Professional Documents
Culture Documents
j 1,
, p,
, q , k 1,
,r
(1)
Luego, en cada nivel del factor cualitativo se asume que existe un modelo de regresin
polinomial:
Yijk 00 10 Z 2 jk
p 10 Z pjk 01 X jk 01 X 2jk
11Z 2 jk X jk 12 Z 2 jk X 2jk
0 q 1 X jk
q 1
1 q 1 Z 2 jk X jk
q 1
p 1 q 1 Z pjk X jk
q 1
ijk
para j 1,
, q , k 1,
, r (2)
si i i
1
siendo: Zijk
0 de otro modo
Para poder estimar los parmetros se tiene que usar polinomios ortogonales el cual es
una reparametrizacin del modelo dado en (2)
Yijk 00 10 Z 2 jk
p 10 Z pjk 01P1 X jk
11Z 2 jk P1 X jk 12 Z 2 jk P2 X jk
1 q 1 Z 2 jk P q 1 X jk
para j 1,
, q , k 1,
,r
0 q 1 P q 1 X jk
p 1 q 1 Z pjk P q 1 X jk ijk
(3)
P0 X j 1
P1 X j X j P0 X j 1P0 X j
P2 X j X j P1 X j 2 P1 X j 1P0 X j
,m
(5)
con P1 X j 0 y m q 1 . Siendo
X P X
q
j 1
1h
h 1
P X
q
h 1
X h Pj X h Pj 1 X h
h 1
P X
q
h 1
P X
q
j 1
h 1
q
P X
h 1
j 1
Pj X h 0 ,
q
h 1
l 1, 2,
Pj X h 0 y
h 1
P X P X 0 , para
h 0
j 1, 2,
, q 1 ,
, q 1 , y para j l .
Es decir estos polinomios son ortogonales. En este modelo se puede considerar menos
polinomios ortogonales, dependiendo de la significancia de los efectos obtenido al
realizar la prueba de F parcial.
Estimacin de Parmetro
Para cada nivel de A, i 1,
0
0
P Z111
1
P
Z
112
P
, Zi
1
P Z pqr
0
0
, p , se tiene:
P 1 Z2
Zp
P1
P q-1
Z2P1
Z2P q-1
Z p P1
Z p P q1 ,
Y111
111
Y11r
11r
Y
,
Y121
121
Ypqr
pqr
Entonces, el modelo dado en (2), puede ser escrito
Y P ,
para i 1,
, p (6)
para i 1,
, p (7)
SCEMC YY PY , CMEMC
SCEMC
, gle r p 1 q 1
gle
Pruebas de Hiptesis
a) Sea H 0 : 10 20
p 10 0
Yijk 00 01 P1 X jk
0 q 1 P q 1 X jk
11Z 2 jk P1 X jk 12 Z 2 jk P2 X jk
1 q 1 Z 2 jk P q 1 X jk
para j 1,
, q , k 1,
,r
p 1 q 1 Z pjk P q 1 X jk ijk
(8)
Luego, sea
Q 1
P1
P q-1
Z2 P1
Z2 P q-1
Z p P q1
Y Q ,
para i 1,
,p
(9)
-1
= QQ QY y SCEMR YY - QY ,
SCA
p 1
Fc
CMEMC
Donde CMEMC
SCEMC
, gle r p 1 q 1
gle
, q 1
Yijk 00 10 Z 2 jk
p 10 Z pjk 01 P1 X jk
0l 1 Pl 1 X jk
0 q 1 P q 1 X jk
11Z 2 jk P1 X jk 12 Z 2 jk P2 X jk
0l 1 Pl 1 X jk
1 q 1 Z 2 jk P q 1 X jk
p 1 q 1 Z pjk P q 1 X jk ijk
Q1 1 Z 2
Zp
P1
Pl 1
Pl 1
P q1
Z 2P1
Z 2P q1
Z p P1
Z p P q1
para i 1,
, p (10)
Luego,
-1
1 = Q1Q1 Q1Y y SCEMR1 YY - 1Q1Y ,
Fc
SCBl
CMEMC
c) Sea H 0 : 1m 2 m
p1m 0 versus
H1 : lm 0, para al menos un l 1, 2,
para m, 2,
, p 1 ,
, q 1
Yijk 00 10 Z 2 jk
0l 1 Pl 1 X jk
0 q1 P q1 X jk
11Z 2 jk P1 X jk 12 Z 2 jk P2 X jk
0l 1 Pl 1 X jk
1 q1 Z 2 jk P q1 X jk
p1Z q1 jk P1 X jk p 2 Z q1 jk P2 X jk
p q1 Z pjk P q1 X jk ijk
Q2 1 Z 2
Zp
P1
P q1
Z 2P1
Z p P1
Z 2 Pl
Z p Pl
Z 2P q1
(10)
Luego,
-1
2 = Q2Q2 Q2Y y SCEMR 2 YY - 2Q2Y ,
SCABl
p 1
Fc
CMEMC
Z p P q1
SC
p-1
SC[B]
SC[B1]
SC[B2]
.
