Anda di halaman 1dari 47

1

Captulo 10
Anlisis de la Varianza
(ANalysis Of VAriance)
2
Fuente: Mtodos Estadsticos en Ingeniera - SPUPV 637
Contenidos
Idea Intuitiva del ANOVA
ANOVA con un slo factor controlado
Un ejemplo
Descomposicin de la Suma de Cuadrados. Test F
Intervalos LSD
Anlisis de residuos
Estudio de efectos sobre varianzas
Realizacin prctica de los clculos
Factores cuantitativos. Contrastes Ortogonales
2
3
Fuente: Mtodos Estadsticos en Ingeniera - SPUPV 637
Contenidos
ANOVA en Planes Factoriales Equilibrados
Efecto simple. Interaccin
Ortogonalidad. Estimacin de efectos
Ejemplo de un plan factorial equilibrado con dos
factores
Descomposicin de las interacciones con factores
cuantitativos
Cuestiones adicionales en el ANOVA: Hiptesis bsicas.
Transformaciones
4
Fuente: Mtodos Estadsticos en Ingeniera - SPUPV 637
ANOVA en Planes Factoriales Equilibrados
En general: sea un experimento en el que se estudian
F1 F2 F3 ........ Fk
1 2
.....
n
1
1 2
.....
n
2
1 2
.....
n
k
Factores
Niveles
N de posibles condiciones diferentes: n
1
x n
2
x...x n
k
Si n
r
= 1 Diseo Factorial Equilibrado no replicado
En un DFEquilibrado todos los efectos son ORTOGONALES!
Si cada tratamiento posible se ensaya un mismo
nmero n
r
de veces Diseo Factorial Equilibrado
3
5
Fuente: Mtodos Estadsticos en Ingeniera - SPUPV 637
ANOVA en Planes Factoriales Equilibrados
Los Planes Factoriales Equilibrados, adems de la
sencillez de clculo del anlisis tienen la importante
ventaja de que todos los efectos de los factores
e interacciones (de cualquier orden) pueden
estudiarse sin que se confundan entre s
(ortogonalidad, este concepto se trata ms
adelante)
6
Fuente: Mtodos Estadsticos en Ingeniera - SPUPV 637
Efectos simples. Interacciones
Ejemplo: se pretende estudiar el efecto de dos factores
sobre los retardos de los mensajes transmitidos en
cierta red:
Factor 1: Algoritmo de encaminamiento de los
mensajes, con dos variantes
1: Determinista
2: Adaptativo
Factor 2: Nivel de carga de la red, con tres niveles
1: bajo
2: medio
3: alto
4
7
Fuente: Mtodos Estadsticos en Ingeniera - SPUPV 637
Efecto simple de un factor
Se define sobre el promedio de las condiciones
estudiadas de los restantes factores
En el ejemplo, el efecto simple del factor Algoritmo
de encaminamiento se medir por la diferencia entre
el promedio de los retardos obtenidos al encaminar los
mensajes con uno otro algoritmo,, para el promedio
de los tres niveles de carga estudiados
De forma anloga, el efecto simple del factor Nivel de
carga de la red se medir por las diferencias entre
los retardos medios de los mensajes obtenidos con los
tres niveles de carga, para el promedio de los dos
algoritmos de encaminamiento analizados
8
Fuente: Mtodos Estadsticos en Ingeniera - SPUPV 637
Interacciones dobles
Existe interaccin entre dos factores cuando el efecto
de uno de ellos es diferente segn la variante
considerada del otro factor
En el ejemplo, existir interaccin entre los dos
factores si, por ejemplo, la diferencia entre los dos
algoritmos de encaminamiento es muy marcada si el
nivel de carga de la red es alto, pero es pequea o
inexistente si el nivel de carga es bajo
De forma simtrica, existir interaccin entre los dos
factores si , por ejemplo, la diferencia en el promedio
de los retardos obtenidos con un nivel alto y bajo de
carga es mucho ms marcada encaminando los
mensajes con el algoritmo adaptativo que con el
determinista
5
9
Fuente: Mtodos Estadsticos en Ingeniera - SPUPV 637
Interacciones dobles
Hay que tener en cuenta que si el efecto de un primer
factor depende de la variante considerada del
segundo, tambin necesariamente el efecto del
segundo depender de la variante considerada del
primero
Nota: en estudios con ms de dos factores puede plantearse
tambin la existencia de interacciones de orden superior: triples,
cuadrples, etc
As, existir una interaccin triple entre tres factores A, B y C si,
por ejemplo, hubiera una interaccin doble entre A y B cuando C
est a nivel bajo, pero no existiera dicha interaccin A*B cuando
C est a nivel alto
(Las interacciones de orden superior a dos se presentan poco en
la prctica, siendo adems difciles de interpretar)
10
Fuente: Mtodos Estadsticos en Ingeniera - SPUPV 637
Efectos simples. Interacciones
Sean 2 factores:
FI I niveles o variantes
FJ J niveles o variantes
X
IxJ tratamientos Poblacin (IxJ poblaciones)
X
ij
: variable asociada a la utilizacin de la variante i de FI
con la variante j de FJ
X
ij
Normal(m
ij

