Sei sulla pagina 1di 12

9 MODELOS CON EFECTOS ALEATORIOS, DISEÑOS ANIDADOS, MODELOS MIXTOS O MEZCLADOS.

Los diseños en arreglos factoriales convencionales tienen dos características esenciales:

1-

cada nivel de cada factor se da combinado con todos los niveles de los demás; y,

2-

la interacción entre los factores puede ser analizada.

En los modelos vistos, se han fijado previamente los niveles de los factores, sin embargo es posible muestrear niveles al azar dentro de una población de ellos y formar un grupo experimental conocido como de efectos aleatorios. En ciertos tipos de estudios los niveles de un factor no pueden ser idénticamente cruzados a través de los de otro, o sea hablamos de diferentes niveles, por lo cual se hablará de diseños de factor anidado.

Por ejemplo, para medir la influencia de la calidad de la madera en el rendimiento al torneado, se tiene un modelo tipo I o de efectos fijos si determinamos 3 niveles de calidad típicos, N 1 , N 2 , N 3 de acuerdo con alguna norma como dureza, y se realiza el experimento con esos niveles. Por el contrario, si se muestrean varias maderas y se eligen 3 calidades al azar, este es un modelo de efectos aleatorios.

En los modelos de efectos fijos se busca la bondad o no de la aplicación de un tratamiento, en el de efectos aleatorios se miden efectos de factores que quiérase o no, están presentes en un proceso. En el de efectos fijos interesa medir el cambio (aumento o disminución) en el nivel de la respuesta con los niveles de los factores, en el segundo caso se busca su efecto sobre la variabilidad. Por ejemplo para saber si un nuevo producto es efectivo se utiliza un diseño de efectos fijos, pero para medir la variabilidad que un producto usado habitualmente produce en un proceso, se acudirá al modelo II.

Afortunadamente los análisis son muy similares, pero obviamente cambian las interpretaciones:

1. La formulación de modelos es la misma, pero en los modelos I se estiman sus medias,

en el II varianzas. En el I los efectos i , j , () ij , son parámetros fijos por estimar para

que 2 = 2 ó 2 ,

etc., siendo éstas las variabilidades a estudiar y estimar.

respuestas promedias, en

el II se asumen como V.A. N(0, 2 )

en

2. Las fuentes de variación son el resultante de la descomposición de una SSTO como lo

propone Cochran. El ANAVA es similar, y si no se dan interacciones, los contrastes de la no influencia de un factor son idénticos.

3. Cuando aparecen las interacciones en modelos tipo II, los contrastes de los efectos

aleatorios se hacen comparando la variabilidad explicada por el factor con la debida a la interacción, en vez de la variabilidad residual como en el modelo I, ya que en este modelo, las restricciones vistas no funcionan, y no desaparecen los efectos de las interacciones en

SS de los efectos principales, por ejemplo en un modelo:

Y = +++() +

ij

i

j

ij

ij

con 2 factores aleatorios e interacción en que:

~

i

9.1

0,

2

,

~

j

0,

2

;



ij

~

ij

~

0,

2

ij

, con

2

ij

2

, todas independientes. El efecto promedio será entonces:

0,

2



,

153

Y

i

Y



i

     


i





i



9.2

que recoge no solo el efecto de y el error experimental como en los modelos tipo I, (por las restricciones), sino también el efecto de las interacciones, lo que cambia como se vio anteriormente las estructuras de las esperanzas de las SS (E(SS )).

4. En la práctica en un modelo II, no importan i , j , etc., ni se presenta el problema de los contrastes múltiples, lo vital es contrastar que los efectos existen, y si esto se da es en la estimación de las varianzas. De acuerdo con lo anterior, las principales diferencias, Tabla 9.1 entre I y II son:

Tabla 9.1 Principales diferencias entre Modelos Tipo I y Tipo II

TIPO DE CIRCUNSTANCIA

MODELO I (Efectos fijos)

MODELO II (Efectos aleatorios)

El modelo:

Y = + + ;  i = 0

Y = + + ;  N(0, 2 )

Los efectos son:

Constantes desconocidas

Variables aleatorias

Los efectos influyen en:

La respuesta media

La Variabilidad

Objetivo:

Estimar

2

Estimar

Los niveles i:

Se fijan (arbitrariamente)

Se seleccionan al azar

El contraste principal es:

i = 0

2 = 0

Los experimentos factoriales especialmente, hasta ahora esbozados, usaban todas las combinaciones de los niveles de los factores, por ello en la literatura se les conoce Diseños cruzados. En estos otros diseños Tipo II, es posible, entonces, tener algunos niveles diferentes de un factor en combinación con uno o más de los niveles de otros factores y aún diferentes niveles distintos que ocurren en combinación con otros, por

, ésta se mide después de aplicar 3 drogas

y ij

diferentes, cada una producida en múltiples laboratorios.

ejemplo, al estudiar el azúcar en la sangre

Es posible además, mezclar en un mismo diseño efectos fijos y aleatorios en diseños mixtos en que, si las interacciones resultan nulas, el tratamiento es igual a los modelos I, pero si se dan, los productos cruzados no desaparecen al construir los contrastes, ni en las SS de orden menor.

9.1 Clasificaciones cruzadas y jerárquicas.

No es posible pues, cruzar todas las fuentes de variación: por ejemplo si se quiere estudiar la influencia del sector educativo (público, departamental, período, etc.) y de la universidad en la opinión de los estudiantes, mediante un modelo de efectos aleatorios, se tiene que seleccionar primero algunos sectores, luego universidades dentro de ellos y luego estudiantes dentro de las universidades. Como se ve en la Figura 9.1.

No es posible cruzar la universidad 1 del sector 1 con las del sector 2. Entonces el factor universidad” puede medirse solo a un nivel fijo del factor “sector”, por lo que diremos que el factor universidad está “anidado” o jerarquizado dentro del sector y al no existir cruces entre universidad-sector, no pueden existir interacciones entre ambos. (Pero pueden

154

existir estudiantes que concurran a otras Universidades en el otro sector y por lo tanto se tendría el efecto mixto).

el otro sector y por lo tanto se tendría el efecto mixto). Figura 9.1 Efectos de

Figura 9.1 Efectos de anidamiento entre sectores educativos, universidades y estudiantes

Como ejemplo de caso se propone estudiar cómo afecta el tiempo de secado la fabricación de estibas, sí la humedad ambiental es importante. Vemos que no es posible cruzar ambas ya es posible fijar el tiempo de secado, pero no podemos controlar la humedad del ambiente, a no ser que sea en un espacio especial. Entonces cada día se fija el tiempo de secado, pero medimos la humedad ambiental, con distintos valores de humedad relativa para cada T de secado.

El caso más importante de modelos jerárquicos es el de 2 factores aleatorios, o modelo de componentes de varianza, muy usado sobre todo en procesos industriales, para mejoramiento genético, para planificación de muestras de parámetros poblacionales con el fin de reducir costos y tiempos, en procesos agrícolas para conocer la variabilidad debida a una finca, a unos operarios, a una variedad, etc.

Otro ejemplo*. Supongamos que se intenta estudiar la variabilidad debida a unas motosierras y a los operarios. Para ello se pueden seleccionar i motosierras al azar y tomar muestras de producción (número de trozas) de diferentes operarios con estas motosierras.

de trozas) de diferentes operarios con estas motosierras. Figura 9.2 Efectos de anidamiento entre Motosierras,

Figura 9.2 Efectos de anidamiento entre Motosierras, operarios y # de trozas

Los datos se anidarán como se ve en la figura 9.2. * se observa que el trabajador operario1 solo trabaja la MS 11 , en lugar de hacerlo con todas, por lo que su modelo lineal aditivo sería:

Yijk = + i + j(i) + ijk

9.3

Nota: Observe el término para denotar anidamiento (j(i) ); y Y ijk = número de trozos producidos/día de trabajo/8 horas/día. i = efecto de la motosierra, aleatorio, al azar de una N(0, 2 ) j(i) = el trabajador j con ( o dentro de) la motosierra i con distribución N(0, 2 ) ijk = la variabilidad de un operario en una máquina concreta, que se asume como error experimental y se supone ijk N(0, 2 ).

155

Entonces y 2 = 2 + 2 + 2 , que se representaría como lo sugiere la Figura 9.3.

2 , que se representaría como lo sugiere la Figura 9.3. Figura 9.3 Representación de variabilidades

Figura 9.3 Representación de variabilidades anidadas

Sea, más concretamente, completando el ejemplo, Tabla 9.2 tres operarios/motosierra, 2 motosierras y 2 repeticiones

Tabla 9. 2 Ejemplo concreto de 3 operarios y dos motosierras con dos observaciones.

MOTOSIERRAS

 

OPERARIOS

 
   

1

 

2

 

3

1

Y

1(1)1

Y

1(2)1

Y

1(3)1

Y

1(1)2

Y

1(2)2

Y

1(3)2

2

Y

2(1)1

Y

2(2)1

Y

2(2)1

Y

2(1)2

Y

2(2)2

Y

2(3)2

El paréntesis del segundo factor indica que es distinto por columnas o que está anidado dentro del primero.

9.2 Contrastes y estimación.

Para lograr la SSTO se buscan las desviaciones, a la manera vista, y se reproduce el:

que estima a , , etc.

Yijk Y Yi YYij Yi Yijk Yij 9.4

Elevando al cuadrado, Yijk Yy sumando:

ojo: r = r ij,

a

b

r

SSTO 

i

1

a

j

1

b

k

1

r

SSA 

i

1

j

1

k

1

Y

ijk

Y

i 

Y



2

Y





2

Y

ijk

2



Y

abr

9.5

2

a

i

1

Y rb Y abr

i 



2

2

9.6

,

El siguiente término en la ecuación corresponde a la SS de dentro de A, entonces:

a

b

r



i

1

j

1

k

1

Y Y

ij

i



2

9.7

,

la cual para poderla resolver de acuerdo a nuestro común planteamiento requiere de

sumarle y restarle Y

común planteamiento requiere de sumarle y restarle Y así: SS B A    156

así:

SS B A

requiere de sumarle y restarle Y así: SS B A    156  

156



Y

ij

Y



Y

i



Y



 

2

9.8

,

que queda como.

a

b

r



i

1

j

1

2

ij

Y

a

1

i

2

i 

Y

2



Y

2



Y

r

2

arb

rb

arb

a

b



i

1

j

1

2

Y

ij

a

i

1

2

i 

Y

r

rb

9.9

.

Se puede observar acá que se hubiera podido encontrar entonces una SSB, independientemente de ser anidada o no, que se calcularía como:

SSB

a

b

r



i

1

j

1

k

1

Y

ij

Y



2

a

b



i

1

j

1

Y

ij

2 Y

2



r arb

SS B A SSB SSA

2 Y  2  r arb  SS B A SSB SSA   

9.10

Por último queda el error experimental, que se acepta como:



Y Y

ijk

ij

2

9.11

,

y lo obtenemos por diferencia, y que se podría llamar SS Yijk B y que es igual entonces

a:

S S  Y ijk B  y que es igual entonces a : SS 

SS Yijk

B  y que es igual entonces a : SS  Y i j k B

B SSTO SSB 9.12

9.3 Grados de libertad

Los grados de libertad son, para el factor , ó A = a - 1,

Y ijk

B A ab r 1 GLTO
B
A
ab r 1 GLTO

y los del error = GLTO - GLB.

para (B/A) = a(b-1) y los de

Tabla 9.3 Datos de duración de triplex por lámina, muestra ensayo

       

TOT

TOT

 

LAM

MUE

ENS

DUR

MU

LA

POS

1

1

 

1 4,36

   

S

1

1

2 4,96

9,32

S

1

2

 

1 5,16

   

S

1

2

2 5,36

10,52

S

1

3

 

1 4,26

   

I

1

3

2 4,56

8,82

I

1

4

 

1 4,96

   

I

1

4

2 4,96

9,92

38,58

I

2

1

 

1 4,08

   

S

2

1

2 3,96

8,04

S

2

2

 

1 3,36

   

S

2

2

2 3,66

7,02

S

 

