Escolar Documentos
Profissional Documentos
Cultura Documentos
3 Bibliografı́a
4 ANEXO
15 % 20 % 25 % 30 % 35 %
7.00 12.00 14.00 19.00 7.00
7.00 17.00 18.00 25.00 10.00
15.00 12.00 18.00 22.00 11.00
11.00 18.00 19.00 19.00 15.00
9.00 18.00 19.00 23.00 11.00
Diagrama de cajas
25
20
Observaciones
15
●
10
15 20 25 30 35
Porcentaje de algodón
Tenemos:
E (Yij ) = µ + τi
Var (Yij ) = σ 2
Yij ∼ N µ + τi , σ 2
a X
n
∂Q X
⇒ = −2 (Yij − µ̂ − τ̂i ) = 0
∂µ
i=1 j=1
n
∂Q X
= −2 (Yij − µ̂ − τ̂i ) = 0 i = 1, . . . , a
∂τi
j=1
Entonces:
Donde N = a ∗ n
a
X Y..
nµ̂ + n τ̂i = Y.. ⇒ µ̂ = = Ȳ..
N
i=1
µi = µ + τi
⇒ µ̂i = µ̂ + τ̂i = Ȳ.. + Ȳi. − Ȳ.. = Ȳi.
Ejemplo
Yi. Ȳi.
15 % 7.00 7.00 15.00 11.00 9.00 49.00 9.80
20 % 12.00 17.00 12.00 18.00 18.00 77.00 15.40
25 % 14.00 18.00 18.00 19.00 19.00 88.00 17.60
30 % 19.00 25.00 22.00 19.00 23.00 108.00 21.60
35 % 7.00 10.00 11.00 15.00 11.00 54.00 10.80
376 15.04
Yij = µ + τi + εij
µ̂i = Ȳi.
µ̂ = Ȳ.. = 15,04
µ̂1 = 9,80
µ̂2 = 15,40
µ̂3 = 17,60
µ̂4 = 21,60
µ̂5 = 10,80
Ŷij = µ̂ + τ̂i
Calculo de los residuales: Los residuales
E (eij ) = 0
n+1 2
Var (eij ) = σ
n
Cov (eij , ekj ) = 0
●
8
2.0
2.0
●
1.5
1.5
●
6
1.0
1.0
●●
Sample Quantiles
●●●
0.5
0.5
●
Frequency
●●●
●●
0.0
0.0
●●
−0.5
−0.5
2
−1.0
−1.0
●●
●●
●●
●
−1.5
−1.5
●
0
−1 0 1 2 −2 −1 0 1 2
2.0
● ●
● ●
1.5
1.5
● ●
1.0
1.0
●● ●
rstandard(mode1)
rstandard(mode1)
● ●
●● ● ● ●
0.5
0.5
● ●
●● ● ● ●
● ● ●
0.0
0.0
● ● ● ●
−0.5
−0.5
−1.0
−1.0
● ● ●
●● ●
● ● ●
−1.5
−1.5
● ●
● ●
5 10 15 20 25 10 12 14 16 18 20 22
Index mode1$fitted
⇒ H0 : µ1 = µ2 =, . . . , = µa
⇒ H1 : µi 6= µj
H0 : τ1 = τ2 =, . . . , = τa = 0
H1 : τi 6= 0
Donde:
SCT tiene N-1 gl, SCtrat tiene a-1 gl y SCE tiene N-a gl.
Licenciado Fernando Cedeño.
Análisis de Varianza: Experimentos con solo un factor
Diseño Factorial con dos factores: Anova de dos vı́as Estimación de los parámetros del Modelo
Bibliografı́a Análisis de Varianza para el modelo de efecto fijos
ANEXO
Fuente de Variacion SC gl CM F0
Entre Trat SCtrat a − 1 CMtrat
CMtrat
Error(Dentro de Trat) SCE N − a CME CME
Total SCT N −1
H0 : µ i = µ j
vs.
H1 : µi 6= µj
Se declararı́a el par de medias µi y µj significativamente diferente si
Donde r
2CME
LSD = tα/2,a(n−1)
n
Licenciado Fernando Cedeño.
Análisis de Varianza: Experimentos con solo un factor
Diseño Factorial con dos factores: Anova de dos vı́as Estimación de los parámetros del Modelo
Bibliografı́a Análisis de Varianza para el modelo de efecto fijos
ANEXO
15 20 25 30
20 0.01
25 0.00 0.23
30 0.00 0.00 0.04
35 0.58 0.02 0.00 0.00
Ejemplo 1
Factor B
Factor A B1 B2
A1 20 30
A2 40 52
Ejemplo 2
Factor B
Factor A B1 B2
A1 20 40
A2 50 12
Para el ejemplo 1
Efecto principal del factor A:
40 + 52 20 + 30
= − = 21
2 2
Efecto principal del factor B:
30 + 52 20 + 40
B= − = 11
2 2
El efecto de
A=40-20=10 para B1
A=52-30=22 para B2
Para el ejemplo 2
el efecto principal del factor A es:
50 + 12 20 + 40
A= − =1
2 2
el efecto principal del factor B es:
50 + 20 40 + 12
B= − =5
2 2
El efecto de
A=50-20=30 para B1 y el efecto de
A=12-40=-28 para B2
50
A A
50
A2 A1
A1 A2
45
40
40
cells
cells
30
35
30
20
25
20
B1 B2 B1 B2
B B
Donde:
µ es el efecto medio general
τi efecto de i-ésimo nivel del factor A
βi efecto del j-ésimo nivel del factor B
(τ β)ij efecto de la interacción
εijk es una v.a y representan el error aleatorio.
