Tema1 Modelo de Diseño de Experimentos (1 Factor)

Tema 1.
Modelo de dise no de experimentos

(un factor)
Estadstica (CC. Ambientales). Profesora: Amparo Ballo Tema 1: Dise no de experimentos (un factor) 1
Introduccion
El objetivo del Analisis de la Varianza es estudiar si existe relacion
entre el valor medio de una variable respuesta o caracterstica (por
ej. el nivel de contaminacion) y una variable cualitativa, atributo o
factor (por ej. la localizacion del lugar de medida).
Ejemplo 1.1: Se mide la contaminacion de un ro analizando la
cantidad de oxgeno que contiene en disolucion el agua. Se toman
muestras en cuatro lugares diferentes del ro (a 10, 25, 50 y 100
km. del nacimiento), obteniendose:
A 100 km. 4,8 5,2 5 4,7 5,1
A 50 km. 6 6,2 6,1 5,8
A 25 km. 5,9 6,1 6,3 6,1 6
A 10 km. 6,3 6,6 6,4 6,4 6,5
Queremos averiguar si existen diferencias signicativas en el nivel
medio de contaminacion a distintas alturas del cauce.
Tenemos una muestra de n = 19 elementos que se diferencian en
un factor. En cada elemento de la muestra observamos una
caracterstica continua (Y), que vara aleatoriamente de un
elemento a otro.
Otros posibles ejemplos:
Existe diferencia entre el salario medio mensual entre hombre
y mujer?
Existen diferencias entre las calicaciones medias de
estudiantes de la misma asignatura, pero de distintos grupos?
Diferencias entre el consumo medio de carburante en coches
de la misma categora pero distintas marcas.
Para determinar si hay diferencias signicativas entre las respuestas
medias a distintos niveles del factor, el Analisis de la Varianza
descompone la variabilidad de un experimento en componentes
independientes que se asignan a causas distintas.
El modelo
En el Ejemplo 1.1 el factor toma I = valores (los niveles, grupos
o tratamientos del factor). Se mide la cantidad de oxgeno en
disolucion n
1
= veces a 100 km. del nacimiento del ro, n
2
=
veces a 50 km., n
3
= veces a 25 km. y n
4
= veces a 10 km.
n
i
= n
o
de observaciones de la respuesta para el nivel i del factor
Si n
1
= n
2
= . . . = n
I
se dice que el dise no es equilibrado.
n =
I
i =1
n
i
= n
o
total de observaciones de Y
y
ij
= j -esimo valor observado de la respuesta en el nivel i ,
i = 1, . . . , I , j = 1, . . . , n
i
Ejemplo 1.1 (cont.):
1 2 3 4
4.5
5
5.5
6
6.5
i
y
Suponemos que, en el nivel i del factor, la respuesta Y oscila
aleatoriamente en torno a un nivel desconocido
i
, la media de la
poblacion i -esima: E(Y
ij
) =
i
. Cada observacion y
ij
resulta de
una perturbacion aleatoria u
ij
en torno al valor medio
i
.
El modelo de Analisis de la Varianza (ANOVA) unifactorial es el
modelo lineal
Y
ij
=
i
+ U
ij
, para j = 1, . . . , n
i
, i = 1, . . . , I ,
con las siguientes hipotesis basicas del modelo:
a) E(U
ij
) = 0 para todo i , j (linealidad)
b) Var(U
ij
) =
2
para todo i , j (homocedasticidad)
c) E(U
ij
U
kl
) = 0 para todo i = k, j = l (independencia)
d) U
ij
Normal para todo i , j (normalidad)
A las U
ij
tambien se las llama error experimental.
Las anteriores hipotesis equivalen a
a) E(Y
ij
) =
i
para todo i , j
b) Var(Y
ij
) =
2
para todo i , j
c) E(Y
ij
Y
kl
) = 0 para todo i = k, j = l
d) Y
ij
Normal para todo i , j
Seg un el modelo las n
i
observaciones y
i 1
, y
i 2
, . . . , y
in
i
de la
poblacion i son una muestra aleatoria de una N(
i
,
2
).
Si estas hipotesis no se cumplen las conclusiones del Analisis de la
Varianza pueden ser incorrectas.
Estimacion de los parametros del modelo
El modelo ANOVA con un factor depende de I + 1 parametros
desconocidos: las medias
1
,. . . ,
I
y la varianza com un
2
. Los
estimamos mediante el metodo de maxima verosimilitud (MV):