TOT

TOT

LAM

MUE

ENS

DUR

MUE

LA

POS

2

3

 

1 3,76

   

I

2

3

2 3,86

7,62

I

2

4

 

1 3,16

   

I

2

4

2 3,49

6,65

29,33

I

3

1

 

1 5,37

   

S

3

1

2 5,86

11,23

S

3

2

 

1 5,86

   

S

3

2

2 5,82

11,68

S

3

3

 

1 5,19

   

I

3

3

2 5,36

10,55

I

3

4

 

1 5,06

   

I

3

4

2 4,76

9,82

43,28

I

Ejemplo, para estudiar la variación de la duración del triplex en contacto con el agua, se seleccionaron 3 láminas al azar dentro de diferentes marcas, luego se seleccionaron 4 muestras por lámina y dos ensayos de duración por muestra. En cada muestra se midió el tiempo en semanas en que se separaban sus tres caras. Los resultados fueron los de la Tabla 9.3:

Paso a paso: los cálculos para el ANAVA serían:



Y

i 

111.2

157

Y

2

SSDUR = SSTO   

ijk 2

Y



abr

4.36

2

4.96

2

 4.76 2
4.76
2

SSA

SSB

SS(

a

i 1

2

i 

Y

38.52

2

2  43.28
2
43.28

2

4

2

10.52

2

F

C

rb

a

b



i

1

j

1

2

Y ij

C

r

B A )

C rb  a b  i  1 j  1 2 Y ij 

F

F

C

9.32

12.4394

2  9.82
2
9.82

F

C

12.4394

2.29514

14.7345

2

14.7345

SSB SSA

111.1

2

2 Y



15.2725

Tabla 9.4 ANAVA para datos anidados de los elementos de la Tabla 9.3

ANAVA para datos anidados de los elementos de la Tabla 9.3 Figura 9.4 Dispersión de las
ANAVA para datos anidados de los elementos de la Tabla 9.3 Figura 9.4 Dispersión de las

Figura 9.4 Dispersión de las duraciones por Lamina

O sea que la variabilidad que presentan las muestras de triplex tiene dos fuentes:

1)

La variación de las muestras dentro de las láminas SS (B/A) y

2)

La variabilidad entre las láminas (SSA).

La variabilidad de las duraciones tiene igualmente dos componentes:

1)

Debido a la variación de las duraciones dentro de las muestras y,

2)

Debido a la variación entre ellas SSTO = SS (Y ijk /B) + SSB

SS (Y ijk /B) = SSTO - SSB = 15.27246 - 14.7345 = 0.53795

9.4 Pruebas de las hipótesis

Las hipótesis por plantear en estos experimentos son:

2

Ho: DUR1 = DUR2 = DUR3; vs Ha: DURi DUR Ho: LAM = 0 .

Esto se resuelve por medio de una

F 0.01, 2.9 = 802.

MS LAM F  MS MUE LAM    23.84** C
MS LAM
F
MS MUE LAM
 23.84**
C

ya que F 0.05, 2.9 = 4.26 y

158

La otra hipótesis se plantea en el sentido de que no existen diferencias en duración entre los subgrupos, o sea que la fuente de las láminas no tiene efecto en la duración del

triplex, que se plantea y resuelve con una

también **,

MS MUE LAM   0.255   MS ENSAYOS  0.04483
MS MUE LAM
0.255
MS ENSAYOS
0.04483

F

C

5.688

y cuya hipótesis:

Ho:

2

  

MUESTR LAMIN

  

= 0

.

Lo anterior también muestra que el 83.26 (0.746/.896 de los componentes de varianza) de la variabilidad es explicada por las láminas, o sea que existen muchas diferencias entre las marcas, posiblemente, y solo un 11.74% por las muestras dentro de ellas, o sea que cada una de las marcas está más o menos estandarizada. Estos diseños también se conocen como polietápicos.