ij
)
6
11
Fuente: Mtodos Estadsticos en Ingeniera - SPUPV 637
Estimacin de efectos
El efecto simple de un factor se define y estima
sobre el promedio de las condiciones estudiadas para
los otros factores
En el caso de factores a ms de 2 niveles NO tiene
sentido hablar del efecto del factor, sino del efecto del
factor a un determinado nivel o variante
Cmo podemos cuantificar los efectos de los
factores?
12
Fuente: Mtodos Estadsticos en Ingeniera - SPUPV 637
Estimacin de efectos
Si se modifican simultneamente los niveles y/o
variantes de varios factores
Es posible separar los efectos de cada uno
de ellos sobre la variable estudiada?
ORTOGONALIDAD
7
13
Fuente: Mtodos Estadsticos en Ingeniera - SPUPV 637
Ortogonalidad
Las estimaciones obtenidas para los efectos simples de
un factor NO vienen afectadas por los posibles efectos
simples de los restantes factores lo que permite
"separar" los efectos simples de todos los factores
estudiados
Ortogonalidad entre efectos simples (factores FI, FJ):
En cada una de las variantes i de FI aparecen en
idnticas proporciones las J variantes de FJ
14
Fuente: Mtodos Estadsticos en Ingeniera - SPUPV 637
Ortogonalidad
Ortogonalidad entre interacciones dobles (FIxFJ) y
efectos simples (FK):
La interaccin FIxFJ es ortogonal al efecto simple del
tercer factor FK si en cada una de las IxJ posibles
combinaciones entre los dos primeros factores aparecen
en la misma proporcin cada una de las K variantes de
FK.
8
15
Fuente: Mtodos Estadsticos en Ingeniera - SPUPV 637
Ortogonalidad
Ortogonalidad entre interacciones dobles entre s
(FIxFJ y FKxFL):
El efecto de la interaccin FIxFJ es ortogonal al efecto
de la interaccin FKxFL si en cada una de las IxJ
posibles combinaciones entre los dos primeros factores
aparecen en la misma proporcin cada una de las KxL
combinaciones entre variantes de los otros dos
factores.
16
Fuente: Mtodos Estadsticos en Ingeniera - SPUPV 637
Ortogonalidad
Supongamos el siguiente diseo (psimo) para estudiar
tres factores, dos a 2 niveles y uno a 3 niveles, en 6
pruebas
2 3 2
2 2 2
1 1 2
2 3 1
2 2 1
1 1 1
C B A
Son ortogonales A y B?
Lo son A y C?
Lo son B y C?
9
17
Fuente: Mtodos Estadsticos en Ingeniera - SPUPV 637
Ortogonalidad
Cuando los efectos simples de todos los factores
estudiados son ortogonales, la estimacin a
i
de cada
efecto simple
i
de un factor se obtiene simplemente
como la diferencia entre la media de los resultados
obtenidos cuando el factor est a nivel i y la media
general de todos los resultados
Las estimaciones as obtenidas para los efectos simples
de un factor no vienen afectadas por los posibles
efectos simples de los restantes factores, lo que
permite por tanto separar los efectos simples de
todos los factores estudiados
18
Fuente: Mtodos Estadsticos en Ingeniera - SPUPV 637
=
i i.
a x x
media de los resultados
obtenidos en todas las
pruebas en las que FI
estaba al nivel i
media general de
todas las pruebas
Estimacin del efecto simple
i
En el caso tratado de un plan con dos factores:
Ortogonalidad. Estimacin de los efectos
Definicin del efecto simple
i
=
i i. general
m m
10
19
Fuente: Mtodos Estadsticos en Ingeniera - SPUPV 637
Ortogonalidad. Estimacin de los efectos
En el caso de tres factores las estimaciones (ab)
ij
de los
efectos correspondientes a la interaccin entre los dos
primeros sern:
Definicin del efecto ()
ij
:
( (( ( ) )) ) ( (( ( ) )) )

ij general i j
ij
m m = + + = + + = + + = + +
( (( ( ) )) )
( (( ( ) )) )
i j i. .j
j
j
i
i ij
ab a b X X X X X X + = + + = + + = + + = + = == =
Estimacin del efecto ()
ij
:
20
Fuente: Mtodos Estadsticos en Ingeniera - SPUPV 637
( (( ( ) )) )
ij i j
ij
ab a b X X = == =
Ortogonalidad. Estimacin de los efectos
media de los
resultados
obtenidos en todas
las pruebas en las
que FI estaba al
nivel i y FJ a nivel j
media general
de todas las
pruebas
Efecto estimado
del factor FI al
nivel i
Efecto estimado
del factor FJ al
nivel j
11
21
Fuente: Mtodos Estadsticos en Ingeniera - SPUPV 637
Ortogonalidad. Estimacin de los efectos
( (( ( ) )) )
ij i j
ij
ab X X X X + + + + = == =
media de los
resultados
obtenidos en todas
las pruebas en las
que FI estaba al
nivel i y FJ a nivel j
media general
de todas las
pruebas
media de los resultados
obtenidos en todas las
pruebas en las que FI
estaba al nivel i
media de los resultados
obtenidos en todas las
pruebas en las que FJ
estaba al nivel j
22
Fuente: Mtodos Estadsticos en Ingeniera - SPUPV 637
Ortogonalidad y Planes Factoriales equilibrados
Planes factoriales equilibrados ORTOGONALES
Replicados
No replicados
El carcter equilibrado de un diseo es una condicin
suficiente, pero no necesaria para la ortogonalidad
Existen diseos desequilibrados en los que se
mantiene la ortogonalidad de los efectos a estudiar
Ejemplo: Fracciones Factoriales
12
23
Fuente: Mtodos Estadsticos en Ingeniera - SPUPV 637
Predicciones
Cuando el objetivo de un estudio es optimizar un
determinado proceso
Seleccin de la combinacin ptima de variantes de
los distintos factores a partir de los resultados
obtenidos en el anlisis (ANOVA)
Predecir
Cmo sern los resultados que se
obtendrn en tales condiciones ?
24
Fuente: Mtodos Estadsticos en Ingeniera - SPUPV 637
Predicciones
La prediccin se lleva a cabo adicionando a la media
general obtenida los valores estimados de los efectos
correspondientes que hayan resultado significativos.
As, si en el caso de tres factores hubieran resultado
significativos los tres efectos simples y la interaccin
entre los dos primeros, la prediccin sera:
Cmo realizar predicciones?
( (( ( ) )) )
*
ijk i j k
ij
m a b c ab X + + + + + + + + + + + + + + + + = == =
13
25
Fuente: Mtodos Estadsticos en Ingeniera - SPUPV 637
Enfoque general del anlisis
1. Determinacin de los efectos significativos a partir del
cuadro resumen del ANOVA (o Plot de Daniel)
2. Anlisis e interpretacin de los efectos significativos
mediante:
Intervalos LSD Fact. Cualitativos
Contrastes ortogonales Fact. cuantitativos
3. Eleccin de las condiciones operativas ptimas y
clculo de la prediccin media correspondiente
4. Anlisis de residuos:
Deteccin de pautas anmalas en los datos
Estudio de efectos sobre la dispersin de la
caracterstica estudiada
26
Fuente: Mtodos Estadsticos en Ingeniera - SPUPV 637
Ejemplo de un plan factorial equilibrado
con dos factores
14
27
Fuente: Mtodos Estadsticos en Ingeniera - SPUPV 637
Ejemplo
Estudio de un experimento para investigar el efecto
sobre el hinchamiento post-extrusin, en la fabricacin
de botellas de polietileno de alta densidad, del:
catalizador utilizado en la obtencin de dicho
polietileno (Factor 1 con 3 variantes)
y del tipo de molde empleado
(Factor 2 con 2 variantes).
Diseo utilizado Plan Factorial Equilibrado 3 x 2 con
10 replicaciones:
3x2 = 6 tratamientos
6 x 10 pruebas repetidas = 60 valores observados o
datos
28
Fuente: Mtodos Estadsticos en Ingeniera - SPUPV 637
Ejemplo
Variable respuesta o dependiente:
pinzado (hinchamiento)
La variable respuesta se determin midiendo la longitud
del pinzado en la base de cada botella (valores altos
indican mayor hinchamiento, lo que es una caracterstica
desfavorable) variable respuesta del tipo cuanto ms
pequeo mejor
Los resultados obtenidos en el experimento se recogen
en la tabla siguiente:
15
29
Fuente: Mtodos Estadsticos en Ingeniera - SPUPV 637
Ejemplo
91
90
92
90
91
89
90
91
91
91
90
88
88
88
89
90
89
88
88
89
88
88
87
87
88
87
87
87
87
88
2
95
94
94
94
94
97
95
96
94
96
92
94
90
91
90
91
92
92
92
91
93
92
90
91
92
91
90
91
93
90
1
M
O
L
D
E
C B A
CATALIZADOR
30
Fuente: Mtodos Estadsticos en Ingeniera - SPUPV 637
Ejemplo
906 887 874
2
M
O
L
D
E
1855 1802 1787
949 915 913
1
C B A
CATALIZADOR
5444
2667
2777
TOTALES
16
31
Fuente: Mtodos Estadsticos en Ingeniera - SPUPV 637
Determinacin de los efectos significativos sobre el pinzado
medio:
Tabla resumen del ANOVA:
Clculo de las Sumas de Cuadrados
Clculo de los grados de libertad
1. Obtencin de los Cuadrados Medios
2. Clculo de la F
calculada
o F
ratio
3. Comparacin con los valores crticos de la
distribucin F, fijado el riesgo de 1 especie , o
bien comparacin del p-value con
Ejemplo
32
Fuente: Mtodos Estadsticos en Ingeniera - SPUPV 637
SG '
5444
2
60
' 493952
SC
Molde
'
2777
2
%2667
2
30
& SG ' 202
SC
Catalizador
'
1787
2
%1802
2
%1855
2
20
& SG ' 128
SC
Cat(Molde
'
913
2
% %906
2
10
& SG & SC
Molde
& SC
Catalizador
' 6
SC
Total
' (93
2
%92
2
% %91
2
) & SG ' 386
SC
Residual
' 386 & 202 & 128 & 6 ' 50
Ejemplo
Clculo de las Sumas de Cuadrados
17
33
Fuente: Mtodos Estadsticos en Ingeniera - SPUPV 637
Ejemplo
Obtencin de los grados de libertad:
gl Totales: n datos-1 = 60-1= 59
gl Molde: n variantes-1 = 2-1 = 1
gl Catalizador : 3 -1 = 2
gl MoldexCatalizador: 1x2 = 2
gl Residuales: 59-1-2-2 = 54
34
Fuente: Mtodos Estadsticos en Ingeniera - SPUPV 637
Tabla resumen del ANOVA
Analysis of Variance for PINZADO - Type III Sums of Squares
--------------------------------------------------------------------------------
Source Sum of Squares Df Mean Square F-Ratio P-Value
--------------------------------------------------------------------------------
MAIN EFFECTS
A:CATALIZADOR 127,633 2 63,8167 68,37 0,0000
B:MOLDE 201,667 1 201,667 216,07 0,0000
INTERACTIONS
AB 6,03333 2 3,01667 3,23 0,0472
RESIDUAL 50,4 54 0,933333
--------------------------------------------------------------------------------
TOTAL (CORRECTED) 385,733 59
--------------------------------------------------------------------------------
All F-ratios are based on the residual mean square error.
Ejemplo
18
35
Fuente: Mtodos Estadsticos en Ingeniera - SPUPV 637
Ejemplo
Means and 95,0 Percent LSD Intervals
MOLDE
P
I
N
Z
A
D
O
1- GRANDE 2- PEQUEO
88
89
90
91
92
93
Representacin de los grficos con los intervalos LSD
para cada factor
El grfico muestra que el hinchamiento promedio es
significativamente ms elevado cuando se utiliza el
molde 1 que con el molde 2
36
Fuente: Mtodos Estadsticos en Ingeniera - SPUPV 637
Ejemplo
Means and 95,0 Percent LSD Intervals
CATALIZADOR
P
I
N
Z
A
D
O
A B C
88
89
90
91
92
93
94
El grfico pone de manifiesto que el hinchamiento
promedio es muy superior con el catalizador C que
con los dos restantes, siendo tambin
significativamente ms elevado con el B que con el A
19
37
Fuente: Mtodos Estadsticos en Ingeniera - SPUPV 637
Ejemplo
Interactions and 95,0 Percent LSD Intervals
CATALIZADOR
P
I
N
Z
A
D
O
MOLDE
1 GRANDE
2 PEQUEO
86
88
90
92
94
96
A B C
El grfico de la ligera interaccin constatada entre los
dos factores indica que mientras la diferencia entre el
catalizador C y el resto es patente para ambos moldes,
la diferencia entre los catalizadores A y B slo es
significativa con el molde 2
38
Fuente: Mtodos Estadsticos en Ingeniera - SPUPV 637
Ejemplo
Table of Least Squares Means for PINZADO
with 95,0 Percent Confidence Intervals
--------------------------------------------------------------------------------
Stnd. Lower Upper
Level Count Mean Error Limit Limit
--------------------------------------------------------------------------------
GRAND MEAN 60 90,7333
CATALIZADOR
1 20 89,35 0,216025 88,9169 89,7831
2 20 90,1 0,216025 89,6669 90,5331
3 20 92,75 0,216025 92,3169 93,1831
MOLDE
1 30 92,5667 0,176383 92,213 92,9203
2 30 88,9 0,176383 88,5464 89,2536
CATALIZADOR by MOLDE
1 1 10 91,3 0,305505 90,6875 91,9125
1 2 10 87,4 0,305505 86,7875 88,0125
2 1 10 91,5 0,305505 90,8875 92,1125
2 2 10 88,7 0,305505 88,0875 89,3125
3 1 10 94,9 0,305505 94,2875 95,5125
3 2 10 90,6 0,305505 89,9875 91,2125
---------------------------------------------------------------------------------
La tabla de los valores medios proporcionada por
Statgraphics es la siguiente:
20
39
Fuente: Mtodos Estadsticos en Ingeniera - SPUPV 637
Ejemplo
Residual Plot for PINZADO
r
e
s
i
d
u
a
l
MOLDE
1 2
-2,6
-1,6
-0,6
0,4
1,4
2,4
3,4
Anlisis de residuos
40
Fuente: Mtodos Estadsticos en Ingeniera - SPUPV 637
Ejemplo
Analysis of Variance for RESIDUALS ^2 - Type III Sums of Squares
--------------------------------------------------------------------------------
Source Sum of Squares Df Mean Square F-Ratio P-Value
--------------------------------------------------------------------------------
MAIN EFFECTS
A:CATALIZADOR 0,439 2 0,2195 0,17 0,8427
B:MOLDE 7,07267 1 7,07267 5,53 0,0223
INTERACTIONS
AB 0,692333 2 0,346167 0,27 0,7638
RESIDUAL 69,04 54 1,27852
--------------------------------------------------------------------------------
TOTAL (CORRECTED) 77,244 59
--------------------------------------------------------------------------------
Estudio de efectos sobre dispersin
Este ANOVA pone de manifiesto el efecto
significativo del factor MOLDE sobre la
varianza de la respuesta
21
41
Fuente: Mtodos Estadsticos en Ingeniera - SPUPV 637
Ejemplo
Table of Least Squares Means for RESIDUALS ^2
with 95,0 Percent Confidence Intervals
--------------------------------------------------------------------------------
Stnd. Lower Upper
Level Count Mean Error Limit Limit
--------------------------------------------------------------------------------
GRAND MEAN 60 0,84
CATALIZADOR
1 20 0,725 0,252836 0,218094 1,23191
2 20 0,93 0,252836 0,423094 1,43691
3 20 0,865 0,252836 0,358094 1,37191
MOLDE
1 30 1,18333 0,20644 0,769446 1,59722
2 30 0,496667 0,20644 0,0827795 0,910554
CATALIZADOR by MOLDE
1 1 10 1,21 0,357564 0,493126 1,92687
1 2 10 0,24 0,357564 -0,476874 0,956874
2 1 10 1,25 0,357564 0,533126 1,96687
2 2 10 0,61 0,357564 -0,106874 1,32687
3 1 10 1,09 0,357564 0,373126 1,80687
3 2 10 0,64 0,357564 -0,0768736 1,35687
--------------------------------------------------------------------------------
Los resultados obtenidos indican que con el Molde 1
se obtiene una variabilidad ms del doble de la
correspondiente al Molde 2
42
Fuente: Mtodos Estadsticos en Ingeniera - SPUPV 637
Ejemplo
Means and 95,0 Percent LSD Intervals
MOLDE
R
E
S
I
D
U
A
L
S

^
2
1 2
0
0,3
0,6
0,9
1,2
1,5
22
43
Fuente: Mtodos Estadsticos en Ingeniera - SPUPV 637
- Catalizador 1 (A) , Molde 2 (Pequeo)
Pinzado medio previsto en COO
Media general + Efecto de niveles (significat.)
90.73 + (89.35-90.73) + (88.9-90.73) +
Ef. Cataliz. A Ef. Molde 2
+ (87.4-89.35-88.9+90.73) = 87.4
Ef. Cataliz.A , Molde 2
Condiciones Operativas ptimas (C.O.O.)
Ejemplo
44
Fuente: Mtodos Estadsticos en Ingeniera - SPUPV 637
- Catalizador 1 (A) , Molde 2 (Pequeo)
Varianza del pinzado prevista en COO
Media prevista de residuos
2
Media general + Efectos de niveles (sign.)
0.84 + (0.497-0.84) = 0.497
Ef. Molde 2
Varianza estimada (s
2
corregida)
0.497 x (60/54) = 0.552
Condiciones Operativas ptimas (C.O.O.)
Ejemplo
23
45
Fuente: Mtodos Estadsticos en Ingeniera - SPUPV 637
Condiciones Operativas ptimas (C.O.O.)
Pinzado en COO - -- - N ( )

. m =87.4 ,
2
0552 =
-Catalizador 1 (A) , Molde 2 (Pequeo)
Ejemplo
46
Fuente: Mtodos Estadsticos en Ingeniera - SPUPV 637
Ejemplo
En COO, qu probabilidad tiene una botella
tomada al azar de presentar un pinzado inferior
a 89 unidades?
Qu porcentaje de botellas presentarn un
pinzado en COO entre 86 y 89 unidades?
24
47
Fuente: Mtodos Estadsticos en Ingeniera - SPUPV 637
Descomposicin de las interacciones con
factores cuantitativos
48
Fuente: Mtodos Estadsticos en Ingeniera - SPUPV 637
Descomposicin de las interacciones
En general, si en un ANOVA en el que intervienen
varios factores:
resulta significativa una interaccin doble en la que
al menos uno de los factores implicados es de tipo
cuantitativo y tiene ms de dos niveles conviene
interpretar con detalle la naturaleza de dicha
interaccin descomponiendo la SC de la misma en
una serie de trminos asociados a distintas
componentes de la misma
La descomposicin se plantea de diferente forma
segn sea de naturaleza cuantitativa uno o ambos
factores

25
49
Fuente: Mtodos Estadsticos en Ingeniera - SPUPV 637
Descomposicin de las interacciones
Interaccin de factor cualitativo con factor cuantitativo

Ejemplo
50
Fuente: Mtodos Estadsticos en Ingeniera - SPUPV 637
Descomp. Interaccin: 1 slo factor cuantitativo
Objetivo: analizar el efecto que sobre el tiempo medio
de respuesta de un sistema informtico tienen dos
factores :
Factor cualitativo: FICHEROS con 3 variantes
codificadas como 1, 2 y 3 I=3
(Distribucin de los ficheros en los discos)
Factor cuantitativo: BUFFERS con 3 niveles
10, 20, 30 J=3
(Nmero de buffers en el sistema)

26
51
Fuente: Mtodos Estadsticos en Ingeniera - SPUPV 637
Descomp. Interaccin: 1 solo factor cuantitativo
Cada uno de los 9 tratamientos (9 combinaciones
posibles) se ha probado 2 veces

Plan Factorial Equilibrado y Replicado (K=2)
Cada prueba consisti en un da completo:
obtenindose los tiempos medios de respuesta
evaluados para un proceso estndar consistente en
la compilacin de un determinado programa en
lenguaje C
Los resultados se recogen en la siguiente tabla:

52
Fuente: Mtodos Estadsticos en Ingeniera - SPUPV 637
Descomp. Interaccin: 1 slo factor cuantitativo
BUFFERS
35
38
29
32
37
39
3
22
19
27
25
31
32
2
18
16
20
22
27
24
1
30 20 10
F
I
C
H
E
R
O
S