.
.
SC[Bq-1]
SC[AB]
AB1
AB2
.
.
.
ABq-1
Error
Total
SC[AB1]
SC[AB2]
.
.
.
SC[ABq-1]
SCE
SCTotal
GL
q-1
.
.
.
CM
CM[A]
CM[B]
1
SC[B1]
1
SC[B2]
.
.
.
1
SC[Bq-1]
(p-1)(q1)
p-1
SC[AB1]/(p-1)
p-1
SC[AB2]/(p-1)
.
.
.
.
.
.
p-1
SC[ABq-1]/(p-1)
pq(r-1) CME
pqr-1
Nota: Primero se empieza probando las interacciones del factor cualitativos con los
polinomios, si al menos una de las pruebas resulta significativa entonces la decisin no
se puede tomar en forma independiente, se tiene que incluir en el modelos todas las
variables indicadoras del factor cualitativos as como todos los polinomios e
interacciones de grados menor o de igual que del polinomio o interaccin de mayor
grado que contribuye significativamente sobre la variable respuesta. Si ninguna de las
pruebas sobre las interacciones de los polinomios resulta significativa, entonces la
decisin se toman en forma independiente y se incluye los polinomios de grado menor o
igual que del polinomio de mayor grado que contribuye significativa. Las variables
indicadoras se incluyen en el modelo solo si el factor contribuye significativamente
sobre la variable respuesta.
Ejemplo: En el siguiente ejemplo se presenta la duracin efectiva en horas de tres tipos
de material para bateras sometidos a tres niveles de temperaturas (en grados
Fahrenheit), los datos se muestra a continuacin:
Tipo de Material
1
2
3
Z2
0
1
0
Z3
0
0
1
P0 X j 1
P1 X j X j P0 X j 1P0 X j
P2 X j X j P1 X j 2 P1 X j 1P0 X j
con P1 X j 0 Siendo
X P X
3
j 1
1h
h 1
P X
3
h1
X P X P X P X
h1
j 1
P X
3
h1
>
>
>
>
>
>
>
j 1
h 1
3
P X
h 1
j 1
material1<-read.table("material1.txt",T)
duracion<-material1[,1]
tipo<-as.factor(material1[,2])
temp<-material1[,3]
mod<-lm(duracion~tipo+I(temp)+I(temp^2)+tipo*I(temp)+tipo*I(temp^2))
anva<-aov(mod)
summary(anva)
Df Sum Sq Mean Sq F value
Pr(>F)
tipo
2 10684
5342
7.911 0.00198 **
I(temp)
1 39043
39043 57.823 3.53e-08 ***
I(temp^2)
1
76
76
0.113 0.73975
tipo:I(temp)
2
2315
1158
1.714 0.19911
tipo:I(temp^2) 2
7299
3649
5.405 0.01061 *
Residuals
27 18231
675
--Signif. codes: 0 *** 0.001 ** 0.01 * 0.05 . 0.1 1
Median
1.375
3Q
17.938
Max
45.250
Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept)
169.380165 20.567656
8.235 7.66e-09 ***
tipo2
-9.756198 29.087058 -0.335 0.73991
tipo3
-36.617769 29.087058 -1.259 0.21884
I(temp)
-2.501446
0.755148 -3.313 0.00264 **
I(temp^2)
0.012851
0.005260
2.443 0.02139 *
tipo2:I(temp)
2.328099
1.067941
2.180 0.03815 *
tipo3:I(temp)
3.404339
1.067941
3.188 0.00361 **
tipo2:I(temp^2) -0.018512
0.007439 -2.488 0.01929 *
tipo3:I(temp^2) -0.023099
0.007439 -3.105 0.00443 **
--Signif. codes: 0 *** 0.001 ** 0.01 * 0.05 . 0.1 1
Residual standard error: 25.98 on 27 degrees of freedom
Multiple R-squared: 0.7652,
Adjusted R-squared: 0.6956
F-statistic:
11 on 8 and 27 DF, p-value: 9.426e-07
Duracin
169.380165 2.501446temperatura 0.012851temperatura 2
La ecuacin de regresin estimada para el material tipo 2 se obtiene haciendo
tipo2 1 y tipo3 0 en la ecuacin dada en (11)
Duracin
159.623967 0.173347temperatura 0.005661temperatura 2
La ecuacin de regresin estimada para el material tipo 3 se obtiene haciendo
tipo2 0 y tipo3 1 en la ecuacin dada en (11)
Duracin
132.762396 0.902893temperatura 0.0102481temperatura 2