Professional Documents
Culture Documents
Formalizacin
Recordemos que tenemos k tratamientos o niveles diferentes, y
resultado del experimento hay na observaciones.
N = nk
n Rplicas
k
Niveles
...
Totales
Promedios
Y11
Y12
...
Y1n
Y21
Y22
...
Y2n
Y1.
Y2 .
Y 1.
Y 2.
...
Ya1
Ya2
...
Y2n
Ya .
Y a.
Y ..
Y ..
Diseo balanceado
Tabla ANOVA para un factor con a niveles
Fuente de
Variacin
Grados de
libertad
Suma de Cuadrados
(Y
a
SS E = SC E =
ij
i =1
Yi .
k-1
S 2B
n-k
S 2p = MSE = CM E =
j=1
SST = SSTrat + SS E
Total
SST =
i =1
(Y
n
j =1
ij
Y ..)
SS E
Na
SW2 = MSE
o bien
a
Fo
S 2B
SS Trat
FC = 2
= MST = CM T =
SW
a 1
2
Tratamientos SS
Trat = SC T = n i Y i . Y..
[between groups]
i =1
Error
[within groups]
Cuadrado Medio
n-1
y es un buen estimador
de
Esta gua presenta un ejemplo del diseo y anlisis de los experimentos con un solo factor con a niveles [a
tratamientos]
Se supone que las observaciones se realizan al azar experimento es completamente aleatorizado.
Ejemplo 12-1. En Design and Anlisis of Experiments, 4 edicin [John Wiley & Sons], D.C. Montgomery
describe un experimento en el que la resistencia a la tensin de una fibra sinttica es de inters para el
fabricante. Se piensa que la resistencia se relaciona con el porcentaje de algodn de la fibra. Se usan
cinco niveles de porcentaje de algodn y se hacen cinco rplicas en orden aleatorio, obtenindose los
siguientes datos como resultado:
k = 5Tratamientos
Rplicas
n=5
FACTOR
% DE ALGODN
15
20
25
30
7
12
14
19
7
17
18
25
15
12
18
22
11
18
19
19
9
18
19
23
35
10
11
15
11
k = Nmero de tratamientos o niveles del factor. Estos pueden ser fijos o aleatorios
n = Nmero de rplicas
Notar que no siempre el layout esta orientado de la misma manera
Para resolver el problema en una herramienta de cmputo se usan uno o los dos layouts
Layout1
P15
P20
7
7
15
11
9
P25
12
17
12
18
18
P30
14
18
18
19
19
Layout 2
Tratamiento
1
1
1
1
1
2
2
2
2
2
3
3
3
3
3
4
4
4
Resistencia
7
7
15
11
9
12
17
12
18
18
14
18
18
19
19
19
25
22
P35
19
25
22
19
23
7
10
11
15
11
4
4
5
5
5
5
5
19
23
7
10
11
15
11
H0 : 1 = 2 = 3 = 4 = 5
H 1 = al meno sel promedio de un Tratamiento es
diferente
A un nivel de significancia dado
Otra forma de escribirla es suponiendo que hay un promedio general 0
Cada valor del promedio puede alejarse mucho o poco del promedio general, si se eleja mucho se dice
que el efecto es importante sino pues se dice que el efecto es pequeo. Con este razonamiento las
hiptesis se pueden expresar de la manera siguiente
H0 : 1 = 2 = 3 = 4 = 5 = 0
H 1 = al menos un efecto es diferente de cero
Solucin en Statgraphics
Los datos se introducen usando los dos Layouts
Layout 1: cada tratamiento corresponde a una columna y se usa el menu para
comparar muestras mltiples.
Layout 2: los valores se ponen en dos columnas una columna codificada con el nivel del
tratamiento y la otra con los valores correspondientes para cada tratamiento. Se usa el Menu
Analisis de Varianza
[Anlisis de Varianza]
El Anlisis de Varianza nos va a ayudar a comparar los diferentes tratamientos o niveles del factor de
nuestro experimento.
Analysis of Variance
----------------------------------------------------------------------------Source
Sum of Squares
Df Mean Square
F-Ratio
P-Value
----------------------------------------------------------------------------Between groups
475.76
4
118.94
14.76
0.0000
Within groups
161.2
20
8.06
----------------------------------------------------------------------------Total (Corr.)
636.96
24
H 0 : 12 = 22 = 32 = 24 = 24 = 0
De acuerdo a estos Resultados la Pruebe de Bartlett nos dice que no se debe rechazar la hiptesis de
varianzas iguales
Evaluacin de la Normalidad
O bien
Directamente
De donde resulta
cumulative percent
-1.8
0.2
2.2
residuos
Tal parece que los residuos siguen una distribucin Normal.