27
53
Fuente: Mtodos Estadsticos en Ingeniera - SPUPV 637
Descomp. Interaccin: 1 slo factor cuantitativo
Totales
Medias
BUFFERS
73
365
61
305
76
38
3
41
205
52
26
63
315
2
34
17
42
21
51
255
1
30 20 10
F
I
C
H
E
R
O
S
21
35
156
26
127
211
148
2467
493
274
155
2583
19
3167

54
Fuente: Mtodos Estadsticos en Ingeniera - SPUPV 637
Descomp. Interaccin: 1 solo factor cuantitativo
Realizar un ANOVA incluyendo los dos factores (BUFFERS y
FICHEROS) y su posible interaccin. Determinar qu efectos
resultan significativos.
Analizar el efecto del factor FICHEROS mediante los intervalos
LSD.
Estudiar aproximadamente la naturaleza (lineal y/o cuadrtica) del
efecto de BUFFERS as como de su interaccin con el factor
FICHEROS a partir de los grficos.
Constatar analticamente los resultados anteriores obteniendo las
SC asociadas a los efectos lineal y cuadrtico de BUFFERS y a sus
interacciones con FICHEROS y estudiando su significacin
estadstica.

28
55
Fuente: Mtodos Estadsticos en Ingeniera - SPUPV 637
a) ANOVA : Clculo de las Sumas de Cuadrados

Suma de Cuadrados Total (como siempre):


Sustraendo General (como siempre):


2
i,j
i,j
2
2 2 2
=
(2'7+2'4+3'8)
=(2'7 +2'4
= x
+3'8 )- =8'74
1
G
8
SCT -S
= == =
2 2
(TG) (49'3)
= =135'03
IxJxK 18
SG
(n de datos totales 1)
(IxJxK 1)=(3x3x2 - 1)=17 g.l.
56
Fuente: Mtodos Estadsticos en Ingeniera - SPUPV 637
a) ANOVA: Sumas de Cuadrados y grados de libertad

( (( ( ) )) )

Ficheros
= SC 5'91
2
2 2 2
i
i
T
12'7 +15'6 +21
-SG= -SG=
N 6
( )
=

2
i
Ficheros
i
T
SC SG
N
(n de variantes 1)
(I 1)=(3-1)=2 g.l.
( (( ( ) )) )

Buffers
S = C 1'69
2
2 2 2
j
j
T
19 +15'5 +14'8
-SG= -SG=
N 6
( )
=

2
j
Buffers
j
T
SC SG
N
(n de variantes 1)
(J 1)=(3-1)=2 g.l.
29
57
Fuente: Mtodos Estadsticos en Ingeniera - SPUPV 637
a) ANOVA: Sumas de Cuadrados y grados de libertad

( )
=

2
ij
FicherosxBuffers Ficheros Buffers
ij
T
SC SG SC SC
N
(I 1)x(J 1) (3-1)x(3-1) = 2x2 = 4 g.l.
+ + + +
=
=

2 2 2 2
FicherosxBuffers
5'1 4' 2 3' 4 7' 3
SC
2
SG 5'91 1'69 0'88
58
Fuente: Mtodos Estadsticos en Ingeniera - SPUPV 637
a) ANOVA: Sumas de Cuadrados y grados de libertad

Suma de Cuadrados Residual (como siempre):


Tota Re l Efect_estudia sidu dos al
SC S - SC = C

Residual
=8'74-(5'91+1'69+0'88) SC =0'26
SCT 18-1=17 g.l.
SC
FICHEROS
3-1=2 g.l.
SC
BUFFERS
3-1=2 g.l.
SC
FICHxBUFF
2x2=4 g.l.
8 g.l
SCR 17-8= 9 g.l.residuales Suficientes
Grados de libertad disponibles:
30
59
Fuente: Mtodos Estadsticos en Ingeniera - SPUPV 637
a) ANOVA: Tabla Resumen

426 = F
2,9
2914 0845 2 169 BUFFERS
363 = F
4,9
759 0220 4 088 FICHxBUFF
10190
-
F
ratio
426 = F
2,9
F_tabla
=005
0029 9 026 Residual
2955 2 591 FICHEROS
- 17 874 Total
CM g.l. SC
Origen
Variacin
>
>
>
Los efectos simples de FICHEROS y BUFFERS resultan
significativos, pues su F
ratio
es mayor que el valor en tablas
de una F
2,9
(=0.05)
.
Por el mismo motivo, tambin es significativo el efecto
de la interaccin FICHEROSxBUFFERS
60
Fuente: Mtodos Estadsticos en Ingeniera - SPUPV 637
b) Anlisis efecto FICHEROS: Intervalos LSD

Por ser un factor cualitativo: Entre qu distribuciones de


los FICHEROS existen diferencias significativas?

i
i gl resid X
2
X t S
2
=
i
X
i
CMR
S
N
FICHEROS=1
FICHEROS=2
FICHEROS=3
= =
i
X
0' 029
S
6
0' 07

> =
=
gl resid gl resid gl resid
gl resid
2
0' 707
2
t P( t t )
2
0.05
t ' 262
[ ] 2' 262 0' 0 0' 7 2'12 7 07x x 2'01, 2'23
[ ] 0' 707x x0' 0 2' 262 2' 6 7 2'49, 2'71
[ ] 0' 707x x0' 0 2' 262 3' 5 7 3'39, 3'61
31
61
Fuente: Mtodos Estadsticos en Ingeniera - SPUPV 637
b) Anlisis factor FICHEROS: Intervalos LSD

Means and 95,0 Percent LSD Intervals


FICHEROS
T
M
R
E
S
P
1 2 3
2
2,2
2,4
2,6
2,8
3
3,2
3,4
3,6
3,8
Means and 95,0 Percent LSD Intervals
FICHEROS
T
M
R
E
S
P
1 2 3
2
2,2
2,4
2,6
2,8
3
3,2
3,4
3,6
3,8
1
X 2'12 =
2
X 2' 6 =
3
X 3' 5 =
Para el promedio de BUFFERS ensayados, con la distribucin de
FICHEROS 1 se obtienen Tiempos medios de Respuesta
significativamente menores que para la distribucin 2, y a su vez
para sta se tienen Tiempos de Respuesta significativamente ms
pequeos que para la configuracin 3.
62
Fuente: Mtodos Estadsticos en Ingeniera - SPUPV 637
c) Anlisis del efecto del factor BUFFERS

