lil

1I

lil
1

11-8 PROBLEMAS

507

'1,

i
il
1

b) Suponga ahora que en lugar de slo dos factores, se usaron cuatro factores en un diseo factorial fraccionado 34-2 Yque se obtuvieron exactamente los mismos datos que en el inciso a. El diseo sera el si-

guiente:
Diseo
A

o
o
o

1
2

o
1
2

o
1
2

1
1
1
2
2
2

e
o

1
2
2

1
1
2

X2

X3

X4

-1

-1
-1
-1

-1

-1

1
2
1
2

Xl

+1
-1
+1
-1

+1

+1
+1
-1

o
o
o

o
2
o

o
o
o

+1
+1
+1

+1
-1

o
+1
o
+1
-1
+1
-1

Observaciones
y

66
78
90
72

80
75
68
66
60

62
81
94
67
81
78
66
69
58

Confirmar que este diseo es un arreglo ortogonal L 9

c) Calcular los promedios marginales de la respuesta CO en cada nivel de los cuatro factoresA, B, e yD.
Construir grficas de estos promedios marginales e interpretar los resultados. Los factores eyD parecen tener efectos grandes? Estos factores tienen en realidad algn efecto sobre la emisin de CO? Por
qu su efecto aparente es grande?
.
d) El diseo del inciso b permite el ajuste del modelo

y= /30 +

i=1

i=1

L /3x + L /3x; +e

Suponga que el verdadero modelo es

4

y= /30 +

L
i=1

/3x +

L
i=1

/3X2 +

LL

/3ijxx j

=e

i<j

Demostrar que si las 13j representan las estimaciones de mnimos cuadrados de los coeficientes del modelo ajustado, entonces

E(/3o) = /30 -

/313 - /314 - /334

E(~l) = /31 - (/323 + (324)/2

E(~2)= /32 -(/313 +/314 +(334)/2
E(~3)= /33 -(/312 +(324)/2

E(~ 4) = /3 4- (/312 + (323) /2

E(~11) = /3 11 - (/323 - (324)/2

E(~22) = /322 +(/313 + /314 + (334)/2

E(~33 ) = /3 33 - (/324 - (312)/2+ /314
E(~44)= /3 44 -(/312 - (323)/2+/313
Ayuda esto a explicar los efectos grandes de los factores eyD que se observaron grficamente en el inciso c?

