Documente Academic
Documente Profesional
Documente Cultură
517
y
U = 1. (MSTralamicnlos
MS E
lZ
1 1)
(12-13b)
Observe que L y U son los lmites de confianza inferior y superior del intervalo 100(1- a) por ciento, respectivamente, del cociente a;/if. Por lo tanto, un intervalo de confianza de 100(1 - a) por ciento para
a;/(a; + if) es
a2
U
'
<-l+L - a; +a 2 -l+U
L
--<
(12-14)
Para ilustrar este procedimiento, se encontrar un intervalo de confianza de 95% de a;/(a; + a2)
para los datos de la resistencia del ejemplo 12-1. Recuerde que MSTratamientos = 29.73, MSE = 1.90, a = 4, lZ
=4,Foo025,3,12 = 4.47 YFOo975,3,12 = 1/Foo025,12,3 = 1/14.34 = 0.070. Por lo tanto, por las ecuaciones 12-13a y b,
L=1.4 [(29.73)(_1)-1]=
0.625
1.90 4.47
U =1. [(29.73)(_1_)_1]= 54.883
1.90
0.070
a;
0.625
54.883
<-1.625 - a; +a 2 - 55.883
--<
a2
? :50.98
a, +a-
0.39:5 2'
Se concluye que la variabilidad entre los telares explica entre 39 y 98% de la varianza en la resistencia observada del tejido producido. Este intervalo de confianza es relativamente ancho debido al tamao pequeo de la muestra que se us en el experimento. Sin embargo, es evidente que la variabilidad entre los
telares (a;) no es insignificante.
12~2
Suponga que se tienen dos factores, A y B, Y que ambos tienen un gran nmero de niveles de inters
(como en la seccin anterior, se supondr que el nmero de niveles es infinito). Se escogern al azar a niveles del factor A y b niveles del factor B, y estos niveles de los factores se incluirn en un diseo experimental factorial. Si el experimento se hace con lZ rplicas, las observaciones pueden representarse con el
modelo lineal
i = 1, 2, .oo, a
j= 1,2,
b
{
k = 1, 2, .oo, lZ
OO"
(12-15)
donde todos los parmetros del modelo, t,f3j, (tf3)j YSijk' son variables aleatorias independientes. Tambin
se supondr que las variables aleatorias Ti' f3 j, (tf3)j Yspo siguen una distribucin normal con media cero y
518
CAPTULO 12
= a;, V(f3j) = a~, V[(r,B)ij] = a;p y V(Cjk) = er. Por lo tanto, la varianza de cual(12 -16)
?
V( Yijk ) = a;? +a? +a;
+a-?
ya; ,a~ ,a; ya2 son los componentes de la varianza. Las hiptesis que quieren probarse son Ho:a; = 0,
Ho:a~ = y Ho:a;p = O. Observe la similitud con el modelo de efectos aleatorios de un solo factor.
Los clculos numricos del anlisis de varianza se mantienen sin cambios; es decir, SSA, SSB' SSAB' SSr
y SSE se calculan como en el caso de efectos fijos. Sin embargo, para formar los estadsticos de prueba, deben examinarse los cuadrados medios esperados. Puede demostrarse que
(12-17)
y
E(MS E )
=a2
Por los cuadrados medios esperados se observa que el estadstico apropiado para probar la hiptesis
de que no hay interaccin, Ho:a;p = O, es
MS
F. = -AB
(12-18)
o
MS E
er,
ya que bajoHo tanto el numerador como el denominador deFotienen valor esperado y slo siHo es falsaE(MSAB) es mayor que E(MSE). El cociente F o se distribuye como F(a -l),ab(n -1)' De manera similar, para
probar Ho:a; = O se usara
MS
F. = - A(12-19)
o
MS AB
que se distribuye como
Fa _ 1, (a _ l)(b _ 1)'
O el estadstico es
(12-20)
que se distribuye como F b - 1, (a-1)(b -1)' Todas estas pruebas son de una sola cola superior. Observe que estos
estadsticos de prueba no son los mismos que se usaran si ambos factoresA y B fuesen fijos. Los cuadrados medios esperados se usan siempre como gua para construir los estadsticos de prueba.
En muchos experimentos que incluyen factores aleatorios existe al menos inters tanto en estimar los
componentes de la varianza como en la prueba de las hiptesis. Los componentes de la varianza pueden
estimarse con el mtodo del anlisis de varianza, es decir, igualando los cuadrados medios observados de
las lneas de la tabla del anlisis de varianza con sus valores esperados y resolviendo para los componentes
de la varianza. Se obtiene as
(12-21)
519
como las estimaciones puntuales de los componentes de la varianza en el modelo de efectos aleatorios de
dos factores. En la seccin 12-7 se revisarn otros mtodos para obtener estimaciones puntuales de los
componentes de la varianza y los procedimientos para construir intervalos de confianza.
EJEMPLO 12,2
a y2
= a ,2 +a 2f3 +a 'f32 +a 2
donde a ~ es la variabilidad total (que incluye la variabilidad debida a las diferentes piezas, la variabilidad
es el componente de la vadebida a los diferentes operadores y la variabilidad debida al calibrador),
rianza de las piezas, a~ es el componente de la varianza de los operadores, a;f3 es el componente de la va-
a;
1
520
CAPTULO 12
rianza que representa la interaccin entre las piezas y los operadores, y 0 2 es el error experimental
aleatorio. De manera tpica, al componente de la varianza a2 se le llama la repetibilidad del instrumento
de medicin (calibrador), ya que puede considerarse que 0 2 refleja la variacin obtenida cuando la misma
pieza es medida por el mismo operador, y es comn llamar a
f2
fJ
f2
rfJ
y
f2
= 0.99
La parte inferior de la salida de Minitab de la tabla 12-4 contiene los cuadrados medios esperados del
modelo aleatorio, con los nmeros entre parntesis representando los componentes de la varianza [(4)
representa a2, (3) representa o;fJ' etc.]. Se presentan tambin las estimaciones de los componentes de la
varianza, junto con el trmino del error que se utiliz para probar ese componente de la varianza en el
anlisis de varianza. Ms adelante se estudiar la terminologa modelo no restringido; sta no tiene relevancia en los modelos aleatorios.
Observe que la estimacin de uno de los componentes de la varianza, f;fJ' es negativa. Desde luego,
esto no tiene sentido, ya que por definicin las varianzas son no negativas. Desafortunadamente, pueden
obtenerse estimaciones negativas de los componentes de la varianza cuando se usa el mtodo de estimacin del anlisis de varianza (lo cual se considera una de sus desventajas). Existen varias maneras de abordar esta situacin. Una posibilidad es suponer que la estimacin negativa significa que el componente de
la varianza en realidad es cero y simplemente se hace cero, dejando sin cambios las dems estimaciones.
no negativas. Otro enfoque es estimar los componentes de la varianza con un mtodo que asegure estimaciones no negativas (este enfoque se revisar brevemente en la seccin 12-7). Por ltimo, podra observarse que el valor P del trmino de interaccin de la tabla 12-4 es muy grande, tomar esto como evidencia de
que o ~fJ es en realidad cero (es decir, que no hay efecto de interaccin) y ajustar un modelo reducido de la
forma
Yijk
que no incluye el trmino de interaccin. ste es un enfoque relativamente sencillo y que con frecuencia
funciona casi tan bien como los mtodos ms elaborados.
Tabla 12-4 Anlisis de varianza balanceado (Balanced ANOYA de Minitab) del ejemplo 12-2
Factor
part
operator random
11
12
19
13
20
14
16
10
17
2
9
15
1
18
DF
19
2
38
60
119
SS
1185.425
2.617
27.050
59.500
1274.592
Var;ance
component
1 part
10.2798
2 operator
0.0149
3 part*operator -0.1399
4 Error
0.9917
U1
N
......
MS
62.391
1.308
0.712
0.992
Error
term
3
3
4
87.65
1 .84
0.000
0.173
0.861
0.72
(4 )
2(3)
'l!I
522
CAPTULO 12
Tabla 12-5
Factor
part
3
10
17
3
6
13
20
5
12
19
4
11
18
7
14
DF
19
2
98
119
Source
1 part
2 operator
3 Error
SS
1185.425
2.617
86.550
1274.592
Variance
component
10.2513
0.0106
0.8832
MS
62.391
1.308
0.883
Error
term
3
3
70.64
1 .48
0.000
0.232
En la tabla 12-5 se muestra el anlisis de varianza del modelo reducido. Puesto que no hay trmino de
interaccin, los dos efectos principales se prueban contra el trmino del error, y las estimaciones de los
componentes de la varianza son
{j2 = 62.39- 0.88 = 10.25
,
(3)(2)
= 1.31- 0.88
{j2
{j2
0.0108
(20)(2)
{3
= 0.88
Por ltimo, la varianza del calibrador podra estimarse como la suma de las estimaciones de los componentes de la varianza {j2 y {j~ como
,
{j2
_ {j2 +{j2
calibrador -
{3
= 0.88+0.0108
= 0.8908
La variabilidad del calibrador parece ser pequea en comparacin con la variabilidad del producto. Se
trata generalmente de una situacin deseable, la cual implica que el calibrador tiene la capacidad de distinguir entre las diferentes gradaciones del producto.
.
12,3
Se considera ahora la situacin en que uno de los factores,A, est fijo y el otro, B, es aleatorio. Se le llama
anlisis de varianza del modelo mixto. El modelo estadstico lineal es
i = 1, 2, ,a
(12-22)
Yijk = fl+T +f3 j +(Tf3)ij +t:ijk
j= 1,2, ,b
{
k= 1,2, ,11
523
Aqu T es un efecto fijo, (Jj es un efecto aleatorio, se supone que la interaccin (T(J)j es un efecto aleatorio y
&ijk es un error aleatorio. Se supone tambin que las {T) son efectos fijos tales que L ~=1 Ti = OYque (Jj es
una variable aleatoria NID(O, a~). El efecto de la interaccin, (T(J)j' es una variable aleatoria normal con
media Oy varianza [(a -1 )/a]a;p; sin embargo, la operacin suma del componente de la interaccin en el
rango del factor fijo es igual a cero. Es decir,
(T(J)ij
= (T(J).j = O
j= 1,2, ... ,b
=1
Esta restriccin implica que algunos elementos de la interaccin en diferentes niveles del factor fijo no
son independientes. De hecho, puede demostrarse (ver el problema 12-25) que
e ov[ ((3)
1?
T j,(T(3) }]=-~a;p
l' ;f;
'La covarianza entre (T(J)ij y (T(J)ij' paraj ;f; j' es cero, y el error aleatorio &;jk es NID(O, 02). Puesto que la
suma de los efectos de la interaccin en los niveles del factor fijo es igual a cero, a esta versin del modelo
mixto con frecuencia se le llama modelo restringido.
En este modelo la varianza de (T(J);j se define como [(a -l)/a]a;p en vez de como a;p para simplificar
los cuadrados medios esperados. El supuesto (T(J)j = Otambin tiene un efecto sobre los cuadrados medios esperados, los cuales puede demostrarse que son
a
E(MS )= a 2 +na 2 +
A
TP
bnL T;
;=1
a-1
E(MS B )= a 2 +ana~
E(MSAB ) = a 2 + na;p
(12-23)
E(MS E )= a 2
Por lo tanto, el estadstico de prueba apropiado para probar que las medias de los efectos del factor fijo
son iguales, o Ha:r:; = O, es
MS
F = - Aa
MS AB
que tiene la distribucin de referenciaFa _ 1, (a-1)(b-1)' Para probar Ha: a~, el estadstico de prueba es
MS B
F =-a
MS E
con la distribucin de referencia
Ha: a;p = O, se usara
F b _ 1, aben _ 1)'
MS
MS E
F = -AB
a
p, = Y...
i = y;.. - Y...
i = 1, 2, ... ,a
(12-24)
--,'.
~'
'
"j--
,;,:I;
'1".