i
=
1
n
i
n
i
j =1
y
ij
= y
i
y

2
=
1
n
I
i =1
n
i
j =1
(y
ij
y
i
)
2
=
I
i =1
n
i
n
s
2
i
,
donde s
2
i
=
n
i
j =1
(y
ij
y
i
)
2
/n
i
es la varianza muestral en la
poblacion i -esima. Por tanto,
2
es la media de las s
2
i
ponderada
por la proporcion de observaciones en cada nivel del factor.
i y
ij
n
i
y
i
s
2
i
1 4,8 5,2 5 4,7 5,1
2 6 6,2 6,1 5,8
3 5,9 6,1 6,3 6,1 6
4 6,3 6,6 6,4 6,4 6,5
n =
2
=
Los residuos del modelo son valores observados de las
perturbaciones U
ij
:
e
ij
= y
ij
y
i
En general en todos los temas de esta asignatura se dene
Residuo (e
ij
) = Valor observado (y
ij
) - Valor previsto ( y
ij
)
i e
ij
1
2
3
4
Los n residuos del modelo verican las ecuaciones de restriccion
n
i
j =1
e
ij
= 0, i = 1, . . . , I .
Es decir, de los n residuos solo n I son linealmente
independientes: los residuos tienen n I grados de libertad.
Grados de libertad (g.l.) de los residuos = N umero total de residuos
N umero de restricciones lineales entre ellos = n I
Propiedades de los estimadores de los parametros
Y
i
=
1
n
i
n
i
j =1
Y
ij
N
_
i
,

2
n
i
_
n
2
2

2
nI

2
no es centrado
Un estimador insesgado de
2
es la varianza residual
s
2
R
=
1
n I
I
i =1
n
i
j =1
e
2
ij
=
n
n I

2
,
que verica
(n I )s
2
R
2

2
nI
.
Usando estas propiedades obtenemos intervalos de conanza para
los parametros:
IC
1
(
i
) =
_
y
i
t
nI ;/2
s
R
_
1
n
i
_
IC
1
(
2
) =
_
(n I ) s
2
R
2
nI ;/2
,
(n I ) s
2
R
2
nI ;1/2
_
El contraste de igualdad de medias
Bajo el modelo ANOVA unifactorial queremos contrastar
H
0
:
1
=
2
= . . . =
I
=
(todas las medias son iguales, el factor no inuye)
H
1
:
i
=
j
para alg un par i = j .
(las medias dieren en al menos dos de los niveles,
el factor inuye)
El contraste compara las diferencias entre medias muestrales con la
variabilidad experimental, medida por s
2
R
, para decidir si esta ha
podido generar esas diferencias o no.
La descomposicion de la variabilidad
Cada dato y
ij
se puede expresar as
y
ij
= y
+ ( y
i
y
) + e
ij
donde
y
=
1
n
I
i =1
n
i
j =1
y
ij
es la media global e y
i
y
es la modicacion debida al grupo.

Esto permite descomponer la variabilidad entre los datos y la
media global en dos terminos: la variabilidad entre las medias por
grupos y la media general, y la variabilidad residual, o variabilidad
dentro del grupo.
De hecho, se cumple que
VT = VE + VNE,
donde el termino de la izquierda es la variabilidad total
VT =
I
i =1
n
i
j =1
(y
ij
y
)
2
,
VE =
I
i =1
n
i
( y
i
y
)
2
denota la variabilidad explicada por el modelo o por las diferencias
entre niveles del factor y
VNE =
I
i =1
n
i
j =1
e
2
ij
= (n I )s
2
R
denota la variabilidad no explicada o residual.
Las propiedades de los estimadores de los parametros implican que
VNE
2

2
nI
.
Ademas, cuando la hipotesis nula H
0
de igualdad de medias es
cierta, se verica que
VE
2