Licenciado Fernando Cedeño.
Análisis de Varianza: Experimentos con solo un factor
Diseño Factorial con dos factores: Anova de dos vı́as
Bibliografı́a
ANEXO
H0 : τ1 = τ2 = . . . = τa = 0
H1 : τi 6= 0 para al menosi = 1, . . . , a
y
H0 : β1 = β2 = . . . = βb = 0
H1 : βj 6= 0 para al menosj = 1, . . . , b
y
H0 : (τ β)ij = 0 ∀ij
H1 : (τ β)ij 6= 0 para al menos un i y un j
Licenciado Fernando Cedeño.
Análisis de Varianza: Experimentos con solo un factor
Diseño Factorial con dos factores: Anova de dos vı́as
Bibliografı́a
ANEXO
a b
X 2 X 2
= bn Ȳi.. − Ȳ... + an Ȳ.j. − Ȳ...
i=1 j=1
a X
b a X
b X
n
X 2 X 2
+n Ȳij. − Ȳi.. − Ȳ.j. + Ȳ... + Ȳijk − Ȳij.
i=1 j=1 i=1 j=1 k=1
⇒ SCT = SCA + SCB + SCAB + SCE
Efecto gl
A a−1
B b−1
Interacción (a − 1)(b − 1)
Error ab(n − 1)
Total abn − 1
(ab − 1) − (a − 1) − (b − 1) = ab − 1 − a + 1 − b + 1
= ab − a − b + 1
= a(b − 1) − (b − 1)
= (a − 1)(b − 1)
Los gl del error, dentro de cada celda hay n-1 gl ⇒ ab(n-1) para
todas las celdas
E (CME ) = σ 2
bn ai=1 τi2
P
SCA 2
E (CMA ) = E =σ +
a−1 a−1
Pb
an j=1 βj2
SCB
E (CMB ) = E = σ2 +
b−1 b−1
Pa Pb 2
n j=1 (τ β)ij
SCAB 2 i=1
E (CMAB ) = E =σ +
(a − 1)(b − 1) (a − 1)(b − 1)
Ejemplo 3
Temperatura (0 C )
Tip. de Mat. 15 70 125 Yi..
1 130 155 74 180 539 34 40 80 75 229 20 70 82 58 230 998
2 150 188 159 126 623 126 122 106 115 479 25 70 58 45 198 1300
3 138 110 168 160 576 174 120 150 139 583 96 104 82 60 342 1501
Y.j. 1738 1291 342 Y... = 3799
Nota: Los números en negritas representan la suma en la fila.
Datos de duración en horas de una baterı́a
FV SC gl CM F0
TipodeMaterial 10683,72 2 5341,86 7,91
Temp 39118,72 2 19558,36 28,97
Interaccion 9613,78 4 2403,44 3,56
Error 18230,70 27 675,21
Total 77646,96 35
material
140
3
1
2
120
mean of vida
100
80
60
15 70 125
temperatura
●
7
2
●
6
●●
●
1
●●
●
●
●
●
5
●
●
●
●
●
●
Sample Quantiles
●
0
4
Frequency
●
●
●●
●●
●
●
3
●
−1
−1
●
●
●●
●
2
●
−2
−2
1
●
0
−3 −2 −1 0 1 2 −2 −1 0 1 2
●
2
●
●
● ●
●
1
● ●
● ●
● ●
●
●
●
rstandard(modelo1)
● ●
●
●
0
● ●
● ● ●
●●
●
●
−1
●
● ● ●
●
●
●
−2
modelo1$fitted
3.0
● ●
● ●
●● ● ● ●● ● ● ● ●
● ●
● ● ●●● ●● ●
2.5
2.5
temperatura
material
2.0
2.0
● ● ● ●
●● ●
● ● ● ● ● ● ● ● ● ●● ●● ●● ● ●
1.5
1.5
1.0
1.0
● ● ● ● ● ● ● ● ● ●● ● ● ● ● ●
●● ● ● ● ● ● ●
−2 −1 0 1 2 −2 −1 0 1 2
rstandard(modelo1) rstandard(modelo1)
Bibliografı́a
Residuos Son v.a porque son funciones, además son normales por
ser función de variable aleatoria normal
a X
X n a
X
SCT = (Yij − Ȳi. )2 + n (Ȳi. − Ȳ.. )2
i=1 j=1 i=1
Xa X n
+ 2 (Yij − Ȳi. )(Ȳi. − Ȳ.. )
i=1 j=1
a X
X n a
X n
X
(Yij − Ȳi. )(Ȳi. − Ȳ.. ) = (Ȳi. − Ȳ.. ) (Yij − Ȳi. )
i=1 j=1 i=1 j=1
a
X
= (Ȳi. − Ȳ.. )(nȲi. − nȲi. )
i=1
= 0
Entonces
a
X a X
X n
SCT = n (Yi. − Ȳ.. )2 + (Yij − Ȳi. )2
i=1 i=1 j=1
Esperanza de CME Pn 2
Pa Pn 2 2 j=1 (Yij −Ȳi. )
SCE = i=1 j=1 (Yij − Ȳi. ) pero Si = n−1
es la varianza muestral del i-ésimo tratamiento
i = 1, . . . , a.
