Professional Documents
Culture Documents
H? =
-
1
=
FO.05,6,~
1
= C2 =
1/6,
1-~= 0.524
2.1
FO.95,12,~
= ( F0.05,6,12 -
C1
547
1=---1=1.30
0.435
1)2 - (G)2
p2
1
0.05,6,12
(H 2 )2
12
0.05,6,12
-0.054
a;p
es
Este resultado es consistente con los resultados de la prueba F exacta para este efecto.
12~7.3
En este captulo se ha subrayado el mtodo del anlisis de varianza para estimar los componentes de la
varianza debido a que es relativamente directo y hace uso de cantidades familiares: los cuadrados medios
de la tabla del anlisis de varianza. Sin embargo, el mtodo tiene ciertas desventajas, incluyendo la molesta tendencia a producir en ocasiones estimaciones negativas. Adems, el mtodo del anlisis de varianza
es en realidad un mtodo de estimador de momentos, una tcnica que los especialistas en estadstica matemtica prefieren en general no usar para estimar parmetros, debido a que resulta con frecuencia en estimaciones de parmetros que no tienen buenas propiedades estadsticas. A la tcnica de estimacin de
parmetros preferida se le llama mtodo de mxima verosimilitud. La implementacin de este mtodo
puede ser un tanto complicada, en particular para el modelo de un diseo experimental, pero en cierto
sentido el mtodo de mxima verosimilitud selecciona estimaciones de los parmetros que, para un modelo y una distribucin del error especificados, maximiza la probabilidad de ocurrencia de los resultados
muestrales. Una descripcin general muy adecuada del mtodo de mxima verosimilitud aplicado a modelos de diseos experimentales se ofrece en Milliken y Johnson [79].
La revisin completa del mtodo de mxima verosimilitud sale del alcance de este libro, pero la idea
general puede ilustrarse con suma facilidad. Soponga quex es una variable aleatoria con una distribucin
~.
11
548
i;!
de probabilidad/ex; 8), donde 8 es un parmetro desconocido. Sea Xl' X 2, ... , X n una muestra aleatoria de n
observaciones. Entonces la funcin de verosimilitud de la muestra es
CAPTULO 12
,1
I
I
Observe que ahora la funcin de verosimilitud es una funcin nicamente del parmetro desconocido 8.
El estimador de mxima verosimilitud de 8 es el valor de 8 que maximiza la funcin de verosimilitudL(8).
Para ilustrar cmo se aplica esto en el modelo de un diseo experimental con efectos aleatorios, considere un modelo de dos factores con a = b = n = 2. El modelo es
Yijk
eov(Yijk'
Y'j'k')= a r +a (3 +a r(3
=a;
-- a 2(3
=0
i = i',
i = i',
i -:1= i',
i -:1= i',
= j',
-:1=
k'
j'
j = j'
j -:1= j'
j
-:1=
(12-45)
1, es decir,
Ym
Yll2
Y211
y= Y212
Yl21
Y122
Y221
Y222
1: =
donde 1:11 , 1:22 , 1:12 Y 1:21
1: 11 = 1: 22
[1:
11
1: 12 ]
1: 21 1: 22
a r +a (3 +a r (3
a-?ya r2
a r2
a r2
a r2
a 2y
2
2
?
a r +a (3 +a;(3
a 2(3 a (32 O O
a-?(3 a (32 O O
1: 12 =
O O a 2(3 a 2(3
O O a 2(3 a 2(3
a r2
a r2
?
?
2
a; +af +a r (3
a y2
'
549
es slo la transpuesta de };12' Entonces cada observacin sigue una distribucin normal con varianza
a ~, y si se supone que todas las N = abn observaciones tienen una distribucin normal conjunta, entonces
la funcin de verosimilitud del modelo aleatorio queda como
donde jN es un vector N x 1 compuesto de unos. Las estimaciones de mxima verosimilitud de /-l, a;, a~,
a;/l yaZ son los valores de estos parmetros que maximizan la funcin de verosimilitud. Tambin sera deseable restringir las estimaciones de los componentes de la varianza a valores no negativos. Por lo tanto,
en la prctica la funcin de verosimilitud se maximizara sujeta a esta restriccin.
La estimacin de los componentes de la varianza por el mtodo de mxima verosimilitud requiere
software de computadora especializado. Algunos paquetes de software de estadstica general cuentan
con esta capacidad. El sistema SAS calcula estimaciones de mxima verosimilitud de los componentes de
la varianza de modelos aleatorios o mixtos con la rutina SAS PROC MIXED. Se ilustrar el uso de la rutina PROC MIXED aplicndola al modelo factorial de dos factores introducido en los ejemplos 12-2 y
12-3.
Considere primero el ejemplo 12-2. Se trata del modelo de un diseo factorial de efectos aleatorios
con dos factores. El mtodo del anlisis de varianza ha producido una estimacin negativa del componente de la varianza de la interaccin. Las estimaciones negativas de los componentes de la varianza pueden
evitarse en la rutina PROC MIXED especificando el uso del mtodo de mxima verosimilitud restringida (o residual) (REML, por sus siglas en ingls). En esencia, la REML restringe las estimaciones de los
componentes de la varianza a valores no negativos.
La rutina PROC MIXED del sistema SAS requiere como entrada la matriz de covarianza de los parmetros del modelo. La estructura de un modelo aleatorio en el que todas las variables aleatorias son mutuamente independientes es
(12-46)
donde las 1 son matrices identidad. (La estructura de la covarianza de un modelo puede especificarse en
la rutina PROC MIXED con la opcin TYPE= stnlcture en el enunciado RANDOM.) La estructura de
la covarianza del modelo del ejemplo 12-2 se especifica como TYPE = SIM (el valor por omisin de
PROC MIXED), que especifica la estructura simple de la covarianza para los parmetros del modelo dados en la ecuacin 12-46.
En la tabla 12-17 se presenta la salida de la rutina PROC MIXED de SAS para el experimento del
ejemplo 12-2. Se especific el mtodo de estimacin REML de los componentes de la varianza. La salida
se ha anotado con nmeros para facilitar la descripcin que se presenta a continuacin:
1. Estimaciones de los componentes de la varianza y la salida relacionada.
2. Parmetro covarianza. Identifica los parmetros del modelo: a;, a~, a~/l y aZ.
3. Cociente de la varianza estimada del efecto y la varianza estimada del error residual:
0 2 /0 2
1
4. Estimaciones de los parmetros. Son las estimaciones REML de los componentes de la varianza
2
o~, o~/l y 0 Observe que la estimacin REML de o;/l es cero.
o;,
_~~
,__
~ ~
,,~O"'=~
,,""'
lJ1
lJ1
Tabla 12-17 Salida de PROC MIXED del sistema SAS del anlisis del estudio de repetibilidad y reproductibilidad de instrumentcis de medicin (calibradores)
ddJ:;i~IDPJo_l)-2 !ltili~ndo la estimacin REML de los componentes de varianza
[I]
[I]
OPERATOR
PART
PART*OPERATOR
Residual
GJ
rn
[]]
[I]
> Iz I
Ratio
Estimate
Std Errors
0.01203539
11.60743820
-0.00000000
1.00000000
0.01062922
10.25126446
-0.00000000
0.88316339
0.03286000
3.37376878
0.32
3.04
0.7463
0.0024
0.05
0.05
0.12616620
7.00
0.0000
0.05
Cov Parm
Pr
Alpha
@]
Lower
Upper
-0.0538 0.0750
3.6388 16.8637
0.6359
1.1304
[Q]
Asymptotic Covariance Matrix of Estimates
Cov Parm
OPERATOR
PART
PART*OPERATOR
Residual
OPERATOR
0.00107978
0.00006632
0.00000000
-0.00039795
PART
0.00006632
11.38231579
0.00000000
-0.00265287
PART*OPERATOR
0.00000000
0.00000000
0.00000000
-0.00000000
Residual
-0.00039795
-0.00265287
-0.00000000
0.01591791
[j]
Model Fitting Information for VALUE
Description
Value
Observations
120.0000
Variance Estimate
0.8832
Standard Deviation Estimate
0.9398
REML Log Likelihood
-204.696
Akaike's Information Criterion -208.696
Schwarz's Bayesian Criterion
-214.254
-2 REML Log Likelihood
409.3913
~.'~
,ici\t"
".
q---=
n----____
=e"'"5'O'
"7
'"'M':cr,:;d~".
Tabla 12-18 Salida de PROC MlXED del sistema SAS del anlisis del estudio de repetibilidad y reproductibilidad de instrumentos de medicin (calibradores) con el
operador como efecto fijo utilizando la estimacin REML de los componentes de la vatianza
Iz I
Alpha
3.04
0.0024
0.05
3.6388 16.8637
7.00
0.0000
0.05
0.6359
Ratio
Estimate
Std Error
11.60743876
0.00000000
1.00000000
10.25126472
0.00000000
0.88316337
3.37376895
0.12616620
Pr >
PART
PART*OPERATOR
Residual
11.38231693
0.00000000
-0.00265287
0.00000000
0.00000000
0.00000000
-0.00265287
-0.00000000
-0.01591791
Cov Parm
Value
120.0000
0.8832
0.9398
-204.729
-207.729
-211.872
409.4572
Upper
;:::~
PART
PART*OPERATOR
Residual
Lower
NDF
DDF
Type 111 F
Pr > F
38
1.48
0.2401
1.1304
552
CAPTULO 12
5. Error estndar de la estimacin. Es el error estndar (se) para muestras grandes de la estimacin
G= [a~I
a~I]
(12-48)
(Esto se especifica en el enunciado TYPE = SIM en la entrada de la rutina PROC MIXED.) En la tabla
12-18 se muestra la salida de la rutina PROC MIXED de SAS para la forma no restringida del modelo
mixto del ejemplo 12-3. De nueva cuenta se seleccion el mtodo REML. La estimacin del componente
de la varianza para el factor "pieza" es muy similar a la estimacin que se obtuvo utilizando el modelo
aleatorio. La estimacin de la varianza del error residual tambin es similar. Adems, la salida incluye
una prueba F para el efecto fijo.
12~8
PROBLEMAS
12-1. Una fbrica textil tiene un gran nmero de telares. Se supone que cada telar produce la misma cantidad de
tela por minuto. Para investigar este supuesto, se eligen cinco telares al azar y se registra su produccin en
tiempos diferentes. Se obtienen los siguientes datos:
Telar
1
2
3
4
5
14.0
Produccin (lb/min)
14.2
14.1
13.9
13.8
13.9
14.1
14.2
13.6
13.8
13.8
13.6
14.1
14.0
13.9
14.0
14.0
14.0
13.9
13.8
14.1
14.0
13.9
13.7
14.0
12-8 PROBLEMAS
553
a) Explicar por qu este experimento es de efectos aleatorios. Todos los telares tienen la misma produccin? Utilizar a = 0.05.
b) Estimar la variabilidad entre los telares.
e) Estimar, la varianza del error experimental.
d) Encontrar un intervalo de confianza de 95% para a; / (a; + a2 }
e) Analizar los residuales de este experimento. Considera el lector que se satisfacen los supuestos del anlisis de varianza?
12-2. Un fabricante sospecha que los lotes de materia prima suministrados por su proveedor difieren de manera
significativa en el contenido de calcio. Hay un gran nmero de lotes actualmente en el almacn. Se seleccionan cinco de ellos para hacer un estudio. Un qumico hace cinco determinaciones en cada lote y obtiene los
siguientes datos:
Lote 1
23.46
23.48
23.56
23.39
23.40
Lote 2
23.59
23.46
23.42
23.49
23.50
Lote 3
23.51
23.64
23.46
23.52
23.49
Lote 4
23.28
23.40
23.37
23.46
23.39
Lote 5
23.29
23.46
23.37
23.32
23.38
a) Existe una variacin significativa en el contenido de calcio de un lote a otro? Utilizar a = 0.05.
b) Estimar los componentes de la varianza.
e) Encontrar un intervalo de confianza de 95 % para a; / (a; + a 2 }
d) Analizar los residuales de este experimento. Se satisfacen los supuestos del anlisis de varianza?
12-3. En una fbrica metalrgica se usan varios hornos para calentar ejemplares de metal. Se supone que todos los
hornos operan a la misma temperatura, aunque se sospecha que quiz no sea ste el caso. Se seleccionan al
azar tres hornos y se registran sus temperaturas en cargas sucesivas. Los datos recabados son los siguientes:
Horno
1
2
3
491.50
488.50
490.10
498.30
484.65
484.80
Thmperatura
498.10
493.50
479.90
477.35
488.25
473.00
493.60
471.85
478.65
a) Existe una variacin significativa de la temperatura entre los hornos? Utilizar a = 0.05.
b) Estimar los componentes de la varianza de este modelo.
e) Analizar los residuales de este experimento y sacar conclusiones acerca de la adecuacin del modelo.
