Actividad2 Sanchez Campoy CM

DISEO ESTADSTICO EXPERIMENTAL Y CONTROL DE CALIDAD.
APLICACIONES EN BIOCIENCIAS E INGENIERA

- MASTER EN ESTADSTICA APLICADA -
AUTORA: CARMEN MARA SNCHEZ CAMPOY

1

A
A
c
c
t
t
i
i
v
v
i
i
d
d
a
a
d
d
2
2

T
T
e
e
m
m
a
a
2
2

TRABAJO REALIZADO POR: CARMEN M SNCHEZ CAMPOY
PROFESORES: RAMN GUTIRREZ SNCHEZ
MARIA DOLORES RUIZ MEDINA
CURSO: DISEO ESTADSTICO EXPERIMENTAL Y CONTROL DE CALIDAD.
APLICACIONES EN BIOCIENCIAS E INGENIERA

- MASTER ESTADSTICA APLICADA -
DISEO ESTADSTICO EXPERIMENTAL Y CONTROL DE CALIDAD. APLICACIONES EN BIOCIENCIAS E INGENIERA

2

A1. CUESTIONES TERICAS
Resolver tres actividades tericas.
1.- Deducir los valores esperado de las sumas de cuadrados medios entre
tratamientos y dentro de cada tratamiento para el modelo de efectos fijos y
efectos aleatorios.
Est realizado para tamao muestrales iguales, de forma anloga se realizara para
tamaos muestrales desiguales.

La suma total de cuadrados,

2
..
1 1
( )
k n
ij
i j
SCT y y
= =
=

en la que hemos desglosado la variabilidad total de los datos, podemos expresarla en
dos partes:
- La suma de cuadrados de las desviaciones de las medias de los tratamientos
respecto de la media general, denominada suma de cuadrados entre
tratamientos o variabilidad explicada:
2
. ..
1
( )
k
r i
i
SCT n y y
=
=

- La suma de cuadrados de las desviaciones de las observaciones de cada
nivel respecto de su media, denominada suma de cuadrados dentro de los
tratamientos, variabilidad no-explicada o residual:
2
.
1 1
( )
k n
ij i
i j
SCR y y
= =
=

A partir de las sumas de cuadrados anteriores se pueden construir los denominados
cuadrados medios, definidos como los cocientes entre dichas sumas de cuadrados y
sus correspondientes grados de libertad.
Cuadrado medio total:

2
..
2
1 1
( )
1
k n
ij
i j
T
y y
S
N
= =

Cuadrado medio entre tratamientos:

2
. ..
2
1
( )
1
k
i
i
Tr
n y y
S
k
=

Cuadrado medio residual:
2
.
2
1 1
( )
k n
ij i
i j
R
y y
S
N k
= =

MODELO DE EFECTOS FIJOS:
Teniendo en cuenta que:

3

ij i ij
y = + +
. . i i i
y n n = + +
.. ..
1
k
i
i
y N n
=
= + +

.
.
i
i i
y = + + .. y = +
1
0
k
i i
i
n
=
=

Se tiene:

2 2
. ..
. ..
2
1 1
( ) ( ( ))
1 1
k k
i
i i
i i
Tr
n y y n
S
k k

= =
+
= = =

2 2
. .. . ..
1 1 1
( ) 2 ( )
1 1 1
k k k
i i
i i
i i i
n n n
k k k

= = =

= + +

Tomando esperanzas:

2 2
. .. . ..
2
1 1 1
( ) 2 ( )
1 1 1
k k k
i i
i i
i i i
Tr
n n n
E S E E E
k k k

= = =
( ( (

( ( (
(
( ( ( = + +
(

( ( (
( ( (

Ahora bien, puesto que:
a) El modelo es de efectos fijos , [ ]
i i
E = entonces
2 2
1 1
1 1
k k
i i
i i
n n
E
k k

= =
(
(
( =

(
(

b) Como
2
2
( )
i i i
N n
E E Var
Nn

( ( (
= =

y N kn = se tiene que:
2 2
. .. . .. 2
1 1
. ..
1
( ) ( )
( )
1 1 1
k k
i i
k
i i
i i
i
n n E
n
E E y y
k k k

= =
=
(
(

(

(
( = = =

(
(

2
2 2
2
2
1 1 1
( ) ( )
1 1 1 1
k k k
i i i
i i i
n n n N n n k kn n
E E Var
k k k Nn k kn

= = =

(
( (
= = = = =

c) Como . .. 0 i E
(
=

, entonces

4

. .. . ..
2
1 1
2 ( ) 2 ( )
0
1 1
k k
i i
i i
i i
Tr
n n E
E E S
k k

= =
(

(
(
( = = =
(

(
(

de donde:
2
2
2 1
1
k
i
i
Tr
n
E S
k
= (
= +
(

y [ ]
2 2
1
( 1)
k
r i
i
E SCT n k
=
= +

Por otro lado como:

2
2
R E S
(
=
(

y

2 2 2
( 1) ( 1) ( ) T Tr R N S k S N k S = +
Se tiene que:

2 2 2
( 1) ( 1) ( ) T Tr R N E S k E S N k E S
( ( (
= +
( ( (

2
2
2 2 2 2 1
1
( 1) ( 1) ( ) ( 1)
1
k
i k
i
T
i
i
n
N E S k N k n N
k

=
=
| |
|
(
| = + + = +
(

|
|
\

Luego:

2
2
2 1
1
k
i
i
T
n
E S
N
= (
= +
(

y [ ]
2 2
1
( 1)
k
i
i
E SCT n N
=
= +

MODELO DE EFECTOS ALEATORIOS:
Teniendo en cuenta que:

ij i ij
y = + +
. . i i i
y n n = + +
.. ..
1
k
i
i
y N n
=
= + +

.
.
i
i i
y = + + ..
1
1
k
i
i
y
k

=
= + +

Se tiene:

2
2
. ..
. ..
2
1 1
1
1
( )
( )
1 1
k k
k
i
i t
i
i t
i
Tr
n
n y y
k
S
k k

= =
=
| |
| |
+
|
|
\ \
= = =

2
2
. .. . ..
1 1 1 1 1
1 1
2 ( ) ( )
1 1 1
k k k k k
i i
i t i t
i t i t i
n n n
k k
k k k

= = = = =
| | | |

| |
\ \
= + +


5

Tomando esperanzas:

2
2
. .. . ..
2
1 1 1 1
1
1 1
2 ( )
( )
1 1 1
k k k k
k
i i
i t i t
i t i t
i
Tr
n n
n
k k
E S E E E
k k k

= = = =
=
(
(
| | | | (
(
( | |
(
\ \ ( (
(
( = + +
( (
(
(
(
(
(

(

Ahora bien, puesto que:

a) Las variables aleatorias
i
son independientes con media cero, entonces,

0
i t
i t
E
(
=
(

adems, como
2 2
i
E

( =

, se tiene que:

2
1
k
i t
t
E

=
(
=
(

Entonces:
2 2
2
1 1 1 1 1
1 1 1
2
k k k k k
i t i t i t
i t i t t
E n n E
k k k

= = = = =
( | |
| | | |
= + = | (
| |
|
\ \ (
\

2 2 2 2 2
2
1 1
1 1 1
2
k k
i t
n N
k k k

= =
| |
= + =
|
\

b)
2
2
. ..
1 1 1 1 1
1 1
( )
k k n k n
i
ij th
i i j t h
E n nE
n N

= = = = =
(
(
= =
(
(

2
2
2 2
1 1 1 1 1 1 1
1 1 1
2
k n k n n k n
ij th ij th
i j t h j t h
nE
n N Nn

= = = = = = =
(
| | | |
| | | |
( = + =
| |
| |
( \ \
\ \

2 2 2
2 2
1 1 1 1 1
1 1 1
2
k n k n n
i j t h j
n
n N Nn

= = = = =
(
= + =
(

( )
2 2 2 2 2 2
1 1
1 1 1
2 1
k k
i i
k
k k k

= =
( (
= + = =
( (

c) Puesto que Como
i
y
ij
son independientes entre s y tienen media cero
entonces:

6

. ..
1 1
1
( ) 0
k k
i
i t
i t
E n
k

= =
( | |
=
( |
\

Luego:

2 2
2 2 2
2
2 2
1
( 1) ( 1)
Tr
N
N n
k
E S
k N k

(
= + = +
(

[ ]
2 2 2
2
( 1)
r
N n
E SCT k
N

= +

Por otro lado como:

2
2
R E S
(
=
(

y

2 2 2
( 1) ( 1) ( ) T Tr R N S k S N k S = +
Se tiene que:

