“Año del Buen Servicio al Ciudadano”
Facultad de Ciencias Naturales y Formales
Escuela Profesional de Matemáticas
DISEÑOS FACTORIALES
𝟐𝑲 −ANIDADOS
ALUMNO: GIANCARLO CABRERA CERVANTES
CUI: 20140331
ASIGNATURA: ESTADISTICA EXPERIMENTAL
SEMESTRE: VIII
AREQUIPA – PERÚ
2017
DISEÑOS FACTORIALES 𝟐𝒌 – ANIDADOS
1. DISEÑO ANIDADO DE DOS ETAPAS
Cuando se dice que el factor B está anidado en el factor A significa que los niveles del factor
B no son los mismos en cada nivel del factor A. Es decir, hay una especie de relación padre-
hijo entre los niveles del factor A (padres) y los niveles del factor B (hijos). En este sentido,
los diseños anidados también se conocen como diseños jerárquicos.
Por ejemplo, considere una compañía que compra su materia prima a tres proveedores
diferentes. La compañía quiere determinar si la pureza de la materia prima de cada proveedor
es la misma. Hay cuatro lotes de materia prima disponibles de cada proveedor, y se harán
tres determinaciones de la pureza en cada lote, como se describe a continuación:
Se trata de un diseño anidado de dos etapas, con los lotes anidados bajo los proveedores.
Ahora ¿Se trata de un experimento factorial? La respuesta es no, pues si fuese así, entonces
el lote 1 se referiría siempre al mismo lote, el lote 2 se referiría siempre al mismo lote, etc.
Evidentemente este no es el caso, ya que los lotes de cada proveedor son únicos para ese
proveedor particular. Es decir, el lote 1 del proveedor 1 no tiene relación con el lote 1 de
cualquier otro proveedor, y esto mismo se cumple para los demás lotes. Para indicar que los
lotes de cada proveedor son diferentes, se pueden enumerar como 1, 2, 3, 4 para el proveedor
1; 5, 6, 7, 8 para el proveedor; y 9, 10, 11, 12 para el proveedor 3, como se muestra en la
siguiente figura:
1.1. ANÁLISIS ESTADÍSTICO
El modelo estadístico lineal para el diseño anidado de dos etapas es:
𝑦𝑖𝑗𝑘 = 𝜇 + 𝜏𝑖 + 𝛽𝑗(𝑖) + 𝜀(𝑖𝑗)𝑘
Donde 𝑖 = 1,2, … , 𝑎 ; 𝑗 = 1,2, … , 𝑏; 𝑘 = 1,2, … , 𝑛. Es decir, hay 𝑎 niveles del factor 𝐴, 𝑏
niveles del factor 𝐵 anidados bajo cada nivel de 𝐴, y 𝑛 réplicas. Aquí 𝜇 es el promedio
global, 𝜏𝑖 es el efecto del nivel 𝑖 −esimo del factor 𝐴, 𝛽𝑗(𝑖) es el efecto del nivel 𝑗 −esimo del
factor 𝐵 anidado bajo el nivel 𝑖 −esimo del factor 𝐴. Note que, consideramos que las réplicas
están anidadas dentro de la combinación de los niveles 𝐴 y 𝐵, por tanto, se usa el subíndice
(𝑖𝑗)𝑘 para el término del error. Cabe decir que se trata de un diseño anidado balanceado,
puesto que hay el mismo número de niveles de 𝐵 para cada nivel de 𝐴 y el mismo número de
réplicas. Como no todos los niveles del factor 𝐵 aparecen dentro de todos los niveles del
factor 𝐴, no puede haber interaccion entre 𝐴 y 𝐵.
Asimismo, la suma de los cuadrados totales (𝑆𝐶𝑇) puede escribirse así
𝑎 𝑏 𝑛
2
∑ ∑ ∑(𝑦𝑖𝑗𝑘 − ̅̅̅)
𝑦…
𝑖=1 𝑗=1 𝑘=1
𝑎 𝑏 𝑛
𝑦… + (𝑦̅𝑖𝑗. − 𝑦̅𝑖.. ) + (𝑦𝑖𝑗𝑘 − 𝑦̅𝑖𝑗. )]2
= ∑ ∑ ∑[ (𝑦̅𝑖.. − ̅̅̅) … (1)
𝑖=1 𝑗=1 𝑘=1
Al desarrollar el miembro derecho de la ecuación (1) se obtiene
𝑎 𝑏 𝑛
2
∑ ∑ ∑(𝑦𝑖𝑗𝑘 − ̅̅̅)
𝑦…
𝑖=1 𝑗=1 𝑘=1
𝑎 𝑎 𝑏 𝑎 𝑏 𝑛
2 2 2
= 𝑏𝑛 ∑(𝑦̅𝑖.. − ̅̅̅)
𝑦… + 𝑛 ∑ ∑(𝑦̅𝑖𝑗. − 𝑦̅𝑖.. ) + ∑ ∑ ∑(𝑦𝑖𝑗𝑘 − 𝑦̅𝑖𝑗. )
𝑖=1 𝑖=1 𝑗=1 𝑖=1 𝑗=1 𝑘=1
ya que los tres términos con productos cruzados son cero.
