anovaold>> anova2(x,1) Numero di repliche per sperimentazione >> [P,ANOVATAB,STATS] = ANOVA2(x,1) >>...
Transcript of anovaold>> anova2(x,1) Numero di repliche per sperimentazione >> [P,ANOVATAB,STATS] = ANOVA2(x,1) >>...
22/01/2013
1
ANOVA
ANALYSIS OF VARIANCE
1
2
22/01/2013
2
Disegnare i box plot
1 2 3 4
8
10
12
14
16
18
20
22
24
Valu
es
Column Number
>> boxplot(x)
3
CONCENTRAZIONE=LIVELLIREPLICHE 5 10 15 20
1 7 12 14 19
2 8 17 18 25
3 15 13 19 22
4 11 18 17 23
5 9 19 16 18
6 10 15 18 20
1, ,
1, ,ij i ij
i aY
j nµ τ ε
== + +
=
…
…
osservazioni
Media comune
Scostamenti dallaMedia comune errore
4
22/01/2013
3
TOTALE LIVELLI ERRORESS SS SS= +
Sum of
Squares
Indichiamo con ( 1)
LivelliLivelli
SSMS
a• =
−
Media quadratica
del trattamento
Indichiamo con ( 1)
erroreErrore
SSMS
a n• =
−Errore quadratico
medio
[ ] 2 ( 1)
erroreErrore
SSE MS E
a nσ
= =
−
E’ uno stimatore della
var. indipendentemente
dalla validità dell’ipotesi
nulla5
[ ]
2 2
0
2 2
0
, se è vera 0
( 1) , se è falsa 0
i
Livelli
Livelli
i
HSS
E MS Ea H
σ τ
σ τ
⇐ =
= = − > ⇐ ≠
∑
∑
[ ][ ]
1LIVELLI
ERRORE
E MS
E MS>
[ ] [ ]0 1Se : 0a Livelli Errore
H E MS E MSτ τ= = = ⇒ >⋯
1, ( 1)Livelli
a a n
Errore
MSFisher
MS− − ≈
6, 1, ( 1)Si rigetta l'ipotesi nulla se il valore della statistica test è maggiore di a a n
fα − −
22/01/2013
4
In Matlab c’è una procedura per effettuare l’ANOVA
>> anova1(x)
ans =
3.5926e-006
In Output
If X is a matrix, ANOVA1 treats each column as a separate group, and determines whether the population means of the columns are equal.This form of ANOVA1 is appropriate when each group has the same number of elements (balanced ANOVA).
7
1 2 3 4
8
10
12
14
16
18
20
22
24
Valu
es
Column Number
“Notched box-plots”: sono rappresentati gli intervalli di confidenza per la mediana; se si sovrappongono allora i livelli potrebbero avere la stessa mediana.
382.792Columns Livelli
SS SS= =
4 1 3Columns
df = − =
127.587Columns Livelli
MS MS= =
130.167Errors
SS =
4(6 1) 20Errors
df = − =
6.508Errors
MS =512.958
Totale Livelli ErrorsSS SS SS= + =
4*6 1 23Total
df = − =
22/01/2013
5
[P,ANOVATAB,STATS] = ANOVA1(...) returns an additional structure
of statistics useful for performing a multiple comparison of means
with the MULTCOMPARE function.
>> [P,ANOVATAB,STATS] = ANOVA1(x)
P = 3.5926e-006ANOVATAB =
'Source' 'SS' 'df' 'MS' 'F' 'Prob>F' 'Columns' [382.7917] [ 3] [127.5972] [19.6052] [3.5926e-006]'Error' [130.1667] [20] [ 6.5083] [] []'Total' [512.9583] [23] [] [] []
STATS = gnames: [4x1 char]n: [6 6 6 6]
source: 'anova1'means: [10 15.6667 17 21.1667]
df: 20s: 2.5511
9
6 8 10 12 14 16 18 20 22 24
4
3
2
1
Click on the group you want to test
3 groups have means significantly different from Group 1
Nell’output compare…
In basso leggiamo che gli altri 3 gruppi hanno media diversa dal primo gruppo. Se clicchiamo sul secondo gruppo….
La tabella STATS va data in input alla function multcompare:
>> [c,u]=multcompare(STATS)
10
22/01/2013
6
6 8 10 12 14 16 18 20 22 24
4
3
2
1
Click on the group you want to test
2 groups have means significantly different from Group 2
Scopriamo che due gruppi (quelli in rosso) hanno media diversa da quello in blu. Il gruppo la cui media è disegnata in grigio ha la stessa media (statisticamente) del gruppo in blu.
11
6 8 10 12 14 16 18 20 22 24
4
3
2
1
Click on the group you want to test
2 groups have means significantly different from Group 3
Questa è la situazione per il terzo gruppo….
12
22/01/2013
7
6 8 10 12 14 16 18 20 22 24
4
3
2
1
Click on the group you want to test
3 groups have means significantly different from Group 4
E questa è la situazione per il quarto gruppo….
Nell’output compaiono anche delle statistiche…
13
>> [c,u]=multcompare(STATS)
c =
1.0000 2.0000 -9.7892 -5.6667 -1.54411.0000 3.0000 -11.1226 -7.0000 -2.87741.0000 4.0000 -15.2892 -11.1667 -7.04412.0000 3.0000 -5.4559 -1.3333 2.78922.0000 4.0000 -9.6226 -5.5000 -1.37743.0000 4.0000 -8.2892 -4.1667 -0.0441
u =
10.0000 1.041515.6667 1.041517.0000 1.041521.1667 1.0415
>>
Intervallo di confidenza al 95% di default (si può cam-biare in input) •stima delle differenze dellemedie tra i due gruppi 1 e 2.
Le medie dei sottogruppi
Errori standard delle medie campionarie
14
>>sqrt(6.508)/sqrt(6)
22/01/2013
8
15
CONCENTRAZIONE=LIVELLI
REPLICHE 5 10 15 20
1 7 12 14 19
2 8 17 18 25
3 15 13 19 22
4 11 18 17 23
5 9 19 16 18
6 10 15 18 20
Medie 10 15,67 17 21,17
2( , )ij i ij iY Nµ τ ε µ τ σ= + + ≈ +
Anche per l’ANOVA è necessario verificare che l’errore inserito nel mo-
dello teorico sia gaussiano , come fattore che ingloba l’elemento stoca-
stico sperimentale.
Per calcolare i residui è necessario effettuarela differenza tra gli elementi delle singole colonnee le rispettive medie.
1) E’ possibile costruire una matrice le cui colonnesono uguali alle medie delle colonne.2) Effettuare la differenza tra la matrice dei datie questa matrice così costruita.3) Concatenare le colonne della matrice in un unicovettore.
16
>> for i=1:4media(:,i)=mean(x(:,i))*ones(6,1);end>> media
media =
10.0000 15.6667 17.0000 21.166710.0000 15.6667 17.0000 21.166710.0000 15.6667 17.0000 21.166710.0000 15.6667 17.0000 21.166710.0000 15.6667 17.0000 21.166710.0000 15.6667 17.0000 21.1667
>> appoggio=x-media;>> appoggio
appoggio =
-3.0000 -3.6667 -3.0000 -2.1667-2.0000 1.3333 1.0000 3.83335.0000 -2.6667 2.0000 0.83331.0000 2.3333 0 1.8333
-1.0000 3.3333 -1.0000 -3.16670 -0.6667 1.0000 -1.1667
>> res=[];>> for i=1:4 res=[res; appoggio(:,i)]; end>> res
res = -3.0000-2.00005.00001.0000
-1.0000...
Punto (1)
Punto (2)
Punto (3)
22/01/2013
9
>> normplot(res)
-3 -2 -1 0 1 2 3 4 5
0.02
0.05
0.10
0.25
0.50
0.75
0.90
0.95
0.98
Data
Pro
babili
ty
Normal Probability Plot
17
>> kstest(res/sqrt(6.508))
ans =
0
18
22/01/2013
10
TOTALE LIVELLI ERRORESS SS SS= +
NB: Tutto l’impianto del test resta inalterato. Dalla tabella dei risultati è possibile stimare la variabilità del fattore.
2 2
1
LivelliSS
E na
τσ σ
= + −
2
( 1)
ErrorsSS
Ea n
σ
= −
Esempio: Una compagnia di manufatti tessili progetta una
fabbrica con un elevato numero di telai. La compagnia vuole
studiare la variabilità tra un telaio e l’altro della resistenza tessile.
A questo scopo vengono selezionati 4 telai a caso e da
ogni telaio 4 campioni tessili a caso di cui viene misurata la
resistenza.
20
TELAIO
Repliche I II III IV
1 98 91 96 95
2 97 90 95 96
3 99 93 97 99
4 96 92 95 98
22/01/2013
11
1 2 3 4
90
91
92
93
94
95
96
97
98
99
Valu
es
Column Number
21
Terminiamo con l’analisi dei residui.
22
2 29.7292 1.8958
4τσ
−=
22/01/2013
12
>> kstest(res/sqrt(1.8958))
ans = 0
23
NORMPLOT
TEST DI KOLMOGOROV-S
24
LUNGHEZZA FIBRE
REPLICHE 1 2 3 4
1 8,99 11,62 11,85 7,57
2 9,89 11,40 11,33 11,27
3 9,61 11,11 11,84 8,94
4 9,31 10,80 13,83 7,85
5 9,35 11,72 11,05 9,28
Durata dei prototipiespresse in cicli10^6
22/01/2013
13
25
26
a) Fattore sperimentale (o di interesse): fattore che influenza diretta-mente la variabile di risposta Y.
Ex: tipo di fertilizzante che influenza la crescita di una pianta
b) Fattore sub-sperimentale (o fattore blocco): fattore che influenza indirettamente la variabile di risposta Y.
Ex: tipologia di terreno
c) Fattore accidentale (o fattore di perturbazione): componente errore
1 solo fattore: disegno completamente casualizzato
1 solo fattore + 1 fattore blocco: disegno a blocchi randommiz-
zato completo
più fattori: disegno fattoriale
22/01/2013
14
27
Campioni di fabbrica 1 2 3 4 5
A(1,30) C(1,70) D(2,00) A(1,20) B(1,80)
B(2.20) A(1,60) C(0) B(2) A(1.10)
C(1,80) B(2.40) A(0.50) D(4.10) D(3.40)
D(3.90) D(4.40) B(0.40) C(1.50) C(1.30)
Un disegno a blocchi randommizzato completo può essere il seguente:
A, B, C, D rappresentano i 4 composti chimici1,2,3,4,5 rappresentano le repliche (blocchi)
I dati vanno riordinati per l’impiego in MATLAB
28
COMPOSTI CHIMICI
REPLICHE I II III IV
1 1,30 2,20 1,80 3,90
2 1,60 2,40 1,70 4,40
3 0,50 0,40 0,00 2,00
4 1,20 2,00 1,50 4,10
5 1,10 1,80 1,30 3,40
22/01/2013
15
1 2 3 4
0.5
1
1.5
2
2.5
3
3.5
4
4.5
Valu
es
Column Number
SUI LIVELLI: COMPOSTI CHIMICI
29
Effettuando l’anova1(x) in MATLAB otteniamo il box-plot sulle colonne
SULLE RIGHE: BLOCCHI
1 2 3 4 5
0.5
1
1.5
2
2.5
3
3.5
4
4.5
Valu
es
Column Number
30
Effettuando l’anova1(x) in MATLAB otteniamo il box-plot sulle colonne
22/01/2013
16
31
Per effettuare l’anova tenendo conto del fattore principale e del fattore blocco, si usa la procedura per l’anova a due fattori:
>> anova2(x,1) Numero di repliche per sperimentazione
>> [P,ANOVATAB,STATS] = ANOVA2(x,1)
>> [c,u]=multcompare(stats)
È possibile stabilire quali medie differiscono
32
Differenze tra le medie (tra colonne)
22/01/2013
17
33
Differenze tra le medie (tra righe)
>> [P,ANOVATAB,STATS] = ANOVA2(x’,1)
>> [c,u]=multcompare(stats)
34
Repliche: possibilità di ripetere l’esperimento un numero finito di volte sempre nelle medesime condizioni sperimentali.
