a toda la poblacin de trabajadores. As, se pueden considerar dos posibles variantes de diseo unifactorial: (i ) Los niveles del factor se seleccionan de modo especco por el experimentador. Esto constituye el llamado modelo de efectos jos. (ii ) Los niveles de un factor son una muestra aleatoria de una poblacin mayor de tratamientos. Esto es el modelo de efectos aleatorios.
respuesta, en la poblacin o nivel i -simo, y ij es el error aleatorio que incluye a todos los factores que inuyen en la respuesta y no estn incluidos en el modelo. Alternativamente, se puede expresar de esta manera: yij = + i + ij donde i = 1, . . . , a; j = 1, . . . , n, suponiendo grupos de igual tamao. De este modo, (i ) yij es la observacin (i, j ) - sima. (ii ) es la media global. (iii ) i es el efecto del i -simo tratamiento. 3
(iv ) ij es el error aleatorio, tal que ij N (0, 2 ) independientes entre s, E [ij ] = 0 y V ar [ij ] = 2 . Se supone, adems, que las unidades experimentales estn en un ambiente uniforme, lo cual lleva a un diseo completamente aleatorizado. En el modelo de efectos jos, los efectos de los tratamientos i se denen como desviaciones respecto a la media general, por lo que
a n X X j =1 i=1 a X
i = 0
i=1 a X i=1
n i = 0 = i = 0
La esperanza del tratamiento i es E [yij ] = + i donde i = 1, . . . , a. De este modo es igual al trmino de la media general ms el efecto del tratamiento i. El problema que se trata de analizar es H0 1 = 2 = = a H1 i 6= j (para al menos un par) y esto es equivalente a H0 1 = 2 = = a H1 i 6= 0, i
Nivel 1 2 . . . a
Totales Promedios y1 y 1 y2 y 2 ya y y a y
ya2 yan
La idea es descubrir cmo se reparte la variabilidad total de la muestra. Una posible medida de variabilidad total es la suma de cuadrados, denominada total, o suma total de cuadrados corregida: SCT = donde y =
n a X X i=1 j =1 a
(yij y )2
n
1 XX yij n a i=1 j =1
n a X X i=1 j =1
(yij y )2 =
n a X X i=1 j =1
(( yi y ) + (yij y i ))2 =
( yi y )2 +
(yij y i )2 =
n a X X i=1 j =1 a X i=1
( yi y ) (yij y i ) =
n X j =1
( yi y )
(yij y i )
(yij y i ) = ny i ny i = 0
y as los dobles productos se hacen 0. Las diferencias entre los promedios observados de los tratamientos y el promedio general, da una medida de las diferencias entre los tratamientos. 5
Las diferencias de las observaciones dentro de los tratamientos con respecto al promedio del tratamiento, se considera error aleatorio. Grados de libertad. Se tiene un total de a n observaciones y de a tratamientos. SCT tiene (an 1) grados de libertad. SCT ra tiene (a 1) grados de libertad. SCE tiene a(n 1) grados de libertad, porque hay n rplicas dentro de cada tratamiento, es decir, se tienen (n 1) grados de libertad para estimar el error experimental. Al tener a tratamientos, se tiene un total de a(n 1) grados de libertad. Observaciones. Se tiene que SCE =
n a X X i=1 j =1
(yij y i )2 =
" n a X X
i=1 j =1
(yij y i )2 .
Si el trmino entre parntesis se divide entre n 1, se obtiene la cuasivarianza del tratamiento i : s2 i 1 X = (yij y i )2 . n 1 j =1
n
Se puede estimar la varianza poblacional combinando dichas varianzas por grupos: " n # a X X (yij y i )2 2 2 (n 1)s2 i=1 j =1 1 + (n 1)s2 + + (n 1)sa = = a X (n 1) + (n 1) + + (n 1) (n 1)
i=1
SCE = N a
donde N = a n. Si no hay diferencias entre los a tratamientos, se puede estimar la varianza poblacional 2 como n SCT ra = a1
a X i=1
( yi y )2
a1
( yi y )2 a1
sera un estimador de la varianza de la media muestral: 2 /n. Se dispone, as de dos posibles estimadores de 2 : MCT ra = SCT ra a1 SCE MCE = N a
Cuando no existen diferencias entre las medias de los tratamientos, las estimaciones deben ser similares. Si consideramos las medias de cuadrados anteriores, entonces, se puede demostrar, sustituyendo, que E (MCE ) = 2 E (MCT ra) = +
2
Pa
2 i . a1
i=1
De este modo, si para algn i 6= 0, entonces E (MCT ra) > 2 . La idea bsica es disear un contraste que tenga en cuenta estas diferencias entre los dos estimadores de 2 . Como los errores ij se distribuyen independientemente entre s, segn una N (0, ), entonces, por el lema de Fisher SCE 2 N a 2 SCT ra 2 a1 2 siempre que i = 0, i. NOTA: Teorema de Cochran :
zi2 = Q1 + Q2 + + Qs
donde s v y cada Qi tiene vi grados de libertad (i = 1, 2, . . . s), entonces Q1 , Q2 , . . . , Qs son v.a. independientes distribuidas como una chi cuadrado con v1 , v2 , . . . , vs grados de libertad respectivamente, si y slo si v = v1 + v2 + . . . + vs Si se aplica el teorema de Cochran, se tiene que lo que si i = 0, i, entonces F0 =
SCT ra a1 SCE N a SSE 2
SST ra 2
MCT ra MCE