A la ecuación anterior llamemos (2).
En efecto, observemos que
𝑛 𝑏 𝑛 𝑏 𝑛 𝑏
1 1 1 1 1
𝑦̅𝑖𝑗. = ∑ 𝑦𝑖𝑗𝑘 → 𝑦̅𝑖.. = ∑ ∑ 𝑦𝑖𝑗𝑘 = ∑ ( ∑ 𝑦𝑖𝑗𝑘 ) = ∑ 𝑦̅𝑖𝑗. →
𝑛 𝑛𝑏 𝑏 𝑛 𝑏
𝑘=1 𝑗=1 𝑘=1 𝑗=1 𝑘=1 𝑗=1
𝑏
∑ 𝑦̅𝑖𝑗. = 𝑏𝑦̅𝑖.. … (3)
𝑗=1
Luego, en virtud de (3)
𝑎 𝑏 𝑛
∑ ∑ ∑(𝑦̅𝑖.. − ̅̅̅)
𝑦… (𝑦̅𝑖𝑗. − 𝑦̅𝑖.. ) =
𝑖=1 𝑗=1 𝑘=1
𝑎 𝑏 𝑎 𝑎 𝑏 𝑎
2
𝑛[∑ 𝑦̅𝑖.. ∑ 𝑦̅𝑖𝑗. − 𝑏 ∑ 𝑦̅𝑖.. − ̅̅̅
𝑦… ∑ ∑ 𝑦̅𝑖𝑗. + 𝑏 ̅̅̅
𝑦… ∑ 𝑦̅𝑖.. ] = 0
𝑖=1 𝑗=1 𝑖=1 𝑖=1 𝑗=1 𝑖=1
Además de eso, de (3) tenemos que
𝑏 𝑏 𝑛 𝑏 𝑛 𝑏 𝑛
1
∑ 𝑦̅𝑖𝑗. = ∑ ∑ 𝑦𝑖𝑗𝑘 ↔ ∑ ∑ 𝑦𝑖𝑗𝑘 = 𝑛 ∑ 𝑦̅𝑖𝑗. 𝑦 ∑ 𝑦𝑖𝑗𝑘 = 𝑛 𝑦̅𝑖𝑗. … (4)
𝑛
𝑗=1 𝑗=1 𝑘=1 𝑗=1 𝑘=1 𝑗=1 𝑘=1
De (4), fácilmente se puede deducir que los otros dos productos cruzados son cero. De ese
modo, la ecuación (2) queda demostrada.
La ecuación (2) nos dice que puede hacerse la partición de la suma de cuadrados total en una
suma de cuadrados debida al factor 𝐴, una suma de cuadrados debida al factor 𝐵 bajo los
niveles de 𝐴, y una suma de cuadrados debida al error. Simbólicamente, la ecuación (2)
puede expresarse como
𝑆𝐶𝑇 = 𝑆𝐶𝐴 + 𝑆𝐶𝐵𝐴 + 𝑆𝐶𝐸 … (5)
Hay 𝑎𝑏𝑛 − 1 grados de libertad para 𝑆𝐶𝑇 , 𝑎 − 1 grados de libertad para 𝑆𝐶𝐴, 𝑎(𝑏 − 1)
grados de libertad para 𝑆𝐶𝐵𝐴 y 𝑎𝑏(𝑛 − 1) grados de libertad para el error. Observe que
𝑎𝑏𝑛 − 1 = (𝑎 − 1) + 𝑎(𝑏 − 1) + 𝑎𝑏(𝑛 − 1) . Suponiendo que los errores son 𝑁(0, 𝜎 2 ) ,
cada una de las sumas de cuadrados del miembro derecho de la ecuación (5) puede dividirse
por sus grados libertad para obtener cuadrados medios tales que el cociente de dos cuadrados
medios cualesquiera se distribuye como 𝐹.
Los estadísticos apropiados para probar los efectos de los factores 𝐴 𝑦 𝐵 dependen de si
𝐴 𝑦 𝐵 son fijos o aleatorios. Si los efectos 𝐴 𝑦 𝐵 son fijos, se supone que ∑𝑎𝑖=1 𝜏𝑖 =
0, ∑𝑏𝑗=1 𝛽𝑗(𝑖) = 0 (𝑖 = 1,2, … 𝑎) . Es decir, la suma de los efectos del tratamiento 𝐴 es cero y
la suma de los efectos del tratamiento 𝐵 es cero dentro de cada nivel de 𝐴. De manera
alternativa, si 𝐴 y 𝐵 son aleatorios, se supone que 𝜏𝑖 es 𝑁(0, 𝜎𝜏2 ) y que 𝛽𝑗(𝑖) es 𝑁(0, 𝜎𝛽2 ).
También es frecuente encontrar modelos mixtos con A fijo y B aleatorio, en esta situación,
los cuadrados medios esperados pueden determinarse aplicando directamente las reglas de la
sección 12.3 del texto ‘Análisis y diseño de experimentos. Montgomery. Página 522’. En la
siguiente tabla se muestran los cuadrados medios esperados para estas situaciones:
Esta tabla indica que si los niveles de 𝐴 y 𝐵 son fijos: 𝐻0 : 𝜏𝑖 = 0 se prueba con 𝐶𝑀𝐴⁄𝐶𝑀𝐸
y 𝐻0 : 𝛽𝑗(𝑖) = 0 se prueba con 𝐶𝑀𝐵𝐴 ⁄𝐶𝑀𝐸. Si 𝐴 es un factor fijo y 𝐵 es aleatorio, entonces
𝐻0 : 𝜏𝑖 = 0 se prueba con 𝐶𝑀𝐴⁄𝐶𝑀𝐵𝐴 y 𝐻0 : 𝜎𝛽2 = 0 con 𝐶𝑀𝐵𝐴 /𝐶𝑀𝐸. Por último, si tanto 𝐴
como 𝐵 son actores aleatorios, 𝐻0 : 𝜎𝜏2 = 0 se prueba con 𝐶𝑀𝐴⁄𝐶𝑀𝐵𝐴 y 𝐻0 : 𝜎𝛽2 = 0 con
𝐶𝑀𝐵𝐴 /𝐶𝑀𝐸. El procedimiento de prueba se resume en la tabla del análisis de varianza,
como se muestra en la tabla que sigue:
Las fórmulas para calcular las sumas de cuadrados se obtienen desarrollando las cantidades
de la ecuación (2) y simplificando. Así,
𝑎
1 (𝑦... )2
𝑆𝐶𝐴 = ∑(𝑦𝑖.. )2 −
𝑏𝑛 𝑎𝑏𝑛
𝑖=1
𝑎 𝑏 𝑎
1 2 1
𝑆𝐶𝐵𝐴 = ∑ ∑(𝑦𝑖𝑗. ) − ∑(𝑦𝑖.. )2
𝑛 𝑏𝑛
𝑖=1 𝑗=1 𝑖=1
𝑎 𝑏 𝑛 𝑎 𝑏
1 2 2
𝑆𝐶𝐸 = ∑ ∑ ∑(𝑦𝑖𝑗𝑘 ) − ∑ ∑(𝑦𝑖𝑗. )
𝑛
𝑖=1 𝑗=1 𝑘=1 𝑖=1 𝑗=1
𝑎 𝑏 𝑛
2 (𝑦... )2
𝑆𝐶𝑇 = ∑ ∑ ∑(𝑦𝑖𝑗𝑘 ) −
𝑎𝑏𝑛
𝑖=1 𝑗=1 𝑘=1
Ejemplo 1
Considere una compañía que compra materia prima en lotes de tres proveedores diferentes.
La pureza de esta materia prima varía considerablemente, lo cual ocasiona problemas en la
manufactura del producto terminado. Quiere determinarse si la variabilidad de la pureza es
atribuible a las diferencias entre los proveedores. Se seleccionan al azar cuatro lotes de
materia prima de cada proveedor, y se hacen tres determinaciones de la pureza en cada lote.
Se trata, desde luego, de un diseño anidado de dos etapas. Los datos, después de codificarlos
restando 93, son:
Calculando la suma de cuadrados, se tiene que:
Lo que conlleva a obtener el siguiente cuadro de ANOVA:
Es claro que, se ha asumido que los proveedores son fijos y los lotes aleatorios. Por el
examen de los valores 𝑃 con 𝛼 = 0.05, se concluiría que no hay ningún efecto significativo
sobre la pureza debido a los proveedores, pero la pureza de los lotes de materia prima del
mismo proveedor difieren significativamente.
Cabe destacar que las implicaciones prácticas de este experimento y del análisis son muy
importantes. El objetivo del experimentador es encontrar la fuente de la variabilidad en la
pureza de la materia prima. Si ésta es resultado de las diferencias entre los proveedores, el
problema puede resolverse seleccionando al “mejor” proveedor. Sin embargo, esa solución
no es aplicable aquí porque la principal fuente de variabilidad es la variación de la pureza de
un lote a otro dentro de los proveedores. Por tanto, el problema debe atacarse trabajando con
los proveedores para reducir su variabilidad de un lote a otro. Esto puede implicar
modificaciones en los procesos de producción de los proveedores o en su sistema interno de
control de calidad.
1.2. COMPONENTES DE LA VARIANZA
Para el caso de efectos aleatorios, el método del análisis de varianza puede usarse para
estimar los componentes de la varianza 𝜎 2 , 𝜎𝜏2 y 𝜎𝛽2 . Por los cuadrados medios esperados
(cuando A y B son aleatorios), se obtiene
𝜎 2 = 𝐶𝑀𝐸
𝐶𝑀𝐴 − 𝐶𝑀𝐵𝐴
𝜎𝜏2 =
𝑏𝑛
𝐶𝑀𝐵𝐴 − 𝐶𝑀𝐸
𝜎𝛽2 =
𝑛
En muchas aplicaciones de diseños anidados interviene un modelo mixto, con el efecto
principal (𝐴) fijo y el factor anidado (𝐵) aleatorio. Éste es el caso para el problema descrito
en el ejemplo 1, los proveedores (factor 𝐴) son fijos, y los lotes de materia prima (factor 𝐵)
son aleatorios. Los efectos de los proveedores pueden estimarse con
Estimando los componentes de la varianza 𝜎 2 y 𝜎𝛽2 , tenemos como resultado:
𝜎 2 = 𝐶𝑀𝐸 = 2.64
𝐶𝑀𝐵𝐴 − 𝐶𝑀𝐸 7.77 − 2.64
𝜎𝛽2 = = = 1.71
𝑛 3
2. DISEÑO ANIDADO GENERAL DE 𝒎 ETAPAS
Los resultados de la sección anterior pueden extenderse fácilmente al caso de 𝑚 factores
completamente anidados. A este diseño se le llama diseño anidado de 𝑚 estapas. Como un
ejemplo, suponga que una fundición quiere investigar la dureza de dos formulaciones
diferentes de una aleación de meta. Se preparan tres hornadas de cada formulación de la
aleación, se seleccionan dos lingotes al azar de cada hornada para probarlos, y se hacen dos
mediciones de la dureza en cada lingote. La situación se ilustra en la siguiente figura:
Como puede observar, en este experimento las hornadas están anidadas bajo los niveles del
factor formulación de la aleación, y los lingotes están anidados bajo los niveles del factor
hornada. Por lo tanto, se trata de un diseño anidado de tres etapas con dos replicas.
El modelo para el diseño anidado general de tres etapas es
𝑖 = 1,2, … , 𝑎
𝑗 = 1,2, … , 𝑏
𝑦𝑖𝑗𝑘𝑙 = 𝜇 + 𝜏𝑖 + 𝛽𝑗(𝑖) + 𝛾𝑘(𝑖𝑗) + 𝜀(𝑖𝑗𝑘)𝑙 , {
𝑘 = 1,2, … , 𝑐
𝑙 = 1,2, … , 𝑛
Para el ejemplo tratado aquí, 𝜏𝑖 es el efecto de la formulación de la aleación 𝑖-ésima, 𝛽𝑗(𝑖) s
el efecto de la hornada 𝑗-ésima dentro de la aleación 𝑖-ésima, 𝛾𝑘(𝑖𝑗) es el efecto del lingote 𝑘-
ésimo dentro de la hornada 𝑗-ésima y la aleación 𝑖-ésima, y 𝜀(𝑖𝑗𝑘)𝑙 es el término del error
con 𝑁(0, 𝜎 2 ). La extensión de este modelo a 𝑚 factores es directa.
Este ejemplo muestra la manera en que se usa frecuentemente el diseño anidado en el
análisis de procesos para identificar las principales fuentes de variabilidad en la salida. El
análisis de varianza del diseño anidado de tres etapas se resume en la siguiente tabla. En esta
tabla se muestran las definiciones de las sumas de cuadrados. Notemos que son una
extensión simple de las fórmulas para el diseño anidado de dos etapas.
Para determinar los estadísticos de prueba apropiados deben encontrarse los cuadrados
medios esperados. Por ejemplo, si los factores 𝐴 y 𝐵 son fijos, y el factor 𝐶 es aleatorio,
entonces los cuadrados medios esperados pueden derivarse como se indica a continuación:
Factor Cuadrado medio esperado
𝑏𝑐𝑛 ∑ 𝜏𝑖2
𝜏𝑖 𝜎 2
+ 𝑛𝜎𝛾2 +
𝑎−1
2
𝑐𝑛 ∑ ∑ 𝛽𝑗(𝑖)
𝛽𝑗(𝑖) 𝜎 2 + 𝑛𝜎𝛾2 +
𝑎(𝑏 − 1)
𝛾𝑘(𝑖𝑗) 𝜎 2 + 𝑛𝜎𝛾2
𝜀(𝑖𝑗𝑘)𝑙 𝜎2
3. DISEÑOS FACTORIALES 𝟐𝑲 ANIDADOS
En experimentos con factores múltiples, algunos factores pueden estar incluidos en un
arreglo factorial y otros estar anidados. A estos diseños se les conoce como diseños
factoriales-anidados. No existe un único modelo matemático, ya que depende de la
disposición de los factores en el diseño.
El análisis estadístico de un diseño así con tres factores se ilustra en el siguiente ejemplo:
EJEMPLO 2
Un ingeniero industrial estudia la inserción manual de componentes electrónicos en tarjetas
de circuitos impresos a fin de mejorar la rapidez de la operación de ensamblaje. Ha diseñado
dos dispositivos de ensamblaje y dos arreglos del sitio de trabajo que parecen prometedores.
Se necesitan operadores para realizar el ensamblaje, y se decide seleccionar aleatoriamente
dos operadores para cada combinación dispositivo-arreglo del sitio de trabajo. Sin embargo,
debido a que los sitios de trabajo se encuentran en diferentes puntos dentro de la planta, es
difícil usar los mismos cuatro operadores para cada arreglo. Por lo tanto, los dos operadores
escogidos para el arreglo 1 son diferentes de los dos para el arreglo 2. Puesto que solo hay
dos dispositivos y dos arreglos del sitio de trabajo, y los operadores se escogen al azar, se
trata de un modelo mixto. Las combinaciones de tratamientos de este diseño se corren en
orden aleatorio y se obtienen 2 réplicas. Los tiempos de ensamblaje se miden en segundos y
se muestran en la siguiente tabla:
Arreglo 1 Arreglo 2
Operador 1 2 1 2 𝑦𝑖…
Dispositivo 22 25 26 24
202
1 24 23 28 30
Dispositivo 30 29 24 28
234
2 32 28 31 32
𝑦.𝑗𝑘. 108 105 109 114
𝑦.𝑗.. 213 223 𝑦.… = 436
En este experimento, los operadores están anidados dentro de los niveles de los arreglos del
sitio de trabajo, mientras que los dispositivos y los arreglos del sitio de trabajo están
incluidos en un factorial. En consecuencia, este diseño es un factorial 22 anidado.
MODELO MATEMATICO:
𝑖 = 1,2
𝑗 = 1,2
𝑦𝑖𝑗𝑘𝑙 = 𝜇 + 𝜏𝑖 + 𝛽𝑗 + 𝛾𝑘(𝑗) + (𝜏𝛽)𝑖𝑗 + (𝜏𝛾)𝑖𝑘(𝑗) + 𝜀(𝑖𝑗𝑘)𝑙 , {
𝑘 = 1,2
𝑙 = 1,2
Donde 𝜏𝑖 es el efecto del dispositivo 𝑖-ésimo, 𝛽𝑗 es el efecto del arreglo del sitio de trabajo 𝑗-
ésimo, 𝛾𝑘(𝑗) es el efecto del operador 𝑘-ésimo dentro del nivel 𝑗-ésimo del arreglo del sitio
de trabajo, (𝜏𝛽)𝑖𝑗 es la interacción dispositivo × arreglo del sitio de trabajo, (𝜏𝛾)𝑖𝑘(𝑗) es la
interacción dispositivo × operadores dentro del arreglo del sitio de trabajo, y 𝜀(𝑖𝑗𝑘)𝑙 es el
error experimental. Observe que no existe interacción arreglo × operador porque no todos
los operadores usan todos los arreglos del sitio de trabajo. Asimismo, tampoco puede haber
interacción dispositivo × arreglo × operador.
Además de eso, está sujeto a las siguientes restricciones:
2 2 2 2
∑ 𝜏𝑖 = ∑ 𝛽𝑗 = ∑(𝜏𝛽)𝑖𝑗 = ∑(𝜏𝛽)𝑖𝑗 = 0,
𝑖=1 𝑗=1 𝑖=1 𝑗=1
2 2 2
∀ 𝑗: ∑ 𝛾𝑘(𝑗) = 0, ∑(𝜏𝛾)𝑖𝑘(𝑗) = ∑(𝜏𝛾)𝑖𝑘(𝑗) = 0 , (∗)
𝑘=1 𝑖=1 𝑘=1
𝑦 𝜀(𝑖𝑗𝑘)𝑙 ~ 𝑁(0, 𝜎 2 )
Eso sería si todos los efectos son fijos, pero ocurre que en nuestro modelo los operadores son
aleatorios, por lo cual 𝛾𝑘(𝑗) ~ 𝑁(0, 𝜎𝛾2 ) y (𝜏𝛾)𝑖𝑘(𝑗) ~𝑁(0, 𝜎𝜏𝛾
2
) reemplazan a las restricciones
de (∗).
HIPÓTESIS DE PRUEBA:
Se prueban las siguientes hipótesis:
𝐻0 : 𝜏𝑖 = 0, 𝐻0 : 𝛽𝑗 = 0, 𝐻0 : 𝜎𝛾2 = 0, 𝐻0 : (𝜏𝛽)𝑖𝑗 = 0, 2
𝐻0 : 𝜎𝜏𝛾 =0
contra las alternativas usuales.
DESCOMPOSICIÓN DE LA VARIABILIDAD:
Como,
𝑦𝑖𝑗𝑘𝑙 − 𝑦̅…. = (𝑦̅𝑖… − 𝑦̅…. ) + (𝑦̅.𝑗.. − 𝑦̅…. ) + (𝑦̅.𝑗𝑘. − 𝑦̅.𝑗.. ) + (𝑦̅𝑖𝑗.. − 𝑦̅𝑖… − 𝑦̅.𝑗.. + 𝑦̅…. )
+ (𝑦̅𝑖𝑗𝑘. − 𝑦̅𝑖𝑗.. − 𝑦̅.𝑗𝑘. + 𝑦̅.𝑗... ) + (𝑦𝑖𝑗𝑘𝑙 − 𝑦̅𝑖𝑗𝑘. )
Entonces,
2
SCT= ∑𝑎𝑖=1 ∑𝑏𝑗=1 ∑𝑐𝑘=1 ∑𝑟𝑙=1(𝑦𝑖𝑗𝑘𝑙 − 𝑦̅…. ) = ∑𝑎𝑖=1 ∑𝑏𝑗=1 ∑𝑐𝑘=1 ∑𝑟𝑙=1[(𝑦̅𝑖… − 𝑦̅…. ) +
(𝑦̅.𝑗.. − 𝑦̅…. ) + (𝑦̅.𝑗𝑘. − 𝑦̅.𝑗.. ) + (𝑦̅𝑖𝑗.. − 𝑦̅𝑖… − 𝑦̅.𝑗.. + 𝑦̅…. ) + (𝑦̅𝑖𝑗𝑘. − 𝑦̅𝑖𝑗.. − 𝑦̅.𝑗𝑘. + 𝑦̅.𝑗… ) +
2
(𝑦𝑖𝑗𝑘𝑙 − 𝑦̅𝑖𝑗𝑘. )]
De donde,
2 2