Unico modo per catturare la variabilità accidentale
22/01/2013
18
35
Effetto principale: quota di variabilità imputabile ai singoli fattori
Interazione: quota di variabilità imputabile al fattore A al variare dei livelli di B (e viceversa)
Nel caso di assenza di interazioni, si ha un effetto additivo tra gli effetti principali dei fattori sperimentali, cosa invece che non avviene in presenza di interazioni.
22/01/2013
19
38
Esperimenti fattoriali 2^k
Sono speciali tipi di esperimenti fattoriali in cui vengono presi in considerazione k fattori a soli 2 livelli.
Repliche
Ora Temperatura A B I II Medie Convenzione
1 120 -1 -1 22,1 17,4 19,75 (-1)
1 150 -1 1 27,6 32,5 30,05 b
1,5 120 1 -1 21,5 19,5 20,5 a
1,5 150 1 1 28,6 33,7 31,15 ab
( 1)−
22/01/2013
20
0 0.5 1 1.5 2 2.5 315
20
25
30
35Grafico delle interazioni
tempo di esecuzione
>> plot([1,2],x(1,:),[1,2],x(2,:))>> axis([0,3,15,35])
Un primo modo per visualizzare la presenza di interazioni è di natura grafica
40
Un secondo modo è per via
numerica.
120 150
122,1; 17,4 27,6; 32,5
(-1) b
1,5
21,5; 19,5 28,6; 33,7
a ab
(21.5 19.5) (28.6 33.7) (27.6 32.5) (22.1 17.4)0.925
4 4effA
+ + + + + += − =
( 1)
2 2
a ab beffA
n n
+ + −= −
(27.6 32.5) (28.6 33.7) (22.1 17.4) (21.5 19.5)10.475
4 4effB
+ + + + + += − =
( 1)
2 2
b ab aeffB
n n
+ + −= −
(22.1 17.4) (28.6 33.7) (21.5 19.5) (27.6 32.5)0.175
4 4effAB
+ + + + + += − =
( 1)
6 6
ab a beffAB
− + += −
22/01/2013
21
41
Un terzo modo è per via statistica: anova.
Var. Totale = Var. A + Var B + Var Interazioni + Var. Errore
42
1
1
( 1)( 1)
LivelliA
LivelliB
Interazione
SSE
a
SSE
b
SSE
a b
−
−
− −
2
( 1)
ErroreSSE
ab nσ
=
−
TEST SULLE INTERAZIONI
Se il test non rigetta l’ipotesi di assenza diinterazioni, allora si effettuano i test sui fattori>> ora
ora =
22.1000 21.500017.4000 19.500027.6000 28.600032.5000 33.7000
>> temp=2;
>> anova2(ora,temp)
ans =
0.8909 0.8778 0.9040
22/01/2013
22
43
1
1
( 1)( 1)
LivelliA
LivelliB
Interazione
SSE
a
SSE
b
SSE
a b
−
−
− −
2
( 1)
ErroreSSE
ab nσ
=
−
TEST SUL FATTORE A
44
1
1
( 1)( 1)
LivelliA
LivelliB
Interazione
SSE
a
SSE
b
SSE
a b
−
−
− −
2
( 1)
ErroreSSE
ab nσ
=
−
TEST SUL FATTORE A
22/01/2013
23
45
1
1
( 1)( 1)
LivelliA
LivelliB
Interazione
SSE
a
SSE
b
SSE
a b
−
−
− −
2
( 1)
ErroreSSE
ab nσ
=
−
TEST SUL FATTORE B
Il MATLAB non produce i box-plots
46
Repliche
Ora Temperatura I II
1 120 22,1 17,4
1 150 27,6 32,5
1,5 120 21,5 19,5
1,5 150 28,6 33,7
Box-plot per il fattore ORA
>> ora=[22.1, 21.5; 17.4, 19.5; 27.6, 28.6; 32.5, 33.7]
ora =
22.1000 21.500017.4000 19.500027.6000 28.600032.5000 33.7000
>> boxplot(ora,1)
22/01/2013
24
47
Repliche
Ora Temperatura I II
1 120 22,1 17,4
1 150 27,6 32,5
1,5 120 21,5 19,5
1,5 150 28,6 33,7
Box-plot per il fattore TEMPERATURA
>> temperatura=[22.1, 27.6; 17.4, 32.5; 21.5, 28.6; 19.5, 33.7]
temperatura =
22.1000 27.600017.4000 32.500021.5000 28.600019.5000 33.7000
>> boxplot(temperatura,1)
48
Validazione del modello
Repliche
Ora
Temperatur
a I II Media
1 120 22,1 17,4
24.91 150 27,6 32,5
1,5 120 21,5 19,5
25.8251,5 150 28,6 33,7
L’analisi dei residui va fatta per en-trambi i fattori.
Il calcolo dei residui va fatto calcolando lamedia per ogni livello del fattore
In MATLAB creo una matrice le cui colonne restituiscono la media campionaria dei livelli
>> y(:,1)=(24.9*ones(4,1));>> y(:,2)=(25.825*ones(4,1));>> y
y =
24.9000 25.825024.9000 25.825024.9000 25.825024.9000 25.8250
22.1-24.9 21.5-25.825
17.4-24.9 19.5-25.825
27.6-24.9 28.6-25.825
32.5-24.9 33.7-25.825
22/01/2013
25
49
>>z= ora - y
ans =
-2.8000 -4.3250-7.5000 -6.32502.7000 2.77507.6000 7.8750
Concatenarele colonnedella matrice in un unicovettore colonna
>> resA=[z(:,1); z(:,2)]
resA=
-2.8000-7.50002.70007.6000
-4.3250-6.32502.77507.8750
>>normplot(resA)
>> kstest(resA/sqrt(9.514))
ans =
0
L’analisi va fatta anche per il fattoretemperatura.
Non è di tipo 2^2.
22/01/2013
26
51
Calcolando i valori delle medie dei sottogruppi, si ha:
1 1.2 1.4 1.6 1.8 2 2.2 2.4 2.6 2.8 33.5
4
4.5
5
5.5
6
6.5Grafico interazioni
Imm
Spray
9.4
12 0.9
13 0.2888
23 1.1833
12 0.1333
13 0.15
23 0.2833
effVERN
effAREA
effAREA
effAREA
INT
INT
INT
= −
= −
=
=
= −
=
=
In questo esempio l’effetto può essere calcolato per via numerica, poiché le tre regioni testate non influenzano la risposta alla verni-ciatura delle altre. Questo calcolo non può però essere effettuatosempre.
52
1 2 3
Immers.
4 5,60 3,80
4,50 4,90 3,70
4,30 5,40 4,00
Vernic.
5,40 5,80 5,50
4,90 6,10 5,00
5,60 6,30 5,00
Per il calcolo dell’effetto verniciatura, bisogna sommare i contributi in rosso (dividerli per 2*9) e sottrarre la somma dei contributi in verde.
Per il calcolo dell’effetto 12, bisogna sommare i contributi in rosso (dividerli per 2*6) e sottrarre la somma dei contributi in verde.
1 2 3
Immers.
4 5,60 3,80
4,50 4,90 3,70
4,30 5,40 4,00
Vernic.
5,40 5,80 5,50
4,90 6,10 5,00
5,60 6,30 5,00
22/01/2013
27
53
>> verniciatura
verniciatura =
4.0000 5.6000 3.80004.5000 4.9000 3.70004.3000 5.4000 4.00005.4000 5.8000 5.50004.9000 6.1000 5.00005.6000 6.3000 5.0000
>> tempi=3;
>> [p,tbi,stats]=anova2(verniciatura, tempi)
Questa volta il MATLAB non produce i box-plot!
>> x=[verniciatura(1:3,1);verniciatura(1:3,2);verniciatura(1:3,3)]; >> x
x =
4.00004.50004.30005.60004.90005.40003.80003.70004.0000
>> app(1:9,1)=x;>> app(1:9,2)=[verniciatura(4:6,1);verniciatura(4:6,2);verniciatura(4:6,3)];>> boxplot(app,1)
54
>> boxplot(verniciatura,1)
22/01/2013
28
Superato il test delle interazioni, se si analizza il fattore riga ed il fattore colonna, l’analisi va conclusa con l’analisi dei residui
-0.8 -0.6 -0.4 -0.2 0 0.2 0.4 0.6 0.8 1
0.02
0.05
0.10
0.25
0.50
0.75
0.90
0.95
0.98
Data
Pro
babili
ty
Normal Probability PlotSulle colonne
>> media=mean(app);>> medie(:,2)=media(2)*ones(9,1);>> medie(:,1)=media(1)*ones(9,1);>>app1=[app(:,1)-medie(:,1);app(:,2)-medie(:,2)];>> normplot(app1)>> kstest(app1/sqrt(mserror))
22/01/2013
29
>> mediaver=mean(verniciatura);>> for i=1:3appver(:,i)=mediaver(i)*ones(6,1);end>> conc=[verniciatura(:,1)-appver(:,1); verniciatura(:,2)-appver(:,2); verniciatura(:,3)-appver(:,3)]; >> normplot(conc)
22/01/2013
30
PIANO FATTORIALE 2^3
60
A B C I prova II prova-1 -1 -1 (-1) -3 -11 -1 -1 a 0 1-1 1 -1 b -1 0-1 -1 1 c -1 01 1 -1 ab 2 3
1 -1 1 ac 2 1-1 1 1 bc 1 11 1 1 abc 6 5
( 1)−
( 1)−
22/01/2013
31
(-1) a
abb
cac
abcbc
- +
4
( 1)3
4
a ab ac abceffA
n
b c bc
n
+ + +=
− + + +− =
A B C I prova II prova
-1 -1 -1 (-1) -3 -1
1 -1 -1 a 0 1
-1 1 -1 b -1 0
-1 -1 1 c -1 0
1 1 -1 ab 2 3
1 -1 1 ac 2 1
-1 1 1 bc 1 1
1 1 1 abc 6 5
-
+
4
( 1)2.25
4
b ab bc abceffB
n
a c ac
n
+ + +=
− + + +− =
(-1) a
abb
cac
abcbc
A B C I prova II prova
-1 -1 -1 (-1) -3 -1
1 -1 -1 a 0 1
-1 1 -1 b -1 0
-1 -1 1 c -1 0
1 1 -1 ab 2 3
1 -1 1 ac 2 1
-1 1 1 bc 1 1
1 1 1 abc 6 5
22/01/2013
32
4
( 1)1.75
4
c ac bc abceffC
n
a b ab
n
+ + +=
− + + +− =
(-1) a
abb
cac
abcbc
A B C I prova II prova
-1 -1 -1 (-1) -3 -1
1 -1 -1 a 0 1
-1 1 -1 b -1 0
-1 -1 1 c -1 0
1 1 -1 ab 2 3
1 -1 1 ac 2 1
-1 1 1 bc 1 1
1 1 1 abc 6 5
( 1)
4
0.754
c ab abceffAB
n
a b bc ac
n
− + + +=
+ + +− =
(-1)a
abb
cac
abcbc
( 1)( )
2 2
( )2 2
( ) ( )
2
ab a beffAB Clow
n n
abc c ac bceffAB Chigh
n n
effAB Clow effAB ChigheffAB
+ − += −
+ +
= −
+=
A B C I prova II prova
-1 -1 -1 (-1) -3 -1
1 -1 -1 a 0 1
-1 1 -1 b -1 0
-1 -1 1 c -1 0
1 1 -1 ab 2 3
1 -1 1 ac 2 1
-1 1 1 bc 1 1
1 1 1 abc 6 5
22/01/2013
33
( 1)
4
0.254
b ac abceffAC
n
a c bc ab
n
− + + +=
+ + +− =
( 1)( )
2 2
( )2 2
( ) ( )
2
ac a ceffAC Blow
n n
abc b ab bceffAC Bhigh
n n
effAC Blow effAC BhigheffAC
− + += −
+ +
= −
+=
(-1)a
abb
cac
abcbc
A B C I prova II prova
-1 -1 -1 (-1) -3 -1
1 -1 -1 a 0 1
-1 1 -1 b -1 0
-1 -1 1 c -1 0
1 1 -1 ab 2 3
1 -1 1 ac 2 1
-1 1 1 bc 1 1
1 1 1 abc 6 5
( 1)
4
0.54
a bc abceffBC
n
b c ac ab
n
− + + +=
+ + +− =
( 1)( )
2 2
( )2 2
( ) ( )
2
bc c beffBC Alow
n n
abc a ac abeffBC Ahigh
n n
effBC Alow effBC AhigheffBC
− + += −
+ +
= −
+=
(-1)a
abb
cac
abcbc
A B C I prova II prova
-1 -1 -1 (-1) -3 -1
1 -1 -1 a 0 1
-1 1 -1 b -1 0
-1 -1 1 c -1 0
1 1 -1 ab 2 3
1 -1 1 ac 2 1
-1 1 1 bc 1 1
1 1 1 abc 6 5
22/01/2013
34
4
( 1)0.5
4
a b c abceffABC
n
ac bc ab
n
+ + +=
− + + +− =
(-1)a
abb
cac
abcbc
( 1)( )
2 2
( )2 2
( ) ( )
2
ab a beffAB Clow
n n
abc c ac bceffAB Chigh
n n
effAB Chigh effAB CloweffAB
+ − += −
+ +
= −
−=
A B C I prova II prova
-1 -1 -1 (-1) -3 -1
1 -1 -1 a 0 1
-1 1 -1 b -1 0
-1 -1 1 c -1 0
1 1 -1 ab 2 3
1 -1 1 ac 2 1
-1 1 1 bc 1 1
1 1 1 abc 6 5
Grafico delle interazioni AB
25 3010 -3,-1,-1,0 -1,0,1,112 0,1,2,1 2,3,6,5
10 10.2 10.4 10.6 10.8 11 11.2 11.4 11.6 11.8 12-2
-1
0
1
2
3
4Grafico delle interazioni AB
25%
30%
Costruire gli altri graficiper le interazioni per esercizio
A B C I prova II prova
-1 -1 -1 (-1) -3 -1
1 -1 -1 a 0 1
-1 1 -1 b -1 0
-1 -1 1 c -1 0
1 1 -1 ab 2 3
1 -1 1 ac 2 1
-1 1 1 bc 1 1
1 1 1 abc 6 5
22/01/2013
35
Grafico delle interazioni ABC
>> x=[-1,1];>> y=[-1,1];>> z=[-2, -0.5; 0.5, 2.5];>> mesh(x,y,z)>> hold on>> z1=[-0.5, 1; 1.5, 5.5]; >> mesh(x,y,z1)
-1
-0.5
0
0.5
1
-1
-0.5
0
0.5
1-2
0
2
4
6
A B C I prova II prova media
-1 -1 -1 (-1) -3 -1 -2,00
1 -1 -1 a 0 1 0,50
-1 1 -1 b -1 0 -0,50
-1 -1 1 c -1 0 -0,50
1 1 -1 ab 2 3 2,50
1 -1 1 ac 2 1 1,50
-1 1 1 bc 1 1 1,00
1 1 1 abc 6 5 5,50
Grafico delle interazioni ABC
>> x=[-1,1];>> y=[-1,1];>> z=[-2, -0.5; 0.5, 2.5];>> mesh(x,y,z)>> hold on>> z1=[-0.5, 1; 1.5, 5.5]; >> mesh(x,y,z1)
-1
-0.5
0
0.5
1 -1
-0.5
0
0.5
1-2
0
2
4
6
Per dare significatostatistico…ANOVA3!!
Per implementare l’ANOVAN in MATLAB l’unica difficoltà è costruire correttamente leassociazioni tra le prove e le combinazioni dei fattori.
22/01/2013
36
Costruiamo la matrice dei dati.
>> x=[-3,-1,0,1,-1,0,-1,0,2,3,2,1,1,1,6,5];
Costruiamo il vettore con le combinazioni dei livelli.
>> A=[10 10 12 12 10 10 10 10 12 12 12 12 10 10 12 12];>> B=[25 25 25 25 30 30 25 25 30 30 25 25 30 30 30 30];>> C=[250 250 250 250 250 250 300 300 250 250 300 300 300 300 300 300];
>> group={A; B; C}
group =
[1x16 double][1x16 double][1x16 double]
>> [p, tab, stats]=anovan(x,group,'full')
72
Completare l’analisi con i box-plots per i 3 fattori e l’analisi dei residui.