508

CAPTULO 11

MTODOS DE SUPERFICIES DE RESPUESTA

11-24. Suponga que es necesario disear un experimento para ajustar un modelo cuadrtico en la regin -1 ::; Xi ::;
+ 1, i = 1,2 sujeto a la restriccin Xl + X 2 ::; 1. Si se viola la restriccin, el proceso no funcionar adecuada_
mente. No es posible hacer ms de n = 12 corridas. Establecer los siguientes diseos:
a) Un modelo DCC "inscrito" con punto central en Xl = X 2 = O.
b) Un diseo factorial 32 "inscrito" con punto central en Xl = X 2 = -0.25.
e) Un diseo optimal D.
d) Un diseo optimalD modificado que sea idntico al del inciso e, pero con todas las rplicas de las corridas en el centro del diseo.
e) Evaluar el criterio I(X'X)-l para cada diseo.
f) Evaluar la eficiencia D para cada diseo en comparacin con el diseo optimal D del inciso c.
g) Qu diseo preferira el lector? Por qu?
11-25. Considere un diseo 23 para ajustar un modelo de primer orden.
a) Evaluar el criterio D I(X'X)-l para este diseo.
b) Evaluar el criterio A tr(X'X)-1 para este diseo.
e) Encontrar la varianza de prediccin escalada mxima para este diseo. Este diseo es optimal G?
11-26. Repetir el problema 11-25 utilizando un modelo de primer orden con las interacciones de dos factores.
11-27. Un ingeniero qumico desea ajustar una curva de calibracin para un nuevo procedimiento utilizado para
medir la concentracin de un ingrediente particular de un producto fabricado en sus instalaciones. Pueden
prepararse 12 muestras, cuya concentracin es conocida. El ingeniero quiere construir un modelo para las
concentraciones medidas. Piensa que una curva de calibracin lineal ser adecuada para modelar la concentracin medida como una funcin de las concentraciones conocidas; es decir,y = /30 + /31X + s, donde X es la
concentracin real. Estn bajo consideracin cuatro diseos experimentales. El diseo 1 consta de seis corridas con la concentracin conocida 1 y seis corridas con la concentracin conocida 10. El diseo 2 consta de
cuatro corridas con las concentraciones 1, 5.5 y 10. El diseo 3 consta de tres corridas con las concentraciones
1,4,7 y 10. Por ltimo, el diseo 4 consta de tres corridas con las concentraciones 1 y 10 Yseis corridas con la
concentracin 5.5.
a) Graficar la varianza de prediccin escalada para los cuatro diseos en la misma grfica en el rango de la
concentracin 1 ::; X ::; 10. Qu diseo sera preferible?
b) Calcular el determinante de (X'X)-l para cada diseo. Qu diseo sera preferible de acuerdo con el
criterio D?
e) Calcular la eficienciaD de cada diseo en comparacin con el "mejor" diseo que se haya encontrado en
el inciso b.
d) Para cada diseo, calcular la varianza de prediccin promedio en el conjunto de puntos dado por X = 1,
1.5, 2, 2.5, oo., 10. Qu diseo sera preferible de acuerdo con el criterio V?
e) Calcular la eficiencia V de cada diseo en comparacin con el mejor diseo que se haya encontrado en el
inciso d.
f) Cul es la eficiencia G de cada diseo?
11-28. Resolver de nuevo el problema 11-27, suponiendo que el modelo que el ingeniero quiere ajustar es cuadrtico. Evidentemente, ahora slo pueden considerarse los diseos 2, 3 y 4.
11-29. Un experimentador quiere correr un experimento de una mezcla de tres componentes. Las restricciones sobre las proporciones de los componentes son las siguientes:

0.2:<:; Xl

:<:; 0.4

O.l:<:;x z :<:;0.3
O.4:<:;x z :<:;0.7
a) Establecer un experimento para ajustar un modelo cuadrtico para mezclas. Usar n = 14 corridas, con
cuatro rplicas. Usar el criterio D.
b) Trazar la regin experimental.

11-8 PROBLEMAS

509

e) Establecer un experimento para ajustar un modelo cuadrtico para mezclas con Il == 12 corridas, suponiendo que tres de estas corridas son rplicas. Usar el criterio D.
d) Comentar los dos diseos que se encontraron.
11-30. Myers y Montgomery [85a] describen un experimento con una mezcla de gasolina en el que intervienen tres
componentes de la mezcla. No hay restricciones sobre las proporciones de la mezcla, y se us el siguiente diseo con 10 corridas:

Punto del diseo

1
2
3
4
5
6
7
8
9
10

Xl
1
O
O
1

"2
1
"2

X2

X3

O
1
O

O
O
1
O

"2

3"
2
3"

"2
1
3"

"2
1
"2
1
3"

"6

"6

"6

3"

"6

"6

3"

O
1

1
1

"6

y, mi/gal
24.5,25.1
24.8,23.9
22.7,23.6
25.1
24.3
23.5
24.8,24.1
24.2
23.9
23.7

a) Qu tipo de diseo utilizaron los experimentadores?

