Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
a) Es simple de planificar.
b) El número de repeticiones puede variar de
tratamiento a tratamiento.
c) Existe más grados de libertad para estimar
el error experimental.
d) Es flexible en cuanto al número de
repeticiones y tratamientos.
e) Es útil cuando las unidades experimentales
tienen una variabilidad uniforme repartida.
f) Cuando se pierde alguna parcela
experimental se puede considerar que se
tenía diferente número de repeticiones por
tratamiento.
g) El Error Experimental puede obtenerse
separadamente para cada tratamiento para
comprobar la suposición de Homogeneidad
del Error.
Ing. Alcides Ramos Calcina
Desventajas
yij i eij
donde:
Donde:
t r r
t r y ij y ij
y.. yij y.. i 1 j 1
yi . j 1
i 1 j 1 tr r
t r t
yi2.
y
i 1 j 1
2
ij
i 1 r
100
t 1 CM error
C.V .(%) 100
y.. y..
• normalidad
• varianza constante (igual varianza de los tratamientos) e
• independencia.
1. NORMALIDAD
A) Gráfico
- Histograma de residuales - Grafico de probabilidad normal
B) Prueba Estadística
Shapiro – Wilk (muestras pequeñas: n <= 30) y
Kolmogorov – Smirnov (muestras grandes: n > 30)
2. HOMOGENEIDAD DE VARIANZAS
A) Gráfico
- Grafica de los residuales contra los valores ajustados
B) Prueba Estadística
- Prueba de Bartlett
- Prueba de Levene
Ing. Alcides Ramos Calcina
Verificación de los Supuestos del Modelo
3. INDEPENDENCIA
A) Gráfico
- Gráfica de residuales en secuencia en el tiempo
B) Prueba Estadística
- Prueba de Durwin-Watson
a) DESCRIPCIÓN DE COMPONENTES
Hipótesis de investigación:
El no consumo de alcohol permitirá realizar las tareas sin errores
en tiempos muy cortos.
Variable de respuesta:
Tiempo que tardan los trabajadores (en segundos) en realizar
correctamente la tarea asignada.
yij i eij
donde:
Grados de libertad:
GLtrat = t – 1 = 4 – 1 = 3
GLerror = t (r – 1) = 4 (5 – 1) = 16
GLtotal = N - 1 = 20 – 1 = 19
Suma de Cuadrados:
Cuadro ANVA:
Vista de datos:
Luego, Aceptar.
En segundo lugar describimos los cuatro equipos que tenemos que comparar,
las cuatro dosis de alcohol.
Se observa que el P-valor (Sig.) tiene un valor de 0.000, que es menor que el
nivel de significación 0.05. Por lo tanto, hemos comprobado estadísticamente
que estos cuatro grupos son distintos.
Es importante obtener los residuos del modelo, pues estos nos permitirán
realizar la validación del modelo, es decir, el cumplimiento de los supuestos.
Para esto elegimos la opción Guardar.
El modelo que hemos propuesto hay que validarlo, para ello hay que comprobar
si se verifican las hipótesis básicas del modelo, es decir, si las perturbaciones
son variables aleatorias independientes con distribución normal de media 0 y
varianza constante (homocedasticidad).
NORMALIDAD
Para analizar la hipótesis de normalidad de los residuos, se debe comenzar salvando los
residuos. Este procedimiento se realizo anteriormente y por tanto, los residuos se pueden
ver en la ventana de datos como se muestra en la figura:
El estudio de la Normalidad de
los residuos (RES_1), lo
realizamos mediante
procedimientos gráficos
(Histograma y Gráfico
probabilístico Normal) y
procedimientos analíticos
(Contraste de Kolmogorov-
Smirnov).
Introducimos en el
campo Variable: la
variable que recoge los
residuos RES_1, se
selecciona Mostrar
curva normal. Se pulsa
Aceptar
Histograma:
Introducimos en
el campo
Variables:
RES_1.
Se pulsa Aceptar
Seleccionamos en la pestaña
Galería: El tipo de gráfico
Dispersión de Puntos y lo
arrastramos a la vista previa del
gráfico, luego también arrastramos
las variables RES_1 y PRE_1 a la
ventana de vista previo del gráfico,
como se muestra en la figura:
En este gráfico se
muestran los residuales
contra los valores
pronosticados para los
datos del tiempo de
solución de sumas.
Aquí no se aprecia
ningún patrón de
comportamiento tipo
embudo que nos
pudiera indicar la
heterogeneidad de las
varianzas, por tanto,
existen indicios de
homogeneidad.
Barrar de errores:
Observamos que el
Tratamiento 3: Media
dosis hay mucha más
dispersión que el resto
de los tratamientos que
son muy similares en su
variabilidad. Del gráfico
no se deduce
directamente si hay
homogeneidad en estas
varianzas, por lo que
recurrimos analizar la
heterocedasticidad
analíticamente mediante
el test de Levene.
Se selecciona Prueba de
homogeneidad de las varianzas y
Gráfico de las medias. Se pulsa
Continuar y Aceptar
Prueba de Levene:
Grafica de los residuales contra el tiempo: Para realizar este gráfico tenemos
que agregar una variable OBS (Observaciones), luego realizamos lo siguiente: Gráficos /
Generador de gráficos …
Seleccionamos en la pestaña
Galería: El tipo de gráfico
Dispersión de Puntos y lo
arrastramos a la vista previa del
gráfico, luego también arrastramos
las variables RES_1 y OBS a la
ventana de vista previo del gráfico,
como se muestra en la figura:
Los residuales en la
secuencia del tiempo
no parecen mostrar
un patrón de
comportamiento, por
tanto, no hay razón
para sospechar
cualquier violación
delo supuesto de
independencia.
# Ingreso de datos
> tiempo<-c(42,39,48,43,44,45,46,45,39,43,64,61,50,55,58,56,55,
62,59,60)
> trat<-c(rep(1:4,rep(5,4)))
> plot(datos)
> respuesta<-aov(tiempo~trat,data=datos)
> anova(respuesta)
Response: tiempo
Df Sum Sq Mean Sq F value Pr(>F)
trat 3 1067.8 355.93 25.378 2.539e-06 ***
Residuals 16 224.4 14.02
---
Signif. codes:0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
NORMALIDAD:
a) Gráfico
- Histograma de los residuales
> hist(respuesta$residuals)
> qqnorm(respuesta$residuals)
> qqline(respuesta$residuals)
NORMALIDAD:
b) Prueba estadística
- Shapiro – Wilk (n <= 30)
> shapiro.test(respuesta$residuals)
ks.test(x,”Distribución”)
HOMOGENEIDAD DE VARIANZAS:
a) Gráfico
- Grafica de los residuales contra los valores ajustados
> plot(respuesta$fitted.values,respuesta$residuals)
> plot(respuesta$residuals~trat)
HOMOGENEIDAD DE VARIANZAS:
b) Prueba Estadística
- Prueba de Bartlett
> bartlett.test(tiempo~trat)
INDEPENDENCIA:
- Gráfica de residuales en secuencia en el tiempo
Marca de pilas
I II III
100 76 108
96 80 100
92 75 105
96 84 102
92 82 100