2
I 1
y los terminos
VNE
2
y
VE
2
son independientes entre s.
Esto nos permite construir el siguiente contraste.
La tabla ANOVA y el contraste
Los terminos de la descomposicion de la variabilidad se disponen
en la tabla ANOVA
Fuentes de Suma de Grados de
variacion cuadrados libertad Varianzas
Explicada VE =
I
i =1
n
i
( y
i
y
)
2
I 1 s
2
e
=
VE
I 1
Residual VNE =
I
i =1
n
i
j =1
e
2
ij
n I s
2
R
Total
I
i =1
n
i
j =1
(y
ij
y
)
2
n 1 s
2
y
=
VT
n 1
Si la hipotesis nula de igualdad de medias H
0
:
1
=
2
= . . . =
I
es cierta entonces
F =
s
2
e
s
2
R
F
I 1,nI
.
Una region de rechazo para el contraste
H
0
:
1
=
2
= . . . =
I
=
H
1
:
i
=
j
al nivel de signicacion es
R = {F > F
I 1,nI ,
}.
Observemos que, para I = 2 poblaciones, este contraste es
matematicamente equivalente al contraste t de Student que
compara dos medias de distribuciones normales homocedasticas.
Ejemplo 1.2: Se examina el contenido de azufre en cinco
yacimientos de carbon en Texas. Se toman muestras aleatorias de
cada uno de los yacimientos y se analizan, obteniendose los
siguientes datos del porcentaje de azufre por muestra.
Yacimientos 1 2 3 4 5
Contenido 1.51 1.69 1.56 1.30 0.73
de 1.92 0.64 1.22 0.75 0.80
azufre 1.08 0.90 1.32 1.26 0.90
2.04 1.41 1.39 0.69 1.24
2.14 1.01 1.33 0.62 0.82
1.76 0.84 1.54 0.90 0.72
1.17 1.28 1.04 1.20 0.57
1.59 2.25 0.32 1.18
1.49 0.54
1.30
Ejemplo 1.2 (cont.): Contrastar la igualdad de niveles medios de
azufre en los cinco yacimientos.
0 1 2 3 4 5 6
0.5
1
1.5
2
i
y
El coeciente de determinacion
Una medida relativa de la variabilidad explicada por los grupos o
niveles del factor es el coeciente de determinacion
R
2
=
VE
VT
.
Es la proporcion de variabilidad total de las observaciones y
explicada por el modelo lineal establecido.
Observacion: 0 R
2
1
Analisis de las diferencias entre medias
Si aceptamos H
0
en el contraste
H
0
:
1
=
2
= . . . =
I
=
H
1
:
i
=
j
entonces estimamos la media global mediante y
. Bajo las
hipotesis basicas del modelo ANOVA unifactorial, un intervalo de
conanza para al nivel de conanza 1 es
IC() =
_
y
t
n1,/2
s
y
n
_
,
Observacion: Bajo H
0
un estimador insesgado de
2
= Var(Y) es
s
2
y
.
Si se rechaza H
0
queremos determinar que parejas de medias son
distintas entre s y estimar las diferencias
i

j
. Utilizando que
y
i
y
j
(
i

j
)
s
R
_
1
n
i
+
1
n
j
t
nI
,
construimos un intervalo de conanza para
i

j
IC
1
(
i

j
) =
_
y
i
y
j
t
nI ;/2
s
R
1
n
i
+
1
n
j
_
.
Tambien podemos contrastar H
0
:
i
=
j
frente a H
1
:
i
=
j
a
nivel de signicacion . La region de rechazo es
R =
_
_
_
y
i
y
j
(
i

j
)
s
R
_
1
n
i
+
1
n
j
> t
nI ;/2
_
_
_
.
Esto equivale a rechazar H
0
:
i
=
j
si 0 / IC
1
(
i

