El documento muestra los pasos para demostrar que la esperanza matemática del error cuadrático medio (E(MCE)) es igual a σ^2. A través de varias sustituciones y resolución de sumatorias, se llega a la expresión E(MCE)[a(n-1)]=aσ^2(n-1), de donde al despejar E(MCE) se obtiene que E(MCE)=σ^2.
[/RESUMEN]
El documento muestra los pasos para demostrar que la esperanza matemática del error cuadrático medio (E(MCE)) es igual a σ^2. A través de varias sustituciones y resolución de sumatorias, se llega a la expresión E(MCE)[a(n-1)]=aσ^2(n-1), de donde al despejar E(MCE) se obtiene que E(MCE)=σ^2.
[/RESUMEN]
El documento muestra los pasos para demostrar que la esperanza matemática del error cuadrático medio (E(MCE)) es igual a σ^2. A través de varias sustituciones y resolución de sumatorias, se llega a la expresión E(MCE)[a(n-1)]=aσ^2(n-1), de donde al despejar E(MCE) se obtiene que E(MCE)=σ^2.
[/RESUMEN]
El documento muestra los pasos para demostrar que la esperanza matemática del error cuadrático medio (E(MCE)) es igual a σ^2. A través de varias sustituciones y resolución de sumatorias, se llega a la expresión E(MCE)[a(n-1)]=aσ^2(n-1), de donde al despejar E(MCE) se obtiene que E(MCE)=σ^2.
[/RESUMEN]
Descargue como XLSX, PDF, TXT o lea en línea desde Scribd
Descargar como xlsx, pdf o txt
Está en la página 1/ 21
Mostrar que 𝑬(𝑴𝑪𝑬)=𝝈^𝟐
Para empezar, partimos de que
𝑴𝑪𝑬=𝑺𝑪𝑬/𝒂(𝒏−𝟏) y a su vez 𝑺𝑪𝑬= ∑1_(𝒊=𝟏)^𝒂▒ 〖∑ 1_(𝒋=𝟏)^𝒏▒ 〖 (𝒀_𝒊𝒋−𝒀 ̅_(𝒊∙) 〗 ) 〗 ^𝟐 Remplazamos: 𝑬(𝑴𝑪𝑬)=𝑬(𝑺𝑪𝑬/𝒂(𝒏−𝟏) )=𝑬((∑1_(𝒊=𝟏)^𝒂▒∑1_(𝒋=𝟏)^𝒏▒ 〖 (𝒀_𝒊𝒋−𝒀 ̅_(𝒊∙) )^𝟐 〗 )/𝒂(𝒏−𝟏) ) Seguido, se sabe que el modelo 𝒀_𝒊𝒋 es de la forma 𝝁+𝝉_𝒊+𝜺 ̅_𝒊𝒋, por lo tanto: 𝒀_𝒊𝒋=𝝁+𝝉_𝒊+𝜺_𝒊𝒋 𝒀 ̅_(𝒊∙)=𝝁+𝝉_𝒊+𝜺 ̅_(𝒊∙) Ahora remplazando se obtiene: 𝑬(𝑴𝑪𝑬)=𝑬((∑1_(𝒊=𝟏)^𝒂▒ 〖∑ 1_(𝒋=𝟏)^𝒏▒ 〖 (𝒀_𝒊𝒋−𝒀 ̅_(𝒊∙) 〗 ) 〗 )/𝒂(𝒏−𝟏) )=𝑬((∑1_(𝒊=𝟏)^𝒂▒∑1_(𝒋=𝟏)^𝒏▒(𝝁+𝝉_𝒊+𝜺_𝒊𝒋−𝝁−𝝉_𝒊−𝜺 ̅_(𝒊∙) )^𝟐 )/𝒂(𝒏−𝟏) ) = 𝑬((∑1_(𝒊=𝟏)^𝒂▒∑1_(𝒋=𝟏)^𝒏▒(𝜺_𝒊𝒋−𝜺 ̅_(𝒊∙) )^𝟐 )/𝒂(𝒏−𝟏) ) Se resuelve el binomio y se