1

DISEO EXPERIMENTAL
ESPOCH
NOMBRES: KAORLI ALDAZ- CLAUDIO TORRES
FECHA: 2014-05-07
TEMA: VERIFICACIN DE LOS SUPUESTOS DEL MODELO DCA

SUPUESTOS DEL ANOVA COMPLETAMENTE AL AZAR.

Aditividad: Los factores o componentes del modelo estadstico son aditivos, es
decir la variable respuesta es la suma de los efectos del modelo estadstico.
Linealidad: La relacin existente entre los factores o componentes del modelo
estadstico es del tipo lineal.
Normalidad: Los valores resultado del experimento provienen de una distribucin de
probabilidad Normal con media y variancia .
Independencia: Los resultados observados de un experimento son independientes
entre s.
Variancias Homogneas (Homocedasticidad): Las diversas poblaciones generadas por
la aplicacin de dos o ms tratamientos tienen varianciashomogneas (variancia
comn).

Verificacin de los supuestos del modelo en el DCA.- Consideremos el modelo en el
DCA.


El modelo es un modelo terico que se supone describir lo que ocurra en el
experimento. Cuando se realiza el ANOVA y slo si ste resulta significativo,
entonces se procede estimar el modelo ajustado o modelo de trabajo dado por:


estimado del tratamiento i; los gorros indican que son estimadores, es decir, valores
calculados a partir de los datos del experimento. El trmino del error desaparece del
modelo estimado por el hecho de que su valor esperado, es igual a cero (E("ij) = 0). Como
la media global se estima con Y y el efecto del tratamiento i con Y i Y, el modelo ajustado
del DCA se puede escribir como:



2


DISEO EXPERIMENTAL
ESPOCH
La respuesta predicha para cada observacin es la media muestral del tratamiento
correspondiente. El residual o residuo asociado a la observacin Yij se define como la
diferencia entre Yij y el valor predicho Yij por el modelo, es decir:

En el DCA los residuos se obtienen restando a cada valor observado la media
muestral del tratamiento a que pertenece. Los N residuos eij representan una muestra
aleatoria de la variable "ij:Los supuestos del modelo lineal en trminos de los residuos,
suponen que:
1. Los eij. siguen una distribucin normal con media cero.
2. Los eij son independientes entre s.
3. Los tratamientos tienen una varianza constante

Pruebas grficas.- Para comprobar cada supuesto existen pruebas analticas y grficas.
Las pruebas grficas se pueden aplicar razonablemente con pocos datos, cosa que no
sucede con las pruebas analticas; estas ltimas pierden drsticamente su potencia
con pocos datos. El inconveniente que tienen las grficas es que no son exactas,
aun as, proporcionan la evidencia suficiente en contra o a favor de los supuestos.
Su uso requiere fuerte evidencia visual para concluir que el supuesto en cuestin no
se cumple, requiere que la evidencia en contra de un supuesto est soportada por
ms de dos puntos. Cuando es uno o dos los puntos que se salen del
comportamiento esperado de las grficas se puede tratar de un problema de puntos
aberrantes, no de violacin del supuesto en cuestin. En este caso debe investigarse
la obtencin de dichas mediciones atpicas, ya que ese tipo de puntos pueden afectar
sensiblemente los resultados del anlisis.
Es mejor prevenir en lo posible que los supuestos no se violen, aplicando los tres principios
bsicos del diseo de experimentos: repeticin, aleatorizacin y bloqueo.
Es fcil encontrar situaciones en las que por no aplicar alguno de estos principios, no se
cumple alguno de los supuestos del modelo.
No aleatorizar el orden en que se corren las pruebas colleva a que no se cumpla el
supuesto de independencia.
NORMALIDAD.- Un procedimiento para verificar el cumplimiento del supuesto de
normalidad de los residuos, consiste en graficar los residuos en papel o grfica de
probabilidad normal que se incluye casi en todos los paquetes estadsticos. Esta grfica


3


DISEO EXPERIMENTAL
ESPOCH
tiene las escalas de tal manera que si los residuos siguen una distribucin normal, al
graficarlos deben tender a estar alineados en una lnea recta; si claramente no se
alinean se concluye que el supuesto de normalidad no se cumple.
El ajuste de los puntos a una recta no tiene que ser perfecto, dado que el anlisis
de varianza resiste pequeas y moderadas desviaciones al supuesto de normalidad.
Prueba de Shapiro-Wilks para normalidad.- Consideremos una muestra aleatoria de
datos X1; X2; :::; Xn que proceden de cierta distribucin desconocida. Se quiere
verificar si dichos datos fueron generados por un proceso normal mediante las
hiptesis estadsticas:

Los pasos para la prueba de Shapiro-Wilks son:
1. Se ordenan los datos de menor a mayor. Denotemos los datos ordenados por
X(1); X(2); :::; X(n).
2. De la tabla Shapiro-Wilks para este procedimiento, se obtienen los
coeficientes a a1; a2; :::; ak, donde k es aproximadamente n=2.
3. Se calcula el estadstico W denido como:

Donde S2 es la varianza muestral
4. Si el valor W del estadstico es mayor que su valor crtico al nivel seleccionado en
la tabla , se rechaza la normalidad de los datos.