9.5 Esperanzas de los cuadrados medios (MS )

De acuerdo con las fuentes, Tabla 9.5, se tienen los siguientes valores esperados

Tabla 9.5 Valores esperados de los cuadrados medios del diseño anidado

FUENTE DE VARIACION

ESPERANZAS (MS )

 

LAMINAS = A

MUESTRAS/LAMINAS=B/A

ENSAYOS/MUESTRAS=

Y /B

ijk

2

2

2

(Y

(Y (Y

/B) /B) + +   (B/A) (B/A) + b(A)

ijk ijk

2

ijk

/B)

2

2

Cada elemento de la E(MS ) aumenta un término al pasar de los ensayos de duración a las etapas superiores, para el ejemplo:

     2 Y B  ensayos muestras  2 ijk 
2
Y B  ensayos muestras 
2
ijk
0.255
0.0448
2
B A
 0.1051
2
6.2197
0.255
2
A
 0.746
4
2

0.0448

Estos resultados entonces explican algo que ya dicho: que es mayor la variabilidad entre las láminas que la de las muestras dentro de ellas y a su vez que los de los ensayos/muestras.

9.6 Varianza estimada de la media muestral.

La

s

2

y

, se obtiene como MSA , en este caso

abr

s

2

y

6.2197

24

0.2591

que es igual a la:

2

s

y

E MSA

(

)

 

2

 

ˆ

ˆ

2

.

.

2

.

.

ˆ durac mues r mues lam rb lam .

rab

0.04483

 

2

0.1051

 

8

0.746

24

0.2512

que también se podría obtener como:

9.13

159

 ˆ 2  Y B   ˆ 2  B A  
ˆ
2 
Y
B
ˆ
2
B A
ˆ
2
A
ijk
rab
ab
a

9.14

,

con lo cual podría mejorarse la estimación de la media sin aumentar el número total de observaciones al disminuir r y aumentar a por ejemplo.

9.7 Optimización del tamaño de la muestra

De acuerdo con los costos de las diferentes unidades de muestreo (primarias, secundarias, terciarias (de a, j, k) es posible calcular el tamaño de la muestra.

Ejemplo: un muestreo tetraetápico en el que cada unidad es de igual tamaño así: las a

2 secundarias, etc.

una función de

c i = costo de obtener la unidad

(En el

costos

son iguales, las b iguales, etc y

n 1 = número de unidades primarias,

4,

n 3

=

2).

Se

puede plantear

n

ejemplo

n 1

=

3,

n 2

=

C c1 n1 c2 n2 c3 n3 ,

en que C = costo total del muestreo,

iésima, n i = número de muestras etapa i. La varianza de promedios es entonces:

2

ˆ k

; k 1, 2

s

2

Y

V Y

ˆ

2

1

2 2

ˆ

ˆ

2

3

n

1

n n

1

2

n n n

1

2

3

 

m  varianza estimada en cada etapa. varianza estimada en cada etapa.

ˆ

2

n

n n nm

1

2

9.15

,

que la

minimicen y encontrando las derivadas = 0. (Si no se tienen costos, se puede acudir a tiempos). Las soluciones respectivas dan:

Para minimizar costos se plantea la variable:

Cs

Y

que aporte los valores

n

i

n

y

c  ˆ 2 c  ˆ 2 n  2  3 ; n
c
ˆ
2
c
ˆ
2
n
2
3
;
n
1
3
c
ˆ
2
2
n
c
y n
2
9.16
ˆ
,
2
3
2
2
1
1
3
2
, sustituyendo
en la función de costos.

Para el problema esbozado se tiene:

n

3

c 0.0448 2  c 0.1051 3
c
0.0448
2
c
0.1051
3

0.6529

c c ; 2 3
c
c
;
2
3

n

2

0.3753

c c 1 2 .
c c
1
2
.

con dos soluciones. Con un premuestreo se estiman

c

1

y

c

2

y se determina exactamente

c

3

. En el ejemplo c 3 >>>c 2 , por lo cual

efectos prácticos haga

c

1

c

2

= 1 y

n

2

sería

n

3

n

2

< 1, por lo que se hará

1 c 2 = 1 y n 2 sería n 3 n 2 < 1, por

1

, por lo cual se hace

n

n

2

3

< 1, por lo que se hará 1 , por lo cual se hace n n

1 . También para

1 .
1 .

En la ecuación de varianzas, se da:

0.04483

0.1051

4
4

0.746

0.2592

n

1

 

1

1

n

1

n

1

 

,

n

1

y

n

1

4
4

n

2

entonces: n 1 = 0.89593/0.2592 = 3.456, y con hacer muestreos más económicos.

1
1

n 2 = 1 se podrían

9.8 Modelos mixtos o mezclados.

Para algunos estudios es deseable conocer los efectos de un factor con respecto a la media poblacional y los efectos de otro con respecto a la varianza poblacional, por lo tanto

160

presentan una mezcla de factores fijos y aleatorios, y por ello su nombre. Además su análisis consta de dos partes debido a los dos tipos de inferencias posibles en ellos, pues las debidas a los efectos aleatorios se aplican a la variación en una población de ellos cuando las inferencias para los efectos fijos se restringe a los niveles específicos usados en el experimento.

Ejemplo, dos sellantes de humedad escogidos por su efectividad fueron ensayados en láminas de triplex para evaluar sus diferencias en un experimento. El diseño de los tratamientos consistió en un arreglo factorial entre sellantes y 4 láminas de diferentes marcas seleccionadas al azar dentro de las que se ofrecía en el mercado, con dos repeticiones, en un arreglo de 2x4.

El diseño del experimento consistió en tomar dos probetas de cada lámina para ser selladas con cada uno de los productos. Las muestras fueron analizadas aleatoriamente después de sumergirlas en agua hasta que se iniciara la separación de sus caras, midiendo el tiempo en semanas desde la inmersión.

Ambos sellantes constituyen un factor fijo porque sus efectos pueden reproducirse a voluntad en otro experimento repetido. Las inferencias se restringen a las comparación de los efectos de sellado a la humedad de cada uno de los sellantes en el experimento.

Las láminas representan efectos aleatorios pues existen muchas marcas en el mercado y las 4 constituyen una muestra aleatoria de ellas.

La ventaja del arreglo factorial es su habilidad para detectar la consistencia de los dos sellantes en corridas repetidas. Si no hay interacción, ambos sellantes podrían comportarse muy similarmente de lámina en lámina, pero si ella aparece significativa podría indicar que los sellantes fueron inconsistentes en las aplicaciones repetidas.

9.8.1 Modelo estadístico para un factor fijo y otro aleatorio. El modelo lineal aditivo poblacional para un experimento bifactorial con A fijo y B aleatorio es:

estimable como

y

ijk

y

ijk



i

j

ij

ijk

y



a

i

b

j

ab

ij

e

ijk

9.17

9.18

en los cuales , y son respectivamente las medias de loa efectos fijos poblacional y

, efectos aleatorios

del factor B en ambos casos, y

efecto de la interacción entre A y B y

muestral, i , ai , los efecto fijos para el factor A en ambos casos,

b

j

,

j

,

 ab

ij

,

ij ,

ijk ijk

,

e

los respectivos errores experimentales aleatorios poblacional y muestral.

Los efectos aleatorios b j y

e ijk

b

j

N

0,

2

b

y

e

ijk

ij

N

N

distribuidas ab

uno de los factores

0,

0,

2

a a

se asumen normales e independientemente distribuidos así:

. Las interacciones también normales e independiente

1

2

ab

 

por ser alguno de ambos factores aleatorio. Puesto que

a i es fijo, la suma del efecto de interacción sobre sus niveles es cero:

161

a

i 1

ab ab

ij

j

0

9.19

En cambio los efectos de la interacción sumados sobre los niveles del factor aleatorio son diferentes de cero:

b

j 1

ab ab 0

ij

i

9.20

por ser solamente una muestra aleatoria de los efectos de la interacción en cada nivel del factor fijo. Pero a un nivel dado del factor aleatorio hay un conjunto finito de efectos de interacción iguales al número de niveles para el factor fijo y por ello se da (9.19).

Aparece además la covarianza entre los dos efectos de la interacción al mismo nivel del efecto aleatorio y los diferentes niveles del efecto fijo:

s

ab

1

a

2

ab

9.21

Entonces, las observaciones hechas en la misma lámina con los dos sellantes están correlacionadas pero las observaciones en el mismo sellante en dos láminas diferentes serán independientes.

