fI

12-7 ALGUNOS TEMAS ADICIONALES SOBRE LA ESTIMACIN DE LOS COMPONENTES DE LA VARlANZA

Por lo tanto, en la notacin de la ecuacin 12-43,

G = 11

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

(3.00-1)2 - (0.524)2 (3.00)2 - (1.3)2

3.00

-0.054

Por la ecuacin 12-44

VL

= G 12 c; MS~ + H~ c~ MS~e + G 12 c1c 2 MS AH MS ABe

= (0.524)2 (1 / 6)2 (134.91)2 +(1.3)2 (1 /6)2 (19.26)2
+(-0.054)(1/ 6)(1/ 6)(134.91)(19.26)
= 152.36

As, un lmite de confianza inferior aproximado de 95% para

L= a;p

a;p

es

-JV: = 19.28-.J152.36 = 6.94

Este resultado es consistente con los resultados de la prueba F exacta para este efecto.

12~7.3

Estimacin de mxima verosimilitud de componentes de la varianza

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

EXPERIMENTOS CON FACTORES ALEATORIOS

,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

= fl+7: +{3j +(7:{3)ij +cijk

Yijk

con i = 1, 2, j = 1, 2 Y k = 1, 2. La varianza de cualquier observacin es

2
2
2
V( Yijk ) =a 2y =a r2 +a(3+a
r(3+a

y las covarianzas son

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',

Es conveniente considerar las observaciones como un vector 8

= 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

y las varianzas y covarianzas pueden expresarse como una matriz de covarianza 8 x 8

1: =
donde 1:11 , 1:22 , 1:12 Y 1:21

= 1:' 12 son matrices

a y2
2
2
a r +a (3 +a r(3
=
a r2
a r2
2

1: 11 = 1: 22

[1:

11
1: 12 ]
1: 21 1: 22

4 x 4 definidas de la siguiente manera:

2

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

'

12-7 ALGUNOS TEMAS ADICIONALES SOBRE LA ESTIMACIN DE LOS COMPONENTES DE LA VARlANZA

Y};21

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

The MIXED Procedure

Class Level Information
Levels
Values
20 1 2 3 4 5 6 7 8 9 10 11 12 13
14 15 16 17 18 19 20
OPERATOR
3 1 2 3
REPLICAT
2 1 2
Class
PART

Covariance Parameter Estimates (REML)

[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

The MIXED Procedure

Covariance Parameter Estimates (REMU
Cov Parm
PART
PART*OPERATOR
Residual

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

Model Fitting lnformation for VALUE

Description
Observations
Variance Estimate
Standard Dev;at;on Est;mate
REML Log Likelihood
Akaike's lnformat;on Criterion
Schwarz's Bayesian Cr;ter;on
-2 REML Log Likelihood

Value
120.0000
0.8832
0.9398
-204.729
-207.729
-211.872
409.4572

Tests of F;xed Effects

Source
OPERATOR
U1
U1
t-'

Upper
;:::~

Asymptotic Covariance Matrix of Estimates

PART
PART*OPERATOR
Residual

Lower

NDF

DDF

Type 111 F

Pr > F

38

1.48

0.2401

1.1304

552

CAPTULO 12

EXPERIMENTOS CON FACTORES ALEATORIOS

5. Error estndar de la estimacin. Es el error estndar (se) para muestras grandes de la estimacin

del parmetro: se(a) = ~V( a ).

6. El estadstico Z asociado con la varianza estimada:
Z=a /se(a).
7. Valor P del estadstico Z calculado.
S. Nivel alfa usado para calcular el intervalo de confianza.
9. Lmites inferior y superior de un intervalo de confianza de la teora normal para muestras grandes de 100(1 - a) por ciento para los componentes de la varianza:
L= a - Za/2se(a)
U = a +Za/2se(a)
10. Matriz asinttica de la covarianza de las estimaciones. Es la matriz de la covarianza para muestras grandes de las estimaciones de los componentes de la varianza.
11. Medidas del ajuste del modelo para comparar el ajuste de modelos alternativos.
Observe que los resultados de la rutina PROC MIXED de SAS coinciden muy de cerca con los valores presentados en el ejemplo 12-2 cuando el modelo reducido (sin el trmino de la interaccin) se ajust a los datos.
En el ejemplo 12-3 se consider el mismo experimento, pero se supuso que los operadores eran un
factor fijo, lo cual llev a un modelo mixto. La rutina PROC MIXED de SAS puede emplearse para estimar los componentes de la varianza para esta situacin. La estructura de la covarianza de las observaciones, suponiendo que todas las variables aleatorias son mutuamente independientes (es decir, el modelo
mixto no restringido), es
2
COV(Yijk' Yi)'k') = a~ +a;p +a
i = i', j = j', k = k'
=a~+a;p
i=i', j=j', k;t:k'
(12-47)
= a~
i ; i', j = j'
=0
j;t:j'
La matriz de la covarianza de los parmetros del modelo es

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

EXPERIMENTOS CON FACTORES ALEATORIOS

a) Hay alguna diferencia en las posiciones de las obleas? Utilizar a = 0.05.

b) Estimar la variabilidad debida a las posiciones de las obleas.

e) Estimar el componente del error aleatorio.

d) Analizar los residuales de este experimento y comentar la adecuacin del modelo.
12-5. Considere el experimento de la deposicin de vapor del problema 12-4.
a) Estimar la variabilidad total de la respuesta uniformidad.
b) Qu parte de la variabilidad total de la respuesta uniformidad se debe a la diferencia entre las posiciones en el reactor?
e) Hasta qu nivel podra reducirse la variabilidad de la respuesta uniformidad si pudiera eliminarse la variabilidad entre una posicin y otra en el reactor? Considera el lector que sta es una reduccin significativa?
12-6. En un artculo de Joumal ofQuality Technology (vol. 13, no. 2, pp. 111-114) se describe un experimento para
investigar los efectos de cuatro sustancias qumicas blanqueadoras sobre la brillantez de la pulpa. Estas cuatro sustancias qumicas se seleccionaron al azar de una poblacin grande de agentes blanqueadores potenciales. Los datos son los siguientes:
Sustancia qumica
1
2
3
4

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

a) Existe alguna diferencia en los tipos de sustancias qumicas? Utilizar a = 0.05.

b) Estimar la variabilidad debida al tipo de sustancias qumicas.
e) Estimar la variabilidad debida al error aleatorio.
d) Analizar los residuales de este experimento y comentar la adecuacin del modelo.
12-7. Considere el modelo de efectos aleatorios, balanceado, en una variable. Desarrollar un procedimiento para
encontrar un intervalo de confianza de 100(1 - a) por ciento para a2/(a; + a2 ).
12-8. Referirse al problema 12-1.
a) Cul es la probabilidad de aceptar Ha si a; es 4 veces la varianza del error a2 ?
b) Si la diferencia entre los telares es lo suficientemente grande para incrementar la desviacin estndar de
una observacin en 20%, quiere detectarse esto con una probabilidad de al menos 0.80. Qu tamao de
la muestra deber usarse?
12-9. Se llev a cabo un experimento para investigar la capacidad o aptitud de un sistema de medicin. Se seleccionaron diez piezas al azar, y dos operadores escogidos aleatoriamente midieron tres veces cada pieza. Las
pruebas se hicieron en orden aleatorio y se obtuvieron los siguientes datos:

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

a) Analizar los datos de este experimento.

b) Encontrar estimaciones puntuales de los componentes de la varianza utilizando el mtodo del anlisis de
varianza.
Considere nuevamente los datos del problema 5-6. Suponga que ambos factores, las mquinas y los operadores, se eligen al azar.
a) Analizar los datos de este experimento.
b) Encontrar estimaciones puntuales de los componentes de la varianza utilizando el mtodo del anlisis de
varianza.
Considere nuevamente los datos del problema 5-13. Suponga que ambos factores son aleatorios.
a) Analizar los datos de este experimento.
b) Estimar los componentes de la varianza.
Suponga que en el problema 5-11 las posiciones en el horno se seleccionaron aleatoriamente, dando como
resultado un experimento con un modelo mixto. Analizar de nuevo los datos de este experimento bajo este
nuevo supuesto. Estimar los componentes apropiados del modelo.
Analizar de nuevo el experimento de los sistemas de medicin del problema 12-9, suponiendo que los operadores son un factor fijo. Estimar los componentes apropiados del modelo.
En el problema 5-6, suponga que slo hay cuatro mquinas de inters, pero los operadores se seleccionaron
aleatoriamente.
a) Qu tipo de modelo es apropiado?
b) Efectuar el anlisis y estimar los componentes del modelo.
Mediante la aplicacin del operador valor esperado, desarrollar los cuadrados medios esperados del modelo
factorial mixto con dos factores. Usar los supuestos del modelo restringido. Verificar los resultados con los
cuadrados medios esperados de la tabla 12-11 para constatar que concuerdan.
Considere el diseo factorial de tres factores del ejemplo 12-6. Proponer los estadsticos de prueba apropiados para todos los efectos principales y las interacciones. Repetir para el caso en: que A y B son fijos y e es
aleatorio.
Considere el experimento del ejemplo 12-7. Analizar los datos para el caso en queA, B y e son aleatorios.
Deducir los cuadrados medios esperados de la tabla 12-14.
Considere un experimento factorial de cuatro factores donde el factor A tiene a niveles, el factor B tiene b niveles, el factor e tiene e niveles, el factor D tiene d niveles y hay n rplicas. Anotar las sumas de cuadrados, los
grados de libertad y los cuadrados medios esperados para los siguientes casos. Suponer el modelo restringido
para todos los modelos mixtos. Puede usarse un paquete de computadora como Minitab.
a) A, B, e y D son factores fijos.
b) A, B, e y D son factores aleatorios.
e) A es fijo y B, e y D son aleatorios.
d) A y B son fijos y e y D son aleatorios.
e) A, B Y e son fijos y D es aleatorio.
Existen pruebas exactas para todos los efectos? Si no es as, proponer estadsticos de prueba para los efectos
que no puedan probarse directamente.
Considere nuevamente los incisos e, d y e del problema 12-19. Obtener los cuadrados medios esperados suponiendo un modelo no restringido. Puede usarse un paquete de computadora como Minitab. Comparar los
resultados obtenidos con los del modelo restringido.
En el problema 5-17, suponga que los tres operadores se seleccionaron al azar. Analizar los datos bajo estas
condiciones y sacar conclusiones. Estimar los componentes de la varianza.
Considere el modelo factorial de tres factores

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

EXPERIMENTOS CON FACTORES ALEATORIOS

12-23. El modelo factorial de tres factores para una sola rplica es

Yijk

12-24.

12-25.
12-26.
12-27.

= ,t+r: i +f3 +Yk +(r:f3)ij +(f3Y)k +(r:Y)ik +(r:f3Y)ijk +8ijk

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.