a a
2 2
X X
⇒ SCE = (n − 1)Si = (n − 1) Si
i=1 i=1
y
a
(n − 1) ai=1 Si2
P
SCE (n − 1) X 2
= Si = P
N−a N − a i=1 a (n − 1)
i=1
⇒ CME = SCE es una estimación de la varianza común a cada uno de los ” a”tratamientos.
N−a
pero
n n
1 X 1 X
E (Ȳi. ) = E Yij = (µ + τi ) = µ + τi
n j=1 n j=1
n
1 X 1 2 σ2
Var (Ȳi. ) = Var Yij = nσ =
n j=1 n2 n
Entonces:
a a
1 2
X 2 2
X 2
E (CME ) = (Nσ + n (µ + τi ) ) − aσ − n (µ + τi )
N−a i=1 i=1
N−a 2 2
= σ =σ
N−a
Entonces
a
aσ 2 σ2
Pa 2
n X 2 (µ + i=1 (τi ) )
E (CMtrat) = + (µ + τi ) − −
a−1 n i=1
n a
a
n(µ2 + 2µ
Pa
τi + ( ai=1 )2 )
P
2 n X 2 2 i=1
= σ + (µ + 2µτi + τi ) −
a − 1 i=1 (a − 1)a
a a
2 na 2µn X n X 2 na 2
= σ + µ2 + τi + τi − µ
a−1 a − 1 i=1 a − 1 i=1 a−1
2
a a
2nµ X n X
− τi − τi
a(a − 1) i=1 a(a − 1) i=1
a
2 n X 2
= σ + τi
a − 1 i=1
a X
b X
n
X 2
SCT = Yijk − Ȳ...
i=1 j=1 k=1
a X
b X
n
X 2
= Yijk + Ȳi.. − Ȳi.. + Ȳ.j. − Ȳ.j. + Ȳij. − Ȳij. − Ȳ... + Ȳ... − Ȳ...
i=1 j=1 k=1
a X
b X
n
X 2
= (Yijk − Ȳij. ) + (Ȳi.. − Ȳ... ) + (Ȳ.j. − Ȳ... ) + (Ȳij. − Ȳi.. − Ȳ.j. + Ȳ... )
i=1 j=1 k=1
a X
X b X
n
+ (Yijk − Ȳij. )(Ȳij. − Ȳi.. − Ȳ.j. + Ȳ... )
i=1 j=1 k=1
a X
X b X
n
+ (Ȳi.. − Ȳ... )(Ȳ.j. − Ȳ... )
i=1 j=1 k=1
a X
X b X
n
+ (Ȳi.. − Ȳ... )(Ȳij. − Ȳi.. − Ȳ.j. + Ȳ... )
i=1 j=1 k=1
a X
X b n
X a X
X b n
X
= (Ȳ.j. − Ȳ... ) (Yijk − Ȳij. ) + (Ȳij. − Ȳi.. − Ȳj.. + Ȳ... ) (Yijk − Ȳij. )
i=1 j=1 k=1 i=1 j=1 k=1
a
X b
X a
X b
X
+n (Ȳi.. − Ȳ... ) (Ȳ.j. − Ȳ... ) + n (Ȳi.. − Ȳ... ) (Ȳij. − Ȳi.. − Ȳ.j. + Ȳ... )
i=1 j=1 i=1 j=1
= 0
Licenciado Fernando Cedeño.
Análisis de Varianza: Experimentos con solo un factor
Diseño Factorial con dos factores: Anova de dos vı́as
Bibliografı́a
ANEXO
a X
b X
n a X
b X
n
X 2 X 2
⇒ SCT = Yijk − Ȳij. + Ȳi.. − Ȳ...
i=1 j=1 k=1 i=1 j=1 k=1
a X
b X
n a X
b X
n
X 2 X 2
+ Ȳ.j. − Ȳ... + Ȳij. − Ȳi.. − Ȳ.j. + Ȳ...
i=1 j=1 k=1 i=1 j=1 k=1
a b
X 2 X 2
= bn Ȳi.. − Ȳ... + an Ȳ.j. − Ȳ...
i=1 j=1
a X
b a X
b X
n
X 2 X 2
+n Ȳij. − Ȳi.. − Ȳ.j. + Ȳ... + Ȳijk − Ȳij.
i=1 j=1 i=1 j=1 k=1
⇒ SCT = SCA + SCB + SCAB + SCE