2 2 2
( 1) ( 1) ( ) T Tr R N E S k E S N k E S
( ( (
= +
( ( (

2 2 2 2 2 2
2
2 2 2
( 1) ( 1) ( ) ( 1)
( 1)
T
N n N n
N E S k N k N
N k N

| |
(
= + + = +
|
(

\

Luego:
2 2 2
2
2
( 1)
T
N n
E S
N N

(
= +
(

[ ]
2 2 2
2
( 1)
N n
E SCT N
N

= +

2.- Cul de los cuatro mtodos estudiados para realizar comparaciones mltiples
entre niveles medios de tratamientos por pares posee mejores propiedades.
Razona la respuesta.
En primer lugar comentamos cada mtodo razonando ciertas caractersticas para
acabar comparando cada uno de ellos e indicando cuales son los ms apropiados en
cada caso:
Test LSD de Fisher (Least Significant Difference), este procedimiento fu
sugerido por Fisher en 1935, dicho procedimiento consiste en una prueba de
hiptesis por parejas basada en la distribucin t de student, es sencillo de
utilizar; se puede aplicar tanto en modelos equilibrados como no-equilibrados.
Adems proporciona tambin intervalos de confianza para diferencias de
medias.
Un problema que presenta la aplicacin de este procedimiento, para un nmero
relativamente grande de tratamientos, es que el nmero de posibles falsos
rechazos de la hiptesis nula puede ser elevado aunque no existan diferencias
reales.

7

Es un test vlido para la comparacin planificada y tratamientos pareados, y
ms apropiado an cuando el nmero de medias es pequeo. Especficamente,
no es conveniente cuando tenemos ms de 3 medias, porque al aumentar el
nmero de tratamientos el error de tipo I tambin se incrementa. Debe utilizarse
solo para comparaciones independientes y comparaciones entre medias que
estn adyacentes en el rango. Adems, cuando todas las medias se comparan
entre s, el poder del test disminuye porque las comparaciones que se
realizarn, no son independientes.
Puede suceder que el mtodo LSD falle al aceptar que todas las parejas son
iguales, a pesar de que el estadstico F del anlisis de la varianza resulte
significativo; sto es debido a que la prueba F considera simultneamente
todas las posibles comparaciones entre las medias de los tratamientos y no
slo las comparaciones por parejas.
Test HSD de Tukey, (Honestly-significant-difference). Utiliza la distribucin
del rango estandarizado para fijar el valor crtico con el cual se comparan las
diferencias entre las medias. El mtodo de Tukey se aplica generalmente a
comparaciones por pares dando lugar a un valor crtico menor que otros
mtodos. En este modelo se puede construir intervalos de confianza con
coeficiente de confianza para todas las posibles comparaciones por parejas.
Es apropiado para todas las comparaciones pareadas, compara todos los
pares individuales de medias aplicando un test de ANOVA significativo. Asume
igual nmero de observaciones por poblacin.
Test MRT de Duncan. El contraste de Duncan utiliza, como el HSD de Tukey,
la distribucin del recorrido estudentizado. Se diferencia de ese test en que su
aplicacin es secuencial, en el sentido de no utilizar un nico valor crtico para
todas las diferencias de medias, como el de Tukey, sino un valor crtico que
depende del nmero de medias comprendido entre las dos medias que se
comparan, habiendo ordenado previamente las medias en orden creciente.
Test Newman-Keuls. Este contraste fu desarrollado por Newman en 1939 y
ampliado por Keuls en 1952, es un procedimiento iterativo y similar al mtodo
de Duncan. Es ms conservador que el de Duncan en el sentido de que el error
de tipo I es menor, la potencia de la prueba de Newman-Keuls es menor que la
del procedimiento de Duncan, es ms difcil declarar que dos medias son
significativamente diferentes al utilizar la prueba de Newman-Keuls que cuando
se usa el procedimiento de Duncan.
Podemos encontrar muchos comentarios sobre las comparaciones entre los distintos
mtodos, de los que podemos concluir los siguientes:
Cuando slo se hacen comparaciones por parejas, el mtodo de Tukey conduce a
lmites de conanza ms estrechos que los otros mtodos, por lo cual el mtodo de
Tukey encontrar ms diferencias signicativas, siendo en este caso el mtodo
preferido. En cambio cuando los contrastes son ms complicados que la diferencia de
medias, ser mejor opcin la eleccin de otro mtodo.
Cuando el nmero de comparaciones por parejas es muy grande los tests de rangos
mltiples como Tukey, Newman-Keuls y Duncan ofrecen una solucin de