Normalidad de los efectos: se refiere a que las respuestas Yij deben poseer una
distribucin normal dentro de cada grupo de tratamiento. Para verificar su
cumplimiento se plantean las hiptesis:

Ho: La distribucin de cada tratamiento es normal
H1: La distribucin de cada tratamiento no es normal

La prueba que utilizamos en este caso es la de Shapiro-Wilk para muestras pequeas y
Kolmogorov-Smirnov para muestras grandes. Aunque la Prueba de Shapiro-Francia es


4


DISEO EXPERIMENTAL
ESPOCH
equivalente a la de Kolmogorov-Smirnov.

Se dice que existe normalidad en los datos cuando al ser graficados los residuos se observe
claramente que tienden a estar colocados en la grfica de tal modo que se presente una lnea
recta; si los puntos no se alinean claramente se puede concluir que no se cumple con este
supuesto (los datos provienen de una poblacin con distribucin normal). El ajuste
de los puntos no debe ser perfecto dado que el ANOVA resiste pequeas desviaciones
al supuesto de normalidad. Para obtener la grfica de la normalidad se debe realizar lo
siguiente:

1. Ordenar los N valores del menor al mayor y asignarles rangos de 1 a N.
Sean ri , i =1,2,.,N, los rangos de los datos en orden creciente.
2. Calcular ( i-0,5)/N y luego sean Zi los valores tabulados de la distribucin normal
estndar con los valores calculados.
3. Graficar los residuos de los datos en el eje de las X y los Zi en el eje de las Y.


VARIANZA CONSTANTE.
Predichos contra los residuos.- Se puede verificar el supuesto de que los
tratamientos tienen la misma varianza es gracando los predichos contra los residuos
vertical. Si los puntos en la grca de residuos contra los predichos se distribuyen
aleatoriamente en una banda horizontal (sin ningn patrn claro y contundente),
entonces es seal de que se cumple el supuesto de que los tratamientos tienen igual
varianza.
Factor contra residuos.- Al graficar de niveles del factor contra residuos, si se cumple el
supuesto de varianza constante, se espera que la amplitud de la dispersin de los
puntos en cada nivel de factor tender a ser similar; y no se cumplir el supuesto si
hay diferencias fuertes en esta amplitud.


5


DISEO EXPERIMENTAL
ESPOCH
Otra interpretacin de la grca de factor contra residuos es que cuando los
tratamientos o niveles muestran una diferente dispersin de sus residuales
correspondientes, es que el factor o los tratamientos tienen efecto signicativo sobre
la variabilidad de la respuesta. Con base en esta informacin se podra buscar
proponer un nivel de operacin para dicho factor que minimice la dispersin y optimice la
media.
Cuando hay una evidencia contundente de que no se cumple el supuesto de varianza
constante, se debe ver en qu sentido se ven afectadas las conclusiones que se
obtienen con el ANOVA y las pruebas de rangos mltiples. Por ejemplo, si se aprecia
que el mejor tratamiento tambin es el que tiene menor dispersin, entonces se debe
mantener tal tratamiento como la eleccin correcta, y ver si es de inters investigar por
qu la diferencia en variabilidad con algunos de los otros tratamientos. Pero si al
que se haba considerado el mejor tratamiento, es el que tiene la varianza ms grande,
entonces es difcil mantener a tal tratamiento como la eleccin correcta. En este caso se
debe replantear la decisin y el anlisis.
Una forma de volver a hacer el anlisis y reconsiderar la situacin es transformar los
datos u observaciones Yij de manera que se disminuyan las diferencias en
dispersin, y se pueda ver ms claramente lo que ha pasado en el experimento. Existe gran
cantidad de transformaciones propuestas que logran lo anterior, entre las ms frecuentes se
encuentra la logartmica y la raz cuadrada. As se hace la transfor- macin, se saca
logaritmo a los datos u observaciones por ejemplo, y con los datos transformados se
vuelve a hacer el anlisis completo.
Homogeneidad de las varianzas.- se refiere a que cada respuesta Yij debe poseer
dentro de cada tratamiento una variacin parecida o igual a la de otro tratamiento.
Este supuesto puede ser probado postulando como hiptesis nula
y alterna las siguientes:

H0 : 1
2
2
2
3
2
... k
2 ( Los k tratamientos tienen igual varianza ).
H1 : 1
2
2
2
3
2
... k
2

( No todos los k tratamientos tienen igual varianza ).

Para verificar el cumplimiento de este supuesto se utiliza la prueba de Bartlett o de
Levene. La aplicacin de estas pruebas debe conducir a un no rechazo de Ho para
que exista la homogeneidad de varianzas.

