Instituto Tecnológico Superior de Calkiní en el Estado de

Campeche

Maestría: Ciencias de la Ingeniería

Materia: Estadística

Docente: Dr. Alejandro Ortiz Fernández

Tema: Prueba de Falta de Ajuste (Lack of Fit)

Alumno
Martin Efrén Vera Espadas

Primer Semestre

Ciclo escolar
2018-2019

Calkiní Campeche 30 de Mayo del 2018

Prueba de Falta de Ajuste (Lack Of Fit)
El informe de la falta de ajuste proporciona detalles para una prueba que
evalúa si el modelo se ajusta bien a los datos. El informe de falta de ajuste solo
aparece cuando es posible realizar esta prueba. La prueba se basa en la
capacidad de estimar la varianza de la respuesta utilizando una estimación que es
independiente del modelo. La construcción de esta estimación requiere que los
valores de respuesta estén disponibles en los valores replicados de los efectos del
modelo. La prueba implica calcular una estimación del error puro, basado en una
suma de cuadrados, utilizando estas observaciones replicadas.

En las siguientes situaciones, el informe de falta de ajuste no aparece porque la

estadística de prueba no se puede calcular:

 No hay puntos replicados con respecto a las variables X, por lo que es

imposible calcular una suma de cuadrados de error puro.
 El modelo está saturado, lo que significa que hay tantos parámetros
estimados como observaciones. Tal modelo encaja perfectamente, por lo
que es imposible evaluar la falta de ajuste.

Cuando el modelo ajustado es correcto, el cuadrado medio residual (error

modelo) proporciona una estimación no sesgada de la varianza verdadera. Si el
modelo es incorrecto, entonces el cuadrado medio es mayor que la varianza
verdadera. Es posible probar la falta de ajuste comparando el cuadrado medio del
error modelo con la varianza verdadera.

Cuando se conoce la varianza verdadera, una prueba de falta de ajuste prueba

formalmente si el error del modelo es igual al valor hipotético.

Cuando se desconoce la varianza verdadera, y hay múltiples observaciones

para cada conjunto de valores de predicción, una prueba F prueba formalmente si
existe una diferencia entre el error puro y el error del modelo. El error puro es la
varianza combinada calculada para todos los conjuntos únicos de valores de
predicción. No hace suposiciones sobre el modelo, pero asume que la varianza es
la misma para cada conjunto de valores de predicción. Una tabla de análisis de
varianza muestra el error puro, el error del modelo y la diferencia entre ellos
llamada falta de ajuste.

La hipótesis nula establece que el cuadrado medio de error del modelo es igual
al valor hipotético / error puro, frente a la alternativa de que es mayor que. Cuando
el valor p de prueba es pequeño, puede rechazar la hipótesis nula y concluir que
hay una falta de ajuste.
 Siendo y la variable dependiente, x la variable independiente, b1 la pendiente
de la recta de regresión y b0 la ordenada en el origen. La función se obtiene
fácilmente mediante el método de mínimos cuadrados minimizando la suma de
cuadrados de residuales (2), que considerando la replicación se puede escribir
como (3), con grados de libertad (4).

La prueba F de falta de ajuste o de Lack-of-fit se basa en un análisis de la

varianza (ANOVA) de residuales en el que la suma de residuales, SSE, se
descompone en componentes de falta de ajuste. SLF, y error puro SPE, (5) y (6)
comprobando la influencia del primero en el error de los residuales. En (7) y (8) se
muestra la descomposición de los grados de libertad de cada término.

Los cuadrados medios o varianzas pueden obtenerse fácilmente dividiendo las

sumas de cuadrados entre sus correspondientes grados de libertad. De este modo
se puede tener la siguiente tabla de ANOVA de falta de ajuste.
 Tabla de ANOVA de falta de ajuste (Lack-of-fit)

La prueba de falta de ajuste consiste en calcular un valor F como el cociente

entre la varianza (o cuadrado medio) de falta de ajuste y la varianza de error puro.

La hipótesis nula ha de ser entonces que no existe falta de ajuste, el modelo

ajusta de forma adecuada a los datos. Si el valor de F calculado es menor que un
F tabulado para α = 0.05 (95% de nivel de confianza), nj-c grados de libertad para
el numerador y ni-nj grados de libertad para el denominador, se acepta la hipótesis
nula. En caso contrario se rechaza y se dice que existe falta de ajuste.
Fuentes de consulta
http://docplayer.es/15429782-Prueba-de-falta-de-ajuste-lack-of-fit-test-fortino-vela-
peon-fvela-correo-xoc-uam-mx.html

https://divulgoluegoexisto.blogspot.com/2017/08/linealidad-metodo-del-lack-of-
fit.html

https://translate.google.com/translate?hl=es&sl=en&u=https://www.jmp.com/suppor
t/help/14/lack-of-fit.shtml&prev=search