8

compromiso entre la tasa de error global deseada y una tasa de error individual
demasiado pequea y por tanto inaceptable. Estos mtodos son preferidos en el
sentido de producir intervalos de conanza ms estrechos.
El mtodo LSD de Fisher es el que proporciona ms diferencias signicativas; a
continuacin, le siguen los mtodos de Duncan y Tukey. Eligiremos uno u otro
dependiendo del riesgo que estemos dispuestos a correr al aceptar ms o menos
diferencias signicativas. LSD es una prueba muy eciente para detectar diferencias
verdaderas entre las medias si se aplica despus que la prueba F del anlisis de la
varianza result signicativa. El procedimiento de intervalos mltiples de Duncan es
un buen mtodo para detectar diferencias reales.
El procedimiento de Tukey tiene un error tipo I menor que los correspondientes
errores de los tests de Newman-Keuls y de Duncan; es decir, es un test ms
conservador. En consecuencia, el procedimiento de Tukey tiene menos potencia que
los procedimientos de Newman-Keuls o de Duncan.
Si se desea controlar la tasa de error individual, los mtodos LSD de Fisher y de
Duncan resultan apropiados. Facilitan ms proteccin de los errores de Tipo I que los
otros mtodos y son menos conservadores que los procedimientos basados en la
eleccin de la tasa de global.
Si se desea controlar la tasa de error global, el mtodo ms til es el procedimiento
de Tukey.
3.- Cmo afecta la violacin de la hiptesis de normalidad a la prueba F en los
modelos de efectos fijos y aleatorios. Incluye de forma distinta en diseos con
tamaos muestrales fijos y variables.
Para validar un modelo propuesto se estudia si las hiptesis bsicas del modelo estn
o no en contradiccin con los datos observados. Es decir, si se satisfacen los
supuestos del modelo: Normalidad, Independencia y Homocedasticidad. Para ello
utilizamos procedimientos grficos y analticos.
Para el estudio de la Normalidad, podemos utilizar como mtodos grficos el estudio
de histogramas o un grfico probabilstico normal tambin denominado grfico
gaussiano o representacin en papel probabilstico normal (Grficos Q-Q), diagrama
de puntos, que nos darn una idea de si se cumple o no y en que medida la hiptesis
de normalidad. Como mtodos analticos podemos aplicar el contraste de Kolmogorov-
Smirnov de Shapiro-Wilk entre otros, que a un nivel de significacin rechazaremos o
no la normalidad del modelo.
En algunos casos, el supuesto de normalidad puede ser violado sin afectar la
estimacin asociadas con la eleccin del modelo. En estas situaciones, con tamaos
muestrales iguales y homogeneidad de varianza, el test-F utilizado en el ANOVA es
bastante robusto a errores que no presenten distribucin normal.
Para el modelo de efectos fijos, los contrastes resultantes son ms robustos, es
decir, ms insensibles al incumplimiento de las hiptesis de normalidad. Las
desviaciones moderadas de la normalidad en el anlisis de la varianza para el modelo
de efectos fijos no son excesivamente importantes puesto que el test F de

9

comparacin (y los test de comparaciones mltiples) se ven poco afectados por dichas
desviaciones. Sin embargo, es importante notar que esto no se cumple si se presentan
colas empricas ms pesadas para los errores.
Por otro lado, el modelo de efectos aleatorios se ve bastante ms afectado por la
violacin de dicha hiptesis, especialmente en la estimacin por intervalos de
confianza de las componentes de la varianza.
Desafortunadamente, cuando las muestras son pequeas con frecuencia aparecen
fluctuaciones considerables, por lo que la apariencia de no normalidad moderada no
indica necesariamente la violacin de la hiptesis de normalidad. Cuando hay grandes
desviaciones se debe hacer un anlisis ms profundo y si es posible, realizar algunas
transformaciones para corregir dichas desviaciones.
Frecuentemente la transformacin no slo estabiliza la varianza sino que normaliza los
datos, cuando estos no se distribuyen como una normal.
Las formas de discrepancias ms frecuentes que se observan sobre todo en los
mtodos grficos ocurren cuando algunos residuos tienen un valor muy distanciado de
los dems. Estos valores suelen corresponder a datos anmalos.
La presencia de uno o ms residuos anmalos puede afectar gravemente el anlisis
de la varianza, en tales circunstancias es recomendable realizar una investigacin
minuciosa.
Cuando aplicamos los mtodos descritos y obtenemos que no se cumple la hiptesis
de normalidad podemos optar por la realizacin del Contraste de Kruskal-Wallis.
Si establecemos una distincin entre los dos tipos de inferencias que se realizan sobre
un modelo de anlisis de la varianza, tenemos que:
a) Inferencias sobre las medias: presente en los modelos de efectos jos y que
concierne nicamente a los efectos del factor (estimacin puntual o por
intervalos para medias, contraste de igualdad de medias, contrastes mltiples
de medias, etc.)
b) Inferencias sobre las varianzas: presente tanto en el modelo de efectos jos
como en el de efectos aleatorios y que incluye, entre otras, la estimacin
puntual o por intervalos de la varianza o de componentes de la varianza e
inferencia sobre cociente de varianzas.
El efecto de la desviacin de la normalidad afecta de manera desigual a estos tipos de
inferencias. En general, si la desviacin de la normalidad no es muy grave, es poco
importante en la inferencia sobre medias y ms grave en la inferencia sobre varianzas.
Adems, en ambos casos, las estimaciones puntuales continan siendo insesgadas y
en los contrastes de hiptesis se alteran el error de tipo I y su potencia. Generalmente,
dicho error es ligeramente mayor que el nominal y la potencia menor que la terica
La no-normalidad tiene efecto pequeo en las inferencias sobre las medias pero
efectos graves en las inferencias sobre varianzas.


10

A2. TRABAJO
Elaborar un resumen sobre los mtodos no paramtricos usuales en el anlisis
de la varianza:
Contraste de Kruskal-Wallis
Transformacin por rangos
Mediciones repetidas
Consultar los libros sealados en la gua docente de este curso expuesta en la
Pgina Web del master.
1.- CONTRASTE DE KRUSKAL-WALLIS

Cuando no est justificado asumir normalidad, se puede utilizar la metodologa no
paramtrica. El test de Kruskal-Wallis propone como hiptesis nula que los k
tratamientos son iguales, frente a la hiptesis alternativa de que algunas
observaciones son mayores que otras entre los tratamientos. Se puede considerar que
este test es adecuado para contrastar la igualdad entre las medias. La prueba de
Kruskal-Wallis es una alternativa no paramtrica del anlisis de varianza usual.

Procedimiento.
Se calculan rangos de cada una de las observaciones
ij
y de manera creciente y se
reemplaza por su rango
ij
R , donde la menor observacin tendra el valor 1.
En caso de empates, se asigna a todas las observaciones empatadas el valor medio
de sus correspondientes rangos.
Se denota como
. i
R la suma de los rangos del i-simo tratamiento de modo que el
estadstico es:
2 2
.
2
1
1 ( 1)
4
k
i
i
i
R N N
H
S n
=
( +
=
(

Se puede observar que S
2
es simplemente la varianza de los rangos, que viene dado
por:
2
2 2
1 1
1 ( 1)
1 4
i
n k
ij
i j
N N
S R
N
= =
(
+
=
(

Si no hay empates, entonces
2
( 1)
12
N N
S
+
=
y el test se simplifica, quedando el
estadstico:
2
.
1
12
3( 1)
( 1)
k
i
i
i
R
H N
N N n
=
= +
+

Para valores n
i
> 5, H se distribuye aproximadamente como una chi cuadrado de k-1
grados de libertad si la hiptesis nula es cierta. Por tanto, si:

2
1, k
H

> se rechaza la hiptesis nula a un nivel .


11

2.- TRANSFORMACIN POR RANGOS

La tcnica consiste en aplicar la prueba F a los rangos correspondientes a las
observaciones, en lugar de aplicarlos a los datos originales, se obtiene un estadstico
que es equivalente al usual de anlisis de varianza:

0
/ ( 1)
( 1 ) / ( )
H k
F
N H N k
=

Siendo H el estadstico de Kruskal-Wallis, se observa que cuando H se incrementa o
disminuye, F
0
, tambin aumenta o disminuye, por lo que la prueba de Kruskal-Wallis
es equivalente a aplicar el anlisis de varianza comn a los rangos.
Cuando existe preocupacin acerca del supuesto de normalidad o por el efecto de
puntos atpicos o valores "absurdos", se recomienda que el anlisis de varianza comn
se realice tanto en los datos originales como en los rangos. Cuando se obtienen
resultados similares en ambos procedimientos, probablemente las suposiciones del
anlisis de varianza se satisfacen razonablemente bien y el anlisis estndar resulta
adecuado, si existen diferencias entre ambos resultados, se opta por el anlisis de
rangos, ya que es menos posible que sea distorsionada por una condicin de no
normalidad o la presencia de observaciones inusuales.

