Documente Academic
Documente Profesional
Documente Cultură
EXPERIMENTOS CON UN
UN SOLO
SOLO
FACTOR: EL
FACTOR: EL ANLISIS
ANLISIS DE
DE VARIANZA
VARIANZA
CAPITULO 3
Diseo y Anlisis de Experimentos
Montgomery
Ing. Gina Galindo
Cridto parcial: Ing. Rodrigo Wadnipar, 1
Definiciones
Factor: cada una de las variables experimentales que
el experimentador puede controlar, pueden ser
cualitativos o cuantitativos.
2
Ejemplo 3.1 Pag. 70 - Peso porcentual del algodn
Un ingeniero de desarrollo de producto tiene inters en investigar la resistencia
a la tensin de la fibra sinttica nueva que se usar para hacer tela de camisas
para caballero. El ingeniero sabe por experiencia previa que la resistencia a la
tensin se afecta por el peso porcentual del algodn utilizado en la mezcla de
materiales de la fibra. Adems, sospecha que al aumentar el contenido de
algodn se incrementar la resistencia. Sabe as mismo que el contenido de
algodn deber variar entre 10 y 40 por ciento para que el producto final tenga
otras caractersticas de calidad que se desean (como la capacidad de ser
sometido a un tratamiento de planchado permanente). El ingeniero decide
probar ejemplares en cinco niveles del peso porcentual del algodn: 15, 20, 25,
30 y 35 por ciento. Tambin decide probar cinco ejemplares en cada nivel del
contenido de algodn.
51
3
Peso porcentual del algodn (continuacin)
Aleatorizacin:
Ahora se generan 25 nmeros aleatorios del 1 al 25 de uno
en uno sin repeticin, as por ejemplo, si en primer lugar se
gener el numero 8 entonces la observacin nmero 8
(20%) se corre primero, luego se genera otro nmero del 1
al 25 diferente de 8 hasta cuando las 25 observaciones
tengan asignada una posicin en la secuencia de prueba.
Suponga que la secuencia de prueba es la siguiente:
4
Peso porcentual del algodn
(continuacin)
5
Peso porcentual del algodn (continuacin)
6
Resultados del Experimento
Aleatorizacin (continuacin):
La aleatorizacin es necesaria para evitar que los efectos
de variables perturbadoras desconocidas contaminen los
resultados, por ejemplo si se utilizan mquinas en el
proceso, stas pueden desajustarse o calentarse, lo cual
influye en las medidas realizadas; los turnos de trabajo y los
operarios tambin pueden influir en los resultados; lo que se
busca con la aleatorizacin es minimizar el efecto de
fuentes generadoras de ruido.
7
Peso porcentual del algodn (continuacin)
Observaciones Individuales
Promedio de la resistencia a la Tensin 63
Figura 3-2 9
EL ANALISIS DE VARIANZA
10
MODELO PARA LOS DATOS
Es til describir las observaciones mediante el modelo
estadstico lineal
yij i ij , donde i = 1, 2, ... , a; j = 1, 2, ... n (3.1)
yij es la observacin ij-sima.
i es la media del nivel del factor o tratamiento i-simo.
ij es un componente del error aleatorio que incorpora todas las
dems fuentes de variabilidad del experimento
A la ecuacin (3.1) se le llama modelo de medias.
Una forma alternativa de describir un modelo de los datos
es definiendo
i = + i , i = 1, 2, , a
yDe tal modo que la ecuacin (3.1) se convierte en
ij i ij
, donde i = 1, 2, ... , a; j = 1, 2, ... n (3.2)
es la media global
i es el efecto del tratamiento i-simo
11
A la ecuacin (3.2) se le llama el modelo de los efectos.
ANALIS DEL MODELO CON
EFECTOS FIJOS
12
Anlisis del Modelo con Efectos Fijos
n
i = + i
i 1
i 0
n _
yi. yij , , , , , y i. y i. / n, _ donde _ i 1,2,..., a.
j 1
(3.3)
a n
y.. yij , , , , y.. y.. / N
i 1 j 1
Donde N = an es el nmero total de observaciones.
El subndice punto implica la operacin suma sobre el
subndice que reemplaza.
14
DESCOMPOSICION DE LA SUMA DE
CUADRADOS TOTAL
El nombre anlisis de varianza se deriva de la particin de la
variabilidad total en sus partes componentes. La suma de
cuadrados total corregida
SS T
a n
i 1 j1
y y
ij ..