El factor nmero de BUFFERS ha resultado significativo en


el ANOVA anterior, y se trata de un factor cuantitativo
estudiaremos la naturaleza del mismo descomponiendo
la SC
BUFFERS
en dos trminos, cada uno con un grado de
libertad, asociados a las componentes Lineal y Cuadrtica
del efecto del factor . (Tcnica de Contrastes ortogonales)
BUFFERS (J 1)=(3-1)=2 g.l.
Componente
Lineal 1 g.l.
Componente
Cuad. 1 g.l.
32
63
Fuente: Mtodos Estadsticos en Ingeniera - SPUPV 637
J
j j
j 1
Z X
=
=

Contrastes Ortogonales: BUFFERS


Posible efecto lineal SC
Z lineal
1 g.l
Posible efecto cuadrtico SC
Z Cuadrtico
1 g.l
2
j
Z J
2
j
j 1
x N Z
SC

=
=

Media de cada
nivel j
-1 2 0 -2 1 -1 3 -3 1 ----------

Cbica
2 -1 -2 -1 2 1 -1 -1 1 1 -2 1

Cuadrtica
-2 -1 0 1 2 -3 -1 1 3 -1 0 1

Lineal
5 niveles 4 niveles 3 niveles

Nmero de observ. con


que se calcula cada
j
X
64
Fuente: Mtodos Estadsticos en Ingeniera - SPUPV 637
Z
lineal
= -1x317 +0x258 +1x247 =-07
Z
Cuadrtica
= 1x317 +(-2)x258 +1x247 =046
( )
Lineal
Z
2
2 2 2
6.
0' 7
1' 47
( 1
S
)
C
0 1
= =
+ +
( )
2
Z
0'46
0'23
Cuadratica
SC =
30 20 10
1 -2 1 Cuadrtico
1 0 -1 Lineal
247 258 317 Medias
046
-07
Z
023
147
SC
Z
Contrastes Ortogonales: BUFFERS

=
6.
1 1 1 1
2 22 2
+ ( + ( + ( + ( 2) 2) 2) 2)
2 22 2
+1 +1 +1 +1
2 22 2
33
65
Fuente: Mtodos Estadsticos en Ingeniera - SPUPV 637
512 = F
1,9
5069 147 1 147 Ef. Lineal
512 = F
1,9
793 023 1 023 Ef. Cuad.
-
2914
F
ratio
426 = F
2,9
F_tabla
=005
0029 9 026 Residual
0845 2 169 BUFFERS
CM g.l. SC
Origen
Variacin
>
>
Los efectos de las componentes lineal y cuadrtica
de BUFFERS son significativos, =005
RECORDAD:
SC
BUFFERS
= SC
Comp. Lineal
+ SC
Comp. Cuadrtica
Significacin de las comp. Lineal y Cuadrtica

66
Fuente: Mtodos Estadsticos en Ingeniera - SPUPV 637
.
Buffers
Tiempo
medio
Resp.
Interpretacin del efecto de las comp. Lineal y Cuad.
Z
lineal
< 0 : A medida que aumenta el nmero de
BUFFERS el tiempo medio de respuesta decrece
linealmente, como Z
Cuadrtica
> 0 A medida que
aumenta el nmero de BUFFERS el tiempo medio de
respuesta decrece cada vez ms despacio

34
67
Fuente: Mtodos Estadsticos en Ingeniera - SPUPV 637
d) Descomposicin de FICHEROSxBUFFERS.

El efecto de la interaccin BUFFERSxFICHEROS es


significativo y BUFFERS es un factor cuantitativo
estudiado a ms de dos niveles conviene analizar la
naturaleza de la interaccin descomponiendo dicho efecto
en sus componentes Lineal y Cuadrtica ..., de modo
anlogo a como se ha hecho para el factor BUFFERS
Cmo evoluciona el Tiempo de Respuesta promedio en
funcin del nmero de BUFFERS, para cada configuracin
de FICHEROS utilizada en el sistema?
68
Fuente: Mtodos Estadsticos en Ingeniera - SPUPV 637
d) Descomposicin de FICHEROSxBUFFERS.

BUFFERSxFICHEROS (I 1)X (J 1)=4 g.l.


Efecto Lineal de
BUFFERS x FICHEROS
Efecto Cuadrtico de
BUFFERS x FICHEROS
SC
Z CuadrticaxFICHEROS
2 g.l SC
Z LinealxFICHEROS
2 g.l
35
69
Fuente: Mtodos Estadsticos en Ingeniera - SPUPV 637
d) Descomposicin de FICHEROSxBUFFERS.

SC
Z LinealxFICHEROS
SC Efecto Lineal de
BUFFERS x FICHEROS=1
SC Efecto Lineal de
BUFFERS x FICHEROS=2
SC Efecto Lineal de
BUFFERS x FICHEROS=3
SC
Z CuadxFICHEROS
SC Efecto Cuad de
BUFFERS x FICHEROS=2
SC Efecto Cuad de
BUFFERS x FICHEROS=3
SC Efecto Cuad de
BUFFERS x FICHEROS=1
SC
LxF1
SC
LxF2
SC
LxF3
SC
CxF1
SC
CxF2
SC
CxF3
70
Fuente: Mtodos Estadsticos en Ingeniera - SPUPV 637
Componente LINEAL

SC
Z LinealxFICHEROS
= SC
LxF1
+ SC
LxF2
+ SC
LxF3
- SC
Z Lineal
Lineal
Lineal
2
j
Z J
2
Lineal j
j 1
x N Z
SC

=
=

( ) Lineal xFICHEROS i
L xFICHEROS i
2
Z J
2
Lineal j
j 1
x K Z
SC

=
=
=
=

36
71
Fuente: Mtodos Estadsticos en Ingeniera - SPUPV 637
Componente CUADRTICA

SC
Z CuadxFICHEROS
= SC
CxF1
+ SC
CxF2
+ SC
CxF3
- SC
Z Cuad
Cuad.
Cuad
2
j
Z J
2
Cuad j
j 1
x N Z
SC

=
=

( ) CuadxFICHEROS i
C xFICHEROS i
2
Z J
2
Cuad j
j 1
x K Z
SC

=
=
=
=

72
Fuente: Mtodos Estadsticos en Ingeniera - SPUPV 637
Z
lineal x F1
= -1x255 +0x21+1x17 =-085
BUFFERS
205 26 315 FICHEROS =2
365 305 38 FICHEROS =3
30 20 10
1 0 -1
Lineal j
17 21 255 FICHEROS =1
-11
-015
-085
Z
Componente LINEAL BUFFERSxFICHEROS

i, j
x
Z
lineal x F2
= -1x315 +0x26+1x205 =-11
Z
lineal x F3
= -1x38 +0x305+1x365 =-015
37
73
Fuente: Mtodos Estadsticos en Ingeniera - SPUPV 637
-11
FICHEROS =2
-015
FICHEROS =3
Z
lineal x F=i
-085
FICHEROS =1
121
002
072
SC
Z lineal x F=i
Componente LINEAL BUFFERSxFICHEROS

