Taller 2 Diseño de Experimentos

Kelly Sarmiento, Natali Hernandez y Mateo Zárate Guerrero

11/03/2021

Punto 1: Construya la matriz diseño para un diseño completamente aleatorizado de réplicas (3,3,4):
X <-matrix(c(1,1,1,1,1,1,1,1,1,1,1,1,1,0,0,0,0,0,0,0,0,0,0,1,1,1,0,0,0,0,0,
0,0,0,0,0,1,1,1,1),nrow = 10,ncol= 4)
X

[,1] [,2] [,3] [,4]

[1,] 1 1 0 0
[2,] 1 1 0 0
[3,] 1 1 0 0
[4,] 1 0 1 0
[5,] 1 0 1 0
[6,] 1 0 1 0
[7,] 1 0 0 1
[8,] 1 0 0 1
[9,] 1 0 0 1
[10,] 1 0 0 1

Punto 2: Construya 3 inversas generalizadas para X´X pueden ser las presentadas aqui u otras diferentes
(se valorará la creatividad para generar estas inversas):
library(matlib)
library(MASS)

AI_1 <- Ginv(X)

AI_1

[,1] [,2] [,3] [,4] [,5] [,6] [,7] [,8] [,9] [,10]
[1,] 0 0 0 0 0 0 1 0 0 0
[2,] 1 0 0 0 0 0 -1 0 0 0
[3,] 0 0 0 1 0 0 -1 0 0 0
[4,] 0 0 0 0 0 0 0 0 0 0
Esta es la primera matriz inversa generalizada.

library(matlib)
library(MASS)

AI_1 <- Ginv(X)

inversag_1 <- X%*%AI_1%*%X
inversag_1

1
 [,1] [,2] [,3] [,4]
[1,] 1 1 0 0
[2,] 1 1 0 0
[3,] 1 1 0 0
[4,] 1 0 1 0
[5,] 1 0 1 0
[6,] 1 0 1 0
[7,] 1 0 0 1
[8,] 1 0 0 1
[9,] 1 0 0 1
[10,] 1 0 0 1

Se demuestra que el producto de X * AI_1 * X da igual a la matriz original.

library(matlib)
library(MASS)

AI_2 <- ginv(X)

AI_2

[,1] [,2] [,3] [,4] [,5] [,6]

[1,] 0.08333333 0.08333333 0.08333333 0.08333333 0.08333333 0.08333333
[2,] 0.25000000 0.25000000 0.25000000 -0.08333333 -0.08333333 -0.08333333
[3,] -0.08333333 -0.08333333 -0.08333333 0.25000000 0.25000000 0.25000000
[4,] -0.08333333 -0.08333333 -0.08333333 -0.08333333 -0.08333333 -0.08333333
[,7] [,8] [,9] [,10]
[1,] 0.0625 0.0625 0.0625 0.0625
[2,] -0.0625 -0.0625 -0.0625 -0.0625
[3,] -0.0625 -0.0625 -0.0625 -0.0625
[4,] 0.1875 0.1875 0.1875 0.1875
Esta es la segunda matriz inversa generalizada.

library(matlib)
library(MASS)

AI_2 <- ginv(X)

inversag_2 <- X%*%AI_2%*%X
round(inversag_2)

[,1] [,2] [,3] [,4]

[1,] 1 1 0 0
[2,] 1 1 0 0
[3,] 1 1 0 0
[4,] 1 0 1 0
[5,] 1 0 1 0
[6,] 1 0 1 0
[7,] 1 0 0 1
[8,] 1 0 0 1
[9,] 1 0 0 1
[10,] 1 0 0 1
Se demuestra que el producto de X * AI_2 * X da igual a la matriz original.