2
(3.4)
a
n
i 1 j 1
y
ij y..
2
n
a
i 1
yi. y..
2
a n
i 1 j 1
y
ij y i.
2
(3.5)
SS T
SS Tratamientos SS E
(3.6)
15
DESCOMPOSICION DE LA SUMA DE
CUADRADOS TOTAL (continuacin)
Es til examinar los dos trminos del lado derecho de la identidad
fundamental del ANOVA.
E
a n
SS y ij y i. y ij y i.
i 1 j 1
2 a
i 1
n
j 1
2
S , , , , , para :, , , , i 1,2,..., a
2 j 1
i
n 1
Si se combinan las a varianzas muestrales se obtiene una sola
estimacin de la varianza poblacional
a n
2
yij y i.
n 1 S1 n 1 S 2 ... n 1 S a i 1 j 1
2 2 2
SS E
( n 1) ( n 1) ... ( n 1) a N a
n 1 16
i 1
DESCOMPOSICION DE LA SUMA DE
CUADRADOS TOTAL (continuacin)
La relacin NSS a es una estimacin combinada
E
SS
a
n yi. y.. 2
Tratamientos
i 1
a 1 a 1
Es una estimacin de 2 si las medias de los
tratamientos son iguales.
17
Formalmente:
18
DESCOMPOSICION DE LA SUMA DE
CUADRADOS TOTAL (continuacin)
La identidad del anlisis de varianza (ecuacin 3.6) proporciona dos
estimaciones de 2:
Una basada en la variabilidad inherente dentro los tratamientos.
Una basada en la variabilidad entre los tratamientos.
Si no hay diferencias en las medias de los tratamientos, estas dos
estimaciones debern ser muy similares, y si no lo son, se sospecha
que la diferencia observada puede ser causada por diferencias en las
medias de los tratamientos.
SS Tratamientos (entre los tratamientos)
A las cantidades MS Tratamientos
a 1
y MS SSE
(dentro de los tratamientos)
E
N a
se les llama cuadrados medios.
19
TEOREMA DE COCHRAN
Puesto que los grados de libertad de SSTratamientos y SSE suman N 1 (
el nmero total de grados de libertad), el teorema de Cochran implica
que SSTratamientos / 2 y SSE / 2 son variables aleatorias ji-cuadrada con
una distribucin independiente. Por lo tanto, si la hiptesis nula de que
no hay diferencias en las medias de los tratamientos es verdadera, el
coeficiente
SS / a 1 MS
F
Tratamientos Tratamientos
SS / N a
0
E MS E
F F
0 , a 1, N a
20
TEOREMA DE COCHRAN (continuacin)
Es posible obtener frmulas para calcular estas sumas de
cuadrados reescribiendo y simplificando las definiciones de
SSTratamientos y SST, as:
2
a n y
SS y
2 ..
T
N
ij
i 1 j 1
1
2
y a
y
2
SS
..
Tratamientos
n N
i.
i 1
SS SS SS
E T Tratamientos
21
Anlisis de Varianza
22
Anlisis de Variancia (continuacin)
23
Peso porcentual del algodn Anlisis de Variancia
24
Peso porcentual del algodn Anlisis de
Variancia (continuacin)
25
81
Ejercicio en clase 3-01
La fuerza de la tensin de la adhesin del mortero de cemento
portland es una caracterstica importante del producto. Un ingeniero
est interesado en comparar la fuerza de una formulacin
modificada en la que se han agregado emulsiones de ltex de
polmeros durante el mezclado, con la fuerza del mortero sin
modificar. El experimentador ha reunido 10 observaciones de la
fuerza de la formulacin modificada y otras 10 observaciones de la
formulacin sin modificar. Los datos se muestran a continuacin.
Podra hacerse referencia a las dos formulaciones diferentes como
dos tratamientos o como dos niveles del factor formulaciones.
Experimentos
Comparativos Simples
26
Ejercicio en clase 3-02
27
Ejercicio en clases 3-03
Se compar la poblacin de aves en cuatro reas de
Bosques diferentes, as: Un rodal de ciprs (RC), un bosque
secundario del noroeste (BSN), una plantacin de pinos patula
(PP), y un bosque secundario aislado (BSA); localizadas en
Piedras Blanca (Antioquia). El total de especies observadas
por da fue el siguiente:
a) Especifique el modelo,
construya la tabla ANOVA, e
interprete los resultados.
b) Estime las medias para
cada uno de los bosques y
construya los intervalos de
confianza respectivos fijando un
(1 - )100% apropiado.
