Subsecretara de Educacin Superior

Direccin General de Educacin Superior Tecnolgica

Direccin General de Educacin Superior Tecnolgica

INSTITUTO TECNOLGICO DE LERMA

ESTADISTICA INFERENCIAL II

V UNIDAD

MAESTRO:
WILBERT ALEJANDRO BORGES ONTIVEROS

PRESENTA:
DIANA ISABEL ORTEGN PERALTA
SHARA BERENICE CONCHA CAAMAL

INGENIERA EN GESTIN EMPRESARIAL V

LERMA, CAMP., DIC 2016

Tabla de contenido
Introduccin..................................................................................................................................... 3
5.1 METODOLOGA DEL DISEO EXPERIMENTAL DE BLOQUES AL AZAR. ............... 4
5.2 DISEO DE EXPERIMENTOS FACTORIALES. ............................................................... 12
5.3 DISEO FACTORIAL 2^k ..................................................................................................... 16
5.4 DISEO DE CUADROS LATINOS. ..................................................................................... 24
5.5 DISEO DE CUADROS GRECOLATINOS........................................................................ 26
5.6 aplicaciones .............................................................................................................................. 27
Conclusin ..................................................................................................................................... 29
Bibliografa ..................................................................................................................................... 29

Introduccin
Diseo experimental que sirve para estudiar el efecto individual y de interaccin de
varios factores sobre una o varias respuestas .Es decir lo que se busca es estudiar
la relacin entre factores y la respuesta, con la finalidad de conocer mejor como es
esta relacin y generar conocimiento que permita tomar acciones y decisiones que
mejoren el desempeo de proceso.
Uno de los objetivos particulares ms importantes que en general tiene un diseo
factorial es determinar una combinacin de niveles de los factores en la cual el
desempeo del proceso sea mejor que en las condiciones de operacin actuales,
es decir, encontrar nuevas condiciones de operacin que eliminen o disminuyan
cierto problema de calidad en la variable de salida.

5.1 METODOLOGA DEL DISEO EXPERIMENTAL DE BLOQUES AL AZAR.

En muchos problemas de diseo experimental es necesario disear el
experimento de modo que sea posible controlar la variabilidad generada por un
factor indeseable. El procedimiento general para el diseo aleatorizado por
bloques completos consiste en seleccionar b bloques y realizar una rplica
completa del experimento en cada uno de ellos. En cada bloque existen a
observaciones (una por cada nivel del factor), y el orden en que se toman estas
observaciones se asigna de manera aleatoria dentro del bloque.
Suponga que tiene inters en un solo factor que tiene a niveles, y que el
experimento se efecta en b bloques. Las observaciones pueden presentarse con
el modelo estadstico lineal.
Donde es la media global, i es el efecto del i-simo tratamiento, j es el efecto
del j simo bloque y ji es el trmino de error aleatorio, el cual se supone que tiene
una distribucin normal e independiente con media cero y varianza ().En principio,
los efectos de los tratamientos y de bloques son considerados como factores fijos.
Por otro lado, los efectos de los tratamientos y de los bloques son definidos como
desviaciones de la media global.
Modelo Estadstico
Para este diseo el modelo lineal est dado por

Estimacin de parmetros
Al aplicar el mtodo de mnimos cuadrados, se obtiene como estimador de los
parmetros

Tabla Anova - Anlisis de Varianza

La tabla de anlisis de varianza para este diseo se presenta a continuacin:
Tabla 02. Anlisis de varianza para un diseo de bloques completos al azar

Para contrastar las hiptesis de no efectos de tratamientos

Se puede utilizar el cociente

Supuestos del modelo

El residual en un diseo de bloques completos al azar es dado por

Si la primera condicin se tiene se dice que los efectos de bloques y tratamientos