Si los puntos graficados de la manera indicada anteriormente se distribuyen en manera


6


DISEO EXPERIMENTAL
ESPOCH
aleatoria a lo largo de una banda, entonces es una clara seal de que los tratamientos tienen
igual varianza. Por el contrario si se distribuyen dando a conocer algn patrn claro y
contundente de corneta o embudo los datos no cumpliran con este supuesto.

Otra grfica que ayuda a la visualizacin del cumplimiento de este supuesto es cuando se
grafica los niveles de un factor en el eje horizontal contra los residuos correspondientes a
cada nivel del factor en el eje vertical, se cumple con el supuesto de igualdad de varianzas
cuando la amplitud de la dispersin de los puntos en cada nivel del factor tienden a ser
similares. Si existen diferencias fuertes entre esta amplitud es suficiente
evidencia para que no se cumpla con el supuesto.



Un mtodo analtico para comparar la igualdad de varianzas es el mtodo de Bartlett.
Prueba de Bartlett de homogeneidad de varianzas. - Cuando se tienen k
poblaciones o tratamientos independientes, cada una con distribucin normal:

Donde las varianzas son desconocidas. Se quiere probar la hiptesis de igualdad de
varianzas dada por:

Mediante un DCA se obtienen k muestras aleatorias de tamaos ni (i = 1; 2; :::; k) de
dichas poblaciones, de modo que el total de mediciones es N = n1 + n2 + ::: + nk.
El estadstico de prueba para la hiptesis est dado por:


7


DISEO EXPERIMENTAL
ESPOCH
:


La prueba de Bartlett es sensible a la falta de normalidad de las poblaciones de
inters, por lo que debe comprobarse el cumplimiento de este supuesto.
INDEPENDENCIA.- La suposicin de independencia en los residuos puede
verificarse si se grafica el orden en que se colect un dato contra el residuo
correspondiente, si se detecta una tendencia o patrn no aleatorio claramente
definido, entonces es evidencia de que existe una correlacin entre los errores y por lo tanto
el supuesto de independencia no se cumple. Si el comportamiento de los puntos es
aleatorio dentro de una banda horizontal, el supuesto se est cumpliendo.
La violacin de este supuesto generalmente indica deficiencias en la planeacin y ejecucin
del experimento, puede ser una indicacin de que no se aplic en forma correcta el
principio de aleatorizacin, o simplemente que, en la medidad en que el experimento
se fue ejecutando fueron apareciendo factores que afectaron la respuesta observada.
Por ello, en caso de tener problemas con este supuesto, las conclusiones que se
pueden obtener del anlisis son endebles, y por tanto es mejor revisar lo hecho y tratar
de investigar por qu no se cumpli con ese supuesto de independencia, para
reconsiderar la situacin.
Independencia de los errores de un tratamiento a otro: Es decir, se calculan
los errores residuales para cada grupo de tratamiento a travs de la frmula:



8


DISEO EXPERIMENTAL
ESPOCH
Las hiptesis son:
Ho: Hay independencia de errores.
H1: Hay dependencia de errores.
El supuesto de independencia se verifica su cumplimiento utilizando la prueba de
aleatoriedad o de las rachas que es una prueba del mbito no paramtrico.

Si al graficar en el eje horizontal el tiempo (orden de corrida) y en el eje vertical los
residuos, se detectara un una tendencia o patrn no aleatorio claramente definido, entonces
es evidencia de que existe una correlacin entre los errores y por tanto el supuesto de
independencia no se cumple. Por el contrario si el comportamiento de los puntos graficados
se desplaza de modo aleatorio sobre una banda horizontal es evidencia de que se est
cumpliendo con este supuesto.

Una de las principales causas cuando no se cumple con este supuesto indica
deficiencias en la planeacin y ejecucin del experimento, adems que no se est utilizando
de manera adecuada el principio de aleatorizacin.


Una prueba analtica para verificar la independencia entre residuos consecutivos es la
prueba de Durbin-Watson, sin embargo existe el problema esta prueba no es capaz de
detectar otros patrones de correlacin entre residuos (no consecutivos) que tambin son
violatorios del supuesto de independencia.

ADITIVIDAD DE LOS EFECTOS: las respuestas de cada grupo de tratamiento es la
suma de la media general ms un efecto aleatorio asociado a la respuesta. El sistema
hipottico es:



9


DISEO EXPERIMENTAL
ESPOCH
Ho: Los efectos son aditivos.
H1: Los efectos no son aditivos.

La prueba estadstica apropiada es la Prueba de Tukey para la aditividad. Esta prueba debe
conducir a un no rechazo de Ho para que el supuesto se cumpla.

VOCABULARIO.

NEMOTECNIA.- La mnemotecnia o nemotecnia es la tcnica o procedimiento de
asociacin mental de ideas, esquemas, ejercicios sistemticos, repeticiones, etc. para
facilitar el recuerdo de algo.

LINCOGRAFA.

http://es.wikipedia.org/wiki/Mnemotecnia
http://www.infinitumpage.mx/D6366948926/Dise%F1o%20de%20Experimentos.pdf