se distribuye como una F de Snedecor, Fa1,N a . Si algn i 6= 0, entonces E (MST ra) > 2 entonces el valor del estadstico F0 es mayor, obtenindose una regin crtica superior, de modo que se rechaza, a nivel , la hiptesis nula de igualdad de tratamientos, si F0 > F,a1,N a Resumen: Tabla ANOVA. H0 1 = 2 = a H1 i 6= 0, F. Variacin Factor Error Total S. Cuadrados a P SCT ra = n ( yi y )2 SCE = SCT =
n a P P i=1 j =1 a P n P i=1
i gl M. Cuadrados MCT ra =
SCT ra a1
F0 Fo =
MCT ra MCE
a1
(yij y i )2
N a MCE = N 1
SCE na
i=1 j =1
(yij y )2
2 ij
a X n X i=1 j =1
(yij i )2 ,
de modo que los estimadores de y i son los valores y i que minimizan el funcional L. Derivando respecto cada uno de los parmetros, se obtiene un total de (a + 1) ecuaciones: XX L (yij i ) = 0 = 0 = 2 i=1 j =1
a n
n X L = 0 = 2 (yij i ) = 0, i j =1
i = 1, 2, . . . , a
se obtiene 2 + + n a = y N + n 1 + n n +n 1 = y1 n +n 2 = y2 . . . . . . n +n a = ya
Estas se denominan ecuaciones normales de mnimos cuadrados. Si se suman las ltimas a ecuaciones, se obtiene la primera ecuacin, de modo que no forman un sistema independiente de ecuaciones y no existe solucin nica. Para evitar esto, se considera la restriccin
a X i=1
i = 0, 9
obtenindose, entonces, los estimadores = y i = y i y para i = 1, 2, . . . , a. Si se asume que los errores estn distribuidos segn una normal, entonces cada y i N (i , 2 /n) . De este modo, cuando 2 es desconocida un intervalo de conanza al 100(1 ) % es " " y i t ,N a 2 r # MCE . n r 2MCE . n #
De la misma manera,
( yi y ) t ,N a 2
Diseo desequilibrado. Si el nmero de observaciones es diferente segn cada tratamiento i: ni donde i = 1, 2, . . . , a, las expresiones previas son iguales salvo que se sustituye n por ni :
ni ni a X a X X X y2 2 2 SCT = (yij y ) = yij N i=1 j =1 i=1 j =1
ni i = 0
y se resuleve del mismo modo. Si el diseo es no balanceado o desequilibrado, aumenta la sensibilidad del anlisis unifactorial a la falta de igualdad entre las varianzas de cada grupo (heterocedasticidad).
10
Ejemplo 1 Un ingeniero de desarrollo de productos est interesado en maximizar la resistencia a la tensin de una nueva bra sinttica que se emplear en la manufactura de tela para camisas de hombre. El ingeniero sabe por experiencia que la resistencia est inuida por el porcentaje de algodn presente en la bra. Adems, sospecha que el contenido de algodn debe estar aproximadamente entre un 10 y 40 % para que la tela resultante tenga otras caractersticas de calidad que se desean (como la capacidad de recibir un tratamiento de planchado permanente). El ingeniero decide probar muestras a cinco niveles de porcentaje de algodn: 15, 20, 25, 30 y 35 %. Asimismo, decide ensayar cinco muestras a cada nivel de contenido de algodn. Las 25 observaciones deben asignarse al azar. Para ilustrar la forma en que puede aleatorizarse el orden de ejecucin, supngase que las observaciones se numeran como sigue: % algodn 15 1 2 3 4 5 20 6 7 8 9 10 25 11 12 13 14 15 30 16 17 18 19 20 35 21 22 23 24 25 Ahora se elige al azar un nmero entre 1 y 25. Supongamos que es el 8, entonces la observacin 8a se ejecuta primero (es decir, a un 20 % de algodn). A continuacin se elige un nmero al azar entre 1 y 25, quitando el 8. Supongamos que es el 4, entonces la observacin 4a se ejecuta en segundo lugar (a un 15 % de algodn). Se repite el proceso hasta completar las 25 observaciones. Esta secuencia de prueba aleatorizada es necesaria para evitar que los resultados se contaminen por los efectos de variables desconocidas que pueden salir de control durante el experimento. Para ilustrar esto, supngase que se ejecutan las 25 muestras de prueba en el orden no aleatorizado original (esto es, las 5 muestras con un 15 % de algodn se prueban primero, luego las 5 muestras con un 20 % de algodn, y as sucesivamente). Si la mquina que prueba la resistencia a la tensin presenta un efecto de calentamiento tal que 11
a mayor tiempo de funcionamiento menores lecturas de resistencia a la tensin, entonces dicho efecto contaminar los datos de resistencia e invalidar el experimento. Supngase ahora que el ingeniero ejecuta la prueba en el orden aleatorio que hemos determinado. Las observaciones obtenidas acerca de la resistencia a la tensin son: % de algodn 15 20 25 30 35 Observaciones 7 7 15 11 9 12 17 12 18 18 14 18 18 19 19 19 25 22 19 23 7 10 11 15 11 Suma Media 49 9.8 77 15.4 88 17.6 108 21.6 54 10.8 376 15.04
Representamos el diagrama de dispersin para la resistencia frente al porcentaje de algodn, y.el diagrama de cajas para la resistencia a la tensin a cada nivel de porcentaje de algodn.
diagrama de dispersin
25 22 19 16 13 10 7 15 20 25 30 35 25 22 19 16 13 10 7 observaciones medias
porcentaje de algodn
12
Diagrama de cajas
25
observaciones
22 19 16 13 10 7 15 20 25 30 35
porcentaje de algodn
Ambas grcas indican que la resistencia a la tensin aumenta con el contenido de algodn hasta el 30 %. Mas all del 30 % ocurre un notable decrecimiento en la resistencia. No hay una fuerte evidencia que sugiera que la variabilidad en la resistencia alrededor de la media dependa del porcentaje de algodn. Se sospecha, no obstante, que el porcentaje de algodn inuye en la resistencia a la tensin. Se disponen los datos en una tabla como esta: Observaciones y11 , , y1n1 . . . yI 1 , , yInI Sumas y1 . . . yI y Medias y 1 . . . y I y
A) Hiptesis del modelo Las principales hiptesis del modelo son: Normalidad: ij sigue una distribucin normal. Linealidad: E (ij ) = 0 Homocedasticidad: V ar(ij ) = 2 13
Independencia: ij son independientes entre s. Estas hiptesis son equivalentes a las siguientes: Normalidad: yij sigue una distribucin normal. E (yij ) = i Homocedasticidad: V ar(yij ) = 2 Independencia: yij son independientes entre s.
B) Metodologa En nuestro anlisis vamos a seguir los siguientes pasos: Estimar los parmetros del modelo. Contrastar si el factor inuye en la respuesta, es decir, si los valores medios de Y son diferentes al cambiar el nivel del factor. Si el factor inuye en la variable respuesta, es decir, las medias no son iguales, buscar las diferencias entre poblaciones (o niveles del factor). Diagnosis del modelo: comprobar si las hiptesis del modelo son ciertas mediante el anlisis de los residuos.
C) Estimacin de los parmetros En este ejemplo, a = 5, ni = 5 y N = 25. Las estimaciones puntuales de los parmetros son las siguientes:
14
1 = y 1 = 9,8 2 = 15,4 2 = y 3 = y 3 = 17,6 4 = 21,6 4 = y 5 = 10,8 5 = y Por ejemplo, el intervalo de conanza para 1 , al nivel (1 ) = 0,95, es: " # r MCE y i t = ,N a 2 n # " r 8,06 = = 9,8 t0,025,20 5 [7,1515, 12,4485]
D) Anlisis de la varianza El contraste de hiptesis que vamos a abordar es el siguiente: H0 : 1 = = a (el factor no inuye) H1 : algn factor es diferente (el factor inuye) nivel de signicacin FV Tratamiento Error Total SC P SCT ra = a ni ( yi y )2 Pa i=1 Pni SCE = i=1 j =1 (yij y i )2 Pa Pni SCT = i=1 j =1 (yij y )2 GL F a 1 F0 = N a N 1
SCT ra/(a1) SCE/(N a)
siendo FV = Fuente de variacin, SC = Suma de Cuadrados, GL = Grados de libertad. Las sumas de cuadrados tambin se pueden calcular de la siguiente forma: SCT = SCT ra = XX X
2 2 yij ny
2 2 ni y i ny
Cuando slo hay dos poblaciones (un factor con dos niveles), este contraste es idntico al contraste de la t para comparar las medias de dos poblaciones normales e idependientes con la misma varianza. Analizamos a continuacin la tabla de anlisis de la varianza del ejemplo 1
SCT =
XX
2 2 ny = yij
SCT ra =
2 2 i = ni y ny
SCE = SCT SCT ra = 636,96 475,76 = 161,2 La tabla ANOVA es: F.V. S.C. G.L. M.C. F Tratamiento 475.76 4 118.94 14.76 Error 161.2 20 8.06 Total 636.96 24
F4,20;0,1 = 2,2489 F4,20;0,05 = 2,8661 F4,20;0,01 = 4,4307 Por lo tanto, rechazamos H0 a los niveles anteriores y concluimos que hay diferencias entre los tratamientos. Ejemplo 2. Analizaremos los siguientes conjuntos de datos:
16
Las medias son iguales en los dos casos, con lo cual la diferencia de medias debera ser igual en ambos casos. Los diagramas de puntos, considerando en abscisas los grupos y en ordenadas las observaciones, son:
Primer caso
25 24 23 22 21 20 19 1 2 3 2 4 2
Segundo caso
50 40 30 20 10 0 1 2 3
17
Debido a las diferentes dispersiones (varianzas) que existen en los dos casos, la impresin visual es muy distinta. En el segundo caso no se aprecia diferencia entre los tres grupos (el factor no parece inuir), mientras que en el primer caso, la cosa no est tan clara. Entonces, no es suciente slo con comparar las medias de cada grupo, la variabilidad tambi inuye. Lo que vamos a hacer es comparar la variabilidad entre las medias con la variabilidad dentro de cada grupo, mediante el anlisis de la varianza. Vamos a construir la tabla ANOVA: Caso 1 :
a X ( yi y )2 = 32 SCT ra = i=1
La tabla ANOVA es: F.V. S.C. G.L. M.C. F Tratamiento 32 2 16 36 Error 4 9 0.444 Total 36 11 Como F2,9;0,05 = 4,2565, rechazamos la hiptesis nula y concluimos que el factor inuye en la respuesta. Caso 2 :
SCT = SCT ra =
XX X
2 2 ni y i = 5840 12 222 = 32 ny
F.V. S.C. G.L. M.C. F Tratamiento 32 2 16 0.05 Error 2852 9 316.889 Total 2884 11 Como F2,9;0,05 = 4,2565, no rechazamos la hiptesis nula y concluimos que el factor no inuye en la respuesta al nivel = 0,05..
19
Los mtodos generales son las comparaciones mltiples y los tests de recorrido studentizado.
Comparaciones mltiples.
LSD de Fisher (Least signicant dierence) Se contrasta i = j , para todo i 6= j, (i, j = 1, . . . , a). Se tiene que se distribuye como una t de Student: j ) i j ( yi y q tN a 1 1 n + nj i
1 1 + ni nj
1. Si |y i y j | > LSD = Se rechaza que i = j a nivel . j | < LSD = Se acepta que i = j a nivel . 2. Si |y i y Denicin. (Distribucin de recorrido estudentizada ) 20
Mtodo de Tukey Se requiere que ni = n, i = 1, . . . , a. Si esto no se cumple, entonces se toma n = m ni {ni } . j | > qa,N a; 1. Si |y i y j | < qa,N a; 2. Si |y i y q q
1 n 1 n
1 1 + ni nj a . 2
donde p es el nmero de comparaciones que se pueden obtener: 1 p por una normal: Se puede aproximar tN a, 2 p tv, = z + siendo z N (0, 1). 1 3 z z , 4v
21
Ejemplos. En el problema de comparacin del porcentaje de algodn en las prendas, las medias muestrales eran: y i Se tiene que a=5 n=5 N = 25 2 = 8,06 N a = 20. LSD de Fisher LSD = tN a, 2 Mtodo de Tuckey HSD = qa,N a, = n Mtodo de Bonferroni Como 5 p= = 10 2 1 1 + = t20, 00 05 20 ni nj r 2 5 r 8,06 q5,20,00 05 = 1,269 4,24 = 5,38 5 s 1 1 + = t20,00 025 ni nj r 2 = 3,745 5 y 1 y 2 y 3 y 4 y 5 9,8 15,4 17,6 21,6 10,8
8,06
8,06
luego
1 3 z0,0025 z0,0025 = 4 20 1 2,813 2,81 = 3,052 = 2,81 + 80 r 2 8,06 = 3,052 5 r 8,06 2 = 5,48. 5
B = t20, 00 05
20
(i, j ) ( yi y j ) LSD = 3,745 HSD = 5,38 B (1,2) 5,6 6 = 6 = (1,3) 7,8 6 = 6 = (1,4) 11,8 6= 6= (1,5) 1,0 = = (2,3) 2,2 = = (2,4) 6,2 6= 6 = (2,5) 4,6 6= = (3,4) 4 6= = (3,5) 6,8 6= 6 = (4,5) 10,8 6= 6=
= 5,48 6= 6= 6= = = 6= = = 6= 6=
Newman-Keuls. NKp = qp,N a, n donde qp,N a, se obtiene a partir de la tabla de la distribucin de recorrido studentizado. Por ejemplo, para p = a se contrasta si 1 n r 1 (1) | > qa,N a; |y (a) y n (1) | > ra,N a; |y (a) y Para p = a 1 se contrasta si |y (a) y (2) | > ra1,N a; r r
1 n r 1 (1) | > qa1,N a; |y (a1) y n |y (a) y (2) | > qa1,N a; (iii ) Se van declarando diferentes o no a las parejas de medias. Si no se declaran diferentes, se conectan con una lnea base. Al nal slo se declaran diferentes las medias que no estn conectadas por ninguna lnea. (iv ) Si un grupo de medias no es signicativamente diferente, ningn subgrupo de ellas lo es.