no interactan y una prueba para la no aditividad es debida a Tukey (1949) y
Ascombe.
Validacin de los supuestos del modelo
Antes de conocer los mtodos de validacin de supuestos es importante hacer las
siguientes observaciones:
1. La desviacin relativamente grande del supuesto de homogeneidad de
varianzas tiene muy poco efecto sobre el nivel de significancia, aunque este puede
ser mayor que el nivel dado, el poco efecto es debido a que los tratamientos son
igualmente replicados.
2. La no actividad puede ser ms seria ya que puede aumentar el estimado del
error experimental (CMresultando en posibles fallas para detectar diferencias
reales de los tratamientos.
3. Antes de probar cualquier supuesto se debe asegurar que no existan valores
outlier en los datos. Algunos trabajos han venido desarrollndose para detectar
outlier en clasificaciones a dos vas que incluyen el DBC. Cuando el diseo tiene
residuales con varianza comn, como podra ser el caso de diseos balanceado,
la mejor prueba para detectar un solo outlier es basada en el mximo residuo
normalizado (MRN)
Stefansky (1972) describe un mtodo general para calcular valores crticos del
MRN y provee tablas para el caso de dos vas de clasificacin con una
observacin por celda. Para algunos valores de solamente acotados para valores
crticos pueden ser obtenidos. Esas tablas son reproducidas en Martin Tablas C6a y C- 6b.
Las clasificaciones filas y columnas son intercambiables. El mximo residuo
normalizado es dado por:

Dnde:

es el mayor residual en valor absoluto.

Si este valor excede el valor crtico de tabla, la observacin es declarada como un

outlier potencial. Estas deben ser localizadas y examinadas para buscar causas
asignables. La eliminacin arbitraria de valores extremos debe evitarse.
Homogeneidad de varianza
La prueba grfica de igualdad de varianza es graficar los residuales contra los
valores predichos

si existe algn patrn especial que

muestre mayor dispersin para un lado de la grfica se puede decir que no hay
homogeneidad de varianza.
Las pruebas analticas para igualdad de varianza dadas por el DCA no son
aplicables a bloques ya que no se tienen estimadores independientes de las
varianzas de los tratamientos. Existen algunos procedimientos, pero quiz el ms
simple es el desarrollado por Han (. Esta prueba es especialmente para un DBC y
asume:

Las poblaciones muestreadas sean normalmente distribuidas

Los errores son igualmente correlacionados dentro de los bloques, pero son
independientes entre bloques.

La prueba estadstica es:

Donde el estimado de la varianza para el tratamiento i es:

Donde b es el nmero de bloques y los son los residuales en el tratamiento. Note

que la varianza no es calculada directamente de los datos, por ello la no
independencia de las varianzas. Observe que para el clculo de la varianza del
tratamiento 1 utiliza a la medias de los bloque

y para el

tratamiento 2 utiliza tambin a la medias de los bloques.

Los valores crticos de la prueba estadstica son basados sobre puntos de
porcentaje de la distribucin rango estudentizado

en vez de la distribucin

Fmax.

Ejemplo
Los datos presentados son tomados de Graybill (1954) de ensayos de variedades
de trigo. Cuatro variedades de trigo crecieron en cada una de trece localidades del
estado de Oklahoma. Las respuestas en bushels por acre, son dadas en la tabla.

Las varianzas mustrales de los tratamientos son:

La Aditividad del modelo

Este es un problema ms serio que la homogeneidad de varianzas. Cuando no
existe aditividad el estimado del error experimental es inflado resultando as un
sesgo negativo para la prueba de tratamientos. Aunque una prueba F significante
para tratamientos implicara diferencias entre las medias de los tratamientos, una
prueba F no significativa no necesariamente implica que no hay efecto de las
medias de los tratamientos.
Para detectar la no aditividad grficamente, se debe realizar un grfico de
dispersin entre los residuales (eje Y) y los valores predichos (eje X). Una
tendencia cuadrtica en el grfico indica la presencia de no aditividad
transformable, esto es, no aditividad que puede ser removida por la aplicacin de
una transformacin. Para determinarla naturaleza de la no aditividad, considere el
modelo para el diseo de bloques completos al azar con interaccin.

Es decir, este procedimiento supone que la forma de interaccin es

particularmente simple o sea

Donde Y es una constante desconocida.

Note que cada celda contiene exactamente r observaciones que en el caso de
bloques completos es una. Si se define la interaccin de esta forma, puede
usarse.
El mtodo de regresin para probar la significancia de este trmino, al probar la
hiptesis H0: Y=0.

Acombe (1961) propuso una prueba general que puede ser usada para cualquier
modelo lineal, incluyendo modelos de regresin

Donde Z es dado en la instruccin

5.2 DISEO DE EXPERIMENTOS FACTORIALES.

En cualquier experimento diseado, es siempre importante examinar los residuos
y verificar si se violan las suposiciones bsicas (Normalidad, Independencia,
Aditivita e Igualdad de varianzas) que pueden invalidar los resultados.
Los valores de los residuos del diseo aleatorizado por bloques completos se
obtienen, como es usual, por la diferencia entre los valores observados y los
estimados El anlisis de varianza del modelo supone que las observaciones estn
distribuidas de manera normal e independiente, con la misma varianza para cada
tratamiento o nivel del factor. Estas suposiciones deben verificarse mediante el
anlisis de los residuos.
La suposicin de normalidad puede verificarse mediante la construccin de una
grfica de probabilidad normal de los residuos. Para esto, los residuos se agrupan
en una tabla de distribucin de frecuencias, se calcula la frecuencia relativa
acumulada para cada valor y se grafican en una hoja de papel de probabilidad
normal. Si la suposicin es vlida los puntos tendern a agruparse sobre una lnea
recta que pasa por el punto medio.
As, por ejemplo, si el diseo experimental es bloques al azar, el modelo es:
yij = + i + j + ij

Respuesta = media general + efecto de tratamiento + efecto de bloque + error

Si se trata de un diseo factorial, los tratamientos se forman combinando los
niveles de los factores en estudio, de manera que el efecto del tratamiento i se
considera a su vez compuesto de los efectos de los factores y sus interacciones.
Por ejemplo, si son dos factores en estudio se tiene:
i = kl = k + l + kl
Tratamiento = factor A + factor B + interaccin AB
Haciendo una equivalencia entre los valores de i y los de k y l suponiendo que el
factor A tiene K niveles y el factor B L:
ikl
111
212
313
.. .. ..
tKL
Y el modelo resultante es: yklj = + k + l + kl + j + klj
Es poco usual tener diseos experimentales muy complicados en los
experimentos factoriales, ya que se discuta el anlisis y la interpretacin.
Las ventajas de los experimentos factoriales son:
1. Economa en el material experimental al obtener informacin sobre varios
factores sin aumentar el tamao del experimento. Todas las u.e.se utilizan para la
evaluacin de los efectos.

2. Se ampla la base de la inferencia en relacin a un factor, ya que se estudia en

las diferentes condiciones representadas por los niveles de otros factores. Se
ampla el rango de validez del experimento.
3. Permite el estudio de la interaccin, esto es, estudiar el grado y forma en la cual
se modifica el efecto de un factor por los niveles de los otros factores.
Una desventaja de los experimentos factoriales es que requiere un gran nmero
de u. E., sobre todo cuando se prueban muchos factores o muchos niveles de
algunos factores, es decir, se tiene un nmero grande de tratamientos.
(Factoriales fraccionales)
Suponga un diseo con dos factores: A con a niveles y B con b niveles, en diseo
completamente al azar. (Factorial a b completo, balanceado, efectos fijos)
Sea yijk la respuesta para la k-simau.e. del nivel i de A y j de B.
yijk = + i + j + ij + ijk
i = 1,. . ., a j = 1, . . ., b k = 1, . . ., n
Las hiptesis que se prueban son:
H01 :ij = 0 i, j
H02 :i + i. = 0 i
H03 : j + .j = 0 j
Tipo de Temperatura (F)
Material 15 70 125
1 130 155 34 40 20 70
74 180 80 75 82 58
2 150 188 136 122 25 70
159 126 106 115 58 45
3 138 110 174 120 96 104
168 160 150 139 82 60
El ingeniero quiere contestar las siguientes preguntas:
1. Qu efectos producen el material y la temperatura en la vida de la batera?

2. Existe un material que produzca uniformemente ms larga vida a la batera sin

importar la temperatura? diseo completamente al azar, experimento balanceado,
completo, factores fijos.
Una observacin por celda
Suponga un experimento con dos factores A con a niveles y B con b niveles y una
sola repeticin en cada celda (tratamiento).
El modelo con interaccin es:
yij = + i + j + ()ij + iji = 1, . . ., a j = 1, . . ., b
F.V. g.l. E(CM)
A a 1 2 + b2
B b 1 2 + a2b
AB (a 1)(b 1) 2 + 2ab
Error 0 2
Total ab 1
2 no se puede estimar, por lo tanto no hay prueba para los efectos principales a
menos que no haya interaccin, y entonces el modelo es
yij = + i + j + ij
ESTE ES EL CASO DE BLOQUES AL AZAR.
El Diseo Factorial General. Balanceado
El diseo factorial de dos factores se puede generalizar atener p factores:
A con a niveles
B con b niveles
En general, habr abc n observaciones si hay n repeticiones del experimento
completo.
Debe haber por lo menos 2 repeticiones (n 2) para poder calcular 2 si todas
las posibles interacciones estn incluidas en el modelo.
Tres factores
El modelo para un factorial de tres factores en diseo completamente al azar:
yijkl = +i+j +k+()ij +()ik+()jk+()ijk+ijkl
i = 1,. . ., a; j = 1, . . ., b; k = 1, . . ., c; l = 1, . . ., n

Ejemplo:
Se desea obtener ms uniformidad en el llenado de botellas de refresco. La
mquina de llenado tericamente llena cada botella a la altura correcta, pero en la
prctica hay variacin, y la embotelladora desea entender mejor las fuentes de
esta variabilidad para eventualmente reducirla.
El ingenio de procesos puede controlar tres factores durante el proceso de
llenado:
El % de carbonato (A), la presin del llenado (B) y las botellas llenadas por minuto
(velocidad de la lnea) (C).
5.3 DISEO FACTORIAL 2^k
En ocasiones, cuando se utiliza un diseo aleatorizado por bloques completos,
alguna de las observaciones en uno de los bloques puede faltar. Esto sucede
debido algn descuido o error, o por razones fuera del control del experimentador,
como sera el caso de la prdida de alguna unidad experimental. Una observacin
faltante introduce un nuevo problema en el anlisis, ya que los tratamientos dejan
de ser ortogonales a los bloques.
En otras palabras, cada tratamiento no ocurre en cada bloque. Existen dos formas
generales de resolver el problema de los valores faltantes. La primera es un
anlisis aproximado en el que se estima la observacin faltante.
A continuacin se efecta el anlisis de varianza usual como si la observacin
estimada fuera un dato real, disminuyendo los grados de libertad del error en uno.
La segunda es un anlisis exacto usando la prueba de significancia de regresin
general.
Suponga que falta la observacin correspondiente al tratamiento i y al bloque j.
Esta observacin se representa mediante x el gran total con una observacin
faltante se representar mediante y los totales del tratamiento y del bloque con un
dato faltante como y, respectivamente. Supongamos, adems, que para estimar la
observacin faltante se elige x, de manera que tenga una contribucin mnima a la

suma de cuadrados del error. Como la suma de cuadrados del error est dada en
donde R incluye todos los trminos que no contienen a x. Al derivar la SCE con
respecto a x e igualar a cero se obtiene
Como un estimador para la observacin faltante.
El efecto de un factor se define como el cambio en la respuesta producida por un
cambio en el nivel del factor. Con frecuencia, ste se conoce como efecto principal
porque se refiere a los factores de inters primordial del experimento. Por ejemplo,
consideremos los datos de la tabla 1. El efecto principal del factor A podra
interpretarse como la diferencia entre la respuesta promedio en el primer y
segundo nivel de ese factor. Numricamente

Tabla 1 Un experimento factorial

En otras palabras incrementar el factor A del nivel 1 al 2 produce un cambio en la
respuesta promedio de 21 unidades. Similarmente, el efecto principal de B es:

Si los factores tienen ms de dos niveles, el procedimiento anterior debe ser

modificado ya que las diferencias entre las respuestas promedio pueden
Expresarse de muchas formas.
En algunos experimentos puede encontrarse que la diferencia en la respuesta
entre los niveles de un factor no es la misma en todos los niveles de los otros

factores. Cuando esto ocurre existe una interaccin entre los factores. Por
ejemplo, considrense los datos de la Tabla 2.

Tabla 2. Un experimento factorial con interaccin

En el primer nivel del factor B, el efecto de A es:
A = 50 - 20 = 30
Mientras que en el segundo nivel de B, el efecto de A es:
A = 12 - 40 = 28
Puede observarse que existe una interaccin entre los factores A y B porque el
efecto de A depende del nivel elegido de B.
Estas ideas pueden ilustrarse grficamente. En la Fig. 1 se muestra una grfica de
la respuesta de los datos de la Tabla 1 contra los niveles del factor A para ambos
niveles del factor B. Se observa que las rectas B1 y B2 son, aproximadamente,
paralelas. Esto indica que no hay interaccin entre los factores. De manera similar,
en la Fig. 2 se presenta una grfica de la respuesta de los datos de la Tabla 2.

Figura 1 Un experimento factorial sin interacciones

En este caso se ve que las rectas B1 y B2 no son paralelas. Esto muestra que
existe una interaccin entre A y B. Sin embargo, no debe ser la nica tcnica para
analizar los datos, porque su interpretacin es subjetiva y su apariencia, a
menudo, es engaosa.

Figura 2 Un experimento factorial con interacciones

Hay que notar que cuando una interaccin es grande los correspondientes efectos
principales tienen poco significado prctico. Una estimacin del efecto principal de
A de los datos de la Tabla 2 es:

El cual resulta ser muy pequeo corrindose el riesgo de concluir que no existe un
efecto debido a A. Sin embargo, cuando se examin el efecto de A en niveles
diferentes de B se concluy que ste no era el caso. El factor A tiene un efecto,
pero depende del nivel del factor B. En otras palabras, es ms til conocer la
interaccin AB que el efecto principal. Una interaccin significativa oculta a
menudo el significado de los efectos principales.
Ventajas de los diseos factoriales
Las ventajas de los diseos factoriales pueden ilustrarse fcilmente. Supongamos
que se tienen dos factores, A y B, cada uno con dos niveles. Estos niveles se
representan mediante A1, A2, B1 y B1. La informacin acerca de ambos factores
puede obtenerse variando un factor a la vez como aparece en la tabla 3. El efecto
de variar el factor A est dada por A2B1 -A1B2. A causa de que existe error
experimental, es conveniente realizar, por ejemplo, dos observaciones de cada
combinacin de tratamientos y hacer una estimacin de los efectos de los factores
usando las respuestas promedio. Por lo tanto, se requiere un total de seis
observaciones.

Tabla 3 El mtodo de un factor a la vez

Los diseos factoriales poseen algunas ventajas.

Son ms eficientes que los experimentos de un factor a la vez.

Los diseos factoriales son necesarios cuando alguna interaccin puede

estar presente, para evitar hacer conclusiones engaosas.

Los diseos factoriales permiten estimar los efectos de un factor en

diversos niveles de los otros factores, produciendo conclusiones que son
vlidas sobre toda la extensin de las condiciones experimentales.

2. Diseo factorial de dos factores

El primer diseo de la serie 22 es aquel en el que solo dos factores, A y B, cada
uno con dos niveles. Este diseo se conoce como diseo factorial 22.
Arbitrariamente, los niveles del factor pueden llamarse bajo y alto.
Ejemplo 1 Considrese una investigacin llevada a cabo para estudiar el efecto
que tiene la concentracin de un reactivo y la presencia de un catalizador sobre el
tiempo de reaccin de un proceso qumico. Sea la concentracin del reactivo el
factor A con dos niveles de inters, 15% y 20%. El catalizador constituye el factor
B; el nivel alto o superior denota el uso de dos sacos de catalizador y el nivel bajo
o inferior denota el uso de un solo saco. El experimento se realiza (replica o
repite) tres veces, y los datos son como sigue:
En la figura 4 siguiente se presentan grficamente las combinaciones de
tratamiento para este diseo, el efecto de un factor se denota por la letra latina
minscula. De este modo, A se refiere al efecto del factor A, y B se refiere al
efecto del factor B, y AB se refiere a la interaccin entre AB. En el diseo 22 los
niveles bajo y alto de A y B se denotan por - y + respectivamente, en los ejes A

y B. As en el eje B representa el nivel bajo de catalizador mientras que + denota

el nivel alto.

Las cuatro combinaciones de tratamientos en el diseo pueden representarse por

letras minsculas, cono se muestra en la figura 3. En esta figura se aprecia que el
nivel superior de cualquier factor de una combinacin de tratamientos est
representado por la presencia de la letra minscula correspondiente, mientras que
la ausencia de esta ltima representa el nivel inferior del factor.
As
a representa la combinacin de tratamientos, en la que A se encuentra en el
nivel superior y B en el nivel inferior;
b representa aquella en la que A se halla en el nivel inferior y B en el superior,
y
ab representa a ambos factores en el nivel superior.
Por convencin (1) se usa para representar a ambos factores en el nivel inferior.

El efecto promedio de un factor se define como el cambio en la respuesta

producida por un cambio en el nivel de ese factor, promediado sobre los niveles
del otro factor.

Como se ilustra en la figura 3, las letras minsculas (1), a, b y ab tambin se usan

para representar los totales de la n rplicas de las combinaciones de tratamientos
correspondientes. Ahora bien, el efecto de A en el nivel B es {a-(1)}/n. Mientras
que el nivel superior B es {ab-b}/n. Tomando el promedio de estas dos cantidades
se obtiene:

Figura 1: Combinaciones de tratamiento en el diseo factoria ll

Por otro lado se puede definir AB como la diferencia promedio entre el efecto de B
en el nivel superior de A y el efecto de B en el nivel inferior de A.
Las frmulas para los efectos de A, B y AB pueden deducirse por otro mtodo. El
Efecto de A puede hallarse como la diferencia en la respuesta promedio de las dos
Combinaciones de tratamiento en la mitad derecha (que llamaremos Y A+, puesto
que es la respuesta promedio para las combinaciones de tratamientos a las que A
que se encuentra en el nivel alto) y las dos combinaciones de tratamientos en la
mitad izquierda (o Y A). Esto es,

5.4 DISEO DE CUADROS LATINOS.

Un diseo cuadrado latino para p factores, o un cuadrado latino p x p, es un
cuadrado que contiene p renglones y p columnas. Cada una de las p2 celdas
contiene una de las p letras que corresponde a un tratamiento, y cada letra
aparece una sola vez en cada rengln y columna. El diseo cuadrado latino se usa
para eliminar dos fuentes de variabilidad problemticas; en otras palabras, permite
analizar sistemticamente por bloques en dos direcciones. A continuacin se
presentan algunos ejemplos de cuadrados latinos.
En donde:
Kjiy= observacin correspondiente al i-simo rengln, la k-sima columna y el jsimo tratamiento
= la media general
I= es el i-simo efecto de rengln
J= es el j-simo efecto de
K= es el k-simo efecto de la columna
Kji= es el error aleatorio
El modelo es completamente aditivo, en otras palabras, no existe interaccin entre
los renglones, las columnas y los tratamientos. Slo dos de los subndices i, j y k

se requieren para especificar una observacin en particular porque nicamente

hay una observacin en cada celda.
El anlisis de varianza consiste en descomponer la suma total de cuadrados de
las observaciones en sus componentes de rengln, columna, tratamiento y error
Cuyos grados de libertad.
Bajo la suposicin de que el error aleatorio se distribuye en forma normal e
independiente, cada una de las sumas de cuadrados es al dividir entre, variables
aleatorias independientes con distribucin ji-cuadrada.
Los diseos en cuadrados latinos son apropiados cuando es necesario controlar
dos fuentes de variabilidad. En dichos diseos el nmero de niveles del factor
principal tiene que coincidir con el nmero de niveles de las dos variables de
bloque o factores secundarios y adems hay que suponer que no existe
interaccin entre ninguna pareja de factores.
Supongamos que el nmero de niveles de cada uno de los factores es K. El
diseo en cuadrado latino utiliza K2bloques, cada uno de estos bloques
corresponde a una de las posibles combinaciones de niveles de los dos factores
de control. En cada bloque se aplica un solo tratamiento de manera que cada
tratamiento debe aparecer con cada uno de los niveles de los dos factores de
control.

Si consideramos una tabla de doble entrada donde las filas y las columnas
representan cada uno de los dos factores de bloque y las celdillas los niveles del
factor principal o tratamientos, el requerimiento anterior supone que cada
tratamiento debe aparecer una vez y slo una en cada fila y en cada columna.

Recibe el nombre de cuadrado latino de orden K a una disposicin en filas y

columnas de K letras latinas, de tal forma que cada letra aparece una sola vez en
cada Fila y en cada columna.

5.5 DISEO DE CUADROS GRECOLATINOS.

Consideremos un cuadrado latino p p al que se le sobrepone un segundo
cuadrado latino cuyos tratamientos se designan por letras griegas. Se dice que los
dos son ortogonales si al sobreponerse poseen la propiedad de que cada letra
griega aparece solamente una vez con cada letra latina.
El diseo cuadrado greco-latino puede utilizarse para controlar sistemticamente
tres fuentes extraas de variabilidad. En otras palabras, se usa para hacer un
anlisis por bloques en tres direcciones. El diseo permite analizar cuatro factores
(rengln columna, letra griega y letra latina), cada uno con p niveles, usando
solamente p2 ensayos. Los cuadrados grecolatinos existen para toda excepto para
p = 6.