2
AI_3 <- t(matrix(c(0,0,0,0,0,0,1,0,0,0,1,0,0,0,0,0,-1,0,0,0,0,0,0,1,0,0,1,0,-2,
0,0,0,0,0,0,0,0,0,0,0),nrow = 10,ncol= 4))
AI_3

[,1] [,2] [,3] [,4] [,5] [,6] [,7] [,8] [,9] [,10]
[1,] 0 0 0 0 0 0 1 0 0 0
[2,] 1 0 0 0 0 0 -1 0 0 0
[3,] 0 0 0 1 0 0 1 0 -2 0
[4,] 0 0 0 0 0 0 0 0 0 0
Esta es la tercera matriz inversa generalizada.

inversag_3 <- X%*%AI_3%*%X

inversag_3

[,1] [,2] [,3] [,4]

[1,] 1 1 0 0
[2,] 1 1 0 0
[3,] 1 1 0 0
[4,] 1 0 1 0
[5,] 1 0 1 0
[6,] 1 0 1 0
[7,] 1 0 0 1
[8,] 1 0 0 1
[9,] 1 0 0 1
[10,] 1 0 0 1

Se demuestra que el producto de X * AI_3 * X da igual a la matriz original.

Punto 3: Verifique que el producto X´X(X´X)^- no depende de la inversa generalizada:

producto <- t(X)%*%X
pig <- producto%*%AI_1
punto_3 <- producto%*%pig
punto_3

[,1] [,2] [,3] [,4] [,5] [,6] [,7] [,8] [,9] [,10]
[1,] 39 0 0 39 0 0 56 0 0 0
[2,] 18 0 0 9 0 0 12 0 0 0
[3,] 9 0 0 18 0 0 12 0 0 0
[4,] 12 0 0 12 0 0 32 0 0 0
Como el resultado de la matriz es distinto al de la inversa generlaizada, significa que el producto X´X(X´X)-
no depende de la inversa generalizada.

Punto 4: Simule los 10 valores del vector Y y verifique que el vector de parámetros estimados depende de
la inversa generalizada:
library(matlib)
library(MASS)

AI_1 <- Ginv(X)

AI_2 <- ginv(X)

3
set.seed(2021)
Y <- matrix(c(1:10), nrow = 10 , ncol = 1)
rnorm(Y,0,1)

[1] -0.12245998 0.55245663 0.34864950 0.35963224 0.89805369 -1.92256952

[7] 0.26174436 0.91556637 0.01377194 1.72996316
AI_1%*%Y

[,1]
[1,] 7
[2,] -6
[3,] -3
[4,] 0
AI_2%*%Y

[,1]
[1,] 3.875
[2,] -1.875
[3,] 1.125
[4,] 4.625
Se demuestra que el vector de parametros estimados depende de la inversa generalizada ya que X1´Y es
diferente de X2´Y.

Punto 5: Verifique que las dos combinaciones l2 y l4 son estimables, es decir que sin importar el resultado
obtenido en el punto anterior, la estimación para l2 y l4 no cambia:
library(matlib)
library(MASS)

AI_1 <- Ginv(X)

AI_1_1 <- matrix(c(0,0,0,0,0,0,1,0,0,0), nrow = 1 , ncol = 10)
AI_1_2 <- matrix(c(1,0,0,0,0,0,-1,0,0,0), nrow = 1 , ncol = 10)
AI_1_3 <- matrix(c(0,0,0,1,0,0,-1,0,0,0), nrow = 1 , ncol = 10)
AI_1_4 <- matrix(c(0,0,0,0,0,0,0,0,0,0), nrow = 1 , ncol = 10)
a1 <- sum(AI_1_1)
a2 <- sum(AI_1_2)
a3 <- sum(AI_1_3)
a4 <- sum(AI_1_4)
l2_ig <- matrix(c(a1,a2,a3,a4), nrow = 4 , ncol = 1)
l2_ig

[,1]
[1,] 1
[2,] 0
[3,] 0
[4,] 0
Con la primera inversa generalizada.

library(matlib)
library(MASS)

AI_2 <- ginv(X)