Se tiene que la relacin entre ambas tablas es la siguiente: rp,N a; = qp,N a;1(1)p1 Si comparamos los respectivos puntos crticos con N a = 20, por ejemplo: 24
p rp,20,00 01 qp,20,00 01
2 3 4 5 6 7 8 4.02 4.22 4.33 4.4 4.47 4.53 4.58 4.02 4.64 5.02 5.29 5.51 5.69 5.84
Se observa que rp,20,00 01 qp,20,00 01 , con lo cual se tiene que d,p = rp,N a, < NK,p = qp,N a, , n n es decir, el test de Newman-Keuls es ms conservador que el de Duncan, de modo que si se rechaza la H0 aplicando el test de Newman-Keuls, tambin se rechaza aplicando el test de Duncan. Ejemplo. En el problema de comparacin del porcentaje de algodn en las prendas, se ordenan las medias muestrales de menor a mayor:
y i
Test de Newman-Keuls: p=5 p=4 p=3 p=2 Test de Duncan: p=5 p=4 p=3 p=2 De este modo, r5,20,00 05 r4,20,00 05 r3,20,00 05 r2,20,00 05 = 3,25 = 3,18 = 3,10 = 2,95 d5 d4 d3 d2 = 4,12 = 4,04 = 3,93 = 3,74 q5,20,00 05 q4,20,00 05 q3,20,00 05 q2,20,00 05 = 4,24 = 3,96 = 3,58 = 2,95 NK5 NK4 NK3 NK2 = 5,38 = 5,03 = 4,54 = 3,74
25
p 5 4
Newman-Keuls > 5,38 > 5,03 > 5,03 > 4,54 > 4,54 > 4,54 < 3,74 > 3,74 < 3,74 > 3,74
Duncan > 4,12 > 4,03 > 4,03 > 3,93 > 3,93 > 3,93 < 3,74 > 3,74 < 3,74 > 3,74
Como conclusin, se obtiene que 4 > i para i = 1, 2, 3, 5 de manera signicativa segn ambos criterios. Y el resultado es: 1 5 x______ y 2 3 x______ y 4
= 0.
En particular, por ejemplo, la diferencia entre dos medias cualesquiera equivale a un contraste = ci i + cj j 26
con ci = 1 y cj = 1 y cero para el resto de trminos. El procedimiento se Sche se aplica de la siguiente forma: reem(i ) Especicar as como los coecientes que determinan el contraste. Calcular plazando las medias muestrales por las poblacionales. (ii ) Estimar 2 y calcular la razn (iii ) Si la razn . q (a 1)Fa1,N a, ,
>
1 = 1 + 3 4 5 2 = 1 4 Las estimas son 1 = x 1 + x 3 x 4 x 5 = 9,8 + 17,6 21,6 10,8 = 5,0 2 = x 1 x 4 = 9,8 21,6 = 11,8 v r u 5 u X c2 4 i t MCE = 8,06 = 2,54 1 = n 5 i=1 i r 2 2 = 8,06 = 1,8 5 p = F4,20,00 01 = 4,43, de modo que (a 1)Fa1,N a, = 4 4,43 = 4,21 1 5,0 = = 1,97 < 4,21 1 2,54
y como Fa1,N a,
se acepta la H0 . 27
se rechaza la H0 .
2 2
Aunque el mtodo de Sche permite plantear muchas posibles comparaciones entre medias, cuando se estudian slo diferencias entre medias resulta menos ecaz que los tests especcos para diferencias de pares de medias.
28
donde
Si las varianzas son homogneas, entonces este estadstico F0 se distribuye como una F de Snedecor, Fa1,N a, , siendo el nivel de signicacin elegido.
En particular se suele considerar una funcin f de la forma f (i ) = k i de modo que i = k i Se puede demostrar que para conseguir la homocedasticidad, se debe usar la transformacin con parmetro = 1 . Para estimar se usan los diagramas rango-media. Se asume el ajuste a una ecuacin del tipo = k y as log( ) = log(k) + log() ser la pendiente de la recta que pasa por los puntos del grco, esto es, de la correspondiente recta de regresin. Una vez estimado se calcula = 1 . Observaciones (i ) Las transformaciones estabilizadoras de la vrainza se denen slo para conjuntos de datos positivos. En caso contrario, hay que sumar una constante a los datos. 30
(ii ) En general se considera una rejilla de valores de y se va probando con mltiplos . de 1 2 (iii ) Frecuentemente la transformacin no slo estabiliza la varianza sino que normaliza los datos, cuando estos no se distribuyen como una normal.