En donde:
lkjiy la observacin que corresponde al rengln i, la columna k, la letra latina j y la
letra griega k.
= La media general
i= Es el efecto del i-simo rengln
j= Es el j-simo efecto de tratamiento de las letras latinas
k= Es el k-simo efecto de tratamiento de las letras griegas
l= Es el efecto de la columna l
lkji= Es la componente del error aleatorio
Slo dos de los cuatro subndices son necesarios para identificar completamente
cualquier observacin.
El anlisis de varianza es muy similar al de un cuadrado latino. El factor
representado por las letras griegas es ortogonal a los renglones, las columnas y
los tratamientos de la letra latina porque cada letra griega ocurre una sola vez en
cada rengln, en cada columna y para cada letra latina.
Por lo tanto la suma de cuadrados debida al factor letra griega puede calcularse
usando los totales de la letra griega. El error experimental se reduce en esta
cantidad.

Las hiptesis nulas de igualdad entre los renglones, entre las columnas, entre los
tratamientos de la letra latina y entre los tratamientos de la letra griega pueden
probarse dividiendo la media de cuadrados correspondiente entre la media de
cuadrados del error
Los cuadrados greco-latinos se obtienen por superposicin de dos cuadrados
latinos del mismo orden y ortogonales entre s, uno de los cuadrados con letras
latinas el otro con letras griegas. Dos cuadrados reciben el nombre de ortogonales
si, al superponerlos, cada letra latina y griega aparecen juntas una sola vez en el
cuadrado resultante.
En el Apndice C se muestra una tabla de cuadrados latinos que dan lugar, por
superposicin de dos de ellos, a cuadrados greco-latinos. Notamos que no es
posible formar cuadrados greco-latinos de orden 6. La Tabla 5-8 ilustra un
cuadrado greco-latino para K = 4

5.6 aplicaciones
Cuadrado greco-latino
ABCD
DCBA
BADC
CDAB
Planteamiento del modelo
En un diseo en cuadrado greco-latino la variable respuesta yij(hp) viene descrita
por la siguiente ecuacin
yij(hp) = + i + j + h + p + ij(hp)
i = 1, 2 . . . , K
j = 1, 2 . . . , K
h = 1, 2 . . . , K
p = 1, 2 . . . , K , (8.1)
Donde
es un efecto constante, comn a todas las unidades. i es el efecto producido
por el i-simo nivel del factor fila. Dichos efectos estn sujetos a la restriccin

ii = 0.
j es el efecto producido por el j-simo nivel del factor columna. Dichos efectos
estn sujetos a la restriccin
jj = 0.
h es el efecto producido por el h-simo nivel del factor letra latina. Dichos efectos
estn sujetos a la restriccin
hh = 0.
p es el efecto producido por el p-simo nivel del factor letra griega. Dichos
efectos estn sujetos a la restriccin
p p = 0.
ij(hp) son variables aleatorias independientes con distribucin N(0, ).
La notacin yij(hp) indica que los niveles i y j determinan los niveles h y p para un
cuadrado greco-latino especificado. Es decir, los subndices h y p toman valores
que dependen de la celdilla (i, j).
Se utiliza la siguiente notacin:
N = K2 es el nmero total de observaciones.
El total y el promedio de todas las observaciones

Conclusin
se pudo demostrar que el mtodo convencional de anlisis de los diseos al azar
no para paramtrico, diseo completamente al azar con distintos nmero de
observaciones por tratamiento no paramtrico y bloques al azar no podra ser
remplazado ya que por la mejora en nuestros resultados, ejemplificadas en las
comparaciones de los ejercicios puestos dentro de este trabajo, logrando tener
mayor grado de certidumbre en nuestras conclusiones , y que en los en los
ejemplos

corridos

se

rechaza

menos.

Bibliografa
OSTLE B. Estadstica Aplicada. Limusa-Wiley, Mxico, 1975, Cap. 10
MENDEZ I.
Lineamientos Generales para la planeacin de Experimentos.
Monografa No. 15, Vol. 15 IIMAS. 1980.