FORMULARIO ANALISIS DE DATOS CURSO 2003-04 Anova Anova de una vía SCT N −1 SCE MCE = k −1 SCR MCR = N−k SCT = ∑ ∑ ( Yij − Y ) 2 MCT = SCE = ∑ n j ( Y j − Y ) 2 SCR = ∑ ∑ ( Yij − Y j ) 2 F= MCE ~ Fk −1, N − k MCR Test de Bartlet nj 2 k 2 ∑ njsj k ( n j - 1) 2 j =1 C = 2.3026 (N - k) Log( ) − ∑ ( n j - 1)Log sj N−k nj j =1 ∑ (Yij −Yj )2 sj = i =1 nj 1 k 1 A = 1+ − ∑ 3( k − 1) j =1 n j − 1 El estadístico de contraste es : k ∑ ( n j − 1) j =1 1 B= C ~ χ 2k −1 A Test de comparaciones múltiples de Sheffé Y j − Yi S= MCR ( S2 ~ Fk −1, N − k k −1 1 1 + ) n j ni Anova de dos víasy una observación por celda SCT = ∑ ∑ ( Yij − Y ) 2 SCA = ∑ b ( A j − Y ) 2 SCB = ∑ a ( Bi − Y ) 2 SCR = ∑ ∑ ( Yij − A j − Bi ) 2 SCT ab − 1 SCA MCA = a −1 SCB MCB = b −1 SCR MCR = ( b − 1)( a − 1) MCT = MCA ~ Fa −1,( a −1)( b −1) MCR MCB F= ~ Fb −1,( a −1)( b −1) MCR F= Test de comparciones múltiples de Scheffé A j − Al a) S= a) S2 ~ Fa -1,(a -1)(b -1) a −1 2 MCR ( ) b b) S= B j − Bl 2 MCR ( ) a 2 S b) ~ Fb -1,(a -1)(b -1) b −1 Anova de dos vías con r observaciones por celda efectos fijos SCT = ∑ ∑ ∑ ( Yijl − Y ) 2 SCT rab − 1 SCA MCA = a −1 SCB MCB = b −1 SCinter MCinter = ( a − 1)( b − 1) SCR MCR = ab ( r − 1) MCT = SCA = ∑ rb ( A j − Y ) 2 SCB = ∑ ra ( Bi − Y ) 2 SCinter = ∑ ∑ r ( Yil − A j − Bi + Y ) 2 SCR = ∑ ∑ ∑ ( Yijl − Yij ) 2 MCA ~ Fa −1,ab( r −1) MCR MCB ~ Fb −1,ab( r −1) F= MCR MCinter ~ F( a −1)( b −1),ab( r −1) F= MCR F= Test de comparaciones múltiples de Scheffé S= A j − Ai 2 rb B j − Bi MCR S= MCR S= 2 rb Yij − Ykl MCR 2 r S2 ~ Fa −1, ab( r −1) a −1 S2 ~ Fb −1, ab( r −1) b −1 S2 ~ Fab −1,ab( r −1) ab − 1 Efectos aleatorios en los dos factores: F= MCA ~ Fa −1,( a −1)( b −1)) MCinter F= MCB ~ Fb −1,( a −1)( b −1) MCinter F= MCinter ~ F( a −1)( b −1),ab( r −1) MCR Efectos aleatorios en el factor B: F= MCA ~ Fa −1,( a −1)( b −1)) MCinter F= MCB ~ Fb −1, ab( r −1) MCR F= MCinter ~ F( a −1)( b −1),ab( r −1) MCR Regresión Estimadores puntuales de los parámetros en regresión simple βˆ1 = s xy βˆ 0 = y − βˆ1 x s x2 σˆ 2 = s r2 = ∑(y i − yˆ i ) 2 n−2 Coeficiente de determinación R2 = 1− ( n − 2 ) s r2 ns y2 = rxy2 Distribuciones muestrales σ βˆ1 ~ N ( β 1 , 2 ) ns x βˆ1 − β 1 ~ t n−2 s r2 ns x2 2 σ 2 ( x 2 + s x2 ) βˆ 0 ~ N ( β 0 , ) ns x2 βˆ 0 − β 0 ~ t n−2 s r2 ( x 2 + s x2 ) (n - 2)s 2r ~ χ n2− 2 2 σ ns x2 Intervalos de confianza para β1 y β0 a nivel 1-α s r2 ( x 2 + s x2 ) ˆ s r2 ( x 2 + s x2 ) s r2 ˆ s r2 ˆ + t t t β β β , , − + βˆ1 −1−α / 2 t n − 2 1 1−α / 2 n − 2 0 1−α / 2 n − 2 0 1−α / 2 n − 2 ns x2 ns x2 ns x2 ns x2 Regiones de rechazo para el