Instituto Tecnológico Superior de

Coatzacoalcos.
División de Ingeniería Industrial.

FEBRERO – JUNIO 2019.

Nombre del Alumno: Zapot Casanova Diana

Guadalupe.
Apellido Paterno Apellido Materno Nombre(s)

ASIGNATURA: ESTADISTICA INFERENCIAL II

UNIDAD 5. ‘’ DISEÑOS FACTORIALES’’.

Nombre del Docente: Jiménez Ventura Bricio.

TRABAJO DE INVESTIGACIÓN
Apellido Paterno Apellido Materno Nombre(s)

Carrera: Ing. Industrial Semestre: 4° Grupo: ¨C¨

No
Control: 17081143.
ÍNDICE.

Introducción. 3

UNIDAD 5. ‘’ DISEÑOS FACTORIALES’’.

5.1 DISEÑOS FACTORIALES CON DOS FACTORES. 4

5.2 DISEÑOS FACTORIALES CON TRES FACTORES. 7

5.3 DISEÑO FACTORIAL GENERAL. 12

5.4 MODELOS DE EFECTOS ALEATORIOS. 15

5.5 USO DE UN SOFTWARE ESTADÍSTICO. 19

Conclusión.

Referencias bibliográficas.

2
INTRODUCCIÓN.
El objetivo de un diseño factorial es estudiar el efecto de varios factores sobre una
o varias respuestas o características de calidad, es decir, lo que se busca es
estudiar la relación entre los factores y la respuesta, con la finalidad de conocer
mejor cómo es esta relación y generar conocimiento que permita tomar acciones y
decisiones que mejoren el desempeño del proceso. Por ejemplo, uno de los
objetivos particulares más importantes que en general tiene un diseño factorial es
determinar una combinación de niveles de los factores en la cual el desempeño del
proceso sea mejor que en las condiciones de operación actuales, es decir, encontrar
nuevas condiciones de operación del proceso que eliminen o disminuyen cierto
problema de calidad en la variable de salida.

Los factores pueden ser de tipo cualitativo (máquinas, tipos de material, operador,
la presencia o ausencia de una operación previa, etc.) , o de tipo cuantitativo
(temperatura, humedad, velocidad, presión, etc.). Para poder estudiar la manera en
cómo influye cada factor sobre la variable respuesta, es necesario elegir al menos
dos niveles de prueba para cada uno de ellos. Con el diseño factorial completo se
corren aleatoriamente en el proceso todas las posibles combinaciones que pueden
formarse con los niveles seleccionados.

3
 UNIDAD 5. ‘’ DISEÑOS FACTORIALES’’.
5.1 DISEÑOS FACTORIALES CON DOS FACTORES.

El modelo matemático asociado al diseño de dos factores-tratamiento con

interacción y replicado es el siguiente:

Para cada i = 1,...,I, j = 1,...,J, k = 1,...,K se tiene el siguiente modelo:

(5.22)

con ijk v.a. independientes con distribución N .

Donde,

Y ijk es el resultado del tratamiento i-ésimo, i = 1,2,...,I del factor T y del

tratamiento j-ésimo, j = 1,2,...,ni del factor T , en la replicación t-ésima, t = 1,...,K.
es el efecto global que mide el nivel medio de todos los resultados,
i es el efecto (positivo o negativo) sobre la respuesta debido a que se observa el
nivel i del factor T . Se verifica que I = 0,
i=1 i

4
 j es el efecto (positivo o negativo) sobre la respuesta debido a que se observa el
nivel j del factor T . Se verifica que J = 0,
j=1 i

ij representa la interacción y es el efecto extra (positivo o negativo) sobre

la respuesta debido a que se observan conjuntamente los niveles i y j de los
factores T y T respectivamente. Mide la desviación de las medias de la hipótesis
de aditividad de los efectos y viene definida por:

e verifica que I = J = 0, para i = 1,...,I; j = 1,...,J.

i=1 ij j=1 ij

ijk es el error experimental o perturbación, son variables aleatorias

independientes idénticamente distribuidas (i.i.d.) con distribución N .