~:v
, I
:;-:1\
'1'
I
524
CAPTULO 12
Los componentes de la varianza a~, a;p ya 2 pueden estimarse aplicando el mtodo del anlisis de varianza. Al eliminar la primera ecuacin de las ecuaciones 12-23 quedan tres ecuaciones con tres incgnitas,
cuyas soluciones son
(12-25)
y
{}2
= MS E
Este enfoque general puede emplearse para estimar los componentes de la varianza en cualquier modelo
mixto. Despus de eliminar los cuadrados medios que contienen factores fijos, siempre quedar un sistema de ecuaciones que puede resolverse para los componentes de la varianza.
En los modelos mixtos, el experimentador puede tener inters en probar hiptesis o en construir intervalos de confianza para las medias de tratamientos individuales del factor fijo. Al utilizar estos procedimientos, deber tenerse cuidado de usar el error estndar apropiado de la media de los tratamientos. El
error estndar de la media de los tratamientos del efecto fijo es
Cuadrado medio para probar el efecto fijo
]1/2
[ Nmero de observaciones en la media de cada tratamiento
~ MS AB
=---,;;;-
Observe que esto es simplemente el error estndar que se usara si ste fuera un modelo con efectos fijos,
salvo porqueMSE se ha reemplazado con el cuadrado medio que se us en la prueba de la hiptesis.
EJEMPLO
12~3
..........................................................
{}2
an
PIezas
A?
a Piezas X operadores
{}2
MSPiezns x operadores
n
(3)(2)
-
MS E
= MS E = 0.99
Estos resultados tambin se muestran en la salida de Minitab. De nueva cuenta, resulta una estimacin
negativa del componente de la varianza de la interaccin. Un curso de accin apropiado sera ajustar un
Tabla 12.6
SiR"
ii-
-"i:Wit5"r""Y&te'-'",~$"=\;~:'~;~~IA
Anlisis de varianza (Minitab) del modelo mixto del ejemplo 12). Se supone el modelo restringido
"1
3
10
17
3
4
11
18
5
12
19
6
13
20
7
14
DF
19
2
38
60
119
Source
1
2
3
4
lJ1
N
lJ1
part
operator
part*operator
Error
SS
1185.425
2.617
27.050
59.500
1274.592
Var;ance
component
10.2332
-0.1399
0.9917
MS
62.391
1.308
0.712
0.992
Error
term
4
3
4
F
62.92
1 .84
0.72
0.000
0.173
0.861
526
CAPTULO 12
modelo reducido, como se hizo en el ejemplo 12-2. En el caso de un modelo mixto con dos factores, esto
lleva a los mismos resultados del ejemplo 12-2.
......................................................................... .
Sehan propuesto varias versiones diferentes del modelo mixto. Estos modelos difieren de la versin restringida del modelo mixto estudiado anteriormente en los supuestos establecidos acerca de los componentes aleatorios. A continuacin se revisa brevemente uno de estos modelos alternativos.
Considere el modelo
E(MS A) = 0 2 +noa2, +
E( MS B )
bnL a
=1
a-1
= 0 2 + no ~ + ano ~
E(MS AB )= 0 2 +no~
(12-26)
Al comparar estos cuadrados medios esperados con los de la ecuacin 12-23, se observa que la nica diferencia evidente es la presencia del componente de la varianza o~ en el cuadrado medio esperado del
efecto aleatorio. (En realidad, hay otras diferencias debido a las definiciones diferentes de la varianza del
efecto de la interaccin en los dos modelos.) Por consiguiente, se probara la hiptesis de que el componente de la varianza del efecto aleatorio es igual a cero (Ho:o~ = O) usando el estadstico
MS
MS AB
B
F=--
en contraste con probar H o : o~ con Fo = MSB/MSE en el modelo restringido. La prueba deber ser ms
conservadora cuando se emplee este modelo porque por lo general MSAB ser mayor que MS E
Los parmetros de los dos modelos guardan una relacin cercana. De hecho, puede demostrarse que
f3 j =yj+(aY).j
(rf3)ij
2
0 1,
= (aY)ij +(aY).j
2
=Op+-Oay
a
y
2
O,p - 0a,