Estabilizacion de Varianza

14/10/2021
Estructura de alias del diseño 2 3-1 con I = ABC. Al estimar los efectos potencialmente importantes con cualquiera de las fracciones
dadas en la table 8.3, resulta que cada efecto estimado tiene un alias. Consideremos, por ejemplo, la fracción 1 de la table 8.3. Este
diseño se generó con I = +ABC, que en este caso también es la relación definidora, ya que define totalmente la estructura del alias del
diseño, la cual consiste en escribir de manera explícita cuáles son los alias de cada efecto, y esta estructura se deduce fácilmente del
generador de la fracción, considerando el signo utilizado: (pág 264 libro) Contraste A = (a + abc – b – c). Mientras que al multiplicar
BxC se obtiene Contraste BC = (a + abc – b – c). Observe que Contraste A = Contraste BC, lo cual significa que los efec tos A y BC
son alias. Al estimar el efecto A también se estima el efecto BC. Así, en realidad se estima la suma A + BC de ambos efectos y no se
sabe con certeza cuál es el que predomina o si ambos afectan. De igual forma se puede ver que en la fracción 1: Contraste B =
Contraste AC = (b + abc – a – c); Contraste C = Contraste AB = (c + abc – b – a); así que B es alias de AC, y C es alias de AB. En
resumen, la estructura del alias del diseño factorial fraccionado 2 3 – 1 está dada por:
A + BC
B + AC (8.1)
C + AB
Transformaciones para estabilizar varianza
En la práctica, algunas variables de respuesta no siguen una distribución normal sino que se distribuyen, por ejemplo Poisson, binomial
o Gamma, por mencionar tres casos. Resulta que en estas distribuciones la media está relacionada con la desviación estándar
(variabilidad) y, naturalmente, al cambiar la media de un tratamiento a otro, con ella cambia la variabilidad de la respuesta. También es
cierto que al suponer normalidad y varianza constante, éstas no se tienen que cumplir de manera estricta, dado que el procedimiento de
ANOVA es robusto o admite desviaciones moderadas de dichos supuestos.
Existen al menos tres maneras de solucionar o minimizar el problema por falta de normalidad y de varianza heterogénea en los
residuos: 1) utilizar métodos de análisis no paramétricos, que no requieren las suposiciones de normalidad y varianza constante (véase
Conover, 1980); 2) hacer el análisis mediante modelos lineales generalizados (GLM), en los que se ajusta un modelo lineal usando
otras distribuciones diferentes a la normal, donde la varianza no tiene por qué ser constante (Myers, et al., 2002), y 3) hacer el análisis
sobre la respuesta transformada a una escala en la que los supuestos se cumplan. En este libro sólo se presenta el tercer enfoque.
La transformación más apropiada de la respuesta para corregir o minimizar los problemas de falta de normalidad y de varianza
constante, depende del tipo de relación que existe entre la media y la varianza de Y. Esta relación se puede visualizar en la gráfica de
residuos vs. predichos (véase fig 5.10a). Según lo pronunciado que sea la “forma de corneta” de los puntos en dicha gráfica, se
determina la transformación más apropiada. Con un paquete estadístico se pueden probar varias transformaciones para elegir aquella en
la cual los supuestos se cumplan de mejor manera. En la tabla el símbolo α significa “es proporcional a”. A medida que se da la
relación de proporcionalidad con respecto a mayor potencia de la media o valor esperado, se requiere una transformación más fuerte
para lograr igualdad de varianzas en el análisis de la respuesta transformada. El grado de proporcionalidad se puede ver en la gráfica de
residuos vs. predichos.
• En la práctica, algunas variables de respuesta no siguen una distribución

normal sino que se distribuyen, por ejemplo Poisson, binomial o Gamma, etc
• Resulta que en estas distribuciones la media está relacionada con la
desviación estándar (variabilidad) y, naturalmente, al cambiar la media de un
tratamiento a otro, con ella cambia la variabilidad de la respuesta.
• También es cierto que al suponer normalidad y varianza constante, éstas no

se tienen que cumplir de manera estricta, dado que el procedimiento de
ANOVA es robusto o admite desviaciones moderadas de dichos
supuestos.
3
14/10/2021
• Existen al menos tres maneras de solucionar o

minimizar el problema por falta de normalidad y de
varianza heterogénea en los residuos:
1) utilizar métodos de análisis no paramétricos, que no

requieren las suposiciones de normalidad y varianza A través del valor lambda, ver que
constante; tipo de modificación se debe usar
2) hacer el análisis mediante modelos lineales
generalizados (GLM), en los que se ajusta un
modelo lineal usando otras distribuciones diferentes a
la normal, donde la varianza no tiene por qué ser
constante, y
3) hacer el análisis sobre la respuesta transformada a