Por tanto, los parámetros de este modelo son

Parámetros Número

i I-1

j J-1

ij

2 1

5
 Total IJ + 1

Siendo n = IJK el número de observaciones.

El modelo (5.22)de diseño de experimentos con dos factores tratamiento con

interación se conoce como modelo completo de dos vías o modelo de análisis
de lavarianza de dos vías.

Si, ocasionalmente, experimentos similares previos o hechos científicos

contrastados garantizan con una razonable seguridad que ambos factores no
interaccionan, el experimento se modeliza a través de:

(5.23)

con ijk v.a. independientes con distribución N .

El modelo (5.23) es un “submodelo” del modelo completo de dos vías y se

denomina modelo de efectos principales de dos vías o modelo aditivo de dos
vías dado que el efecto sobre la respuesta del tratamiento ij se modeliza como la
suma de los efectos individuales de cada factor. Es importante

Usar el modelo de efectos principales sólo cuando se tiene la certeza de que no

existe interacción entre los factores.

Si no se tiene un conocimiento razonable acerca de la interacción debe

seleccionarse un modelo completo. El motivo es que la inferencia sobre los efectos
principales cuando no se ha considerado interacción erróneamente puede ser
confusa ya que se está incrementando artificialmente el error experimental.

6
 La estrategia a seguir es:

1. Si se sospecha que hay interacción, en primer lugar, se contrasta el efecto

de la interacción en un modelo completo de dos vías.
2. Si no resulta significativa, se continúa con el análisis examinando los efectos
principales en el mismo modelo. No es conveniente cambiar al modelo de
efectos principales salvo que se esté muy seguro de la no existencia de
interacción.
3. Si resulta significativo el efecto interacción, entonces los contrastes sobre los
efectos individuales no son válidos. Si son significativos los contrastes sobre
los efectos individuales, los resultados pueden darse por válidos. Pero si los
contrastes son no significativos, los resultados no tienen porque ser
correctos.

Si el efecto interacción es significativo, generalmente es preferible pasar a un

modelo de una vía donde los niveles son todas las combinaciones de niveles y
examinar así sus posibles diferencias.

Otra posibilidad es examinar las diferencias entre niveles de un factor manteniendo

fijos los niveles del otro. En este caso las conclusiones son correctas para la
situación concreta estudiada.

5.2 DISEÑOS FACTORIALES CON TRES FACTORES.

Un diseño de experimentos factorial o arreglo factorial es el conjunto de puntos experimentales o

tratamientos que pueden formarse considerando todas las posibles combinaciones
de los niveles de los factores. Por ejemplo, con k=2 factores ambos con dos niveles
de prueba, se forma el diseño factorial 2x2=2 2 que consiste de cuatro
combinaciones o puntos experimentales. Considerando otra vez k=2 factores, pero
ahora con tres niveles y el otro con dos niveles se puede construir 3x2
combinaciones que dan lugar al diseño factorial 3x2.

7
Más en general, la familia de diseños factoriales 2k consiste en k factores, todos con
dos niveles de prueba; la familia de diseños 3k consiste de k factores cada uno con
tres niveles de prueba.

Diseño Factorial 22

Supongamos que se tienen dos factores A: tiempo y B: velocidad, cada uno con dos
niveles (bajo y alto), la respuesta es la cantidad de aditivo. En el experimento, cada
tratamiento se corrió tres veces (tres réplicas) lo que da un total de 12 corridas del
proceso. Por simplicidad sólo se muestra los resultados de la primera réplica:

Velocidad
Tiempo
600 1000
17,10 18,76
3 ─ ─
─ ─
16,26 18,16
6 ─ ─
─ ─

Efecto principal y efecto de interacción

El efcto de un factor se define como el cambio observado en la variable respuesta

debido a un cambio de nivel de tal factor. En particular los efectos principales, son
los cambios en la media de la variable respuesta debido a la acción individual de
cada factor. Matemáticamente el efecto principal de un factor es la diferencia entre
la respuesta media observada cuando tal factor estuvo en su nivel más alto y la
respuesta media observada cuando el factor estuvo en su nivel más bajo. Por
ejemplo, para los datos de la tabla anterior están daos por:

16.26+18.16 17.10+18.76
Efecto A: 𝑇𝑖𝑒𝑚𝑝𝑜 = − = −0.72
2 2

18.76+18.16 17.10+16.26
Efecto B: 𝑉𝑒𝑙𝑜𝑐𝑖𝑑𝑎𝑑 = − = 1.78
2 2

Por otro lado, se dice que dos factores interactúan entre sí o que tienen un efecto
de interacción sobre la variable respuesta, cuando el efecto de un factor depende
del nivel en que se encuentra el otro. Por ejemplo, los factores tiempo y velocidad
interactúan si el efecto del tiempo es muy diferente en cada nivel de velocidad, o

8
viceversa, si el efecto de la velocidad depende del tiempo. Veamos esto con los
datos:

Efecto A con B bajo: 16.26 – 17.10 = -0.84

Y cuando la velocidad es alta el efecto de A es:

Efecto A con B alto: 18.16 – 18.76 = -0.6

Si estos dos efectos de A en función del nivel B fueran diferentes, entonces eso
sería evidencia de que la elección más conveniente del nivel de A depende del nivel
en que esté B y viceversa. Es decir, eso sería evidencia de que los factores A y B
interactúan entre sí. En la práctica el cálculo del efecto de A en cada nivel de B no
se hace, y más bien se calcula el efecto global de la interacción entre los dos
factores. El efecto de interacción entre A y B, denotado por AB se calcula como la
diferencia entre la respuesta media cuando ambos factores se encuentran en el
mismo nivel ((bajo,bajo),(alto,alto)), y la respuesta media cuando los factores se
encuentran en niveles opuestos ((bajo, alto),(alto, bajo)). Para el ejemplo el efecto
de la interacción tiempo x temperatura está dado por:

17.10 + 18.16 16.26 + 18.76

𝐴𝐵 = − = 0.12
2 2

Los valores absolutos de los efectos principales y del efecto de la interacción son
una medida de la magnitud de su efecto sobre la variable respuesta. Así, entre más
grande sea el valor absoluto de un efecto, mayor influencia tendrá sobre la variable
respuesta. Sin embargo, para saber si los efectos son estadísticamente
significativos se requiere del análisis de varianza.

Ventajas de los diseños factoriales

1. Son diseños que se pueden aumentar para formar diseños compuestos en

caso de que se requiera una exploración más completa.
2. Se pueden correr fracciones de diseños factoriales, las cuales son de gran
utilidad en las primeras etapas de una investigación que involucra a muchos
factores, cuando interesa descartar de manera económica los que son

9
 importantes, antes de hacer un estudio más detallado con los factores que si
son importantes.
3. Pueden utilizarse en combinación con diseños de bloques en situaciones en
las que no puede correrse el diseño factorial completo bajo las mismas
condiciones o circunstancias.
4. La interpretación y cálculo de los efectos en los experimentos factoriales se
puede hacer con aritmética elemental, en particular cuando cada factor se
prueba en dos niveles.

Diseños Factoriales con dos Factores

Considere los factores A y B con a y b (a, b ≥ 2) niveles de prueba, respectivamente.

Con ellos se puede construir el diseño factorial a x b que consiste en a x b
tratamientos. Se llama réplica a cada repetición completa del arreglo factorial. Los
diseños factoriales que involucran menos de 4 factores se corren replicados para
poder tener la potencia necesaria en las pruebas estadísticas sobre los efectos de
interés, de tal forma que si se hacen n réplicas, el número total de corridas
experimentales es n(a x b).

Modelo Estadístico:

Con un diseño factorial a x b se pueden estudiar los efectos individuales y el efecto

de interacción de ambos factores. En términos estadísticos lo que se afirma es que
el comportamiento de la variable respuesta Y en el experimento con k réplicas se
podrá escribir mediante:

𝑌𝑖𝑗𝑘 = 𝜇 + 𝛼𝑖 + 𝛽𝑗 + (𝛼𝛽)𝑖𝑗 + 𝜀𝑖𝑗𝑘

𝑖 = 1,2, … , 𝑎 𝑗 = 1,2, … , 𝑏 𝑘 = 1,2, … , 𝑛

Donde 𝜇 es la media general, 𝛼𝑖 es el efecto del i-ésimo nivel del factor A, 𝛽𝑗 es el

efecto del j-ésimo nivel del factor B, (𝛼𝛽)𝑖𝑗 representa el efecto de interacción en la
combinación ij y 𝜀𝑖𝑗𝑘 es el error aleatorio que supone sigue una distribución con
media cero y varianza constante 𝜎 2 y son independientes entre sí. Para que la

10
estimación de los parámetros en este modelo sea única, se introducen las
restricciones:

∑𝑎𝑖=1 𝛼𝑖 = ∑𝑏𝑗=1 𝛽𝑗 = 0 y ∑𝑎𝑖=1(𝛼𝛽)𝑖𝑗 = ∑𝑏𝑗=1(𝛼𝛽)𝑖𝑗 = 0

Es decir, los efectos dados en el modelo son desviaciones respecto de la media

global.

Hipótesis a evaluar y análisis de varianza

Para el Factor A

𝐻0 : 𝐸𝑓𝑒𝑐𝑡𝑜 𝐴 = 0

𝐻1 : 𝐸𝑓𝑒𝑐𝑡𝑜 𝐴 ≠ 0

𝐻0 : 𝛼1 = 𝛼2 = ⋯ = 𝛼𝑎 = 0

𝐻1 : 𝛼𝑖 ≠ 0 𝑝𝑎𝑟𝑎 𝑎𝑙𝑔ú𝑛 𝑖

Para el Factor B

𝐻0 : 𝐸𝑓𝑒𝑐𝑡𝑜 𝐵 = 0

𝐻1 : 𝐸𝑓𝑒𝑐𝑡𝑜 𝐵 ≠ 0

𝐻0 : 𝛽1 = 𝛽2 = ⋯ = 𝛽𝑏 = 0

𝐻1 : 𝛽𝑗 ≠ 0 𝑝𝑎𝑟𝑎 𝑎𝑙𝑔ú𝑛 𝑗

Para la interacción AB:

𝐻0 : 𝐸𝑓𝑒𝑐𝑡𝑜 𝐴𝐵 = 0

𝐻1 : 𝐸𝑓𝑒𝑐𝑡𝑜 𝐴𝐵 ≠ 0

11
Ó

𝐻0 : (𝛼𝛽)𝑖𝑗 = 0 𝑝𝑎𝑟𝑎 𝑡𝑜𝑑𝑜 𝑖𝑗

𝐻1 : (𝛼𝛽)𝑖𝑗 ≠ 0 𝑝𝑎𝑟𝑎 𝑎𝑙𝑔ú𝑛 𝑖𝑗

El ANOVA para un diseño factorial a x b con n réplicas resulta de descomponer la

variación total como:

SST=SSA+SSB+SSAB+SSE

Y la tabla de ANOVA está dada por:

Fuente de Suma de Grados de Cuadrados Estadístico

Variación cuadrados libertad medios F

Efecto A SSA a-1 CMA=SSA/(a-1) CMA/CME

Efecto B SSB b-1 CMB=SSB/(b-1) CMB/CME

Efecto AB SSAB (a-1)(b-1) CMAB=SSAB/((a-1)(b-1)) CMAB/CME

Error SSE ab(n-1) CME=SSE/(ab(n-1))

Total SST abn-1

5.3 DISEÑO FACTORIAL GENERAL.

Los resultados del ANOVA para dos factores pueden ser extendidos a un caso
general en donde a son los niveles del factor A, b son los niveles del factor B, c son
los factores del nivel C, y así sucesivamente, los cuales pueden ser arreglados en
un experimento factorial, en el cual el número de réplicas es n.
Está diseñada para generar procesos de calidad. TAGUCHI desarrolló una
aproximación al diseño de experimentos con el objetivo de reducir los costos
emanados de la experimentación, esta aproximación es más práctica que teórica y
se interesa mas por la productividad y los costos de producción que en las reglas

12
estadísticas. Los conceptos de estas técnicas están basados en las relaciones de
costos y ahorros.
Diseñar un sistema de manufactura para elaborar un producto requiere de
conocimientos técnicos además de una gran experiencia en el área a la cual
pertenece el producto.
Los diseños factoriales son ampliamente utilizados en experimentos en los que
intervienen varios factores para estudiar el efecto conjunto de estos sobre una
respuesta. Existen varios casos especiales del diseño factorial general que resultan
importantes porque se usan ampliamente en el trabajo de investigación, y porque
constituyen la base para otros diseños de gran valor práctico.
En los últimos años se ha observado un creciente interés por algunas de las ideas
del profesor Genechi Taguchi acerca del diseño experimental y su aplicación al
mejoramiento de la calidad
El diseño factorial fraccionario 2 k-p se usa en experimentos de escrutinio para
identificar con rapidez y de manera eficiente el subconjunto de factores que son
activos, y para obtener alguna información sobre la interacción. La propiedad de
proyección de estos diseños hace posible en muchos casos examinar los factores
activos con más detalle. La combinación secuencia de estos diseños a través del
plegamiento es una forma muy eficaz de obtener información extra acerca de las
interacciones, la cual puede identificarse en un experimento inicial como
potencialmente importante.

Los diseños factoriales son a ampliamente utilizados en experimentos en los que

intervienen varios factores para estudiar el efecto conjunto de estos sobre una
respuesta. Existen varios casos especiales del diseño factorial general que resultan
importantes porque . se usan ampliamente en el trabajo de investigación, y porque
constituyen la base para otros diseños de gran valor práctico.
El más importante de estos casos especiales ocurre cuando se tienen k factores,
cada uno con dos niveles. Estos niveles pueden ser cuantitativos como sería el
caso de dos valores de temperatura presión o tiempo. También pueden ser
cualitativos como sería el caso de dos máquinas, dos operadores, los niveles
"superior" e "inferior" de un factor, o quizás, la ausencia o presencia de un factor.
13
Una réplica completa de tal diseño requiere que se recopilen 2 x 2 x .... x 2 =
2k observaciones y se conoce como diseño general 2 k.
El segundo caso especial es el de k factores con tres niveles cada uno, conocido
como diseño factorial 3 k.
Se supone que:
a) los factores son fijos
b) los diseños son completamente aleatorios
c) se satisface la suposición usual de normalidad
El diseño 2k es particularmente útil en las primeras fases del trabajo experimental,
cuando es probable que haya muchos factores por investigar.
Conlleva el menor número de corridas con las cuales pueden estudiarse k factores
en un diseño factorial completo. Debido a que sólo hay dos niveles para cada factor,
debe suponerse que la respuesta es aproximadamente lineal en el intervalo de los
niveles elegidos de los factores.

Este diseño es una variación del diseño 2k y son muy útiles como las que se
emplean cuando todos los factores actúan a tres niveles.
En los últimos años se ha observado un creciente interés por algunas de las ideas
del profesor Genechi Taguchi acerca del diseño experimental y su aplicación al
mejoramiento de la calidad.
Este es un diseño que consta de k factores con tres niveles cada uno. Los factores
y las interacciones se representan mediante letras mayúsculas. Los tres niveles de
los factores pueden referirse como nivel inferior, intermedio y superior. Estos
niveles se representan mediante los dígitos 0 (nivel inferior), 1 (intermedio) y 2
(superior).
Cada combinación de tratamientos de un diseño 3k se presenta mediante k dígitos,
donde el primero incida el nivel de A, el segundo señale al nivel de B, ..... y el k-
ésimo dígito, el nivel del factor k.
Por ejemplo, es un diseño 32 el 00 representa la combinación de tratamientos, en la
que tanto el factor A como el B están en el nivel inferior, y el 01 representa la
combinación de tratamientos que corresponde al factor A en el nivel inferior y a B
en el nivel intermedio.
14
En éste, el sistema de notación que se prefiere usar es el de + - en virtud de que
facilita la interpretación geométrica del diseño y de que es directamente aplicable al
modelado por regresión, la formación de bloques y la construcción de factoriales
fraccionarios.
La adición de un tercer nivel permite modelar con una relación cuadrática la relación
entre la respuesta y cada factor.

5.4 MODELOS DE EFECTOS ALEATORIOS.

En el modelo de efectos aleatorios, los niveles del factor son una muestra aleatoria
de una población de niveles. Este modelo surge ante la necesidad de estudiar un
factor que presenta un número elevado de posibles niveles, que en algunas
ocasiones puede ser infinito. En este modelo las conclusiones obtenidas se
generalizan a toda la población de niveles del factor, ya que los niveles empleados
en el experimento fueron seleccionados al azar.

Formalmente la expresión del modelo es la misma que en el modelo de efectos fijos

dado por la ecuación:

yij = µ + τi + uij

Con la diferencia de que ahora τi son variables aleatorias. Además este modelo
requiere que las variables τi y uij sean independientes y sigan distribuciones
normales con media 0 y varianza constante σ2τ y σ2, respectivamente. Así, por la
independencia entre las variables τi y uij, la varianza de cualquier observación de la
muestra, es decir, la varianza total, denotada por σ2T, vale:

σ2T = σ2τ + σ2

La mecánica del Análisis de la Varianza es la misma que en el modelo de efectos

fijos, excepto en el cálculo de las esperanzas de los cuadrados medios, ya que
15
mientras en el modelo de efectos fijos, los efectos τ i eran constantes que cumplían
la condición ∑Ii=1 nτ = 0, ahora son variables aleatorias N (0, στ), no sometidas a
ii

ninguna restricción. En este modelo, carece de sentido probar la hipótesis que se

refiere a los efectos de tratamiento individuales y, en su lugar, debe realizarse el
contraste:

H0: σ2τ = 0

H1: σ2τ > 0

Si se acepta H0, σ2τ = 0, significa que todos los tratamientos son idénticos; en
cambio, si se acepta H1, σ2τ > 0, significa que existe variabilidad entre los
tratamientos.

Al igual que en el modelo de efectos fijos, se distingue entre el caso equilibrado y el

caso no-equilibrado.

En este modelo se asume que las k muestras son muestras aleatorias de

k situaciones distintas y aleatorias. De modo que un valor aislado Yij se puede
escribir como:

Donde µ es la media global, Eij son variables (una para cada muestra) distribuidas
normalmente, con media 0 y varianza σ2 (como en el modelo I) y Ai es una variable
distribuida normalmente, independiente de las eij, con media 0 y varianza σ2.

La diferencia con respecto al modelo de efectos fijos es que en lugar de los

efectos ai ahora se consideran efectos aleatorios Ai.

Igual que en el modelo de efectos fijos se encuentra que MSE no se modifica en la

H1 y que al valor esperado de MSA se le añade el término de componente
añadida (que aquí es una verdadera varianza ya que Ai es una variable aleatoria):

16
Para llegar a este resultado se utiliza la asunción de independencia entre Ai y Eij y
es, por tanto, muy importante en el modelo y conviene verificar si es correcta en
cada caso.

Por tanto, en H0 tanto MSA como MSE estiman σ2, mientras que en H1, MSE sigue
estimando s2 y MSA estima σ2 + nσ2a. La existencia de esta componente añadida
se contrasta con F= MSA/MSE y en caso afirmativo, la varianza de Ai se estima
como:

Modelo de efectos aleatorios no-equilibrado

Como en el modelo de efectos fijos, la variabilidad total de los datos se puede

expresar como la suma de la variabilidad entre los tratamientos y la variabilidad
dentro de los mismos. A partir de estas variabilidades se definen las
correspondientes varianzas muéstrales.

Para establecer el procedimiento del contraste de hipótesis, para el modelo de

efectos aleatorios, calculemos en primer lugar los valores esperados de la varianza
a entre tratamientos y de la varianza residual.

Como en el modelo de efectos fijos, consideremos las expresiones de y i., Ӯi., y.. e
Ӯ.., en función de los parámetros del modelo, con objeto de poder hallar las
esperanzas de las varianzas muéstrales.

yi. = niµ + niτi + ui. ; Ӯi. = µ + τi + ῡi.

y.. = Nµ + ∑Ii=1 niτi + u.. ; Ӯ.. = µ + 1/N ∑Ii=1 niτi + ῡ..

Modelo de efectos aleatorios equilibrado

17
En el modelo equilibrado o balanceado, el número de observaciones en cada nivel
del factor es el mismo. Fijando dicho valor en n, el número total de observaciones
es N = I × n. En este caso se obtiene la siguiente expresión para la esperanza de la
varianza entre tratamientos

E(S2Tr) = nσ2τ + σ2

Y los siguientes estimadores para las componentes de la varianza

σ2 = S2R

σ2τ =(S2Tr − S2R)/n

Naturalmente, todo lo dicho sobre la estimación de σ2Τ en el modelo no-equilibrado,

es aplicable a este caso.

Desde el punto de vista práctico, el modelo equilibrado presenta la ventaja de que

se pueden obtener con STATGRAPHICS las componentes de la varianza.

Además de efectuar el contraste de hipótesis, en el modelo de efectos aleatorios

interesa estimar los valores σ2τ. El procedimiento utilizado para ello se denomina
“método de componentes de la varianza”. Dicho procedimiento consiste en igualar
las esperanzas de las varianzas entre tratamientos y residual con sus
correspondientes valores muéstrales y resolver el sistema resultante:

S2Tr = N2 −∑in2i/N(I − 1) σ2τ + σ2

S2R = σ2.

Así, se obtienen los siguientes estimadores de las varianzas:

σ2 = S2R

σ2τ = N(I − 1)/N2 −∑in2i [S2Tr − S2R]

Puede comprobarse que si la hipótesis alternativa es cierta, entonces σ 2Τ es un

estimador insesgado de σ2τ.

En el caso de que la varianza residual sea mayor que la varianza entre tratamientos,
el método de componentes de la varianza conduce a una estimación negativa de

18
σ2τ. Evidentemente esto carece de sentido, al tratarse de un parámetro no negativo.
Cuando esto ocurre se puede adoptar alguna de las siguientes alternativas:

 Rechazar por inadecuado el modelo propuesto y replantear el problema.

 Reinterpretar la estimación de σ2Τ como evidencia de que su verdadero valor
es cero; es decir, admitir que σ2τ = 0. Esto puede ocasionar que las
propiedades estadísticas de los restantes estimadores se vean perturbadas
por esta decisión.
 Utilizar otro método de estimación que no conduzca a estimaciones
negativas.

La selección de una opción concreta dependerá del experimento analizado o del

criterio del investigador.

5.5 USO DE UN SOFTWARE ESTADÍSTICO.

19
CONCLUSIÓN.

20
REFERENCIAS BIBLIOGRÁFICAS.

21