distribuyen las sumatorias dobles para finalmente obtener: 𝑬(𝑴𝑪𝑬)= 𝑬((∑1_(𝒊=𝟏)^𝒂▒ 〖∑ 1_(𝒋=𝟏)^𝒏▒𝜺_𝒊𝒋^𝟐 − 〗 ∑ 1_(𝒊=𝟏)^𝒂▒ 〖∑ 1_(𝒋=𝟏)^𝒏▒ 〖𝟐𝜺 _𝒊𝒋 𝜺 ̅_(𝒊∙) 〗 +∑1_(𝒊=𝟏)^𝒂▒∑1_(𝒋=𝟏)^𝒏▒𝜺 ̅_(𝒊∙)^𝟐 〗 )/𝒂(𝒏−𝟏) ) Se multiplica convenientemente los grados de libertad para poder analizar el error cómodamente: 𝑬(𝑴𝑪𝑬)[𝒂(𝒏−𝟏)]= 𝑬(∑1_(𝒊=𝟏)^𝒂▒ 〖∑ 1_(𝒋=𝟏)^𝒏▒𝜺_𝒊𝒋^𝟐 − 〗 ∑ 1_(𝒊=𝟏)^𝒂▒ 〖∑ 1_(𝒋=𝟏)^𝒏▒ 〖𝟐𝜺 _𝒊𝒋 𝜺 ̅_(𝒊∙) 〗 +∑1_(𝒊=𝟏)^𝒂▒∑1_(𝒋=𝟏)^𝒏▒𝜺 ̅_(𝒊∙)^𝟐 〗 ) Resolvemos cada una de las sumatorias dobles: ∑1_(𝒊=𝟏)^𝒂▒∑1_(𝒋=𝟏)^𝒏▒𝜺_𝒊𝒋^𝟐 Se sabe que 𝑽(𝒙)=𝑬(𝒙^𝟐) y también que 𝑽(𝜺_𝒊𝒋 )=𝝈^𝟐, lo anterior debido al supuesto de que 𝜺_𝒊𝒋∼𝑵𝑰 (𝟎,𝝈^𝟐), por lo tanto: ∑1_(𝒊=𝟏)^𝒂▒∑1_(𝒋=𝟏)^𝒏▒𝜺_𝒊𝒋^𝟐 =∑1_(𝒊=𝟏)^𝒂▒ 〖∑ 1_(𝒋=𝟏)^𝒏▒𝝈^𝟐 = 〗 ∑ 1_(𝒊=𝟏)^𝒂▒ 〖𝒏𝝈 ^𝟐= 〗 𝒂𝒏𝝈 ^𝟐 Seguido: ∑1_(𝒊=𝟏)^𝒂▒ 〖∑ 1_(𝒋=𝟏)^𝒏▒ 〖𝟐𝜺 _𝒊𝒋 𝜺 ̅_(𝒊∙) 〗 = 〗 ∑ 1_(𝒊=𝟏)^𝒂▒ 〖𝟐𝜺 ̅ _(𝒊∙) ∑1_(𝒋=𝟏)^𝒏▒𝜺_𝒊𝒋 〗 Se sabe que ∑1_(𝒋=𝟏)^𝒏▒𝜺_𝒊𝒋 =𝜺_(𝒊∙) y 𝜺 ̅_(𝒊∙)=𝜺_(𝒊∙)/𝒏 por lo tanto: ∑1_(𝒊=𝟏)^𝒂▒ 〖𝟐𝜺 ̅ _(𝒊∙) ∑1_(𝒋=𝟏)^𝒏▒𝜺_𝒊𝒋 〗 =∑1_(𝒊=𝟏)^𝒂▒ 〖𝟐𝜺 ̅ _(𝒊∙) 〗 𝜺 _(𝒊∙)=∑1_(𝒊=𝟏)^𝒂▒ 〖𝟐𝒏𝜺 ̅ _(𝒊∙)^𝟐 〗 Finalmente, se tiene que 𝑬(𝜺 ̅_(𝒊∙)^𝟐 )=𝝈^𝟐/𝒏 y se resuelve: ∑1_(𝒊=𝟏)^𝒂▒ 〖𝟐𝒏𝜺 ̅ _(𝒊∙)^𝟐 〗 =𝟐𝒏∑1_(𝒊=𝟏)^𝒂▒𝜺 ̅_(𝒊∙)^𝟐 =(𝟐𝒂𝒏𝝈^𝟐)/𝒏=𝟐𝒂𝝈^𝟐 Por último: ∑1_(𝒊=𝟏)^𝒂▒ 〖∑ 1_(𝒋=𝟏)^𝒏▒𝜺 ̅_(𝒊∙)^𝟐 = 〗 ∑ 1_(𝒊=𝟏)^𝒂▒ 〖𝝈 ^𝟐=𝒂𝝈^𝟐 〗 Remplazamos los resultados de las sumatorias en la ecuación 𝑬(𝑴𝑪𝑬)[𝒂(𝒏−𝟏)]= 𝑬(∑1_(𝒊=𝟏)^𝒂▒ 〖∑ 1_(𝒋=𝟏)^𝒏▒𝜺_𝒊𝒋^𝟐 − 〗 ∑ 1_(𝒊=𝟏)^𝒂▒ 〖∑ 1_(𝒋=𝟏)^𝒏▒ 〖𝟐𝜺 _𝒊𝒋 𝜺 ̅_(𝒊∙) 〗 +∑1_(𝒊=𝟏)^𝒂▒∑1_(𝒋=𝟏)^𝒏▒𝜺 ̅_(𝒊∙)^𝟐 〗 ) Para finalmente obtener: 𝑬(𝑴𝑪𝑬)[𝒂(𝒏−𝟏)]= 𝒂𝒏𝝈^𝟐−𝟐𝒂𝝈^𝟐+𝒂𝝈^𝟐 Factorizamos 𝒂𝝈^𝟐: 𝑬(𝑴𝑪𝑬)[𝒂(𝒏−𝟏)]= 〖𝒂𝝈〗 ^𝟐 (𝒏−𝟐+𝟏)= 〖𝒂𝝈〗 ^𝟐 (𝒏−𝟏) Para terminar, se despeja y resuelve para obtener: 𝑬(𝑴𝑪𝑬)=𝝈^𝟐 𝑬(𝑴𝑪𝑬)[𝒂(𝒏−𝟏)]= 〖𝒂𝝈〗 ^𝟐 (𝒏−𝟐+𝟏)= 〖𝒂𝝈〗 ^𝟐 (𝒏−𝟏) Para terminar, se despeja y resuelve para obtener: 𝑬(𝑴𝑪𝑬)=𝝈^𝟐 En la publicidad de tres pinturas se dice que tienen el mismo tiempo de secado. Para verificar esto, se prueban cinco muestras de cada una de las pinturas. Se registra el tiempo en minutos necesario para que el secado sea suficiente para la aplicación de una segunda mano. Los datos obtenidos son los siguientes. Con 𝛼=0.05 como nivel de significancia, realice una prueba para determinar si la media de los tiempos de secado es la misma en todas las pinturas. 