La Prueba de Shapiro Wilks no existe en Statgraphics
4.2
6.2
Solucin en R
De donde resulta
> resistencias.vert
porcentaje resistencia
1
1
7
2
1
7
3
1
15
4
1
11
5
1
9
6
2
12
7
2
17
8
2
12
9
2
18
10
2
18
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
>
3
3
3
3
3
4
4
4
4
4
5
5
5
5
5
14
18
18
19
19
19
25
22
19
23
7
10
11
15
11
> attach(resistencias.vert)
> porcentaje<-factor(porcentaje)
> is.factor(porcentaje)
[1] TRUE
> resistencias.aov<-aov(resistencia~porcentaje)
> summary(resistencias.aov)
Df Sum Sq Mean Sq F value
Pr(>F)
porcentaje
4 475.76 118.94 14.757 9.128e-06 ***
Residuals
20 161.20
8.06
--Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
Normalidad en Excel
Tratamiento
1
1
1
1
1
2
2
2
2
2
3
3
3
3
3
4
4
4
4
4
5
5
5
Resistencia
7
7
15
11
9
12
17
12
18
18
14
18
18
19
19
19
25
22
19
23
7
10
11
promportrat
9.8
9.8
9.8
9.8
9.8
15.4
15.4
15.4
15.4
15.4
17.6
17.6
17.6
17.6
17.6
21.6
21.6
21.6
21.6
21.6
10.8
10.8
10.8
residuos
-2.8
-2.8
5.2
1.2
-0.8
-3.4
1.6
-3.4
2.6
2.6
-3.6
0.4
0.4
1.4
1.4
-2.6
3.4
0.4
-2.6
1.4
-3.8
-0.8
0.2
5
5
15
11
10.8
10.8
residuos
-3.8
-3.6
-3.4
-3.4
-2.8
-2.8
-2.6
-2.6
-0.8
-0.8
0.2
0.2
0.4
0.4
0.4
1.2
1.4
1.4
1.4
1.6
2.6
2.6
3.4
4.2
5.2
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
4.2
0.2
(j-0.5)/25
0.02
0.06
0.1
0.14
0.18
0.22
0.26
0.3
0.34
0.38
0.42
0.46
0.5
0.54
0.58
0.62
0.66
0.7
0.74
0.78
0.82
0.86
0.9
0.94
0.98
(j-0.5)/25
1.2
1
0.8
0.6
0.4
0.2
5.
2
3.
4
2.
6
1.
4
1.
4
0.
4
0.
4
0.
2
.8
-0
.8
.4
.6
-2
-2
-3
-3
.8
H 0 : 1 = 2 = ... = k
Cuando
Ho
Es decir
NO SE RECHAZA
SE RECHAZA
F0 f ( k 1), k ( n 1),
o bien
o bien
PRUEBA DE
HIPOTESIS
SI
Ho
SE ACEPTA ?
NO
Al menos un tratamiento es
diferente
DIAGRAMA DE CAJA
25
Resistencia
22
19
Se aprecian diferencias
16
importantes
13
10
7
% 15
% 20
% 25
% 30
Algodn %
todo de desviacin estndar individual
Sy i . =
(Y
ij
Yi .) 2
n 1
% 35
Table of Means
with Standard error intervals
-------------------------------------------------------------------------------Stnd. error
Count
Mean
(individual)
Lower limit
Upper limit
-------------------------------------------------------------------------------% 15
5
9.8
1.49666
8.30334
11.2967
% 20
5
15.4
1.4
14.0
16.8
% 25
5
17.6
0.927362
16.6726
18.5274
% 30
5
21.6
1.16619
20.4338
22.7662
% 35
5
10.8
1.28062
9.51938
12.0806
-------------------------------------------------------------------------------Total
25
15.04
S yi . =
Y i.
Sy i .
n
Sy i .
n
El procedimiento es igual al mtodo anterior, pero aqu se usa el MSE de la tabla ANOVA, es
decir;
Y i . t
2
, ( n 1)
S yi.
Y i . t
2
, a ( n 1)
LSD = t
2
, a ( n 1)
MSE (
1
1
+ )
ni n j
LSD = t
2
, a ( n 1)
2 MSE
n
Table of Means
with 95.0 percent LSD intervals
-------------------------------------------------------------------------------Stnd. error
Count
Mean
(pooled s)
Lower limit
Upper limit
-------------------------------------------------------------------------------% 15
5
9.8
1.26965
7.92727
11.6727
% 20
5
15.4
1.26965
13.5273
17.2727
% 25
5
17.6
1.26965
15.7273
19.4727
% 30
5
21.6
1.26965
19.7273
23.4727
% 35
5
10.8
1.26965
8.92727
12.6727
-------------------------------------------------------------------------------Total
25
15.04
Y i.
LSD
2
T =
q (a, f )
2
MSE (
1
1
+ )
ni n j
en donde
T = q (a , f )
f = a ( n 1)
MSE
n
Se obtiene de
TABLA I
MSE
8.06
= 5.29
= 6.72
n
5
Por lo tanto, cualquier par de promedios de los tratamientos que difieran en valor absoluto por
ms de 6.72 implicara que el par correspondiente de medias poblacionales son
significativamente diferentes.
Table of Means
with 95.0 percent Tukey HSD intervals
-------------------------------------------------------------------------------Stnd. error
Count
Mean
(pooled s)
Lower limit
Upper limit
-------------------------------------------------------------------------------% 15
5
9.8
1.26965
7.1127
12.4873
% 20
5
15.4
1.26965
12.7127
18.0873
% 25
5
17.6
1.26965
14.9127
20.2873
% 30
5
21.6
1.26965
18.9127
24.2873
% 35
5
10.8
1.26965
8.1127
13.4873
-------------------------------------------------------------------------------Total
25
15.04
Y i.
HSD
2
k( k 1) 5( 4)
=
= 10
2
2
upr
6.372958
10.972958
13.172958
17.172958
9.972958
12.172958
16.172958
7.572958
11.572958
9.372958
p adj
0.9797709
0.0385024
0.0025948
0.0000190
0.1162970
0.0090646
0.0000624
0.7372438
0.0188936
0.2101089
> plot(TukeyHSD(resistencias.aov,ordered=TRUE))