Sunteți pe pagina 1din 6

Centro de Estudios Superiores del Sureste

Lic. en Psicopedagoga Alumno: Uc Cach Francisco Javier

Maestro: Lic. Alejandro Noh Rodrguez

Grado: V

Grupo: A

Asignatura: ESTADISTICA II

SAN FRANCISCO DE CAMPECHE A 11 DE MARZO DE 2013

ANALISIS DE VARIANZA. En estadstica, el anlisis de la varianza (ANOVA, ANalysis Of VAriance, segn terminologa inglesa) es una coleccin de modelos estadsticos y sus procedimientos asociados, en el cual la varianza est particionada en ciertos componentes debidos a diferentes variables explicativas. Las tcnicas iniciales del anlisis de varianza fueron desarrolladas por el estadstico y genetista R. A. Fisher en los aos 1920 y 1930 y es algunas veces conocido como "Anova de Fisher" o "anlisis de varianza de Fisher", debido al uso de la distribucin F de Fisher como parte del contraste de hiptesis. El anlisis de la varianza parte de los conceptos de regresin lineal. El primer concepto fundamental es que todo valor observado puede expresarse mediante la siguiente funcin:

Donde Y sera el valor observado (variable dependiente), y X el valor que toma la variable independiente. sera una constante que en la recta de regresin equivale a la ordenada en el origen, es otra constante que equivale a la pendiente de la recta, y es una variable aleatoria que aade a la funcin cierto error que desva la puntuacin observada de la puntuacin pronosticada. Por tanto, a la funcin de pronstico la podemos llamar "Y prima":

Podemos resumir que las puntuaciones observadas equivalen a las puntuaciones esperadas, ms el error aleatorio: (1.1) Sabiendo este concepto, podemos operar con esta ecuacin de la siguiente forma: 1) Restamos a ambos lados de la ecuacin (para mantener la igualdad) la media de la variable dependiente:

2) Substituimos el error por la ecuacin resultante de despejar la ecuacin 1.1:

Por tanto...

Y reorganizando la ecuacin:

Ahora hay que tener en cuenta que la media de las puntuaciones observadas es exactamente igual que la media de las puntuaciones pronosticadas:

Por tanto:

Podemos ver que nos han quedado 3 puntuaciones diferenciales. Ahora las elevamos al cuadrado para que posteriormente, al hacer el sumatorio, no se anulen:

Y desarrollamos el cuadrado:

Podemos ver que tenemos los numeradores de las varianzas, pero al no estar divididas por el nmero de casos (n), las llamamos Sumas de Cuadrados., excepto en el ltimo trmino, que es una Suma Cruzada de Cuadrados (el numerador de la covarianza), y la covarianza en este caso es cero (por las propiedades de la regresin lineal, la covarianza entre el error y la variable independiente es cero). Por tanto:

O lo mismo que:

de un factor, que es el caso ms sencillo, la idea bsica del anlisis de la varianza es comparar la variacin total de un conjunto de muestras y descomponerla como:

Donde: es un nmero real relacionado con la varianza, que mide la variacin debida al "factor", "tratamiento" o tipo de situacin estudiado. es un nmero real relacionado con la varianza, que mide la variacin dentro de cada "factor", "tratamiento" o tipo de situacin. En el caso de que la diferencia debida al factor o tratamiento no sean estadsticamente significativa puede probarse que las varianzas muestrales son iguales:

Donde: es el nmero de situaciones diferentes o valores del factor se estn comparando. es el nmero de mediciones en cada situacin se hacen o nmero de valores disponibles para cada valor del factor. As lo que un simple test a partir de la F de Snedecor puede decidir si el factor o tratamiento es estadsticamente significativo. Existen tres clases conceptuales de estos modelos: El Modelo de efectos fijos asume que los datos provienen de poblaciones normales las cuales podran diferir nicamente en sus medias. (Modelo 1) El Modelo de efectos aleatorios asume que los datos describen una jerarqua de diferentes poblaciones cuyas diferencias quedan restringidas por la jerarqua. Ejemplo: El experimentador ha aprendido y ha considerado en el experimento slo tres de muchos ms mtodos posibles, el mtodo de enseanza es un factor aleatorio en el experimento. (Modelo 2)

El Modelo de efectos mixtos describen situaciones que ste puede tomar. Ejemplo: Si el mtodo de enseanza es analizado como un factor que puede influir donde estn presentes ambos tipos de factores: fijos y aleatorios. (Modelo 3)

SUMA DE CUADRADO. No todo nmero puede ser representado como suma de dos cuadrados. Pierre de Fermat (1601-1665) ,conocido como el padre de la Teora de Nmeros , en carta de 25 de diciembre de 1640 , dirigida a Marn Mersenne , fraile franciscano ,enunci el teorema que afirmaba que un nmero primo de la forma 4 n + 1 , puede expresarse de una manera como suma de dos cuadrados. Aada, que si un nmero primo, que es suma de dos cuadrados, se multiplica por otro primo que tambin es suma de dos cuadrados, el producto sera la suma de dos cuadrados, de dos formas distintas (1). Fermat, tambin afirm, que ningn nmero primo de la forma 4n+3 puede expresarse como suma de dos cuadrados (1) Existe una frmula sencilla, ya usada por Diofanto : 22222222 (a+b)(c+d)=(ac+bd)+(ad-bc)=(ac-bd)+(ad+bc) Que permite observar que el producto de dos nmeros, que son suma de dos cuadrados, es tambin suma de dos cuadrados. Entre otros matemticos que estudiaron este problema, podemos citar a Bachet, en sus comentarios al Libro de Diofanto, Franois Vite y Albert Girad (1595-1632). Este afirmaba, que un nmero es suma de dos cuadrados, si es un cuadrado, o es el 2 , o es 1 ms mltiplo de 4 , o un producto de tales nmeros. La parte difcil de este Teorema, es probar qu condiciones son suficientes. En nuestro estudio, hacemos referencia a todo nmero, N , entero , positivo, impar, no mltiplo de un cuadrado, ni mltiplo de 3 . Pueden ser nmeros primos o compuestos. Los nmeros mltiplos de cuadrado, se dividirn por estas cifras, tantas veces como lo permita el nmero, hasta obtener el nmero N, vlido para el estudio.

Al final del estudio se tendr en cuenta esta simplificacin. 22 N = a + b.MEDIA CUADRATICA. En matemticas, la media cuadrtica, valor cuadrtico medio o RMS (del ingls root mean square) es una medida estadstica de la magnitud de una cantidad variable. Puede calcularse para una serie de valores discretos o para una funcin de variable continua. El nombre deriva del hecho de que es la raz cuadrada de la media aritmtica de los cuadrados de los valores. A veces la variable toma valores positivos y larvarios, como ocurre, por ejemplo, en los errores de medida. En tal caso se puede estar interesado en obtener un promedio que no recoja los efectos del signo. Este problema se resuelve, mediante la denominada media cuadrtica. Consiste en elevar al cuadrado todas las observaciones (as los signos negativos desaparecen), en obtener despus su media aritmtica y en extraer, finalmente, la raz cuadrada de dicha media para volver a la unidad de medida original. Otras medias estadsticas son la media aritmtica, la media ponderada, la media generalizada, media armnica. La media cuadrtica para una coleccin de N valores {x1, x2, ... , xN} viene dada por la frmula (1): Vef=2Vmax/pi Para una funcin de variable continua f(t) definida sobre el intervalo T1 t T2 viene dada por la expresin. Para una funcin de variable continua f(t) definida sobre el intervalo T1 t T2 viene dada por la expresin: