Ingeniería

Civil
Industrial

Estadística para
Ingeniería

Arica, 23 de mayo de 2019

U6
nidad

ingeniería
civil
industrial
 ingeniería
6 civil
industrial
Arica, 23 de mayo de 2019

Temas
i. Modelo de Efecto Aleatorio
ii. Tamaño de Muestra

3
 ingeniería
6 civil
industrial

i. modelo de efecto aleatorio

2019
4
En el modelo de efecto fijo las
conclusiones solo se aplicaban a los
niveles del factor considerado.
Según el modelo estadístico, se tiene:
yij     i   ij i 1,..., a
j1,..., n
En un Modelo Efecto Aleatorio, considera que los “a”
tratamientos (niveles de un factor) son una muestra aleatoria
de una población mayor de tratamientos (N > a).
El objetivo es generalizar las conclusiones a todos los
tratamientos de la población.
Como los i son v.a. acá no tiene sentido determinar
parámetros (𝜇, 𝜏𝑖 y 𝜎 2 ), sino que es preferible que la prueba
de hipótesis esté dirigida a la variabilidad de i.
No interesa hacer pruebas
individuales de 𝜏𝑖 , es preferible
estudiar la variabilidad
El experimentador selecciona aleatoriamente “a” niveles
de la población. Se asume que los niveles del factor es infinito
o suficientemente grande para ser considerado infinito.
i y ij son v.a., i tiene varianza 2, independiente de ij
𝑉𝐴𝑅 [𝑦𝑖𝑗] = 2 + 2
ij y i son independientes y se tiene que:
𝑖𝑗 ~ 𝑁(0, 2) y 𝑖 ~ 𝑁(0, 2)
No interesa hacer pruebas
individuales de 𝜏𝑖 , es preferible
estudiar la variabilidad
Siendo  una v.a., no tiene sentido la expresión:
a

τ
i 1
i 0

Pero sigue siendo válida la relación:

𝑆𝑆𝑇𝑜𝑡𝑎𝑙 = 𝑆𝑆𝑇𝑟𝑎𝑡 + 𝑆𝑆𝐸𝑟𝑟𝑜𝑟
Carece de sentido hacer pruebas individuales (𝑖 = 𝑗 ),
en su lugar se utiliza la siguiente prueba de hipótesis:
𝐻0: 2 = 0
𝐻1: 2 > 0
Para el análisis de varianza, se
obtiene el mismo estadístico, pero se
interpreta de forma distinta.
No se rechaza 𝐻0, si todos los tratamientos tienen:

2 = 0

Si 𝜎𝜏2 > 0, entonces hay variabilidad entre los datos,

para ello se calcula el estadístico de prueba dado por:
SSTrat
(a  1) CMT
F0  
SSError CME
( N  a)
Para el análisis de varianza, se
obtiene el mismo estadístico, pero se
interpreta de forma distinta.
Los valores estimados de las medias de los cuadrados:
𝐸[𝐶𝑀𝐸] = 2
𝐸[𝐶𝑀𝑇] = 2 + 𝑛2
Estimando cada parámetro se logra obtener:
ˆ 2  CME
CMT  CME
ˆ 2 
n
 a
2
Para muestras desequilibradas:
1 a  ni 
n  ni  i a1 
(a  1)  i 1
 ni 
 i 1

La ANOVA es similar al modelo de
efecto fijo, pero las conclusiones se
aplica a toda la población de niveles.
Si H0 no se rechaza, el numerador con el denominador
son similares (𝐹0 ~ 1), entonces la variabilidad del
tratamiento es parecida a la aleatoria.
Si H0 se rechaza, el numerador es significativamente
mayor que el denominador.
Ocasionalmente, cuando se estima 𝟐 y 𝟐, se pueden
producir valores negativos, como es imposible, se debe
considerar que el valor verdadero de la componente de la
varianza es cero.
 La ANOVA es similar al modelo de
efecto fijo, pero las conclusiones se
aplica a toda la población de niveles.
Ejemplo

Una empresa textil utiliza un gran número de telares. Se

desea que los telares sean homogéneos con el objeto de producir
tela de resistencia uniforme. El ingeniero presume que aparte de
la variabilidad existente en cada telar, puede existir una
variabilidad significativa de la resistencia entre los distintos
telares. Se hace un diseño experimental de 4 telares, con 4
observaciones en cada uno (resistencia de la tela manufacturada
por cada telar [psi]). Réplicas
1 2 3 4
A 98 97 99 96
B 91 90 93 92
Telar

C 96 95 97 95
D 95 96 99 98
 La ANOVA es similar al modelo de
efecto fijo, pero las conclusiones se
aplica a toda la población de niveles.
Ejemplo

Resolviendo la ANOVA, se tiene que

Fuente SS g.l. MS F
Tratamiento 89,19 3 29,73 15,68
Error 22,75 12 1,90 (0,0002)
Total 111,94 15 - -
ˆ 2  CME  1,90
CMT  CME 29,73  1,90
ˆ 2    6,96
n 4
Por lo tanto, la estimación de la Varianza de cualquier
observación de la muestra es: 2 + 2 = 1,90 + 6,96 = 8,86.
La mayor parte de la variabilidad de la población, es
ocasionada por la variabilidad que existe entre los telares.
Esta técnica tiene su aplicación
preferentemente en el control y
aseguramiento de la calidad.
La importancia de estas técnicas radica en el control
de la calidad de una empresa. Donde es requerida la
uniformidad de la producción (disminuir la variabilidad).
A veces es difícil aislar las fuentes de variabilidad
(INTRA o INTER), pero estas técnicas identifican la principal
fuente y se puede controlar.
Una vez detectada la variabilidad INTER y conocidas
sus causas, es fácil reducirlas o eliminarlas. Pero las
variabilidad INTRA es más difícil eliminarla, pero si se puede
reducir (error sistemático).
Esta técnica tiene su aplicación
preferentemente en el control y
aseguramiento de la calidad.
Donde:
( N  a )MSE ( N  a )MSE
IC[σ ] :
2
σ  2
2

χ [ α 2; N a ]
2
χ [1α 2; N a ]

2
IC[σ τ ] : No es posible determinar lo explicitam ente
2
L σ U
 2τ 2 
1 L στ  σ 1 U

L: Límite de confianza inferior al (1-)%

U: Límite de confianza superior al (1-)%
Esta técnica tiene su aplicación
preferentemente en el control y
aseguramiento de la calidad.
1  MST 1 
L   1
n  MSE F[ 2;a 1; N  a ] 

1  MST 1 
U   1
n  MSE F[1 2;a 1; N  a ] 

Para el ejemplo, se calcula el siguiente Intervalo de

Confianza:
 = 5% 0,6673  σ 2  5,1773
L = 0,625  στ
2
0,39  2  0,98
U = 54,883 στ  σ 2
 ingeniería
6 civil
industrial

ii. tamaño de muestra

2019
16
Curvas OC
Para un MODELO DE EFECTO ALEATORIO:
La probabilidad de Error Tipo II, cambia en su expresión:
𝛽 = 1 – 𝑃 ( 𝑅𝑒𝑐ℎ𝑎𝑧𝑎𝑟 𝐻0 / 𝐻0 𝑒𝑠 𝐹𝑎𝑙𝑠𝑎 )
𝛽 = 1 – 𝑃 ( 𝐹0 > 𝐹 [𝛼 , 𝑎 − 1, 𝑁 − 𝑎] / 2 > 0 )
Este análisis usa las Curvas OC, que están dadas en
función de diversos valores de los grados de libertad (1 y 2)
y para una significancia (α) del 1% y 5%, para los cuales están
graficadas la relaciones de β y, donde:
Es difícil estimar 2 y 2 por sí solos, σ 2τ
en ocasiones es conveniente usar una λ  1 n 2
σ
estimación para la relación conjunta:  / 2 2
 Curvas OC
Supóngase que se decidió seleccionar aleatoriamente 5
Ejemplo

tratamientos con 6 observaciones cada uno. Considere una

significancia del 1% y asuma que la 2 es igual a 2. Determine la
Potencia de esta selección.
Se tiene que:
 =  1 + 61 = 2,65
1 = ( a – 1 ) = ( 5 – 1 ) = 4
2 = a ( n – 1 ) = 5 ( 6 – 1 ) = 25
α = 1%
Buscando en las Curvas OC, se tiene 𝛽 = 0,45 y 1– 𝛽 = 0,55
Curvas OC
Incremento Desviación Estándar

Para un MODELO DE EFECTO ALEATORIO, se tiene:

Si H0 no es rechazada (2 = 0), la desviación estándar
de una observación escogida al azar es igual a j = .
Si H0 es rechazada (2 > 0), la desviación estándar de
una observación escogida al azar es igual a:
 j   2   2
Si se optara rechazar H0, para un incremento superior a
un porcentaje fijo de P, entonces la desviación estándar de
una observación escogida al azar es igual:  2   2

 1  0,01 P

Incremento Desviación Estándar
Por lo tanto, se tendría que:  2
 1  0, 01  P 2
1
 2

Desarrollando la expresión para dejarla en función de

los parámetros de las Curvas OC, se tiene:
 2
  1  n 2  1  n[(1  0,01 P) 2  1]


Ejemplo: Dado un P= 0,2 para un n = 9, a = 5 y α = 1%, cual es la

Potencia de Prueba del Tamaño de Muestra.
 = 2,227 ; 1 = ( a – 1 ) = 4 ; 2 = a  ( n – 1 ) = 40 ; α = 1%
Buscando en las Curvas OC  𝛽 = 0,50  1 – 𝛽 = 0,50
Estimación Intervalo de Confianza

El experimentador está dispuesto a especificar de

antemano la anchura de estos intervalos de confianza con
respecto a la diferencia de medias entre tratamientos.
Este método es muy sencillo, pero tiene una limitante,
sólo es posible emplearlo para Intervalos de Confianza para
diferencia de pares de medias. Por lo que sólo se emplea
cuando se cuenta con 2 tratamientos.
Se puede complementar con algún tipo de prueba de
contraste vista anteriormente, para realizar una afirmación
conjunta. 2CME
IC[ i   j ]1 %  ( i   j )  t[ 2 , N  a ]
n
 Estimación Intervalo de Confianza
Suponga que se desea que el variabilidad del IC a un 95% para la
Ejemplo

Diferencia de Medias entre 2 tratamientos sea ± 5 y asuma una  =

3.
n N–a t [α/2;N-a] t [α/2;N-a]2MSE/n
5 8 2,306 4,38
4 6 2,447 5,19
3 4 2,776 6,80

Es necesario un tamaño mínimo de muestra de 4, para obtener la

precisión deseada.