28
ESTIMACIN DE LOS PARMETROS DEL MODELO
yij i ij
i es el efecto del tratamiento i-simo
y ..
i y y , , , , , , , i 1,2,..., a
i. .. 29
ESTIMACIN DE LOS PARMETROS DEL MODELO (continuacin)
y t , N a MS E
y t , N a MS E
i. n i i. n
De la misma manera para una diferencia de medias, digamos
i j, sera:
y y t , N a 2MS E
y y t , N a 2MS E
i. j. n i j i. j. 30 n
Ejemplo 3.3 Pag. 75: Siguiendo el ejemplo 3-1 pueden
encontrarse las estimaciones de la media global y de los
3 y 3.
y ..
17.60 15.04 2.56
y t , N a MS E
y t , N a MS E
i. n i i. n
Con un intervalo de confianza del 95% para la media del
tratamiento 4 (30% de algodn), obtenemos: 21.60 2.651,
por lo que el intervalo quedara de la siguiente manera:
8.06 8.06
21.60 2.086 21.60 2.086
5 4 5
21.60 2.65 21.60 2.65
4
Por lo tanto, el intervalo de confianza de 95% es:
18.95 4 24.25 32
VERIFICACION DE LA
ADECUACION DEL
MODELO
33
EL SUPUESTO DE NORMALIDAD
La verificacin del supuesto de normalidad podra hacerse graficando
un histograma de los residuales.
Si se satisface el supuesto NID(0, 2) para los errores, esta grfica
deber parecerse como una muestra de una distribucin normal con
centro en cero. Pero con muestras pequeas suelen ocurrir
fluctuaciones significativas y pueden aparecer una desviacin
moderada de la normalidad.
Un procedimiento en extremo til es construir una grfica de
probabilidad normal de los residuales.
Los residuales se calculan as: Re sidualij yij yi .
34
EL SUPUESTO DE NORMALIDAD (continuacin)
pj = (( j 0.5) / N) * 100
35
EL SUPUESTO DE NORMALIDAD (continuacin)
pj = (( j 0.5) / N) * 100
Grfica de Probabilidad Normal de los Residuales
120
100
% de Probabilidad Normal
(Pj = (( j - 0.5)/N)100)
80
60
40
20
0
-6 -4 -2 0 2 4 6
Residual (eij = yij - ybi.)
36
GRAFICA DE LOS RESIDUALES EN
SECUENCIA EN EL TIEMPO
37
GRAFICA DE LOS RESIDUALES EN
SECUENCIA EN EL TIEMPO (cont.)
38
GRAFICA DE LOS RESIDUALES CONTRA
LOS VALORES AJUSTADOS
39
GRAFICA DE LOS RESIDUALES
VS. LOS NIVELES
40
PRUEBAS ESTADSTICAS
DE IGUALDAD DE
VARIANZA
41
42
PRUEBAS ESTADISTICAS PARA
IGUALDAD DE VARIANZA
Aun cuando es frecuente el uso de las grficas residuales para
diagnosticar la desigualdad de varianzas, se han propuesto tambin
varias pruebas estadsticas.
Estas pruebas pueden considerarse como pruebas formales de las
hiptesis H0: 21 = 22 = ... = 2a
H1: 2i 2j Para al menos un par (i, j)
La igualdad de varianza se conoce como homocedasticidad.
Un procedimiento muy til es la prueba de Barlett.
q
0 2.3026 c
2 a
log10 S p ni log10 S i
2 2
donde q ( N a ) ( 1)
i 1
ni 1 N a
1 a 1 1
c 1
Si es la varianza
3 a 1
2
i 1
muestral de la
n 1 S
a
poblacin i-sima 2
i i
2
S p
i 1
N a
43
PRUEBAS ESTADISTICAS PARA
IGUALDAD DE VARIANZA (continuacin)
La cantidad q es grande cuando la diferencia entre las
varianzas muestrales Si2 es considerablemente grande, y es
igual a cero cuando todas las Si2 son iguales.
H0 deber rechazarse para los valores de 02 que sean muy
grandes; es decir, se rechaza H0 slo cuando
20 > ,a-1
Donde ,a-1 es el punto porcentual superior a la
distribucin ji-cuadrada con a - 1 grados de libertad.
La prueba de Barlett es muy sensible al supuesto de
normalidad. Por consiguiente, cuando la validez de este
supuesto est en duda, no deber usarse la prueba de
Barlett.
44
Ejemplo 3.4 Pag. 82
Ya que el supuesto de normalidad no est entre dicho en el
ejemplo de la resistencia a la tensin de la fibra sinttica
para fabricar tela, se puede usar la prueba de Barlett.
Se calculan primero las varianzas muestrales de cada
tratamiento y se encuentra que: S21=11.2, S22=9.8, S23=4.3,
a
q
ni 1 N a
2 1 a 1 1
2.3026 c 1
3 a 1
0 c i 1
n 1 S
a
2
Sp 8.06
2
Sp i 1
N a
25 5
q 20 log (8.06) 4 log 11.2 log 9.8 log 4.3 log 6.8 log 8.2 0.45
10 10 10 10 10 10
1 5 1
c 1 1.10
3(4) 4 20
0.45
0 2.3026 1.10 0.93
2
Y el estadstico de prueba es
Puesto que 0.05, 4 = 9.49, no puede rechazarse la hiptesis
nula y se concluye que las cinco varianzas son iguales.
45
5
(H0 se rechaza slo cuando 2
0>
,a-1 )
Ejemplo 3.5 Pag. 83
Un ingeniero civil est interesado en determinar si
cuatro mtodos diferentes para estimar la
frecuencia de las inundaciones producen
estimaciones equivalentes de la descarga pico
cuando se aplican a la misma cuenca.
Cada procedimiento se usa seis veces en la
cuenca, y los datos de las descargas resultantes
son:
46
Ejemplo 3.5 Pag. 83 (continuacin)
50
Ejemplo 3.5 Pag. 83 (continuacin)
Al graficar log Si contra log yi. de los datos originales, se
observa que la pendiente de la recta que pasa por los cuatro
puntos est cerca de ; por la tabla de transformaciones
para estabilizar la varianza, se considera que la
transformacin de la raz cuadrada puede ser apropiada.
log yi.
51
Ejemplo 3.5 Pag. 83 (continuacin)
La tabla de los datos originales ya transformados,
se muestra a continuacin:
Mtodo de
Observaciones Transformadas
Estimacin
1 0.58 0.35 1.11 0.84 1.32 0.35
2 0.95 1.71 1.46 1.54 1.69 2.13
3 2.51 2.89 3.12 2.47 3.13 2.69
4 4.14 3.44 3.31 4.15 3.79 4.10
Total 35.3726 22
52
Ejemplo 3.5 Pag. 83 (continuacin)
La grfica residual muestra una mejora sensible
en comparacin con la anterior.
53
DATOS NO BALANCEADOS
54
DATOS NO BALANCEADOS
En algunos experimentos de un solo
factor, el nmero de observaciones
recolectadas en cada tratamiento pueden
ser diferentes, cuando esto ocurre, se dice
que el diseo est desequilibrado, es no
balanceado.
Sigue siendo posible aplicar el anlisis de
varianza anteriormente establecido para
datos balanceados, pero deben hacerse
ligeras modificaciones en las frmulas de
las sumas de cuadrados. 55
DATOS NO BALANCEADOS (continuacin)
Hay dos ventajas al elegir un diseo
equilibrado:
Primera con muestras del mismo tamao,
la estadstica de la prueba es
relativamente insensible a pequeas
desviaciones de la suposicin de la
igualdad de las varianzas en los
tratamientos.
Segunda, el poder de la prueba se
maximiza cuando las muestras tienen el
mismo tamao. 56
DATOS NO BALANCEADOS (continuacin)
Sea que se hagan ni observaciones bajo el tratamiento
i (i = 1, 2, , a) y que N a
n i 1 i
No se requieren ms cambios.
57
Ejercicio en clase 3-04 (datos no balanceados)
Se estn investigando cuatro catalizadores que
pueden afectar la concentracin de un componente en
una mezcla lquida de tres componentes. Se obtienen
las siguientes concentraciones:
a) Efecte el ANOVA e
interprete la prueba F.
b) Calcule medias y
varianzas para cada
grupo.
c) Compare los pesos
promedios de los 4
grupos.
59
INTERPRETACION
PRCTICA DE LOS
RESULTADOS
60
INTERPRETACION PRCTICA DE
LOS RESULTADOS
9
61
Un Modelo de Regresin
62
Un Modelo de Regresin (continuacin)
y = -0,0886x2 + 4,5926x -
30 30 y = -0,0076x3 + 0,4814x2 -
39,989 Serie1 Serie1
9,0114x + 62,611
R2 = 0,7921 R2 = 0,9286
25 25
Serie2 Serie2
20 20
Serie3 Serie3
15 Serie4 15 Serie4
10 Serie5 10 Serie5
5 Serie6 5 Serie6
Polinmica Polinmica
0 0
(Serie6) (Serie6)
0 20 40 0 20 4063
Un Modelo de Regresin (continuacin)
64
Comparacin Grfica de Medias
Es muy sencillo desarrollar un procedimiento grfico para la
comparacin de las medias despus de un ANOVA._ _ _
Suponga que el factor de inters tiene a niveles y quey1. , y2. ... ya .
son los promedios de los tratamientos. Si se conoce , el promedio de
cualquier tratamiento tendr una desviacin estndar i / n .
Entonces, si todas las medias_de los niveles del factor son idnticas, las
medias muestrales observadas y i . se comportaran como un conjunto _
de observaciones tomadas al azar de una distribucin normal con y ..
media / n estndar
y desviacin .
Visualice una distribucin normal con _la capacidad
_ _ de ser deslizada
sobre un eje abajo del cual estn graficadas
y1. , y2. ... ya. . Si todas las
medias de los tratamientos son iguales, deber _ haber una posicin de
yi .
esta distribucin que haga evidente que los valores se sacaron de la
misma distribucin.
_
Si no es este el caso, los valoresy que no parecen haberse sacado de
i.
esta distribucin se asocian con los niveles del factor que producen
respuestas medias diferentes. 65
Comparacin Grfica de Medias (continuacin)
Punto dbil: se desconoce , en este caso se sustituye con MS E
del anlisis de varianza y usar una distribucin t con factor de escala
MS E / n en lugar de la distribucin normal.
Ejemplo: Para trazar la distribucin t, simplemente se multiplica el valor de
la abscisa t por el factor de escala MS E
8.06
1.27
y se grafica
contra la ordenada de t en este punto. n 5
En la figura se ve que no hay ninguna posicin de la distribucin tal que
los cinco promedios puedan considerarse como observaciones tpicas
seleccionadas al azar de la distribucin.
15 35 20 25 30 Niveles (% Algodn)
5 10 15 20 25 Media (Res.Ten.)
Resistencia a la tensin promedio (lb/pulg )
2
Esto implica que las cinco medias no son iguales; por lo tanto, la figura es
una representacin grfica de los resultados del anlisis de varianza.
La figura indica que el 30% de algodn produce resistencia a la tensin
mucho ms alta que 20 25 por ciento de algodn y que 15 35 por
ciento de algodn producirn resistencias aun ms bajas. 66
Contrastes
Al principio podra sospecharse que los niveles 4 y 5 (30% y 35%)
producen la misma resistencia a la tensin, lo que implica que la
hiptesis a probar sera H0: 4 = 5
Hi: 4 5 (3.23)
Si desde el principio del experimento se hubiera sospechado que el
promedio de los niveles ms bajos del peso porcentual del algodn
(1 y 2) no difera del promedio de los niveles ms altos del peso
porcentual del algodn (4 y 5), entonces la hiptesis habra sido
H0: 1 + 2 = 4 + 5
Hi : 1 + 2 4 + 5 (3.24)
67
71
Contrastes (continuacin)
En general, un contraste es una combinacin lineal de parmetros de
a
la forma c
i 1
i i
donde las constantes de los contrastes c 1, c2,.., ca
a
a (3.25)
H : c
1
i 1
i i
0
n c
2 2
La varianza de C es V (C ) (3.26) cuando los
i
i 1
tamaos de las muestras de cada tratamiento son iguales. Si la
hiptesis nula de la ecuacin 3.25 es verdadera, el cociente
a
utilizara i 1
ci estadstico
a
c y i i.
(3.27)
para probar la hiptesis de la ecuacin
t
0
i 1
a 3.25.
E ci
2
La Hn0 se
MSrechaza si It0I excede t/2, N-a
i 1
69
71
Contrastes (continuacin)
En el segundo enfoque se utiliza la prueba F. Entonces, el cuadrado
de una variable aleatoria t con v grados de libertad es una variable
aleatoria F con un grado de libertad en el numerador y v grados de
libertad en el denominador. Por lo tanto puede obtenerse
a
c y
2
i i.
Como un estadstico F para probar la
F t
2 i 1
0 0 a
(3.28) ecuacin 3.25. La hiptesis nula se
n MS c
2
E
i 1
i
rechazara si F0>F,1,N-a
Este estadstico de prueba de la ecuacin 3.28 puede escribirse como
MS SS /1
F C
C
MS
0
E MS E
c y i i.
SS C
i 1
a (3.29)
n c 2
i
70
i 1
Intervalos de Confianza para un Contraste
En lugar de probar hiptesis acerca de un contraste, puede ser ms
til construir un intervalo de confianza. Entonces el contraste suele
expresarse en trmino de los promedios de los atratamientos yi.
Suponga que el contraste de inters es: c
i i
i 1
V (C ) c
2 a
2
n i 1
i
cuando los tamaos de las muestras son iguales. Si se usa MSE para
estimar 2, el intervalo de confianza de 100(1-a) por ciento para el
contraste i 1 ci i es
a
c y t MS a
2
a
ci ci
a
y t MS a
2
E
c (3.30) c E
i 1
i i. 2
, N a
n i 1
i
i 1
i
i 1
i. 2
, N a
n i 1
i
* c
donde ci
a
i
n c
2
i
i 1
72
Tamao de las Muestras Desiguales
Cuando los tamaos de las muestras de cada tratamiento son
diferentes, se introducen modificaciones menores en los resultados
anteriores. Primero, observe que la definicin de un contraste
nc
a
requiere ahora que 0
i 1 i i
t
0
i 1
a
MS ni c
2
E i
i 1
c y
2
i i.
SS C
i 1
a
ni c
2
i
i 1 73
Contrastes Ortogonales ( caso especial )
Dos contrastes con coeficientes { ci } y { di } son
a
ortogonales, si: ci d i 0
i 1
74
Contrastes Ortogonales ( caso especial )
Ejemplo: Si hay a = 3 tratamientos, donde el tratamiento 1 es el control
y donde los niveles del factor en los tratamientos 2 y 3 son de inters
para el experimentador, los contrastes ortogonales apropiados podran
ser los siguientes:
75
Ejemplo 3.6 Pag. 94
Considere los datos del ejemplo 3.1
i 1
C4 = 9 SSc4 = ( 9 )2 / (5 * ( 20 )) = 0.81 77
79
Ejemplo 3.6 (continuacin)
ANOVA - Resistencia a la Tensin del Peso porcentual del algodn
Grados Cuadra
Suma
de do
Fuente de Variacion Cuadrados Fo F0.05,4,20 P value
libertad Medio
(SS)
(Dof) (MS)
Peso porcentual del algodn 475.76 4 118.94 14.76 2.87 0.00000913
Contrastes ortogonales
C1 = -y 4. + y 5. 291.6 1 291.6 36.18 4.35 0.00000701
C2 = y 1. + y 3. - y 4. - y 5. 31.25 1 31.25 3.88 4.35 0.06295952
C3 = y 1. - y 3. 152.1 1 152.1 18.87 4.35 0.00031474
C4 = -y 1. + 4y 2. - y 3. - y 4. - y 5. 0.81 1 0.81 0.10 4.35 0.75452031
c
a
MS
2
El error estndar de este contraste es: Scu E iu
/ ni (3.33
i 1
81
Prueba Tukey-Kramer
82
83
84
Mtodo de las Diferencias Significativas
Mnimas (LSD) de Fisher
En este procedimiento se utiliza el estadstico t para probar H0:
i j
y y
t i. j.
0
1 1
MS (3.39)
E n n
i j
i
j
1 1
E 1 / nhiptesis
i 1 / n j t / 2, N a MS E (3.40)
y Suponiendo
y t MSuna alternativa de dosLSD
colas, los pares de n medias
i nj
i. j. / 2, N a
se le llama
LSDdiferencia
t , N a
2MS
significativa
E mnima, para un diseo no balanceado.
n
Si el diseo es balanceado, n1 = n2 = = na = n, y
y y LSD,
y 2.
y
3.
15.4 17.6 2.2
Los valores marcados con asterisco indican
y 2.
y
4.
15.4 21.6 6.2 * pares de medias que son significativamente
y y 15.4 10.8 4.6 * diferentes.
2. 5.
Los nicos pares de medias que no difieren
y y 17.6 21.6 4.0 *
3. 4.
significativamente son 1 y 5 y 2 y 3, y el
y 3.
y
5.
17.6 10.8 6.8 *
trmino 4 produce una resistencia
y 4.
y
5.
21.6 10.8 10.8 * significativamente mayor que los otros
tratamientos. 86
92
Prueba de Rango Mltiple de Duncan
Un procedimiento muy utilizado para comparar todos los pares de medias es
la prueba de rango mltiple desarrollada por Duncan.
Para aplicar esta prueba cuando los tamaos de las muestras son iguales,
los a promedios de los tratamientos se arreglan en orden ascendente, y el
error estndar de cada promedio se determina como
S yi MS E
n (3.42)
Para tamaos de las muestras desiguales, se sustituye n en la ecuacin
(3.42) con la media armnica nh del {nj}, donde a
h n
a
(3.43)
(1 / n )
i 1
i
R r
p a
( p, f ) S y para p 2,3,..., a
i
87
88
Prueba de Rango Mltiple de Duncan
(continuacin)
Entonces, se prueban las diferencias observadas entre las medias,
empezando con la ms grande contra la menor, la cual se comparara
con el rango mnimo de significacin Ra.
Despus se calcula la diferencia de la mayor y la segunda menor y se
comparara con el rango mnimo de significacin Ra-1.
Estas comparaciones se continan hasta cuando todas las medias se
han comparado con la media mayor.
Por ltimo, se calcula la diferencia entre la segunda media mayor y la
menor y se compara con el rango mnimo de significacin Ra-1.
Este proceso se contina hasta cuando se han considerado las
diferencias entre todos los a(a-1)/2 pares de medias posibles.
Si una diferencia observada es mayor que el rango de significacin
mnima correspondiente, se concluye que el par de medias en
cuestin es significativamente diferente.
Para evitar contradicciones, ninguna de las diferencias entre un par
de medias se considera significativa si las dos medias en cuestin se
localizan entre otras dos medias que no difieren significativamente.
89
Ejemplo 3.9 Pag. 101 y 1.
9.8
La prueba del rango mltiple de Duncan puede aplicarse al y 10.8
experimento de ejemplo 3.1. Recuerde que MSE = 8.06, 5.
y 4.
21.6
El error estndar de cada promedio es
S y 8.06 / 5 1.27 . En el conjunto de R r
2 0.05
2,20 S y i.
(2.95)(1.27) 3.75
i.
90
Ejemplo 3.9 (continuacin)
Por el anlisis se observa que hay diferencias
significativas entre todos los pares de media con
excepcin de la 3 y la 2 y la 5 y la 1.
En la grfica las medias que no son significativamente
diferentes aparecen subrayadas.
y1.
y5.
y2.
y 3.
y 4.
91
Prueba de Newman-Keuls
La diferencia con la prueba de Duncan, es que los valores crticos para
calcular la diferencia de medias son calculados de acuerdo a:
Kp= qa(p,f)S . p= 2,3,...,a (3-45)
i
92
93
Prueba de Newman-Keuls (continuacin)
Esta prueba es ms conservadora que la de Duncan en el sentido
que generalmente la razn del error tipo I () es menor.
94
DETERMINACIN DEL
TAMAO DE LA MUESTRA
95
DETERMINACIN DEL TAMAO DE
LA MUESTRA
En cualquier problema de diseo
experimental, una decisin crtica es la
eleccin del tamao de la muestra; es
decir, determinar el nmero de rplicas
que se deben correr.
Si el experimentador tiene inters en
detectar efectos pequeos, se necesitan
ms rplicas que cuando se interesa en
detectar efectos grandes.
96
DETERMINACIN DEL TAMAO DE LA
MUESTRA (continuacin)
Curva de operacin caracterstica:
97
DETERMINACIN DEL TAMAO DE LA
MUESTRA (continuacin)
Curva de operacin caracterstica (cont.):
98
Curva de operacin caracterstica
99
Curva de operacin caracterstica (continuacin)
100
Curva de operacin caracterstica (continuacin)
101
Curva de operacin caracterstica (continuacin)
102
Ejercicio 3.11
103
Ejercicio 3.11 (continuacin)
104
Curva de operacin caracterstica
0.15
2,11
2.36
2.58
Alternativa
Usar una diferencia crtica entre medias
(D).
Si la diferencia entre las medias de dos
tratamientos cualesquiera es tan grabde
como D, puede demostrarse que el valor
mnimo de es:
108
FIN
109