𝐇_𝟎:𝝁_𝟏=𝝁_𝟐=𝝁_𝟑=𝝁_𝟒 𝐇_𝟏: Por lo menos una media es diferente
ANÁLISIS DE VARIANZA Fuente SC GL MC F P valor F crítico Entre grupos 330 3 110 2.5433526 0.09276427 3.23887152 Dentro de los grupos 692 16 43.25
Total 1022 19 No se rechaza la Hipótesis nula ya que P valor es mayor que el valor de significancia gnificancia Tolerancia a la glucosa. Los médicos dependen de resultados de exámenes de laboratorio cuando manejan problem médicos como diabetes o epilepsia. En un examen de uniformidad para tolerancia a la glucosa, a tres laboratorios di les enviaron n_𝑡=0.05 muestras de sangre idénticas de una persona que había bebido 50 miligramos (mg) de glucosa agua. Los resultados de laboratorio (en mg/dl) son los siguientes a. ¿Los datos indican una diferencia en el promedio de lecturas para los tres laboratorios? b. Use el método de Tukey para comparaciones apareadas para clasificar las tres medias de tratamiento. Use a 𝛼=0. 𝐇_𝟎:𝝁_𝟏=𝝁_𝟐=𝝁_𝟑 𝐇_𝟏: Por lo menos una media es diferente
a. ¿Los datos indican una diferencia en el promedio de lecturas para los tres laboratorios? No existe evidencia muestral para afirmar que hay una diferencia en el promedio de lecturas para los tres laboratorio si F>F crítico la Hipótesis nula se rechaza pero en este caso F<F crítico, así que la 𝐇_𝟎 no se rechaza como verdad
ANÁLISIS DE VARIANZA Fuente SC GL MC F Entre grupos 42.556 2 21.278 0.604397061051357 Dentro de los grupos 422.464 12 35.2053333333333
Total 465.02 14
b. Use el método de Tukey para comparaciones apareadas para clasificar las tres medias de tratamiento. Use a 𝛼=0. b. Use el método de Tukey para comparaciones apareadas para clasificar las tres medias de tratamiento. Use a 𝛼=0.
𝑡_𝛼 12.9147188 𝜇_1=𝜇_2=𝜇_3 o cuando manejan problemas cosa, a tres laboratorios diferentes se ligramos (mg) de glucosa disuelta en
e tratamiento. Use a 𝛼=0.05
as para los tres laboratorios, ya que,
no se rechaza como verdadera
P valor F crítico 0.5622227945 3.88529383
e tratamiento. Use a 𝛼=0.05
e tratamiento. Use a 𝛼=0.05
Desición Signitificativa Signitificativa Signitificativa Calificaciones del GRE. Las calificaciones de Examen de Registro de Graduados (GRE, por sus siglas en inglés), s local. a. ¿Los datos dan suficiente evidencia para indicar una diferencia en las calificaciones medias del GRE, para solicita b. Encuentre un intervalo de confianza de 95% para la diferencia en calificaciones medias del GRE para los program c. Si encuentra una diferencia significativa en las calificaciones del GRE para los tres programas, use el método de T otras. Use a 𝛼=0.05
Análisis de varianza de un factor
RESUMEN Grupos Prog 1 Prog 2 Prog 3
ANÁLISIS DE VARIANZA Origen de las variaciones Entre grupos Dentro de los grupos
Total
Intervalo de confianza Donde X1: Media del Programa 1 X2: Media del Programa 2 Z: Valor crítico de la distribución normal estándar para un nivel de confianza del 95% (aproximadamente 1.96) SE: Error estándar de la diferencia entre las calificaciones medias
Ahora se calcula el intervalo de confianza reemplazando todos los valores
Intervalo de confianza=(X1 - X2) ± Z * SE
Intervalo de confianza Intervalo de confianza Límite inferior Límite superior El intervalo de confianza del 95% para la diferencia entre las calificaciones medias del Programa 1 y el Programa 2 es aproximadamente (-159.52, -26.48). Esto significa que podemos estar 95% seguros de que la diferencia real entre las calificaciones medias se encuentra dentro de este rango. GRE. Las calificaciones de Examen de Registro de Graduados (GRE, por sus siglas en inglés), se registraron para estudiantes adm
iciente evidencia para indicar una diferencia en las calificaciones medias del GRE, para solicitantes admitidos a los tres program valo de confianza de 95% para la diferencia en calificaciones medias del GRE para los programas 1 y 2. iferencia significativa en las calificaciones del GRE para los tres programas, use el método de Tukey para comparaciones aparea
Programa de graduados Prog 1 Prog 2 532 670 548 590 619 640 509 710 627 690
Cuenta Suma 5 2835 5 3300 5 2724
Suma de cuadrados Grados de libertad
37354.8 2 26212.8 12
63567.6 14
(X1 - X2) ± Z * SE
567 660 distribución normal estándar para un nivel de confianza del 95% (aproximadamente 1.96) SE: Error estándar de la diferencia entre las calificaciones medias 50.79 5 56.57 5
ervalo de confianza reemplazando todos los valores
Intervalo de confianza=(X1 - X2) ± Z * SE
(567−660)±1,96×33,95 (−93)±66,52 (−93)−66,52=−159,52 (−93)+66,52=−25,48 rvalo de confianza del 95% para la diferencia entre las aciones medias del Programa 1 y el Programa 2 es madamente (-159.52, -26.48). Esto significa que podemos 5% seguros de que la diferencia real entre las calificaciones se encuentra dentro de este rango. ron para estudiantes admitidos en tres programas diferentes para graduados en una universidad
itidos a los tres programas?
a comparaciones apareadas para determinar cuáles medias difieren significativamente de las
ANÁLISIS DE VARIANZA Fuente SC GL MC F Entre grupos 475.76 4 118.94 14.7568238 Dentro de los grupos 161.2 20 8.06
a de la ruptura. Total 636.96 24
Residuales vs Porcentajes 6
-2
-4
-6 10 15 20 25 30 35 40 35 40
y disminuye en el 35%. El modelo es adecuado ya que el patrón de los residuales en la gráfica, tiende a la forma horizontal Porcentajes Residuales 15 -2.8 -2.8 5.2 1.2 -0.8 20 -3.4 1.6 -3.4 2.6 2.6 25 -3.6 0.4 0.4 1.4 1.4 30 -2.6 3.4 0.4 -2.6 1.4 35 -3.8 -0.8 0.2 4.2 0.2
ANÁLISIS DE VARIANZA Fuente SC GL MC F P valor Entre grupos 0.13911039 3 0.04637013 2.61591062 0.0826548831 Dentro de los grupos 0.31907143 18 0.01772619
Total 0.45818182 21
No se rechaza la hipótesis P-valor = 0,083 Temperatura (F°) Residuales 21.5 21.8 100 0.08571429 0.18571429 -0.0142857 125 0.175 -0.125 -0.025 150 0.18 0.08 0.08 21.8 175 0.15 -0.05 0.05
El modelo es adecuado ya que el patrón de los residuales en la gráfica, tiende a la forma horizontal de Residuales -0.1142857 -0.0142857 -0.2142857 0.08571429 -0.025 -0.12 -0.22 -0.05 -0.15 0.05
