30 abril 2021 / T4.

4
14.5
En un experimento de 2 factores con efectos aleatorios se tiene el modelo

para i = l , 2, ... , a;j = 1, 2 , ... , b; y k = l , 2, ... , n, donde A; , Bi (AB\ y EiJ k

son variable s aleatorias independientes con medias igual a O y varianzas
<a7 ' <7 , <7 ; 13 y <7 , respectivamente.

Las sumas de cuadrados para experimentos de efectos aleatorios se

calculan exactamente de la misma forma que en los experimentos de efectos
fijos. Ahora se tiene interés en probar hipótesis con la forma

donde el denominador en la razón no es necesariamente el cuadrado medio del

error. El denominador apropiado se determina examinando los valores esperados
de los distintos cuadrados medios, los cuales se presentan en la tabla 14.14.

En la tabla 14.14 se observa que H6 y H, se prueban usando s; en el denominador

de la razón f; mientras que H 11 se prueba con s2 en el denominador. Los
estimados no sesgados de los componentes de la varianza son
En la tabla 14.15 se presentan los cuadrados medios esperados para el
experimento de 3 factores con efectos aleatorios en un diseño completamente
aleatorizado. A partir de los cuadrados medios esperados de la tabla 14.15 es
evidente que se pueden formar razones f adecuadas para probar todos los
componentes de la varianza de la interacci6n de 2 y 3 factores. Sin embargo, para
probar una hip6tesis de la forma

parece que no hay raz6n f apropiada, a menos que se encontrara que uno o
mas de los componentes de la varianza de interacci6n de 2 factores no es
significativo. Por ejemplo, suponga que se hubiera comparado s; (cuadrado
medio AC) con s; (cuadrado medio ABC) y se encontrara que a-; es
despreciable.
1
1
Entonces podrá argumentarse que el término a-; debería de todos los
cuadrados medios esperados de la tabla eliminarse 14.15; entonces, la raz6n
s /s ofrece una prueba de la significancia del componente a-; de la varianza.
Por lo tanto, si se prueba la hip6tesis concerniente a los componentes de
la varianza de los efectos principales es necesario investigar primero la
significancia de los componentes de la interacci6n de 2 factores. Cuando se
encuentra que ciertos componentes de la varianza de la interacción de 2
factores son significativos, por lo que deben permanecer como parte del
cuadrado medio esperado, se utiliza una prueba aproximada derivada por
Satterthwaite (1946; véase la bibliografía).
14.6

Uno de los temas más susceptibles de confusión en el análisis de experimentos

factoriales radica en la interpretaci6n de los efectos principales ante la presencia
de interacci6n. La existencia de un valor P relativamente grande para un efecto
principal, cuando es clara la presencia de interacciones, podría tentar al analista a
concluir que "no existe efecto principal significativo".

Sin embargo, debe entenderse que, si un efecto principal está implicado en una
interacci6n significativa, entonces el efecto principal está influyendo en la
respuesta. La naturaleza del efecto es inconsistente a través de los niveles de
otros efectos. La naturaleza del papel que desempeña el efecto principal se
deduce de las gráficas de interacción.

Debido a lo que se expresa en el párrafo anterior, hay un gran peligro de usar la

estadística de manera equivocada cuando se emplea una prueba de comparaci6n
múltiple sobre los efectos principales ante la presencia clara de interacci6n entre
los factores.

Debe tenerse precaución en el análisis de un experimento factorial cuando se

supone un diseño completamente aleatorizado y en realidad no se hizo tal
aleatorización. Por ejemplo, es común que se encuentren factores que son muy
difíciles de cambiar.

Como resultado, podría ser necesario mantener sin cambio los niveles de factores
durante largos periodos a lo largo de todo el experimento. El ejemplo más común
es el factor temperatura. Subirla o bajarla en un esquema aleatorio es un plan
costoso y la mayoría de los experimentadores evitaran hacerlo. Los diseños
experimentales con restricciones en la aleatorizaci6n son muy comunes y reciben
el nombre de diseños de graficas separadas.

Esos diseños rebasan el alcance de este libro, pero en Montgomery (2008a) se

encuentra su presentación.
Muchos de los conceptos que se analizaron en este capítulo se utilizaran en el
capítulo 15, por ejemplo, la importancia de la aleatorización y el papel que
desempeña la interacción en la interpretación de los resultados.

Sin embargo, en el capítulo 15 se cubren 2 áreas que representan una expansión

de los principios que se estudiaron en este capítulo y en el capítulo 13. En el
capítulo 15 la solución de problemas con el uso de experimentos factoriales se
realiza por medio del análisis de regresión, ya que se supone que la mayoría de
los factores son cuantitativos y que se miden en un continuo, como la temperatura
y el tiempo.

Se derivan ecuaciones de predicción a partir de los datos del experimento

diseñado y se utilizan para la mejora de procesos o incluso para su optimización.
además, se estudia el tema de las factoriales fraccionarias, en los que solo una
parte o fracción de todo el experimento factorial se aplica debido al costo excesivo
que implica la realización de todo el experimento.

En un estudio realizado para determinar cuáles son las fuentes importantes de la

variación en un proceso industrial, se toman 3 mediciones de] producto para 3
operadores elegidos al azar, y se eligen en forma aleatoria 4 lotes de materia
prima.

Se decidi6 que debe hacerse una prueba estadística a un nivel de significancia de

0.05 para determinar si los componentes de la varianza debidos a los lotes, los
operadores y la interacci6n son significativos. además, tienen que calcularse los
estimados de los componentes de la varianza. En la tabla 14.16 se presentan los
datos con la respuesta expresada en porcentaje por peso: