Descarga la aplicación para disfrutar aún más
Vista previa del material en texto
490 ❍ CAPÍTULO 11 EL ANÁLISIS DE VARIANZA residuales no tienen una distribución normal. En la gráfi ca de residual contra ajuste, se pueden ver tres rectas verticales de residuales, uno por cada una de las tres campa- ñas publicitarias. Observe que dos de las rectas (campañas 1 y 3) son cercanas y tienen dispersión similar, pero la tercera recta (campaña 2) está más alejada hacia la derecha, lo cual indica una proporción muestral más grande y consecuentemente una varianza más grande en este grupo. Ambos análisis de suposiciones de varianza son sospechosos en este experimento. ¿Qué se puede hacer cuando las suposiciones ANOVA no se satisfacen? La suposi- ción de varianza constante a veces puede corregirse al transformar las mediciones de respuesta. Esto es, en lugar de usar las mediciones originales, se pueden usar sus raíces cuadradas, logaritmos o alguna otra función de la respuesta. Las transformaciones que tienden a estabilizar la varianza de la respuesta también tienden a hacer sus distribucio- nes casi normales en mayor medida. Cuando no se pueda hacer nada para siquiera aproximadamente satisfacer las suposi- ciones ANOVA o si los datos son clasifi caciones, se den usar procedimientos no para- métricos de prueba y estimación, presentados en el capítulo 15. Hemos mencionado estos procedimientos antes; son casi tan potentes para detectar diferencias de tratamien- tos como las pruebas presentadas en este capítulo cuando los datos están normalmente distribuidos. Cuando las suposiciones paramétricas ANOVA se violan, las pruebas no paramétricas son por lo general más potentes. UN BREVE REPASO Presentamos tres diseños experimentales diferentes en este capítulo, cada uno de los cuales puede ser analizado usando el procedimiento de análisis de varianza. El objetivo del análisis de varianza es detectar diferencias en las respuestas medias para unidades experimentales que han recibido diferentes tratamientos, es decir, combinaciones dife- rentes de los niveles de factor experimental. Una vez realizada una prueba general de las diferencias, la naturaleza de estas diferencias (si existe alguna) se pueden explorar usando métodos de comparaciones pareadas y/o procedimientos de estimación de inter- valo. Los tres diseños presentados en este capítulo representan sólo una breve introducción al tema de analizar experimentos diseñados. Los diseños están disponibles para expe- rimentos que contienen diversas variables de diseño, así como más de dos factores de tratamiento y otros diseños más complejos. Recuerde que las variables de diseño son factores cuyo efecto se desea controlar y por tanto eliminar del error experimental, en tanto que las variables de tratamiento son factores cuyo efecto se desea investigar. Si 11.12 99 95 90 80 70 60 50 40 30 20 10 5 1 �0.10 �0.05 0.00 0.05 0.10 0.15 Residual Normal Probability Plot of the Residuals (response is Proportion) P er ce nt 0.08 0.06 0.04 0.02 0.00 �0.02 �0.04 �0.06 �0.08 0.28 0.29 0.30 0.31 0.32 0.33 0.34 Fitted Value Residuals versus the Fitted Values (response is Proportion) R es id ua l FIGURA 11.15 Gráfi cas MINITAB de diagnóstico para el ejemplo 11.14 ● Probabilidad_Mendenhall_11.indd 490Probabilidad_Mendenhall_11.indd 490 5/14/10 8:36:06 AM5/14/10 8:36:06 AM www.FreeLibros.me REPASO DEL CAPÍTULO ❍ 491 su experimento está diseñado en forma apropiada, usted podrá analizarlo usando el aná- lisis de varianza. Los experimentos en los que los niveles de una variable son medidos experimentalmente en lugar de controlados o preseleccionados antes de tiempo, pueden ser analizados usando análisis de regresión lineal o múltiple, que es el tema de los capítulos 12 y 13. Conceptos y fórmulas clave I. Diseños experimentales 1. Unidades experimentales, factores, niveles, trata- mientos, variables de respuesta. 2. Suposiciones: las observaciones dentro de cada grupo de tratamiento deben estar normalmente distribuidas con una varianza común s2. 3. Clasifi cación en una dirección, diseño completa- mente aleatorizado: las muestras aleatorias inde- pendientes se seleccionan de entre cada una de las k poblaciones. 4. Clasifi cación en dos direcciones; diseño de bloque aleatorizado: k tratamientos se comparan dentro de b grupos relativamente homogéneos de unidades experimentales llamadas bloques. 5. Clasifi cación en dos direcciones, experimento factorial a � b: dos factores, A y B, se comparan a varios niveles. Cada combinación factor-nivel se replica r veces para considerar la investigación de una interacción entre los dos factores. II. Análisis de varianza 1. La variación total en el experimento está dividida en variación (sumas de cuadrados) explicada por los diversos factores experimentales y variación debida a error experimental (no explicado). 2. Si hay un efecto debido a un factor particular, su cuadrático medio (MS � SS/df) por lo general es grande y F � MS(factor)/MSE es grande. 3. Las estadísticas de prueba para los diversos factores experimentales están basadas en estadís- ticas F, con grados de libertad apropiados (df2 � grados de libertad de error). III. Interpretación de un análisis de varianza 1. Para el diseño de bloque completamente aleatori- zado y el aleatorizado, en cada factor se prueba su signifi cancia. 