( )
Lineal xF1
2
2 2 Z 2
2.
0' 8
SC 0' 7
( )
2
5
1 0 1

= =
+ +
( )
Lineal xF2
2
2 2 Z 2
2.
1'1
SC 1' 2
( 1) 0
1
1

= =
+ +
( )
Lineal xF3
2
2 2 Z 2
2.
0'1
SC 0'1
( )
5
5
1 0 1

= =
+ +
74
Fuente: Mtodos Estadsticos en Ingeniera - SPUPV 637
002
121
072
SC
Z lineal x F=i
FICHEROS =2
FICHEROS =3
FICHEROS =1
Componente LINEAL BUFFERSxFICHEROS

L xF Lin Lineal 1 L xF2 L x xF ea F3 IC OS l HER


Z Z Z Z Z
S SC SC SC C SC = + +
Lineal xFICHEROS
Z
0' 72 1' 21 0' 0 1' 4 S 7 C 0' 48 2 = + + =
Lineal
Z
7 SC 1' 4 =
38
75
Fuente: Mtodos Estadsticos en Ingeniera - SPUPV 637
Z
Cuad x F1
= 1x255 +-2x21+1x17 =005
BUFFERS
205 26 315 FICHEROS =2
365 305 38 FICHEROS =3
30 20 10
17 21 255 FICHEROS =1
0
135
005
Z
Componente CUADRTICA BUFFERSxFICHEROS

i, j
x
Z
Cuad x F2
= 1x315 +-2x26+1x205 =0
Z
Cuad x F3
= 1x38 +-2x305+1x365 =135
1 -2 1
Cuadrtica j
76
Fuente: Mtodos Estadsticos en Ingeniera - SPUPV 637
0
FICHEROS =2
135
FICHEROS =3
Z
Cuad x F=i
005
FICHEROS =1
0
061
000085
SC
Z Cuad x F=i
Componente CUADRTICA BUFFERSxFICHEROS

( )
( )
CuadxF1
2
Z 2 2 2
SC 0' 00085
2.
0' 05
1 1
2
= =
+ +

( )
( )
CuadxF2
2
2
Z 2 2
2.
0
1
SC 0
1
2
= =
+ +

( )
( )
CuadxF3
2
2 2 2
Z
2.
1' 35
1 1
SC 0
2
' 61 = =
+ +

39
77
Fuente: Mtodos Estadsticos en Ingeniera - SPUPV 637
061
0
000085
SC
Z Cuad x F=i
FICHEROS =2
FICHEROS =3
FICHEROS =1
Componente CUADRTICA BUFFERSxFICHEROS

CxF Cua 1 CxF2 C CuadxFICHEROS xF3 d


Z Z Z Z Z
S SC SC C C SC S = + +
CUAD
Z
SC 0'23 =
= + + =
CuadxFICHEROS
Z
0' 000 0' 2 8 3 5 0 0' SC 0 61 ' 381
78
Fuente: Mtodos Estadsticos en Ingeniera - SPUPV 637
Significacin de los efectos Lineal y Cuadrtico de la
Interaccin FICHEROSxBUFFERS
426 = F
2,9
828 024 2 048 FICHEROS X
BUFFERS Lineal
426 = F
2,9
655 019 2 038 FICHEROS X
BUFFERS Cuad
-
759
F
ratio
363 = F
4,9
F_tabla
=005
0029 9 026 Residual
022 4 088 FICHEROS x
BUFFERS
CM g.l. SC
Origen
Variacin
>
>
El efecto de la interaccin entre FICHEROS y la
componente LINEAL de BUFFERS es significativo.
El efecto de la interaccin entre FICHEROS y la
componente CUADRTICA de BUFFERS es
significativo.

40
79
Fuente: Mtodos Estadsticos en Ingeniera - SPUPV 637
Significacin de los efectos Lineal y Cuadrtico de la
Interaccin FICHEROSxBUFFERS, segn FICHEROS
512 = F
1,9
4172 121 1 121
FICHEROS = 2 X
BUFFERS Lineal
512 = F
1,9
2483 0 72 1 0 72
FICHEROS = 1 X
BUFFERS Lineal
512 = F
1,9
135 002 1 002
FICHEROS = 3 X
BUFFERS Lineal
-
F
ratio
F_tabla
=005
0029 9 026 Residual
CM g.l. SC Origen
Variacin
>
>

Para qu variantes de FICHEROS es significativo el


efecto LINEAL?
<
El efecto LINEAL de BUFFERS sobre FICHEROS es
significativo y positivo (Z
L
<0)en las configuraciones 1 y 2.
80
Fuente: Mtodos Estadsticos en Ingeniera - SPUPV 637
Significacin de los efectos Lineal y Cuadrtico de la
Interaccin FICHEROSxBUFFERS, segn FICHEROS
512 = F
1,9
0 0 1 0
FICHEROS = 2 X
BUFFERS Cuad
512 = F
1,9
0 0 1 0
FICHEROS = 1 X
BUFFERS Cuad
512 = F
1,9
2103 061 1 061
FICHEROS = 3 X
BUFFERS Cuad
-
F
ratio
F_tabla
=005
0029 9 026 Residual
CM g.l. SC Origen
Variacin
<
<

Para qu variantes de FICHEROS es significativo el


efecto CUADRTICO?
>
El efecto CUADRTICO de BUFFERS sobre FICHEROS es
significativo y positivo (Z
C
>0) slo en la configuracin 3.
41
81
Fuente: Mtodos Estadsticos en Ingeniera - SPUPV 637
Interpretacin grfica
Interaction Plot
BUFFERS
T
M
R
E
S
P
FICHEROS
1
2
3
1.6
2
2.4
2.8
3.2
3.6
4
10 20 30
Interaction Plot
BUFFERS
T
M
R
E
S
P
FICHEROS
1
2
3
1.6
2
2.4
2.8
3.2
3.6
4
10 20 30
Z
lineal x F=1
< 0 y Z
Cuad x F=1
= 0
Z
lineal x F=2
< 0 y Z
Cuad x F=2
= 0
Z
lineal x F=3
= 0 y Z
Cuad x F=3
> 0
82
Fuente: Mtodos Estadsticos en Ingeniera - SPUPV 637
CONCLUSIONES:
Para el promedio de BUFFERS ensayados, los ficheros de tipo 1
tienen un tiempo de respuesta en promedio inferior al de los
ficheros de tipo 2, y stos, a su vez, inferior a los del tipo 3.
Para el promedio de FICHEROS ensayados, el tiempo de
respuesta medio tiende a disminuir conforme aumenta el nmero
de buffers, siendo esta disminucin cada vez ms pequea
conforme aumenta dicho nmero de buffers.
Respecto a la interaccin BUFFERS*FICHEROS, el tiempo medio
de respuesta tiende a disminuir linealmente conforme aumenta el
nmero de buffers para los ficheros de tipo 1 y 2. No existe en
este caso tendencia cuadrtica. Sin embargo, para los ficheros de
tipo 3 existe un efecto cuadrtico positivo, no existiendo un efecto
lineal significativo.