31
ij N (0, 2 ) i N (0, 2 ) independientemente entre s. Ahora carece de sentido contrastar hiptesis basadas en tratamientos individuales, por lo que se contrasta: H0 2 = 0 H1 2 > 0
2 Todos los tratamientos sern iguales si 2 = 0. Sin embargo, si > 0 existe variabi-
32
Si se consideran los valores esperados de las medias de cuadrados, entonces 1 E [MCT ra] = E [SCT ra] = a1 # " a X y2 y2 1 i = E = 2 + n 2 . a1 n N i=1 E [MCE ] = 2 . Si la hiptesis alternativa es cierta, entonces el valor esperado del numerador en F0 es mayor que el esperado del denominador. As, se rechaza H0 para valores altos de F0 , con lo cual, la regin crtica es unilateral superior, rechazndose si F0 > Fa1,N a, El procedimiento de clculo es igual que en el modelo de efectos jos, aunque las conclusiones se aplican a toda la poblacin de tratamientos.
Ejemplo. Una fbrica de maquinillas de afeitar utiliza una gran cantidad de mquinas en la produccin. Se desea que las mquinas sean homogneas para producir objetos de la misma calidad. Para investigar si existen variaciones signicativas entre las mquinas, se seleccionan 4 al azar y se mide el porcentaje de un cierto componente de la hoja. El experimento se realiza con orden aleatorio. yi 390 366 383 388 y = 1527
1 2 3 4
98 91 96 95
97 90 95 96
99 93 97 99
96 92 95 98
Se obtiene la siguiente tabla ANOVA: F.V. Explicada Residual Total Como F3,12,00 05 = 3,49 < 15,68 Se rechaza H0 = 0. Estimacin de los componentes de la varianza: 2 = MCE = 1,90 2 = MCT ra MCE 29,73 1,90 = = 6,96. n 4 S.C. G.L. M.C. F0 89.19 3 29.73 15.68 22.75 12 1.90 11.94 15
La estimacin de la varianza de cualquier observacin de la muestra es 2 + 2 = 1,90 + 6,96 = 8,86 y la mayor parte de la variabilidad se debe a diferencias entre las mquinas. 34
El intervalo de conanza para 2 no se puede calcular de modo exacto, dado que depende de una combinacin lineal de 2 s. Por tanto se calcula el intervalo para el cociente 2 . 2 + 2 Se denomina l1 l2 ! MCT ra 1 1 MCE Fa1,N a , 2 ! 1 1 MCT ra = 1 n MCE Fa1,N a,1 2 1 = n
entonces el intervalo de conanza al 100(1 ) % es 2 l2 l1 2 2 . 1 + l1 + 1 + l2 Ejemplo. En el caso de la fbrica de maquinillas de afeitar, = F3,12,0,025 = 4,47 Fa1,N a , 2 = F3,12,0,975 = Fa1,N a,1 2 De este modo l1 l2 ! 1 MCT ra 1 = 0,625 MCE Fa1,N a , 2 ! 1 1 MCT ra = 1 = 54,883 n MCE Fa1,N a,1 2 1 = n 1 F12,3,0,025 = 0,070.
35
de modo que l1 2 l2 2 2 1 + l1 + 1 + l2 2 0,625 54,883 2 2 1, 625 + 55,883 2 0,98 0,39 2 + 2 Esto es, la variabilidad de las mquinas justica entre el 40 % y el 98 % de la variabilidad total.
36
Test de Kruskal-Wallis
Cuando no est justicado asumir normalidad, se puede utilizar la metodologa no paramtrica. El test de Kruskal-Wallis propone como hiptesis nula que los a tratamientos son iguales, frente a la hiptesis alternativa de que algunas observaciones son mayores que otras entre los tratamientos. Se puede considerar que este test es adecuado para contrastar la igualdad entre las medias. Procedimiento. Se calculan rangos de cada una de las observaciones yij de manera creciente y se reemplaza por su rango Rij , donde la menor observacin tendra el valor 1. En caso de empates, se asigna a todas las observaciones empatadas el valor medio de sus correspondientes rangos. Se denota como Ri la suma de los rangos del i -simo tratamiento de modo que el estadstico es " a # 2 2 N ( N + 1) 1 X Ri H= 2 S i=1 ni 4
donde ni es el nmero de observaciones que hay en el tratamiento i, N es el nmero total de observaciones y " a n # i 2 XX 1 N ( N + 1) R2 . S2 = N 1 i=1 j =1 ij 4
Se puede observar que S 2 es simplemente la varianza de los rangos. Si no hay empates, entonces S 2 =
N (N +1) 12
Para valores ni > 5, H se distribuye aproximadamente como una 2 a1 si la hiptesis nula es cierta. Por tanto, si H > 2 a1, se rechaza la hiptesis nula a un nivel . Ejemplo. En el ejemplo de las camisas fabricadas segn su porcentaje de algodn, se tenan los siguientes datos:
37