b) Ajustar un modelo cuadrtico para mezclas a los datos. Es adecuado este modelo?
e) Graficar los contornos de la superficie de respuesta. Qu mezcla se recomendara para maximizar las
millas por galn?
11-31. Considere el experimento del llenado de las botellas del ejemplo 6-1. Suponga que el porcentaje de carbona== 1).
tacin (A) es una variable de ruido (en unidades codificadas
a) Ajustar el modelo de respuesta a estos datos. Se trata de un problema de diseo robusto?
b) Encontrar el modelo de la media y el modelo de la varianza o bien la POE.
e) Encontrar un conjunto de condiciones que resulten en una desviacin del llenado promedio tan prxima
a cero como sea posible con varianza transmitida mnima.
11-32. Considere el experimento del problema 11-12. Suponga que la temperatura es una variable de ruido (a; == 1
en unidades codificadas). Ajustar modelos de respuesta para las dos respuestas. Se trata de un problema de
diseo robusto con respecto a ambas respuestas? Encontrar un conjunto de condiciones que maximicen la
conversin con la actividad entre 55 y 60 y que minimice la variabilidad transmitida por la temperatura.
11-33. Se ha corrido un experimento en un proceso que aplica un material de recubrimiento a una oblea. En cada
corrida del experimento se fabric una oblea y se midi varias veces el espesor del recubrimiento en varios sitios de la misma. Despus se obtuvo la mediaYl yla desviacin estndarY2 de la medicin del espesor. Los datos (adaptados de Box y Draper [16b]) se muestran en la tabla siguiente:

a;

Corrida

Velocidad

1
2
3
4
5
6
7

-1.000
0.000
1.000
~1.000

0.000
1.000
-1.000

Presin
-1.000
-1.000
~1.000

0.000
0.000
0.000
1.000

Distancia
-1.000
-1.000
-1.000
~1.000

-1.000
-1.000
-1.000

Media

Desviacin estndar

Yl
24.0
120.3
213.7
86.0
136.6
340.7
112.3

Y2
12.5
8.4
42.8
3.5
80.4
16.2
27.6

510

CAPTULO 11 MTODOS DE SUPERFICIES DE RESPUESTA

Media

Desviacin estnd;;

Corrida

Velocidad

Presin

Distancia

Yi

Y2

8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27

0.000
1.000
-1.000
0.000
1.000
-1.000
0.000
1.000
-1.000
0.000
1.000
-1.000
0.000
1.000
-1.000
0.000
1.000
-1.000
0.000
1.000

1.000
1.000
-1.000
-1.000
-1.000
0.000
0.000
0.000
1.000
1.000
1.000
-1.000
-1.000
-1.000
0.000
0.000
0.000
1.000
1.000
1.000

-1.000
-1.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
1.000
1.000
1.000
1.000
1.000
1.000
1.000
1.000
1.000

256.3
271.7
81.0
101.7
357.0
171.3
372.0
501.7
264.0
427.0
730.7
220.7
239.7
422.0
199.0
485.3
673.7
176.7
501.0
1010.0

4.6
23.6
0.0
17.7
32.9
15.0
0.0
92.5
63.5
88.6
21.1
133.8
23.5
18.5
29.4
44.7
158.2
55.5
138.9
142.4

a) Qu tipo de dise utilizaron los experimentadores? Es sta una buena eleccin del diseo para ajustar un modelo cuadrtico?
b) Construir los modelos para ambas respuestas.
e) Encontrar un conjunto de condiciones ptimas que resulten en una media tan grande como sea posible
con la desviacin estndar menor que 60.
11-34. Una variacin del ejemplo 6-2. En el ejemplo 6-2 se encontr que una de las variables del proceso (B = presin) no era importante. Al eliminar esta variable se producen dos rplicas de un diseo 23. Los datos se
muestran enseguida:

A (+)

A (-)

45,48

71,65

57.75

68,80

60,65

68.25

72.25

+
+

43,45

100, 104

73.00

1124.67

75, 70

86,96

81.75

134.92

S2

121.19

Suponer que e y D son factores controlables y que A es una variable de ruido.

a) Ajustar un modelo para la respuesta media.
b) Ajustar un modelo para la respuesta In (S2).
e) Encontrar las condiciones de operacin que resulten en la respuesta de rapidez de filtracin media que
exceda 75 con varianza mnima.
d) Comparar los resultados obtenidos con los del ejemplo 11-6, en el que se aplic el enfoque de la transmisin del error. Hasta qu punto son similares las dos respuestas?