una escala en la que los supuestos se cumplan.
En recíproco todos los valores los

expresamos a la -1
Para respuestas positivas

(transformación
logarítimica)
4
14/10/2021
σ: varianza
α : “es proporcional a”
λ = 1- α
λ: lambda = 0
(valores 1, 0.5, -0.5, -1)
en función del valor de lambda sé
que tipo de transformación aplicar
Para obtener lambda tengo que

hacer el calculo de alfa (q no es
significancia)
14/10/2021
5
14/10/2021
Ejemplo: Un Ingeniero alimentario está interesado

en determinar si cuatro métodos diferentes para el
contenido de ácido ascórbico producen estimaciones
equivalentes. Cada procedimiento se usa seis veces,
y los datos de ácido ascórbico (en mg/100 ml) se
muestran en la siguiente tabla:
1° VERIFICAR LOS SUPUESTOS
La normalidad si cumple porq es mayor que alfa 0.05
6
14/10/2021
No se cumple la homogeneidad, xq no es mayor q alfa (0.05). se aplica estadistica NO PARAMETRICA, o se

transforma los valores para usar estadística paramétrica
No es horizontal gráficamente no se cumple la homocedasticidad

14/10/2021
14/10/2021
No existe homocedasticidad
LEVENE
BARTLETT
PLOT DE LOS VALORES LOGARITMICOS:
Cada médoto observado de la table tendrá 4

puntos, cada punto refleja cada método
Se traza línea y se coloca la pendiente
Ln θ es intercepto no interesa saber la

pendiente
14/10/2021
8
14/10/2021
Si está equidistante ejemplo 0.5

entonces aplicar estadística no
Este es α para paramétrica.
transformación Si era equidistante se hace las 2
transformaciones, para un cuál
cumple los supuestos
λ= 1 - α (lyp) Con los datos transformados se

verifican los supuestos
NORMALIDAD
HOMOGENEIDAD
9
14/10/2021
VARIANZAS
Antes Después
14/10/2021
10
14/10/2021
Prueba ncv test (chi-cuadrado), se cumple . Se cumple la normalidad de SHAPIRO WILK, se cumple la
homocedasticidad de BARTLETT p-value > alfa , anterior a la transformación resultaba 0.2935
14/10/2021
• Cabe aclarar que las transformaciones

para estabilizar la varianza no eliminan el
efecto de dispersión que de por sí existe.
• Sólo permiten analizar mejor el efecto

sobre la media.
DISEÑOS FACTORIALES FRACCIONADOS

• La familia de diseños factoriales completos 2k
(k factores con dos niveles de prueba cada
uno), que es una de las familias de diseños de
mayor impacto en la industria y en la
investigación, debido a su eficacia y
versatilidad.
• Los factoriales 2k completos son útiles
principalmente cuando el número de factores a
estudiar está entre dos y cinco (2 ≤ k ≤ 5),
rango en el cual su tamaño se encuentra entre
cuatro y 32 tratamientos; esta cantidad es
manejable en muchas situaciones
experimentales.
14/10/2021
12

Estabilizacion de Varianza

Cargado por

Copyright:

Formatos disponibles

Estabilizacion de Varianza

Cargado por

Información del documento

Descripción original:

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Estabilizacion de Varianza

Cargado por

Copyright:

Formatos disponibles

14/10/2021

• En la práctica, algunas variables de respuesta no siguen una distribución

• También es cierto que al suponer normalidad y varianza constante, éstas no

• Existen al menos tres maneras de solucionar o

1) utilizar métodos de análisis no paramétricos, que no

3) hacer el análisis sobre la respuesta transformada a

En recíproco todos los valores los

Para respuestas positivas

Para obtener lambda tengo que

Ejemplo: Un Ingeniero alimentario está interesado

1° VERIFICAR LOS SUPUESTOS

La normalidad si cumple porq es mayor que alfa 0.05

No se cumple la homogeneidad, xq no es mayor q alfa (0.05). se aplica estadistica NO PARAMETRICA, o se

No es horizontal gráficamente no se cumple la homocedasticidad

PLOT DE LOS VALORES LOGARITMICOS:

Cada médoto observado de la table tendrá 4

Se traza línea y se coloca la pendiente

Ln θ es intercepto no interesa saber la

Si está equidistante ejemplo 0.5

λ= 1 - α (lyp) Con los datos transformados se

• Cabe aclarar que las transformaciones

• Sólo permiten analizar mejor el efecto

DISEÑOS FACTORIALES FRACCIONADOS

También podría gustarte