j
).
Contrastes m ultiples
Es posible formar c =
_
I
2
_
=
I !
2!(I 2)!
parejas de medias
distintas
i
,
j
. Luego podemos realizar c contrastes H
0
:
i
=
j
.
Supongamos que tenemos I = 3 poblaciones y hemos rechazado
H
0
:
1
=
2
=
3
= en el modelo Y
ij
=
i
+ U
ij
, para
i = 1, 2, 3, j = 1, . . . , n
i
. Entonces tenemos que decidir si
1
=
2
,
o si
2
=
3
, o si
1
=
3
.
Cuando tomo 100 muestras de Y puedo construir 100 intervalos de
conanza para
1
2
, para
3
2
y para
1
3
:
y
(1)
1
, . . . , y
(1)
n
IC
(1)
0.95
(
1
2
) IC
(1)
0.95
(
3
2
) IC
(1)
0.95
(
1
3
)
y
(2)
1
, . . . , y
(2)
n
IC
(2)
0.95
(
1
2
) IC
(2)
0.95
(
3
2
) IC
(2)
0.95
(
1
3
)
y
(3)
1
, . . . , y
(3)
n
IC
(3)
0.95
(
1
2
) IC
(3)
0.95
(
3
2
) IC
(3)
0.95
(
1
3
)
.
.
.
.
.
.
.
.
.
.
.
.
y
(100)
1
, . . . , y
(100)
n
IC
(100)
0.95
(
1
2
) IC
(100)
0.95
(
3
2
) IC
(100)
0.95
(
1
3
)
Aprox. 95 de los 100
intervalos contienen
a
1

2
.
a
3

2
.
a
1

3
.
Puede que solo para 90 de las 100 muestras se verique simultaneamente
que
1

2
IC
0.95
(
1

2
),
3

2
IC
0.95
(
3

2
)
y
1

3
IC
0.95
(
1

3
).
Se puede razonar igual con los contrastes H
0
:
i
=
j
al nivel .
Utilizamos el metodo de Bonferroni para calcular intervalos de
conanza o contrastes m ultiples.
Buscamos el nivel individual tal que para el 95%(=1
T
=nivel
global) de las muestras se verique simultaneamente que
2
IC
1
(
1
2
),
3
2
IC
1
(
3
2
) y
3
IC
1
(
1
3
).
En el metodo de Bonferroni se toma =
T
/c = 0.05/3, pues
1
T
= P {
1
2
IC
1
(
1
2
),
2
IC
1
(
3
2
),
1
3
IC
1
(
1
3
)}
T
= P {
1
2
/ IC
1
(
1
2
)
o
3
2
/ IC
1
(
3
2
) o
1
3
/ IC
1
(
1
3
)}
P{
1
2
/ IC
1
(
1
2
)}
+P{
3
2
/ IC
1
(
3
2
)}
+P{
1
3
/ IC
1
(
1
3
)} = c
Observacion: Quiza rechacemos H
0
:
1
=
2
= . . . =
I
en
ANOVA y no encontremos diferencias entre ning un
i
,
j
con
Bonferroni, pues es un metodo conservador si c es grande.
Ejemplo 1.1 (cont.): Tomo
T
= 0.05. Como c =
_
I
2
_
= 6,
tenemos que =
0.05
6
= 0.0083

2
= 0.0041.
IC
0.9917
(
1
2
) = [ y
1
y
2
t
15,0.0041
0.0266
_
1
5
+
1
4
]
= [1.3874, 0.7426] Rechazo H
0
:
1
=
2
IC
0.9917
(
1
3
) = [1.42, 0.82] Rechazo H
0
:
1
=
3
IC
0.9917
(
1
4
) = [1.78, 1.18] Rechazo H
0
:
1
=
4
IC
0.9917
(
2
3
) = [0.38, 0.27] No rechazo H
0
:
2
=
3
IC
0.9917
(
2
4
) = [0.74, 0.09] Rechazo H
0
:
2
=
4
IC
0.9917
(
3
4
) = [0.66, 0.06] Rechazo H
0
:
3
=
4
Con un nivel global de conanza del 95% podemos armar que
1
<
2
,
3
<
4
, pero no rechazamos que
2
=
3
.
Diagnosis del modelo
Consiste en estudiar si los datos de nuestro problema son
coherentes con las hipotesis basicas del modelo y que problemas se
derivan si no se verica alguna.
La diagnosis se realiza a traves del analisis de los residuos e
ij
.
Podemos obviar que los residuos no son independientes si el
tama no total muestral n es grande comparado con el n umero de
poblaciones, I .
Un primer paso en el analisis de los residuos consiste en la
representacion graca de los mismos, por ejemplo, mediante
diagramas de puntos si el tama no muestral n es peque no (n < 20)
o, en caso contrario, mediante histogramas o diagramas de cajas.
Esto permite vericar si los residuos incumplen la hipotesis de
normalidad y si existen datos atpicos.
Ejemplo 1.1 (cont.): Histograma de los residuos
0.3 0.2 0.1 0 0.1 0.2 0.3
0
0.5
1
1.5
2
2.5
3
Ejemplo 1.2 (cont.): Histograma de los residuos
0.5 0 0.5
0
0.5
1
1.5
Ejemplo 1.2 (cont.): Si retiramos el dato atpico 2.25 de la
poblacion 3,
Fuentes de Suma de
variacion cuadrados g.l. Varianzas F
Explicada VE = 3.4855 4 s
2
e
= 0.8714 F = 8.4958
Residual VNE = 3.7949 36 s
2
R
= 0.1026
Total VT = 7.2804 40
F
4,36,0.05
= 2.63 Seguimos rechazando la igualdad del contenido
medio de azufre en las cinco minas de carbon.
Cuando existen datos atpicos (outliers, valores anormalmente
grandes o peque nos comparados con el resto de observaciones), se
debe buscar la causa de esta discrepancia. Si es debido a un error
en la observacion de la muestra o por cambios inesperados en las
condiciones experimentales, quiza debamos eliminar el dato.
Ejemplo 1.2 (cont.): Histograma de los residuos tras retirar el
dato atpico
0.6 0.4 0.2 0 0.2 0.4 0.6
0
0.05
0.1
0.15
Un graco que permite evaluar la normalidad de los residuos es el
diagrama probabilstico normal, en el que se representan los
residuos ordenados de menor a mayor frente a los correspondientes
estadsticos de orden normales. Bajo la hipotesis de normalidad los
puntos dibujados se ajustan aproximadamente a una lnea recta.
Ejemplo 1.1 (cont.): Graco probabilstico normal de los residuos
0.2 0.1 0 0.1 0.2
0.02
0.05
0.10
0.25
0.50
0.75
0.90
0.95
0.98
Ejemplo 1.2 (cont.): Graco probabilstico normal de los residuos
(sin retirar atpico)
0.5 0 0.5
0.01
0.02
0.05
0.10
0.25
0.50
0.75
0.90
0.95
0.98
0.99
Para comprobar la hipotesis de normalidad de manera mas rigurosa
tambien podemos hacer alg un contraste de bondad de ajuste.
El fallo de la hipotesis de normalidad afecta al calculo de intervalos
de conanza para
2
, aunque no al contraste de igualdad de
medias ni al analisis de las diferencias entre medias. El analisis de
la varianza es robusto frente a desviaciones de la normalidad.
Para comprobar la hipotesis de homocedasticidad representamos
los residuos e
ij
frente a los valores previstos y
ij
= y
i
. As
comprobamos que la variabilidad no depende del nivel medio de la
respuesta.
La heterocedasticidad tambien inuye en la estimacion de
2
.
Respecto a los contrastes de igualdad de medias, se consideran
validos si el dise no es bastante equilibrado.
4.5 5 5.5 6 6.5
0.4
0.3
0.2
0.1
0
0.1
0.2
0.3
R
e
s
i
d
u
o
s
Valores previstos
0.8 1 1.2 1.4 1.6 1.8
0.6
0.4
0.2
0
0.2
0.4
0.6
0.8
R
e
s
i
d
u
o
s
Valores previstos
Si las varianzas de los residuos varan marcadamente como funcion
del nivel medio de la respuesta, o se detectan desviaciones
importantes respecto a la normalidad, se puede probar a
transformar la variable respuesta.
Algunas transformaciones frecuentes son log(y) o y
k
.
Entonces se contrastara que el nivel medio de la respuesta
transformada no depende del nivel del factor, pero ya no
H
0
:
1
= . . . =
I
.
Ver Ejemplo
5 de ANOVA con Excel.


Tema1 Modelo de Diseño de Experimentos (1 Factor)

Enviado por

Dados do documento

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Tema1 Modelo de Diseño de Experimentos (1 Factor)

Enviado por

Direitos autorais:

Formatos disponíveis

Tema 1.

Modelo de dise no de experimentos

es la modicacion debida al grupo.

5 de ANOVA con Excel.

Você também pode gostar