% de algodn 15 20 25 30 35
7 12 14 19 7
Observaciones 7 15 11 9 17 12 18 18 18 18 19 19 25 22 19 23 10 11 15 11
Si se calculan los correspondientes rangos, se obtiene: Rangos R1j R2j R3j R4j R5j As, calculando " a n # i 2 XX 1 N ( N + 1) S2 = R2 = N 1 i=1 j =1 ij 4 1 25 262 5497,79 = 53,03 24 4 " a # 2 2 N ( N + 1) 1 X Ri = H = S 2 i=1 ni 4 1 25 262 = 52,45 = 19,25. 53,03 4 Como H > 2 4,0,01 = 13,28, entonces se rechaza la hiptesis nula obtenindose la misma conclusin que en el caso de usar el test clsico paramtrico. Suma 27.5 66 85 113 33.5
2 2 12.5 7 4 9.5 14 9.5 16.5 16.5 11 16.5 16.5 20.5 20.5 20.5 25.5 23 20.5 24 2 5 7 12.5 7
38
39
cuando
la hiptesis nula es falsa. Se puede demostrar que en ese caso, se distribuye como una F no centrada con a 1 y N a grados de libertad y un cierto parmetro de centralidad. Se utilizan curvas caractersticas que dibujan la probabilidad de error de tipo II ( ) frente a un parmetro donde n 2 =
a X
2 i = 40
i=1 a 2
a X i=1
ni 2 i
a 2
La cantidad 2 est relacionada con el parmetro de centralidad, y se presentan habitualmente curvas para = 0,05 y = 0,01. El parmetro anterior, depende de 1. Los valores 1 , . . . , a o bien 1 , . . . , a para los que se consideran medias distintas, ya que obviamente dichos valores no son conocidos previamente. 2. El valor de 2 , que al ser tambin desconocido, se suele usar el valor que se obtiene mediante una muestra piloto. 3. El nmero de rplicas por tratamiento. As, jados los valores de i y el valor de 2 se debe determinar n para que la potencia sea (1 ). Una manera de hacerlo es buscando en las tablas de curvas caractersticas de operacin. Ejemplo. Supongamos que en el ejemplo de las prendas el experimentador est interesado en rechazar la igualdad entre los tratamientos con una probabilidad mnima de 0,9 (error de tipo II: = 0,1). Se asumen unas medias poblacionales por grupo igual a 1 = 11, 2 = 12, 3 = 15, 4 = 18, 5 = 19 de modo que la media total es =
11+12+15+18+19 5
= 15.
Supongamos una estimacin previa (mediante e.g. una muestra piloto) de 2 = 9 y que el nivel elegido es 0,01. Se tiene que i = i , de manera que 1 = 11 15 = 4 2 = 12 15 = 3 3 = 15 15 = 0 4 = 18 15 = 3 5 = 19 15 = 4 41
Entonces n 2 =
5 X
2 i =
i=1 2
n(16 + 16 + 9 + 9) = 1,11 n 59
Se construye una tabla, dando distintos valores a n : n 2 g.l. (a 1, a(n 1)) (1- ) Potencia 4 4,44 2,11 (4, 15) 0,3 0,7 5 5,55 2,36 (4, 20) 0,15 0,85 6 6,66 2,58 (4, 25) 0,04 0,96 Por tanto es necesario realizar, al menos, 6 rplicas.
Como es el valor mnimo, entonces se obtiene el tamao muestral adecuado para obtener como mnimo la potencia especicada.
de manera que se pueden usar las tablas habituales de la F de Snedecor para determinar el tamao muestral. Tambin se pueden usar curvas de operacin caracterstica, donde aparecen las grcas del error de tipo II, frente al parmetro = r 1+ n 2 2
para el experimento.
43
Aplicacin con R
Se puede usar la librera Rcmdr de R, y ejecutar las siguientes sentencias en la ventana de arriba de Rcmdr:
library(Rcmdr) Datos <- read.table("C:/CursoCIII/Disenno/Practicas06/dat1Fac.txt", header=TRUE, sep="", na.strings="NA", dec=".", strip.white=TRUE) Datos$grupo <- factor(Datos$grupo, labels=c('15%','20%','25%','30%','35%')) tapply(Datos$medida, Datos$grupo, var, na.rm=TRUE) levene.test(Datos$medida, Datos$grupo) tapply(Datos$medida, Datos$grupo, var, na.rm=TRUE) bartlett.test(medida ~ grupo, data=Datos) anova(lm(medida ~ grupo, data=Datos)) tapply(Datos$medida, tapply(Datos$medida, tapply(Datos$medida, tapply(Datos$medida, Datos$grupo, Datos$grupo, Datos$grupo, Datos$grupo, mean, na.rm=TRUE) # means sd, na.rm=TRUE) # std. deviations function(x) sum(!is.na(x))) # counts median, na.rm=TRUE)
kruskal.test(medida ~ grupo, data=Datos) plotMeans(Datos$medida, Datos$grupo, error.bars="conf.int", level=0.95) boxplot(medida~grupo, ylab="medida", xlab="grupo", data=Datos) #...................................................................