SCT=𝑏𝑐𝑟 ∑𝑎𝑖=1(𝑦̅𝑖… − 𝑦̅…. )2 + 𝑎𝑐𝑟 ∑𝑏𝑗=1(𝑦̅.𝑗.. − 𝑦̅…. ) + 𝑎𝑟 ∑𝑏𝑗=1 ∑𝑐𝑘=1(𝑦̅.𝑗𝑘. − 𝑦̅.𝑗.. ) +
2 2
𝑐𝑟 ∑𝑎𝑖=1 ∑𝑏𝑗=1(𝑦̅𝑖𝑗.. − 𝑦̅𝑖… − 𝑦̅.𝑗.. + 𝑦̅…. ) + 𝑟 ∑𝑎𝑖=1 ∑𝑏𝑗=1 ∑𝑐𝑘=1(𝑦̅𝑖𝑗𝑘. − 𝑦̅𝑖𝑗.. − 𝑦̅.𝑗𝑘. + 𝑦̅.𝑗… ) +
2
∑𝑎𝑖=1 ∑𝑏𝑗=1 ∑𝑐𝑘=1 ∑𝑟𝑙=1(𝑦𝑖𝑗𝑘𝑙 − 𝑦̅𝑖𝑗𝑘. ) + 2 ∑𝑎𝑖=1 ∑𝑏𝑗=1 ∑𝑐𝑘=1 ∑𝑟𝑙=1(𝑝𝑟𝑜𝑑𝑢𝑐𝑡𝑜𝑠 𝑐𝑟𝑢𝑧𝑎𝑑𝑜𝑠)
Puesto que ∑𝑎𝑖=1 ∑𝑏𝑗=1 ∑𝑐𝑘=1 ∑𝑟𝑙=1(𝑝𝑟𝑜𝑑𝑢𝑐𝑡𝑜𝑠 𝑐𝑟𝑢𝑧𝑎𝑑𝑜𝑠) = 0, usando los símbolos A, B y C
para los factores, resulta que:
𝑆𝐶𝑇 = 𝑆𝐶𝐴 + 𝑆𝐶𝐵 + 𝑆𝐶𝐶(𝐵) + 𝑆𝐶(𝐴𝐵) + 𝑆𝐶𝐴𝐶(𝐵) + 𝑆𝐶𝐸
Con
𝑆𝐶𝐴 = 𝑏𝑐𝑟 ∑(𝑦̅𝑖… − 𝑦̅…. )2
𝑖=1
𝑏
2
𝑆𝐶𝐵 = 𝑎𝑐𝑟 ∑(𝑦̅.𝑗.. − 𝑦̅…. )
𝑗=1
𝑏 𝑐
2
𝑆𝐶𝐶(𝐵) = 𝑎𝑟 ∑ ∑(𝑦̅.𝑗𝑘. − 𝑦̅.𝑗.. )
𝑗=1 𝑘=1
𝑎 𝑏
2
𝑆𝐶(𝐴𝐵) = 𝑐𝑟 ∑ ∑(𝑦̅𝑖𝑗.. − 𝑦̅𝑖… − 𝑦̅.𝑗.. + 𝑦̅…. )
𝑖=1 𝑗=1
𝑎 𝑏 𝑐
2
𝑆𝐶𝐴𝐶(𝐵) = 𝑟 ∑ ∑ ∑(𝑦̅𝑖𝑗𝑘. − 𝑦̅𝑖𝑗.. − 𝑦̅.𝑗𝑘. + 𝑦̅.𝑗… )
𝑖=1 𝑗=1 𝑘=1
𝑎 𝑏 𝑐 𝑟
2
𝑆𝐶𝐸 = ∑ ∑ ∑ ∑(𝑦𝑖𝑗𝑘𝑙 − 𝑦̅𝑖𝑗𝑘. )
𝑖=1 𝑗=1 𝑘=1 𝑙=1
Asimismo, la 𝑆𝐶𝑇 tiene (𝑎𝑏𝑐𝑟 − 1) grados de libertad, 𝑆𝐶𝐴 tiene (𝑎 − 1) grados de libertad,
𝑆𝐶𝐵 posee (𝑏 − 1) grados de libertad, 𝑆𝐶𝐶(𝐵) cuenta con 𝑏(𝑐 − 1) grados de libertad, hay
(𝑎 − 1)(𝑏 − 1) grados de libertad para 𝑆𝐶(𝐴𝐵), 𝑏(𝑎 − 1)(𝑐 − 1) para la 𝑆𝐶𝐴𝐶(𝐵) y 𝑎𝑏𝑐(𝑟 −
1) grados de libertad para la 𝑆𝐶𝐸.