1.- MEDICIONES REPETIDAS

En los diseos de investigacin con medidas repetidas, denominados tambin
intrasujetos, a diferencia de los diseos que se han visto, cada uno de los sujetos o
participantes en la investigacin es sometido a todos los niveles de las variables
independientes. Por tanto, cada sujeto tendr tantas puntuaciones como niveles tenga
la variable independiente del estudio, en el caso de un diseo bsico o unifactorial, o
como condiciones experimentales se hayan generado, en el caso de un diseo
factorial. Es decir, tendremos ms puntuaciones que sujetos participantes en el estudio
en cuestin.
Cuando nos encontramos ante casos donde la variabilidad entre observaciones es
muy alta, sta variabilidad puede llegar a ser parte del error experimental e incluso
incrementar la media de cuadrados del error, dificultando la deteccin de diferencias
reales entre los tratamientos.
Para controlar la alta variabilidad entre unidades experimentales usando el diseo de
mediciones repetidas, donde cada uno de los tratamientos se aplica a cada unidad
experimental.
El diseo del modelo es:

ij i i ij
Y = + + +
donde
i
es el i-simo tratamiento y es un parmetro asociado con el j-simo sujeto.
Se supone que los tratamientos son fijos y que los sujetos empleados corresponden a
una muestra aleatoria de una poblacin mayor de sujetos potenciales (efecto aleatorio).
Se va a estudiar la no existencia de efectos de tratamientos, el contraste de hiptesis a
probar es:
0 1
1
: 0
: al menos un 0
k
i
H
H

= = =


12

El estadstico del contraste es:

0
/ ( 1)
tratamientos tratamientos
error error
SS MS
F
SS n MS
= =

Si los errores en el modelo estn distribuidos normalmente, entonces el estadstico Fo
tiene distribucin F
k-1,(k-1)(n-1)
, si la hiptesis nula es verdadera.
La hiptesis nula ser rechazada si:

0 ,( 1),( 1)( 1) k k n
F F

>

A3. ANLISIS DE DATOS
Para realizar los ejercicios voy a utilizar el software SPSS.

Comenzamos con un estudio descriptivo de los datos:


13

En un primer momento a simple vista se puede observar que el valor medio de estos
grupos es numricamente distinto, de hecho la media de la dosis 30 tiene un valor
medio ms del doble de la media de la dosis 15. Por tanto, nuestra hiptesis se centra
en comprobar si los niveles de toxicidad heptica es significativamente distinta en los
cinco grupos. Para responder a esta hiptesis recurrimos al Anlisis de la Varianza de
un factor y realizamos el contraste de igualdad de medias.
Esto tambin se puede comprobar con un grfico de cajas:

Modelo de efectos fijos:
0 1 5
1
:
: para algn
i j
H
H i j

= = =

Aplicando el modelo en SPSS se obtiene la siguiente tabla de ANOVA

Donde:
Inter-grupos: Representa la Suma de cuadrados debida a los tratamientos (SCTr)
Intra-grupos: Representa la suma de cuadrados residual (SCR)
Total: Representa la suma de cuadrados total (SCT).

Si el valor de F es mayor que uno quiere decir que hay un efecto positivo del factor
DOSIS. Se observa que el P-valor (Sig.) tiene un valor de 0.000, que es menor que el
nivel de significacin 0.05. Por lo tanto, hemos comprobado estadsticamente que
estos cinco grupos son distintos. Es decir, no se puede rechazar la hiptesis

14

alternativa que dice que al menos dos grupos son diferentes, pero Cules son esos
grupos? Los cinco grupos son distintos o slo alguno de ellos? Pregunta que
resolveremos mediante los contrastes de comparaciones mltiples que tienen las
siguientes salidas en SPSS:

Esta salida nos muestra los intervalos de confianza simultneos construidos por el
mtodo de Tukey. En la tabla se muestra un resumen de las comparaciones de cada
tratamiento con los restantes. Es decir, aparecen comparadas dos a dos las cinco
medias de los tratamientos. En el primer bloque de la tabla se muestran comparadas
la media de la dosis 15 con la media de las otras cuatro dosis. En los siguientes
bloques se muestran comparadas las restantes medias entre s. En la columna
Diferencias de medias (I-J) se muestran las diferencias entre las medias que se
comparan. En la columna Sig. aparecen los p-valores de los contrastes, que permiten
conocer si la diferencia entre cada pareja de medias es significativa al nivel de
significacin considerado (en este caso 0.05) y la ltima columna proporciona los
intervalos de confianza al 95% para cada diferencia. As por ejemplo, si comparamos
el nivel de toxicidad de la dosis 15 con la 20, tenemos una diferencia entre ambas
medias de -5,6, un error tpico de 1,796 (igual en todas las comparaciones), que es un
error tpico para la diferencia de estas medias, un P-valor (Sig.) de 0.039 significativo

15

con lo cual los niveles de toxicidad difiere significativamente en la dosis 15 a la 20 y un
intervalo de confianza con lmites negativos.
Podemos concluir que la media de la dosis 15 difiere significativamente con el resto de
dosis salvo con la 35, la dosis 20 con todas salvo con la 25 y 35, y la 25 con la 30.
Idoneidad del modelo:

NORMALIDAD:

Para estudiar la normalidad en SPSS, realizamos el contraste de Kolmogorov-Smirnov
y el contraste de Shapiro-Wilk obtenindose los siguientes resultados:

No todos los p-valores son mayores de 0.05 nivel de significacin pero si
consideramos un nivel de significacin de 0.01 podemos aceptar que en todos los
casos las muestras de las concentraciones se distribuyen de forma normal en cada
dosis.
Para analizar la hiptesis de normalidad de los residuos, se debe comenzar salvando
los residuos, una vez hecho esto en SPSS, realizamos el estudio de la normalidad,
para ello podemos realizar de forma analtica el contraste de Kolmogorov-Smirnov o
grficamente el grfico Q-Q de normalidad, obtenindose lo siguiente:


16

Podemos apreciar en este grfico que los puntos aparecen prximos a la lnea
diagonal. Esta grfica no muestra una desviacin marcada de la normalidad.

El valor del p-valor es mayor que el nivel de significacin 0.05, no rechazndose la
hiptesis de normalidad.

INDEPENDENCIA:

Para comprobar que se satisface el supuesto de independencia entre los residuos
analizamos el grfico de los residuos frente a los valores pronosticados o predichos
por el modelo. El empleo de este grfico es til puesto que la presencia de alguna
tendencia en el mismo puede ser indicio de una violacin de dicha hiptesis.

En esta figura, interpretamos el grfico que aparece en la fila 3 columna 2, es decir
aquel grfico que se representan los residuos en el eje de ordenadas y los valores
pronosticados en el eje de abscisas. No observamos, en dicho grfico, ninguna

17

tendencia sistemtica que haga sospechar del incumplimiento de la suposicin de
independencia. Luego podemos suponer su independencia.

HOMOCEDASTICIDAD:

Para comprobar que se satisface el supuesto de homocedasticidad, realizamos el test
de Levene mediante SPSS:

El p-valor es 0.637 por lo tanto no se puede rechazar la hiptesis de homogeneidad de
las varianzas y se concluye que los cinco grupos tienen varianzas homogneas.

Modelo de efectos aleatorios:
2
0
2
1
: 0
: 0
H
H
>

Aplicando el modelo en SPSS se obtiene la siguiente tabla:

Esta tabla muestra los resultados del contraste planteado. El valor del estadstico de
contraste es igual a 14,757 que deja a la derecha un p-valor de 0.000, luego, no
podemos afirmar la existencia de alguna variabilidad entre los niveles de toxicidad de
las diferentes dosis.
En el modelo de efectos aleatorios no se necesitan llevar a cabo ms contrastes
incluso aunque la hiptesis nula sea rechazada. Es decir, en el caso de
rechazar H0 no hay que realizar comparaciones mltiples para comprobar que medias
son distintas, ya que el propsito del experimento es hacer un planteamiento general
relativo a las poblaciones de las que se extraen las muestras.
La tabla siguiente muestra la media cuadrtica esperada, de esta tabla se deducen las
expresiones de las esperanzas de los cuadrados medios del factor y del error:

18

Por lo tanto, la varianza total (30,236) se descompone en una parte atribuible a la
diferencia entre las dosis (22,176) y otra procedente de la variabilidad existente dentro
de ellos (8,06). Comprobamos que en dicha varianza tiene mayor peso la variacin
dentro de las dosis, en porcentaje un 73.34 % frente a la variacin entre fabricantes,
que representa el 26.66 % del total.