44
lmedias <- log(medias) ldesv <- log(desv) mod <- lm(ldesv~lmedias) summary(mod) # El coeficiente de la transformacion es (1-pendiente) # redondeado al valor mas proximo a multiplos de 0.5 lambda <- 1-mod$coefficients[[2]] boxplot(medida ~ elgrupo, main="Distribucin de medidas por grupos") fac1 <- aov(medida ~ elgrupo) summary(fac1) coefficients(fac1) # Graficas por defecto de aov par(mfrow=c(2,2)) plot(fac1) #................................................................... # Graficos de ajuste varios # Grafica de ajuste a normalidad qqnorm(fac1$res) qqline(fac1$res) plot(fac1$fit,fac1$res,xlab="Valores Ajustados",ylab="Residuos", main="Residuos frente a niveles") abline(h=0,lty=2) # Analizo los residuos para verificar que cumple con las hiptesis plot(fitted.values(fac1),rstandard(fac1), xlab="Valores Ajustados", ylab="Residuos Estandarizados",pch=20) plot(jitter(fac1$fit),fac1$res,xlab="Fitted",ylab="Residuos", main="Grafico Jittered") #...................................................................
45
Para comparaciones mltiples se pueden considerar el test de LSD, el de Bonferroni y el test de Tukey. El test de LSD hay que programarlo:
# test de LSD n1 <- sum(fac1$model$grupo=="1") n4 <- sum(fac1$model$grupo=="4") s <- sqrt(sum((fac1$residuals)^2)/fac1$df.residual) tcrit <- qt(0.025, fac1$df.residual, lower.tail=F) LSD <- tcrit*s*sqrt((1/n1)+(1/n4)) LSD # Metodo de Bonferroni library(stats) pairwise.t.test(medida,elgrupo,p.adjust.method="bonferroni")
46
ANOVA UNIFACTORIAL DE EFECTOS FIJOS The ANOVA Procedure Class Level Information Class grupo Levels 5 Values 1 2 3 4 5
Number of observations
25
47
DF 4 20 24
F Value 14.76
Pr > F <.0001
Source grupo
DF 4
Anova SS 475.7600000
F Value 14.76
Pr > F <.0001
t Tests (LSD) for medida NOTE: This test controls the Type I comparisonwise error rate, not the experimentwise error rate.
Alpha Error Degrees of Freedom Error Mean Square Critical Value of t Least Significant Difference
t Grouping A B B B C C C
N 5 5 5 5 5
grupo 4 3 2 5 1
48
Duncan's Multiple Range Test for medida NOTE: This test controls the Type I comparisonwise error rate, not the experimentwise error rate.
0.05 20 8.06
2 3.745
3 3.931
4 4.050
5 4.132
Duncan Grouping A B B B C C C
N 5 5 5 5 5
grupo 4 3 2 5 1
49
Student-Newman-Keuls Test for medida NOTE: This test controls the Type I experimentwise error rate under the complete null hypothesis but not under partial null hypotheses.
0.05 20 8.06
2 3.7454539
3 4.5427095
4 5.0256316
5 5.3729604
SNK Grouping A B B B C C C
N 5 5 5 5 5
grupo 4 3 2 5 1
Tukey's Studentized Range (HSD) Test for medida NOTE: This test controls the Type I experimentwise error rate, but it generally has a higher Type II error rate than REGWQ.
Alpha Error Degrees of Freedom Error Mean Square Critical Value of Studentized Range Minimum Significant Difference
Tukey Grouping A A A C C C
N 5 5 5 5 5
grupo 4 3 2 5 1
B B B D D D
50
options ls=75 nodate nonumber; title 'ANOVA UNIFACTORIAL DE EFECTOS ALEATORIOS'; data ano1; input caja peso; cards; 1 48 1 49 2 46 2 49 2 49 3 51 3 50 3 50 3 52 3 49 4 51 4 51 4 52 4 53 5 52 5 50 5 53 6 50 6 50 6 51 6 49 ; proc glm; class caja; model peso=caja; random caja/ test; proc varcomp method=type1; class caja; model peso=caja; run;
ANOVA UNIFACTORIAL DE EFECTOS ALEATORIOS The GLM Procedure Class Level Information Class caja Levels 6 Values 1 2 3 4 5 6
Number of observations
21
51
DF 5 15 20
F Value 5.21
Pr > F 0.0057
DF 5 DF 5
Source caja
Tests of Hypotheses for Random Model Analysis of Variance Dependent Variable: peso Source caja Error: MS(Error) DF 5 15 Type III SS 36.692857 21.116667 Mean Square 7.338571 1.407778 F Value 5.21 Pr > F 0.0057
Variance Components Estimation Procedure Class Level Information Class caja Levels 6 Values 1 2 3 4 5 6
52
DF 5 15 20
Type 1 Analysis of Variance Source caja Error Corrected Total Expected Mean Square Var(Error) + 3.4476 Var(caja) Var(Error) .
53