2. Para el experimento factorial, primero pruebe para interacción signifi cativa. Si la interacción es signifi cativa, no es necesario probar efectos principales. La naturaleza de las diferencias en las combinaciones factor-nivel deben examinarse más. 3. Si se encuentra una diferencia signifi cativa en las medias poblacionales, el método de Tukey de comparaciones por pares o un método semejante se pueden usar para identifi car más la naturaleza de las diferencias. 4. Si el experimentador tiene especial interés en una media poblacional o en la diferencia entre dos medias poblacionales, puede usar una estimación de intervalo de confi anza. (Para un diseño de blo- que aleatorizado, los intervalos de confi anza no dan estimaciones insesgadas para medias pobla- cionales individuales.) IV. Verifi cación del análisis de suposiciones de varianza 1. Para verifi car la normalidad, use la gráfi ca de probabilidad normal para los residuales. Los resi- duales deben exhibir una forma de línea recta, creciendo hacia arriba a la derecha. 2. Para verifi car la igualdad de varianza, use los resi- duales contra una gráfi ca de ajuste. La gráfi ca debe exhibir una dispersión aleatoria, con la misma dis- persión vertical alrededor de la “línea de error cero” horizontal. REPASO DEL CAPÍTULO Probabilidad_Mendenhall_11.indd 491Probabilidad_Mendenhall_11.indd 491 5/14/10 8:36:07 AM5/14/10 8:36:07 AM www.FreeLibros.me 492 ❍ CAPÍTULO 11 EL ANÁLISIS DE VARIANZA MINITABMIMI Procedimientos de análisis de varianza Los procedimientos estadísticos empleados para efectuar el análisis de varianza para los tres diseños experimentales diferentes en este capítulo se encuentran en un subme- nú MINITAB al seleccionar Stat � ANOVA. El usuario verá opciones para One-way, One-way (Unstacked) y Two-way que van a generar cuadros de diálogo empleados para diseños completamente aleatorizados, de bloque aleatorizado y factoriales, res- pectivamente. Se deben guardar correctamente los datos y luego escoger las columnas correspondientes a los factores necesarios en el experimento. Mostraremos algunos de los cuadros de diálogo y salidas impresas de ventana Session para los ejemplos de este capítulo, empezando con una clasifi cación en una dirección, el estudio completamen- te aleatorizado del desayuno del ejemplo 11.4. Primero, introduzca los 15 intervalos de atención registrados en la columna C1 de una hoja de trabajo MINITAB y aplíqueles nombre “Span”. A continuación, introduzca los enteros 1, 2 y 3 en una segunda columna C2 para identifi car la asignación de alimento (tratamiento) para cada observación. El usuariopuede hacer que el MINITAB fi je esta forma usando Calc � Make Patterned Data � Simple Set of Numbers e introdu- ciendo los números apropiados, como se ve en la fi gura 11.16. Entonces use Stat � ANOVA � One-way para generar el cuadro de diálogo de la fi gura 11.17.† El usuario debe seleccionar la columna de observaciones para la caja “Response” y la columna de indicadores de tratamiento para el cuadro “Factor”. Entonces tendrá varias opciones. Bajo Comparisons, puede seleccionar “Tukey’s family error rate” (que tiene un nivel predeterminado de 5%) para obtener una salida de comparaciones apareadas. Bajo Gra- phs, puede seleccionar gráfi cas de valor individual y/o gráfi cas de caja para comparar las tres asignaciones de alimentos y puede generar gráfi cas residuales (use “Normal plot of residuals” y/o “Residuals versus fi ts”) para verifi car la validez de las suposiciones ANOVA. Dé un clic en OK desde la caja de diálogo principal para obtener la salida impresa de la fi gura 11.3 del texto. El comando Stat � ANOVA � Two-way se puede usar para los diseños de bloque aleatorizado y factorial. Primero hay que introducir todas las observaciones en una sola columna y luego enteros o nombres descriptivos para indicar cualquiera de estos casos: • El bloque y tratamiento para cada una de las mediciones en un diseño de bloque aleatorizado. • Los niveles de los factores A y B para el experimento factorial. MINITAB reconocerá diversas réplicas dentro de cada combinación de factor-nivel en el experimento factorial y desglosará la suma de cuadrados para interacción (mien- tras el usuario no ponga marca en la caja “Fit additive model”). Como estos dos diseños contienen la misma secuencia de comandos, usaremos los datos del ejemplo 11.12 para generar el análisis de varianza para el experimento factorial. Los datos están introduci- dos en la hoja de trabajo de la fi gura 11.18. Vea si puede usar Calc � Make Patterned Data � Simple Set of Numbers para introducir los datos en las columnas C2-C3. Una vez introducidos los datos, use Stat � ANOVA � Two-way para generar el cuadro de diálogo de la fi gura 11.19. Escoja “Output” para la caja “Response” y “Supervisor” y “Shift” para el “Row factor” y “Column factor”, respectivamente. Puede escoger exhibir las medias de efecto principal junto con intervalos de confi anza de 95% si verifi ca “Dis- play means” y puede seleccionar gráfi cas residuales si lo desea. Dé un clic en OK para obtener una salida impresa ANOVA en la fi gura 11.13. † Si el usuario había introducido cada una de las tres muestras en columnas separadas, el comando apropiado hubiera sido Stat � ANOVA � One-way (Unstacked). Probabilidad_Mendenhall_11.indd 492Probabilidad_Mendenhall_11.indd 492 5/14/10 8:36:07 AM5/14/10 8:36:07 AM www.FreeLibros.me 11 EL ANÁLISIS DE VARIANZA 11.12 Un breve repaso Repaso del capítulo
Compartir