9.8.2 Análisis de los experimentos mixtos. Obviamente son diferentes a los de efectos fijos o de efectos aleatorios solamente. Se presentan los datos para el ejemplo propuesto en la Tabla 9.6. El ANAVA obtenido se muestra en la Tabla 9.7 incluidos los valores esperados para los MS

Tabla 9.6 datos para un experimento mixto de 2 sellantes contra 4 láminas de triplex con 2 repeticiones

sell

lam

prob

dur

1

1

 

1 4,36

1

1

 

2 4,94

1

2

 

1 5,19

1

2

 

2 5,42

1

3

 

1 6,24

1

3

 

2 6,86

1

4

 

1 3,25

1

4

 

2 4,18

2

1

 

1 7,01

2

1

 

2 7,13

2

2

 

1 9,32

2

2

 

2 9,48

2

3

 

1 11,8

2

3

 

2 12,5

2

4

 

1 6,3

2

4

 

2 6,2

162

9.8.3

Pruebas de hipótesis acerca de las varianzas. La hipótesis nula para probar la no

interacción será

que permite rechazar

H

0

:

H

0

2

SL

0

cuya

F

MS SL

c MSE

16.55

se contrasta contra F0.05,1,3 10.13 lo

. Ello se corrobora con la Figura 9.5

La presencia de la interacción con las láminas sugiere una posibilidad de diferencias entre los sellantes que varían con ellas, por lo que las comparaciones podrían hacerse entre sellantes dentro de cada lámina, con contrastes entre las medias de las probetas.

Tabla 9.7 ANAVA para los datos de la Tabla 9.6 incluidos los valores esperados para los MS

Fuente de variación

g.l.

 

MS

 

E(MS,,)

 

Sellantes

1

53,66

MS(S) = 53,66

2

SL 2

rrb

S 2

         

2

 

2

Láminas

3

43,86

MS(L) = 14,62

ra

L

Interacción (SL)

3

6,76

MS(SL) = 2,25

 

2

SL 2

r

 

Errror

8

1,088

MSE = 0,136

 
2
2
 

Total

15

105,361

   
2   Total 15 105,361     Figura 9.5 Interacción entre sellantes y láminas . Sí

Figura 9.5 Interacción entre sellantes y láminas.

Sí la interacción no hubiera resultado significativa una prueba de H 0 : No existe diferencia entre medias marginales del factor de efectos fijos, sería la apropiada. Por ilustración la prueba para comparar sellantes es:

F

c

MS MS SL S

 

 

53.66

2.25

23.85

que se contrasta contra F0.05,1,3 10.13 , con lo cual se rechaza H 0 . Las medias observadas

para los sellantes fueron: y1 4.83 y y2 8.72 . La significancia para los componentes de

MS L

varianza para las láminas

se rechaza contra

9.8.4 Error estándar para las medias de los factores fijos. El error estándar para la

diferencia entre sellantes se obtiene de:

2
2

L se confronta con:

14.62

F

2 0 L
2
0
L

c MSE

0.136

107.5

y la

H 0 :

F

0.05, 3,8

4.07
4.07

y

ij

y

kj

2   2  r    SL 2  9.22  r
2  
2
 r
SL 2
9.22 
r

163

estimable por:

s

y

ij

y

kj

2 MS SL   r
2
MS SL
r

2 2.25   2
2 2.25
2

1.5

9.23

Pero como regla general el MS

medias de un factor de efectos fijos es el llamado cuadrado medio de Fc utilizado para verificar la H 0 acerca de los efectos fijos; así, el error estándar para la diferencia entre las medias marginales de los sellantes quedará mejor estimado por:

usado para el error estándar de una diferencia entre las

2 MS SL   2 2.25   s    y 
2
MS SL
2 2.25
s
y
 y
i

k

rb
2
4

0.75

9.24

Littell et al, 1966, advierten que los mayores avances en SAS son en el proceso MIXED y que la mayoría de conjuntos de datos requieren de esta metodología y recalcan que muchos estadísticos aun versados en el tema no están concientes de las enormes posibilidades al respecto.

164