Experimentos
con factores
aleatorios

A lo largo de gran parte de este libro se ha supuesto que los factores de un experimento son factores fijos,
es decir, los niveles de los factores usados por el experimentador son los niveles de inters especfico. La
implicacin de esto es, desde luego, que las inferencias estadsticas que se hacen acerca de estos factores
se restringen a los niveles especficos estudiados. Es decir, si se investigan tres tipos de materiales, como
en el experimento de la vida de la batera del ejemplo 5-1, las conclusiones slo son vlidas para esos tipos especficos de materiales. Una variante de esto ocurre cuando el factor o factores son cuantitativos.
En estas situaciones, con frecuencia se usa un modelo de regresin que relaciona la respuesta con los factores para predecir la respuesta en la regin que abarcan los niveles de los factores usados en el diseo experimental. Varios ejemplos de esto se presentaron en los captulos 5 al 9. En general, cuando se trabaja
con un efecto fijo, se dice que el espacio inferencial del experimento es el conjunto especfico de los niveles de los factores investigados.
En algunas situaciones experimentales, los niveles de los factores se eligen al azar de una poblacin
ms grande de niveles posibles, y el experimentador quiere sacar conclusiones acerca de la poblacin
completa de los niveles, no slo de los que se usaron en el diseo experimental. En esta situacin se dice
que se trata de un factor aleatorio. Se empieza con una situacin simple, un experimento con un solo factor en el que el factor es aleatorio y se usa esto para introducir el modelo de efectos aleatorios para el anlisis de varianza y los componentes de la varianza. Los factores aleatorios ocurren tambin normalmente
en experimentos factoriales, as como en otros tipos de experimentos. Este captulo se enfoca en los mtodos para el diseo y anlisis de experimentos factoriales con factores aleatorios. En el captulo 13 se presentarn los diseos anidados y de parcelas subdivididas, dos situaciones en las que es frecuente
encontrar factores aleatorios en la prctica.

12~1

MODELO CON EFECTOS ALEATORIOS

Es comn que un experimentador est interesado en un factor que tiene un gran nmero de posibles niveles. Cuando el experimentador selecciona aleatoriamente a de estos niveles de la poblacin de los niveles
del factor, entonces se dice que el factor es aleatorio. Puesto que los niveles del factor utilizados realmente
en el experimento se eligieron al azar, se hacen inferencias acerca de la poblacin completa de los niveles
del factor.Se supone que la poblacin de los niveles del factor es de tamao infinito o bien lo suficientemen-

511

' '1

512

CAPTULO 12

EXPERIMENTOS CON FACTORES ALEATORIOS

te grande para considerarla infinita. No es frecuente encontrar situaciones en las que la poblacin de los niveles del factor sea lo suficientemente pequea para emplear el enfoque de una poblacin finita. Referirse
a Bennett y Franklin [9] y Searle y Fawcett [101] para una revisin del caso de una poblacin finita.
El modelo estadstico lineal es
i

Yj

= 1,

2, oo., a

= f-l+r +eij { J.= 1, 2, ... , 11

(12-1)

donde tanto r como eij son variables aleatorias. Si r tiene varianza o; y es independiente de eij' la varianza
de cualquier observacin es
V(Yij) = o; +0

o;

A las varianzas y 02 se les llama los componentes de la varianza, y al modelo (ecuacin 12-1) se le llama
modelo de efectos aleatorios o de los componentes de la varianza. Para probar hiptesis en este modelo se
requiere que las {ej.} sean NlD(O, 02), que las {r} sean NlD(O, o; ), y que r y eij sean independientes. 1
La suma de cuadrados identidad
SST

= SSTratamientos + SSE

(12-2)

sigue siendo vlida. Es decir, se hace la particin de la variabilidad total en las observaciones en un componente que mide la variacin entre los tratamientos (SS'Itat~mientos) y un componente que mide la variacin
dentro de los tratamientos (SSE)' Probar hiptesis acerca de los efectos de tratamientos individuales no
tiene sentido, por lo que en su lugar se prueban hiptesis acerca del componente de la varianza
Ho:o;

o; :

(12-3)
:0; >0
Si o; = 0, todos los tratamientos son idnticos; pero si o; > 0, existe variabilidad entre los tratamientos.