4
AI_2_1 <- matrix(c(0.08333333,0.08333333,0.08333333,0.08333333,0.08333333,
0.08333333,0.06250,0625,0.0625,0.0625), nrow = 1 , ncol = 10)
AI_2_2 <- matrix(c(0.25000000,0.25000000,0.25000000,-0.08333333,
-0.08333333,-0.08333333,-0.0625,-0.0625,-0.0625,-0.0625),
nrow = 1 , ncol = 10)
AI_2_3 <- matrix(c(-0.08333333,-0.08333333,-0.08333333,0.25000000,
0.25000000,0.25000000,-0.0625,-0.0625,-0.0625,-0.0625),
nrow = 1 , ncol = 10)
AI_2_4 <- matrix(c(-0.08333333,-0.08333333,-0.08333333,-0.08333333,
-0.08333333,-0.08333333,0.1875,0.1875,0.1875,0.1875),
nrow = 1 , ncol = 10)

a1_2 <- sum(AI_1_1)

a2_2 <- sum(AI_1_2)
a3_2 <- sum(AI_1_3)
a4_2 <- sum(AI_1_4)

l2_ig_2 <- matrix(c(a1_2,a2_2,a3_2,a4_2), nrow = 4 , ncol = 1)

l2_ig_2

[,1]
[1,] 1
[2,] 0
[3,] 0
[4,] 0
Se observa que los resultados no cambian al cambiar la inversa generalizada, tanto la primera inversa como
con la segunda tienen el mismo vector de estimaciones.

Punto 6: Verifique que los valores estimados Y no dependen de la inversa generalizada:

library(matlib)
library(MASS)

Y <- matrix(c(1:10), nrow = 10 , ncol = 1)

AI_1 <- Ginv(X)
qr(Y)$rank

[1] 1
qr(AI_1)$rank

[1] 3
Como el vector Y tiene una dimension diferente al de la inversa generalizada, no se puede hacer la demostra-
cion de que dependa de alguna de las tres inversas generalizadas.

Punto 7: Verifique que los valores residuales r no dependen de la inversa generalizada:

library(matlib)
library(MASS)
AI_1 <- Ginv(X)
residuals <- lm.fit(X, Y)
r_e <- residuals$residuals
qr(r_e)$rank

5
 [1] 1
qr(AI_1)$rank

[1] 3
Como el vector de residuales tiene una dimension diferente al de la inversa generalizada, no se puede hacer
la demostracion de que dependa de alguna de las tres inversas generalizadas.

Punto 8: Verifique que las sumas de cuadrados y por lo tanto la tabla de análisis de varianza no depende
de la inversa generalizada:
modelo <- lm.fit(X, Y)
str(modelo$residuals)

num [1:10] -1.00 -5.55e-16 1.00 -1.00 -1.11e-16 ...

Como el vector de residuales tiene una dimension diferente al de la inversa generalizada, no se puede hacer
la demostracion de que dependa de alguna de las tres inversas generalizadas.

Punto 9: ¿La matriz de proyección depende de la inversa generalizada?

X <- matrix(c(1,1,1,1,1,1,1,1,1,1,1,1,1,0,0,0,0,0,0,0,0,0,0,1,1,1,0,0,0,0,0,
0,0,0,0,0,1,1,1,1),nrow = 10,ncol= 4)
Proyeccion <- X%*%(t(X)%*%X)^-1%*%t(X)
Proyeccion

[,1] [,2] [,3] [,4] [,5] [,6] [,7] [,8] [,9] [,10]
[1,] NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN
[2,] NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN
[3,] NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN
[4,] NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN
[5,] NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN
[6,] NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN
[7,] NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN
[8,] NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN
[9,] NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN
[10,] NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN
La matriz de proyeccion es indeterminada porque X es una matriz con determinante 0, significa que esta no
tiene inversa. Lo que no se puede hacer la matriz de proyeccion.
Conclusiones finales:
Uno de los propósito del análisis de varianza, es el de determinar si existen diferencias significativas entre las
medias de 2 o más grupos. Tambien se puede afirmar que existen infinitas soluciones para encontrar inversas
generalizadas para la matriz diseño inicial (3,3,4). Y se puede verificar que los valores del vector y estimado
y resoduales estimados no dependen de estas inversas generalizadas por lo que el sistema de ecuaciones para
esta matriz es invariante a las inverzas generalizadas utilazadas.