contraste H0:β1=b1 y H0: β0=b0 a nivel α R1 = { βˆ1 : βˆ1 − b1 >1−α / 2 t n − 2 s r2 ns x2 } s 2 ( x 2 + s x2 ) R1 = { βˆ 0 : βˆ 0 − b 0 >1−α / 2 t n − 2 r ns x2 ANOVA para el contraste sobre bondad de ajuste lineal SCT = ∑ ( y i − y ) 2 SCReg = ∑ ( y$i − y ) 2 SCR = ∑ ( y i − y$i ) 2 SCT n −1 SCReg MCReg = 1 SCR MCR = n−2 MCT = F= MCReg ~ F1,n − 2 MCR Intervalos de confianza para la media y para la predicción en x=x0 (x0 − x )2 (x0 − x )2 2 1 2 1 $ $ − + + + y t s ( ), y t s ( ) 0 1−α / 2 n − 2 r 0 1−α / 2 n − 2 r 2 2 n ns n ns x x 1 (x0 − x)2 1 (x0 − x)2 2 2 $ $ ), y 0 + 1−α / 2 t n − 2 s r (1 + + ) y 0 − 1− α / 2 t n − 2 s r (1 + + n ns x2 n ns x2 } Regresión Múltiple Estimadores puntuales de los parámetros en regresión múltiple βˆ = ( X ' X ) −1 X' Y σˆ 2 = s r2 = ∑(y i − yˆ i ) 2 n − ( p + 1) Distribuciones muestrales (n - p - 1)s 2r ~ χ n2− p −1 2 σ βˆ i ~ N ( β i , σ 2 (( X ' X ) −1 ) ii ) βˆ i − β i s r2 (( X ' X ) −1 ) ii ~ t n − p −1 Coeficiente de determinación y coeficiente de determinación corregido R2 = 1 − ( n − p − 1) s r2 ns y2 R 2 = 1− s r2 ns y2 n −1 Intervalos de confianza para los parámetros a nivel 1-α [β$ − i t 1−α / 2 n − p −1 sr2 (( X' X ) −1 ) ii , β$ i + 1−α / 2 t n − p −1 sr2 (( X' X ) −1 ) ii ] Regiones de rechazo para el contraste H0:βι=bi a nivel α R1 = { β$ i : β$ i − b i > 1−α / 2 t n − p −1 s r2 (( X' X ) −1 ) ii } ANOVA para el contraste sobre bondad de ajuste lineal SCT = ∑ ( y i − y ) 2 SCReg = ∑ ( yˆ i − y ) 2 SCR = ∑ ( y i − yˆ i ) 2 SCT n −1 SCReg MCReg = p SCR MCR = n − p −1 MCT = F= MCReg ~ F p , n − p −1 MCR Intervalos de confianza a nivel 1-α para la media y para la predicción en x=x0 [ y$ − 0 [ y$ − 0 t 1−α / 2 n − p −1 1− α / 2 s r2 x' 0 ( X' X ) −1 x 0 , y$ 0 + 1−α / 2 t n − p −1 s r2 x' 0 ( X' X ) −1 x 0 ] t n − p −1 s r2 (1 + x' 0 ( X' X ) −1 x 0 ), y$ 0 + 1−α / 2 t n − p −1 s r2 (1 + x' 0 ( X' X ) −1 x 0 ) ] Análisis discriminante x il vector de observaciones del individuo i que está en la población l . i = 1, ..., nl l = 1, ..., k Método de Fisher: k Dl = ( x − x )' Σˆ ( x − x ) (l ) −1 (l ) Σˆ = con ∑n S l =1 l l n−k Matrices de varianzas-covarianzas dentro (W) y entre (B) grupos k nl k l =1i =1 l =1 W = ∑ ∑ ( x il − x (l ) )( x il − x (l ) )' = ∑ n l Sl k B = ∑ n l ( x (l ) − x )( x (l ) − x )' l =1 Transformación a variedades canónicas Zj = n−k γ j' X − n−k γ j' X con γ j ' j = 1, ..., s s = min ( p , k - 1) el vector propio de W -1 B ordenados de mayor a menor valor propio asociado Estadístico Lambda de Wilks s 1 j =i 1 + λˆ j Λ=Π - (n - p+k − 1) LnΛ ~ χ (2p −i −1)( k −i − 2) 2