Luego:

Despus de la realizacin de este estudio, podemos concluir que el anlisis de efectos
fijos parece ser la aproximacin ms apropiada para el anlisis de varianza de los
datos. Hemos rechazamos la hiptesis de igualdad de medias entre los tratamientos,
por tanto, el tratamiento con diferentes dosis de paracetamol parece generar
diferencias en el nivel medio de toxicidad heptica.


19


grupos es numricamente similar. Esto tambin se puede comprobar con un grfico de
cajas:


20

0 1 3
1
:
: para algn
i j
H
H i j

= = =


Donde:

DOSIS. Se observa que el P-valor (Sig.) tiene un valor de 0.826, que es mayor que el
nivel de significacin 0.05. Por lo tanto, no rechazamos la hiptesis nula de igualdad
de medias.
Realizamos un contrastes de comparaciones mltiples que tienen las siguientes
salidas en SPSS:

tratamiento con los restantes. Es decir, aparecen comparadas dos a dos los tres
procedimientos. Todos los P-valor (Sig.) son mayores de 0.05 con lo cual la calidad del
producto no difiere significativamente entre los procedimientos A, B y C.
Podemos concluir que la media de los procedimientos no difieren de uno a otro.


21


NORMALIDAD:


Todos los p-valores son mayores de 0.05 nivel de significacin luego podemos aceptar
que en todos los casos las muestras de las concentraciones se distribuyen de forma
normal.


22


INDEPENDENCIA:




23

HOMOCEDASTICIDAD:


las varianzas y se concluye que los tres grupos tienen varianzas homogneas.


En un primer momento a simple vista se puede observar pequeas diferencias en los
valores medios, se necesita de un estudio estadstico que decida. Esto tambin se
puede comprobar con un grfico de cajas:

24

0 1 3
1
:
: para algn
i j
H
H i j

= = =


Donde:

de medias.
salidas en SPSS:

25

producto no difiere significativamente entre los procedimientos A, B y C.


NORMALIDAD:


Al tener un estacio muestral muy pequeo es normal estos resultados, aun asi
podemos aceptar normalidad a un nivel de significacion de 0.01.



26



INDEPENDENCIA:


27


HOMOCEDASTICIDAD:




28


grupos es numricamente diferente. Esto tambin se puede comprobar con un grfico
de cajas:


29

0 1 4
1
:
: para algn
i j
H
H i j

= = =


Donde:

de medias.
salidas en SPSS:


30

producto no difiere significativamente entre las empresas.


NORMALIDAD:


normal.


31



INDEPENDENCIA:



32


HOMOCEDASTICIDAD:





33

grupos es numricamente diferente. Esto tambin se puede comprobar con un grfico
de cajas:

0 1 4
1
:
: para algn
i j
H
H i j

= = =


Donde:


34

DOSIS. Se observa que el P-valor (Sig.) tiene un valor de 0.000, que es menor que el
nivel de significacin 0.05. Por lo tanto, hemos comprobado estadsticamente que
estos cuatro grupos son distintos. Es decir, no se puede rechazar la hiptesis
alternativa que dice que al menos dos grupos son diferentes, pero Cules son esos
grupos? Pregunta que resolveremos mediante los contrastes de comparaciones
mltiples que tienen las siguientes salidas en SPSS:

En la tabla se muestra un resumen de las comparaciones de cada tratamiento con los
restantes. Es decir, aparecen comparadas dos a dos los 4 telares. Podemos concluir:
- El primer telar presenta diferencias de medias significativas con los telares
tres y cuatro.
- El segundo telar no presenta diferencias significativas con el resto de telares.
- El tercer telar presenta diferencias significativas con el primer y cuarto telar.
- Consecuentemente, el cuarto telar presenta diferencis significativas con el
primer y tercer telar.


NORMALIDAD:


35

normal.


36


INDEPENDENCIA:




37

HOMOCEDASTICIDAD:



Actividad2 Sanchez Campoy CM

Transféré par

Informations du document

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Actividad2 Sanchez Campoy CM

Transféré par

Droits d'auteur :

Formats disponibles

DISEO ESTADSTICO EXPERIMENTAL Y CONTROL DE CALIDAD.

APLICACIONES EN BIOCIENCIAS E INGENIERA

Vous aimerez peut-être aussi