Descarga la aplicación para disfrutar aún más
Esta es una vista previa del archivo. Inicie sesión para ver el archivo original
Ingeniería en Procesos y Calidad Diseño de Experimentos III Cuatrimestre 2021 Grupo 11 Autores: Hanyel Acuña Araya Antonella Alfaro Cruz Yuliet Ramírez Salas Fecha: 11 de Noviembre, 2021 Capítulo 3: Modelos de análisis de varianza Introducción: Es una herramienta para el análisis estadístico de los ensayos experimentales, se presentan inicialmente algunas ideas básicas sobre modelos lineales superparametrizados, modelos de medias de celdas y modelos con restricciones Σ. Así mismo, se presentan los diferentes tipos de sumas de cuadrados y el concepto de funciones estimables, resultados relevantes en el desarrollo de la metodología de este texto. Se clasificación de modelos lineales: El modelo superparametrizado (modelo S): El uso de este modelo facilita la interpretación de las sumas de cuadrados obtenidas a partir de la notación R(·/·). También es el conjunto de parámetros para los diferentes factores involucrados en el modelo Estimación de parámetros Análisis de varianza El modelo de medias de celda (modelo M) : Tiene la ventaja de describir hipótesis con gran simplicidad. En Speed et al. (1978), se define el modelo de medias de celda o modelo M como Y =W 𝝁+e. Además ayuda a simplificar la interpretación de algunas hipótesis y el modelo Σ restringido, el cual es esencial para la interpretación de ciertos tipos de sumas de cuadrados de rango completo. Ecuaciones normales: ˆ 𝝁 = (WtW)−1WtY, la cual coincide con la estimación de mínimos cuadrados para 𝝁 Estimabilidad: Las funciones estimables para la obtención de proyectores ortogonales asociados con hipótesis dadas, cualquiera sea el nivel de desbalance amiento de los datos. 1. Estimadores lineales insesgados (ELIS): Se está interesado en un estimador lineal insesgado de 𝜽 o de una combinación lineal de 𝜽. 2. Transformaciones lineales y estimabilidad en modelos superparametrizados: 2.1. Modelo con restricción paramétrica tipo Σ: Modelo con restricción paramétrica de tipo “suma igual a cero” y se presenta como: Esta reparametrización busca transformaciones lineales de los parámetros de tal forma que el espacio columna de la matriz Zn×k (C(Z)) sea idéntico al espacio columna de la matriz Xn×p denotado por C(X). Modelos lineales particionados y sumas de cuadrados asociadas: se parte del modelo particionado en k partes ortogonales para obtener, a partir de estas particiones, los diferentes tipos de hipótesis y sumas de cuadrados asociadas. 1. Modelo particionado en dos partes: 2. Modelo particionado en tres partes: 3. Modelo particionado en k partes ordenadas: Sumas de cuadrados y funciones estimables: según la naturaleza de los datos (balanceados y no balanceados), cada suma de cuadrados tiene características estadísticas, condiciones de uso y manejo de acuerdo con el modelo lineal planteado. Hipótesis más comunes sobre filas y columnas: Dentro de los varios tipos de hipótesis existentes, el procedimiento GML del SAS incorpora, en relación con el modelo en estudio, cuatro tipos de funciones y sumas de cuadrados para probar efectos.
Compartir