Professional Documents
Culture Documents
Bioestadística II
En clases anteriores hemos estudiado
diseños aleatorizados a un factor (con
y sin bloqueo), introduciendo el
modelo de Análisis de la Varianza
Bioestadística II
Modelo lineal de Anova a un factor
Yij es la j-ésima
observación del i-ésimo Variable respuesta:
μ es la media
tratamiento, realizada conjunto de observaciones
general de las
sobre cada unidad que se obtienen de las
observaciones
experimental unidades experimentales
Tratamiento: conjunto de
acciones que se aplican a
las unidades
experimentales con el fin
τi es el efecto de observar cómo
del i-ésimo ɛij es un término que
responden
tratamiento representa al error
aleatorio asociado a la
observación Yij
Bioestadística II
Modelo lineal de Anova a un factor con bloques
βj es el efecto del
j-ésimo bloque, ɛij es un
con j=1,…,b término que
Yij es la
observación en representa al
el i-ésimo error
tratamiento del aleatorio
j-ésimo bloque asociado a la
observación
μ es la media τi es el efecto Yij
general de las del
observaciones i-ésimo
tratamiento,
con i=1,…,a
Bioestadística II
Ahora introduciremos los
, donde se evalúan
-o más- aplicados a las
mismas unidades de observación.
En este caso, se asume el supuesto de
aditividad entre los factores estudiados
Bioestadística II
El modelo para un diseño a dos
factores es el siguiente
H0: α1 = α2 = … = αa
H1: al menos un αi es diferente a los demás
H0: β1 = β2 = … = βb
H1: al menos un βj es diferente a los demás
Bioestadística II
Fuente de Grados de Cuadrado
Suma de Cuadrados F
Variación Libertad Medio
𝑎
(y𝑖· )2 (y·· )2 SCA 𝐂𝐌𝐀
Factor A SCA= - gla= a-1 CMA=
𝑖=1 𝑎 𝑎𝑏 gla 𝐂𝐌𝐄
𝑏
(y·𝑗 )2 (y·· )2 SCB 𝐂𝐌𝐁
Factor B SCB= - glb= b-1 CMB=
𝑗=1 𝑏 𝑎𝑏 glb 𝐂𝐌𝐄
ij ~ N I ( 0 , ) 2
Bioestadística II
Se incorpora entonces un al
modelo. Permite la partición de la variabilidad
considerando los efectos de cada factor y la interacción
entre ellos. El modelo correspondiente es el siguiente:
δij representa los efectos
Y es la respuesta de
αi es el efecto del para cada combinación de
ijk i-ésimo nivel del los niveles de los factores, es
la k-ésima repetición
factor A, con decir, la interacción entre
de cada uno de los
i=1,…,a factores
tratamientos
(definidos como
todas las posibles
combinaciones de los
a niveles del factor A
con los b niveles del
factor B)
ɛijk es un término que
μ es la media βj es el efecto del representa al error
general de las j-ésimo nivel del aleatorio asociado a la
observaciones factor B, con j=1,…,b observación Yijk
Bioestadística II
Hipótesis Estadísticas
H0: α1 = α2 = … = αa
H1: al menos un αi es diferente a los demás
H0: β1 = β2 = … = βb
H1: al menos un βj es diferente a los demás
Bioestadística II
Bioestadística II
Supuestos del modelo
Todos los análisis de la varianza presentan los mismos supuestos para
el término correspondiente al error aleatorio:
• La varianza de los errores es constante (homogeneidad de varianzas)
• Los errores son variables aleatorias normales con esperanza cero
• Los errores (y por ende los datos) son independientes unos de otros
ij ~ N I ( 0 , ) 2
Estación
Invierno Verano
24 17
Femenino 28 18
26 16
Sexo
17 24
Masculino 18 25
16 23
Ejemplo de aplicación
A continuación se presenta la tabla correspondiente
al Análisis de la Varianza (salida de Infostat).
Análisis de la varianza
Variable N R² R² Aj CV
Conc.Prot. 12 0,93 0,91 6,30
F.V. SC gl CM F p-valor
Modelo 198,00 3 66,00 37,71 <0,0001
Factor A 3,00 1 3,00 1,71 0,2268
Factor B 3,00 1 3,00 1,71 0,2268
Factor A*Factor B 192,00 1 192,00 109,71 <0,0001
Error 14,00 8 1,75
Total 212,00 11
Ejemplo de aplicación
Se grafica aquí la media ± el
error estándar asociado de la
concentración de proteínas en
hojas de Atriplex cordobensis,
por efecto del sexo y la época
de cosecha. Se observa que los
perfiles de respuesta se cruzan
en este caso donde la
interacción resultó
significativa.
Ejemplo de aplicación
Para poner a prueba los supuestos del modelo, se solicitó al programa que guarde
los residuos. En primer lugar, esta información fue utilizada para evaluar los
supuestos mediante interpretaciones gráficas. Finalmente, se llevaron a cabo los
test estadísticos correspondientes.
A continuación se detallan las
pruebas referidas a la
normalidad de los residuos
• Q-Q plot (normal)
• Test de Shapiro-Wilks
Shapiro-Wilks (modificado)