H1

Como anteriormente, SSE/a2 se distribuye como ji-cuadrada con N - a grados de libertad y, bajo la hiptesis nula, SSTratamientoJa2 se distribuye como ji-cuadrada con a - 1 grados de libertad. Ambas variables aleatorias son independientes. Por lo tanto, bajo la hiptesis nula
= 0, el cociente

o;

SSTratamientos

F. - _--'a::.,.--,-=l'-----_ = MS Tratamieatos

SSE
N-a

0-

(12-4)

MS E

se distribuye como F con a - 1 YN - a grados de libertad. Sin embargo, es necesario examinar los cuadrados medios esperados para tener la descripcin completa del procedimiento de prueba.
Considere
1

E( MSTratamientos ) = a - 1 E( SSTratamientos ) = a - 1 E

y; l]
L --;;N

[a

1=1

la

L (Lj=l f-l+r+eij )2- N- (LL

f-l+ri+ej )2]
j=l

=---::-E a 1
n i=l

11

=1

Cuando se eleva al cuadrado y se toma la funcin esperanza de las cantidades entre corchetes, se observa
que los trminos que incluyen a r: son reemplazados por o; como E(r) = O. Adems, los trminos que inEl supuesto de que las {r J son variables aleatorias independientes implica que el supuesto usual de que ~~=1 r i = Odel modelo de
efectos fijos no se aplica al modelo de efectos aleatorios.

12-1 MODELO CON EFECTOS ALEATORIOS

513

,'ai=l":"
"nj=l T i2 son reemp1aza dos por neT,?
? ?
duyen a Si.2 ' S ..2 y..:..
aneT
y an-a 2 respect'vament e. Por otra parte, todos los productos cruzados que incluyen a Ti y sij tienen valor esperado cero. Esto lleva a
T ,

E(MSTratamientos)= _1-[N,u2 + Na; +aa 2 - N,u2 - na; - a 2 ]

a-1
o

E( MS Tratamientos) = a 2 + na;

(12-5)

De manera similar, puede demostrarse que

(12-6)
Por los cuadrados medios esperados, se observa que bajo H o tanto el numerador como el denominador del estadstico de prueba (ecuacin 12-4) son estimadores insesgados de if, mientras que bajo H 1 el
valor esperado del numerador es mayor que el valor esperado del denominador. Por lo tanto, H o deber
rechazarse para los valores de F o que sean muy grandes. Esto implica una regin crtica de una cola superior, por lo que H o se rechaza si Fo > Fa, " _ 1, N _"'
El procedimiento de clculo y el anlisis de la tabla de varianza del modelo de efectos aleatorios son
idnticos a lasque se utilizaron en el caso de efectos fijos. Sin embargo, las conclusiones son muy diferentes, ya que se aplican a la poblacin completa de los tratamientos.
Por lo general habr inters en estimar los componentes de la varianza (if ya;) del modelo. Al procedimiento que se usa para estimar if ya; se le llama mtodo del anlisis de varianza, ya que hace uso de
las lneas de la tabla del anlisis de varianza. El procedimiento consiste en igualar los cuadrados medios
esperados con sus valores observados en la tabla del anlisis de varianza y despejar los componentes de la
varianza. Al igualar los cuadrados medios observados con los esperados en el modelo de efectos aleatorios con un solo factor, se obtiene
2
MSTratnmientos = a +na;
y

MS E =a 2
Por lo tanto, los estimadores de los componentes de la varianza son

a = MS
2

(12-7)

y
aA?-

= MSTratamientos -

MS E

(12-8)

_~==""-_----,:e...

Para tamaos de las muestras desiguales, se reemplaza n en la ecuacin 12-8 con

L" n

1"

i=l'

n o =a-1
- - " n---LJ'
a
i=l
"
LJ ni

(12-9)

i=l

En el mtodo del anlisis de varianza para estimar los componentes de la varianza no se requiere el
supuesto de normalidad. Produce estimadores de if y que son los mejores estimadores cuadrticos insesgados (es decir, de todas las funciones cuadrticas insesgadas de las observaciones, estos estimadores
tienen mnima varianza).

a;

l!l!i
11

514

CAPTULO 12

EXPERIMENTOS CON FACTORES ALEATORIOS

Ocasionalmente, el mtodo del anlisis de varianza produce una estimacin negativa de uno de los
componentes de la varianza. Evidentemente, los componentes de la varianza son por definicin no negativos, por lo que la estimacin negativa de un componente de la varianza se considera con cierta preocupacin. Un curso de accin es aceptar la estimacin y usarla como evidencia de que el verdadero valor del
componente de la varianza es cero, suponiendo que la variacin muestralllev a la estimacin negativa.
Esto tiene un atractivo intuitivo, pero adolece de algunas dificultades tericas. Por ejemplo, usar cero en
lugar de la estimacin negativa puede alterar las propiedades estadsticas de otras estimaciones. Otra alternativa es volver a estimar el componente de la varianza negativa utilizando un mtodo que produzca
siempre estimaciones no negativas. Una alternativa ms es considerar la estimacin negativa como evidencia de que el modelo lineal supuesto es incorrecto y examinar de nuevo el problema. El tratamiento
completo de la estimacin de los componentes de la varianza se ofrece en Searle [99a, b], Searle, Casella y
McCullogh [100] y Burdick y Graybill [22].

EJEMPLO

12~1

Una compaa textil fabrica un tejido en un gran nmero de telares. Le gustara que los telares fueran homogneos a fin de obtener un tejido de resistencia uniforme. El ingeniero del proceso sospecha que, adems de la variacin usual de la resistencia dentro de las muestras del tejido del mismo telar, puede haber
tambin variaciones significativas en la resistencia entre un telar y otro. Para investigar esta posibilidad, er
ingeniero selecciona cuatro telares al azar y hace cuatro determinaciones de la resistencia del tejido fabricado en cada telar. Este experimento se corre de manera aleatoria, y los datos obtenidos se muestran en la
tabla 12-1. Se realiza el anlisis de varianza, el cual se muestra en la tabla 12-2. Por el anlisis de varianza
se concluye que los telares de la planta difieren significativamente.
Los componentes de la varianza se estiman con a2 = 1.90 Y

a; = 29.73-1.90 = 6.96
4

Por lo tanto, la varianza de cualquier observacin de la resistencia se estima con

a, = a2 +a; = 1.90+6.96= 8.86.

La mayor parte de esta variabilidad es atribuible a las diferencias entre los telares.

Este ejemplo ilustra un uso importante de los componentes de la varianza: la separacin de las diferentes fuentes de variabilidad que afectan un producto o sistema. El problema de la variabilidad de un
producto se presenta con frecuencia en el control de calidad, y en muchas ocasiones es difcil aislar las

Tabla 12-1

Datos de la resistencia del ejemplo 12-1

Observaciones

Thlares

1
2
3
4

1
98
91

96
95

2
97
90
95
96

3
99
93
97
99

Yi.

96
92
95
98

390
366
383
388
1527 = Y..

12-1 MODELO CON EFECTOS ALEATORIOS

Tabla 12.2

515

Anlisis de varianza de los datos de la resistencia

Fuente de
variacin
Telares
Error
Total

Suma de
cuadrados

Grados de
libertad

Cuadrado
medio

89.19
22.75
111.94

3
12
15

29.73
1.90

Fo
15.68

Valor P
<0.001

fuentes de la variabilidad. Por ejemplo, este estudio puede haber sido motivado por una gran variabilidad
en la resistencia del tejido, como se ilustra en la figura 12-1a. En esta grfica se presenta la salida del proceso (resistencia del tejido) modelado como una distribucin normal con varianza f ~ = 8.86. (sta es la
estimacin de la varianza de cualquier observacin de la resistencia del ejemplo 12-1.) Las especificaciones superior e inferior de la resistencia se muestran tambin en la figura 12-1a, y es relativamente inmediato ver que una proporcin bastante grande de la salida del proceso se sale de las especificaciones (las
reas sombreadas de las colas de la figura 12-1a). El ingeniero del proceso se ha preguntado por qu es
tan grande la cantidad de tejido defectuoso que debe desecharse, reelaborarse o degradarse a un producto de menor calidad. La respuesta es que la mayor parte de la variabilidad de la resistencia del producto es
el resultado de las diferencias entre los telares. El desempeo irregular de los telares podra ser el resultado de una instalacin incorrecta, un mantenimiento deficiente, una supervisin ineficaz, operadores sin
la capacitacin suficiente, fibra de entrada defectuosa, etctera.
El ingeniero del proceso debe intentar ahora aislar las causas especficas de la diferencia en el desempeo de los telares. Si pudiera identificar y eliminar estas fuentes de variabilidad entre los telares, sera
posible reducir considerablemente la varianza de la salida del proceso, quiz hasta f~ = 1.90, la estimacin del componente de la varianza dentro del telar (error) en el ejemplo 12-1. En la figura 12-1b se muestra la distribucin normal de la resistencia de la fibra con f~ = 1.90. Observe que la proporcin del
producto defectuoso en la salida se ha reducido radicalmente. Aun cuando es improbable que pueda eliminarse toda la variabilidad entre los telares, es claro que una reduccin significativa en este componente
de la varianza incrementara sensiblemente la calidad de la fibra producida.

LS (especificacin inferior)

US (especificacin superior)

al Variabilidad de la salida del proceso.

LS (especificacin inferior)

US (especificacin superior)

b l Variabilidad de la salida del proceso si

C1: =0.

Figura 12-1 Salida del proceso en el problema de la

resistencia de la fibra.

516

CAPTULO 12

EXPERIMENTOS CON FACTORES ALEATORIOS

Es sencillo encontrar un intervalo de confianza para el componente de la varianza 02. Si las observa_
ciones siguen una distribucin normal e independiente, entonces (N -a)MSE /o2 se distribuye como X~-a'
Por lo tanto,
(N - a )MSE

P [ X 1-(a/2),N-a

a2

:5

:5 X a/2,N-a

= 1- a

y un intervalo de confianza de 100(1 - a) por ciento para 02 es

(N-a)MS E < 2 < (N-a)MS E

_a -

X~/2,N-a

Considere ahora el componente de la varianza

A?
a-

,-

(12-10)

XI-(a/2),N-a

a;. El estimador puntual de a; es

MSTratamienlns - MS E
= ---'-'==::::""'--"n

La variable aleatoria (a -l)MSnatamientn'/(o2 + na;) se distribuye como X;-l' y (N - a)MSE /a2 se distribuye
como X~-a' Por lo tanto, la distribucin de probabilidad de (j; es una combinacin lineal de dos variables
aleatorias ji-cuadrada, por ejemplo
donde
2
2
= a +na ,-

n(a-1)

a2

u =---2
n(N-a)

Desafortunadamente, no puede obtenerse una expresin predeterminada para la distribucin de esta

combinacin lineal de variables aleatorias ji-cuadrada. Por lo tanto, no es posible construir un intervalo
de confianza exacto para
En Graybill [50] y Searle [99a] se presentan procedimientos aproximados.
Ver tambin la seccin 12-7.
Es sencillo encontrar una expresin exacta para un intervalo de confianza del cociente a; /(a; + 02).
Se trata de un cociente con significado, ya que refleja laproporcin de la varianza de una observacin [recuerde que V(Yij) = + 02] que es el resultado de las diferencias entre los tratamientos. Para desarrollar
este intervalo de confianza en el caso de un diseo balanceado, observe que MSnatamientos y MS E son variables aleatorias independientes y, adems, que puede demostrarse que

a;.

a;

(na; +a
MSJi / a 2

MSTratamienlos /

2
) _

F
a-l,N-a

Por lo tanto,
(

<

MSTralamientos

~"'S

l-a/2,a-I,N-a -

lY1,

a
na; +a??

-:5

Fa/2

"a-I N-a = 1- a

(12-11)

Al reordenar la ecuacin 12-11, puede obtenerse la siguiente expresin:

P(L:5 :~ :5 U) = 1- a

(12-12)

donde
L=l.(MSTratamienlOS

MS E

1 1)

Fa/2 ,a-I,N-a

(12-13a)