12-4. En un artculo de Joumal ofthe Electrochemical Society (vol. 139, no. 2, pp. 524-532) se describe un experimento para investigar la deposicin de vapor a baja presin del polisilicio. El experimento se llev a cabo en
el reactor de alta capacidad de Sematech en Austin, Texas. El reactor tiene varias posiciones para las obleas,
y se seleccionan al azar cuatro de estas posiciones. La variable de respuesta es la uniformidad del espesor de
la pelcula. Se hicieron tres rplicas del experimento y se obtuvieron los siguientes datos:
Posicin de la oblea
1
2
3
4
Uniformidad
2.76
1.43
2.34
0.94
5.67
1.70
1.97
1.36
4.49
2.19
1.47
1.65
554
CAPTULO 12
Brillantez de la pulpa
74.466
92.746
76.208
79.306
81.914
80.346
78.017
91.596
80.802
78.358
77.544
77.364
77.199
80.522
79.417
78.001
82.876
73.385
80.626
77.386
Nmero
de pieza
1
2
3
4
5
6
7
8
9
10
1
50
52
53
49
48
52
51
52
50
47
Mediciones del
operador 1
2
49
52
50
51
49
50
51
50
51
46
Mediciones del
operador 2
3
50
51
50
50
48
50
51
49
50
49
1
50
51
54
48
48
52
51
53
51
46
2
48
51
52
50
49
50
50
48
48
47
3
51
51
51
51
48
50
50
50
49
48
fI
12-8 PROBLEMAS
12-10.
12-11.
12-12.
12-13.
12-14.
12-15.
12-16.
12-17.
12-18.
12-19;
12-20.
12-21.
12-22.
555
i. :. 1, 2,
J -1, 2,
{
k= 1,2,
,a
,b
,e
Suponiendo que los tres factores son aleatorios, desarrollar la tabla del anlisis de varianza, incluyendo los
cuadrados medios esperados. Proponer los estadsticos de prueba apropiados para todos los efectos..
556
CAPTULO 12
Yijk
12-24.
12-25.
12-26.
12-27.
Si todos los factores son aleatorios, puede probarse alguno de los efectos? Si las interacciones de tres facto.
res y (r:f3h no existen, es posible probar todos los dems efectos?
En el problema 5-6, suponga que tanto las mquinas como los operadores se escogieron al azar. Determinar
la potencia de la prueba para detectar un efecto de la mquina tal que a~ = aZ, donde a~ es el componente de
la varianza del factor mquina. Son suficientes dos rplicas?
En el anlisis de varianza del modelo mixto de dos factores, demostrar que Cov[(r:f3)jj, (r"f3)j]l = -(l/a) a;p para
i ;.: i'.
Demostrar que el mtodo del anlisis de varianza siempre produce estimaciones puntuales insesgadas de los
componentes de la varianza en cualquier modelo aleatorio o mixto.
Invocando los supuestos de normalidad usuales, encontrar una expresin para la probabilidad de obtener
una estimacin negativa de un componente de la varianza por el mtodo del anlisis de varianza. Utilizando
este resultado, escribir un enunciado para la probabilidad de que < Oen un anlisis de varianza de un factor. Comentar la utilidad de este enunciado de probabilidad.
Analizar los datos del problema 12-9, suponiendo que los operadores son fijos y utilizando tanto la forma no
restringida como la restringida de los modelos mixtos. Comparar los resultados que se obtienen con los dos
modelos.
Considere el modelo mixto de dos factores. Demostrar que el error estndar de la media del factor fijo (por
ejemplo, A) es [MSAB/bn]1/2.
Considere los componentes de la varianza del modelo aleatorio del problema 12-9.
a) Encontrar un intervalo de confianza exacto del 95% para aZ.
b) Encontrar intervalos de confianza aproximados del 95 % para los otros componentes de la varianza utilizando el mtodo de Satterthwaite.
Usar el experimento descrito en el problema 5-6 y suponer que ambos factores son aleatorios. Encontrar un
intervalo de confianza exacto del 95% para aZ. Construir intervalos de confianza aproximados del 95% para
los otros componentes de la varianza utilizando el mtodo de Satterlhwaite.
Considere el experimento de tres factores del problema 5-17 y suponga que los operadores se seleccionaron
al azar. Encontrar un intervalo de confianza aproximado del 95 % para el componente de la varianza del operador.
Resolver de nuevo el problema 12-30 utilizando el mtodo de grandes muestras modificado que se describe
en la seccin 12-7.2. Comparar las dos series de intervalos de confianza obtenidas y comentarlas.
Resolver de nuevo el problema 12-32 utilizando el mtodo de grandes muestras modificado que se describe
en la seccin 12-7.2. Comparar este intervalo de confianza con el que se obtuvo anteriormente y comentarlo.
&;
12-28.
12-29.
12-30.
12-31.
12-32.
12-33.
12-34.