42
83
Fuente: Mtodos Estadsticos en Ingeniera - SPUPV 637
- BUFFERS=30, FICHEROS=1
Tiempo de Respuesta medio previsto en COO
Media general + Efecto de niveles (significat.)
2738+ (247- 2738) + (212 - 2738) +
Ef. Buffers=30 Ef. Ficheros=1
+ (17-247-212+ 2738) = 171
Ef. Buffers= 30,Ficheros=1
Condiciones Operativas ptimas (C.O.O.)

84
Fuente: Mtodos Estadsticos en Ingeniera - SPUPV 637
- BUFFERS=30, FICHEROS=1
Estimacin de la
2
del Tiempo de Respuesta medio
CMResidual=0029
Estimacin de la
2
de la prediccin
Condiciones Operativas ptimas (C.O.O.)

( )
x
CMR
1 gl.Ef.sign.
N
+
( )
x
0' 029
1 2 2 4 0' 0145
18
+ + + =
43
85
Fuente: Mtodos Estadsticos en Ingeniera - SPUPV 637
Cuestiones adicionales del ANOVA
Hiptesis bsicas del ANOVA
Transformaciones
86
Fuente: Mtodos Estadsticos en Ingeniera - SPUPV 637
Hiptesis bsicas del ANOVA
Si se estudian 2 factores:
FI I niveles (cuantitativo) o
variantes (cualitativos)
FJ J niveles (cuantitativo) o
variantes (cualitativos)
X (variable
respuesta)
IxJ tratamientos IxJ poblaciones
El valor constatado en el ensayo n de cada uno de
los IxJ tratamientos es el valor observado de una
v.a X
ijn
44
87
Fuente: Mtodos Estadsticos en Ingeniera - SPUPV 637
Los resultados obtenidos mediante el ANOVA se
deducen de las siguientes hiptesis:
Independencia
Homocedasticidad (igualdad de varianzas)
Normalidad
El incumplimiento de alguna de stas hiptesis Los
resultados obtenidos mediante el ANOVA no son
vlidos
Hiptesis bsicas del ANOVA
88
Fuente: Mtodos Estadsticos en Ingeniera - SPUPV 637
Independencia
Incumplimiento: el ANOVA no es robusto frente a ste
incumplimiento Hiptesis ms importante
Responsabilidad del investigador
Solucin: ALEATORIZACIN
Las n observaciones para cada combinacin o
tratamiento corresponden a individuos extrados
independientemente de la poblacin considerada (es
decir, constituyen una muestra de la poblacin en estudio
obtenida al azar (m.a.s.)
Las observaciones obtenidas en la aplicacin de los
diferentes tratamientos son tambin independientes entre
s
45
89
Fuente: Mtodos Estadsticos en Ingeniera - SPUPV 637
Homocedasticidad
Incumplimiento:
Existencia de efectos significativos sobre la dispersin sobre la
variabilidad de X
El ANOVA es moderadamente robusto frente a ste, especialmente
si el diseo es equilibrado.
Deteccin:
Grficos de residuos frente a los niveles de los factores
ANOVA sobre el cuadrado de los residuos
Solucin: en algunos casos (heterocedasticidad por
fenmenos de escala) transformacin logartmica de la
variable respuesta
Las IxJ poblaciones estudiadas tienen la misma
2
Una estimacin de la
2
comn en las poblaciones es el
Cuadrado Medio Residual (CMR)
90
Fuente: Mtodos Estadsticos en Ingeniera - SPUPV 637
Homocedasticidad
2 3 4 5 6 7
Residual Plot for DISTCHI2
-0,12
-0,08
-0,04
0
0,04
0,08
0,12
r
e
s
i
d
u
a
l
MODELO
2 3 4 5 6 7
Residual Plot for DISTCHI2
-0,12
-0,08
-0,04
0
0,04
0,08
0,12
r
e
s
i
d
u
a
l
MODELO
Residual Plot for DISTCHI2
r
e
s
i
d
u
a
l
TIPO
1 2
-0,12
-0,08
-0,04
0
0,04
0,08
0,12
Residual Plot for DISTCHI2
r
e
s
i
d
u
a
l
TIPO
1 2
-0,12
-0,08
-0,04
0
0,04
0,08
0,12
Homocedasticidad
Heterocedasticidad
46
91
Fuente: Mtodos Estadsticos en Ingeniera - SPUPV 637
Normalidad
Incumplimiento:
El ANOVA es bastante robusto frente a ste, especialmente si el
diseo es equilibrado
Deteccin:
Grficos de residuos en Papel Probabilstico Normal
Solucin: en casos de distribuciones con asimetra
positiva transformacin logartmica de la variable
respuesta
Las IxJ poblaciones estudiadas son Normales
Una estimacin de la
2
comn en las poblaciones es el
Cuadrado Medio Residual (CMR)
92
Fuente: Mtodos Estadsticos en Ingeniera - SPUPV 637
Normalidad
Normal Probability Plot
RESIDUALS
p
e
r
c
e
n
t
a
g
e
0 2 4 6 8 10
0.1
1
5
20
50
80
95
99
99.9
Normal Probability Plot
RESIDUALS
p
e
r
c
e
n
t
a
g
e
0 2 4 6 8 10
0.1
1
5
20
50
80
95
99
99.9
Los residuos NO se alinean siguiendo una recta
47
93
Fuente: Mtodos Estadsticos en Ingeniera - SPUPV 637
Normalidad
Variable respuesta transformada
Normal Probability Plot
LOG(RESIDUALS)
p
e
r
c
e
n
t
a
g
e
-11 -8 -5 -2 1 4
0.1
1
5
20
50
80
95
99
99.9
Normal Probability Plot
LOG(RESIDUALS)
p
e
r
c
e
n
t
a
g
e
-11 -8 -5 -2 1 4
0.1
1
5
20
50
80
95
99
99.9