Las sumas de cuadrados (𝑆𝐶) pueden ser escritas como sigue:
Cabe recalcar que, el estadístico de prueba apropiado para cualquier efecto o interacción
puede encontrarse inspeccionando siguiente tabla:
Factor Cuadrado medio esperado
𝜏𝑖 𝜎 2 + 2𝜎𝜏𝛾
2
+ 8 ∑ 𝜏𝑖2
𝛽𝑗 𝜎 2 + 6𝜎𝛾2 + 24 ∑ 𝛽𝑗2
𝛾𝑘(𝑗) 𝜎 2 + 6𝜎𝛾2
(𝜏𝛽)𝑖𝑗 𝜎 2 + 2𝜎𝜏𝛾
2
+ 4 ∑ ∑(𝜏𝛽)2𝑖𝑗
(𝜏𝛾)𝑖𝑘(𝑗) 𝜎 2 + 2𝜎𝜏𝛾
2
𝜀(𝑖𝑗𝑘)𝑙 𝜎2
Cada una de las sumas de cuadrados puede dividirse por sus correspondientes grados libertad
para obtener cuadrados medios. Si se satisfacen las hipótesis de nulidad, cada cuadrado
medio esperado es igual a 𝜎 2 , y por tanto, el cociente de dos cuadrados medios cualesquiera
se distribuye como 𝐹.
Finalmente, el cuadro de ANOVA es dado por:
Fuente de
S.C G.L C.M 𝐹𝑐𝑎𝑙𝑐 𝑝 𝑣𝑎𝑙𝑜𝑟
Variación
𝐶𝑀𝐴
A 𝑎−1 𝑆𝐶𝐴/(𝑎 − 1)
/𝐶𝑀𝐴𝐶(𝐵)
𝐶𝑀𝐵
B 𝑆𝐶𝐵 𝑏−1 𝑆𝐶𝐵/(𝑏 − 1)
/𝐶𝑀𝐶(𝐵)
𝐶𝑀𝐶(𝐵)
C(B) 𝑆𝐶𝐶(𝐵) 𝑏(𝑐 − 1) 𝑆𝐶𝐶(𝐵) / 𝑏(𝑐 − 1)
/𝐶𝑀𝐸
𝐶𝑀(𝐴𝐵)
AB 𝑆𝐶(𝐴𝐵) (𝑎 − 1)(𝑏 − 1) 𝑆𝐶(𝐴𝐵)/(𝑎 − 1)(𝑏 − 1)
/𝐶𝑀𝐴𝐶(𝐵)
𝐶𝑀𝐴𝐶(𝐵)
AC(B) 𝑆𝐶𝐴𝐶(𝐵) 𝑏(𝑎 − 1)(𝑐 − 1) 𝑆𝐶𝐴𝐶(𝐵) /𝑏(𝑎 − 1)(𝑐 − 1)
/𝐶𝑀𝐸
Error 𝑆𝐶𝐸 𝑎𝑏𝑐(𝑟 − 1) 𝑆𝐶𝐸/𝑎𝑏𝑐(𝑟 − 1)
Total 𝑆𝐶𝑇 𝑎𝑏𝑐𝑟 − 1
Para el ejemplo 2, el ANOVA es:
Fuente de
S.C G.L C.M 𝐹𝑐𝑎𝑙𝑐 𝑝 𝑣𝑎𝑙𝑜𝑟
Variación
Dispositivos 64 1 64 13.84 0.045261
Arreglos 6.25 1 6.25 2.94 0.228546
Operadores(dentro
4.25 2 2.125 0.29 0.655807
de los arreglos)
dispositivo ×
20.25 1 20.25 4.38 0.171435
arreglo
dispositivo ×
operadores dentro 9.25 2 4.625 0.63
0.557078
del arreglo
Error 59 8 7.375
Total 163 15
Al nivel de significancia 𝛼 = 0.05, se observa que los dispositivos de ensamblaje son
significativos. Por ende, podemos afirmar que para minimizar el tiempo de ensamblaje la
atención debería centrarse en los dispositivos.
BIBLIOGRAFIA
▪ MONTGOMERY, D.C. " Diseño y Análisis de Experimentos." Grupo editorial.
Iberoamericana.
▪ http://staff.utar.edu.my/limsk/Consultancy/Nested%20Factorial%20Design.pdf
▪ www.ugr.es/~curspss/archivos/Anidados/Anidados.pdf
▪ https://issuu.com/aguilapaul/docs/dise__o_de_experimentos__hurtado_m_
