BLOQUES ALEATORIZADOS, CUADRADOS

LATINO Y DISEOS RELACIONADOS

CAPITULO 4
Diseo y Anlisis de Experimentos
Montgomery
 BLOQUES ALEATORIZADOS
En los experimentos pueden existir variabilidades que surgen
de un factor perturbador las cuales pueden afectar los resultados.
Un factor perturbador puede definirse como un factor del
diseo que probablemente tenga un efecto sobre la respuesta,
pero en el que no existe un inters especfico; en ocasiones un
factor perturbador es:
La aleatorizacin es la tcnica utilizada para
Desconocido pero no controlable. protegerse contra estos factores perturbadores
Si pude observarse el valor del factor perturbador en cada
Conocido pero no controlable. corrida del experimento, es posible hacer la compensacin
correspondiente en el anlisis estadstico mediante el uso
del anlisis de covarianza.

Cuando la fuente de variabilidad perturbadora es conocida y

controlable, puede usarse una tcnica de diseo llamada
formacin de bloques para eliminar de manera sistemtica su
efecto sobre las comparaciones estadsticas entre los
tratamientos.
EJEMPLO 4-1.

Se desea determinar si cuatro puntas diferentes producen

o no lecturas diferentes en una mquina para probar la
dureza. El experimentador ha decidido obtener cuatro
observaciones por cada punta. Hay un solo factor - el tipo
de punta-, y un diseo completamente aleatorizado de un
solo factor consistira en asignar al azar cada una de las
4x4=16 corridas a una unidad experimental, es decir, a un
ejemplar de prueba de metal, y observar qu resulta de la
lectura de la dureza. Por lo tanto, se necesitan 16
ejemplares de prueba de metal en este experimento, uno
por cada corrida del diseo.
Tabla 4-1 Diseo de bloques completos aleatorizados.
Tipo de Ejemplar de prueba
punta 1 2 3 4
1 9,3 9,4 9,6 10,0
2 9,4 9,3 9,8 9,9
3 9,2 9,4 9,5 9,7
4 9,7 9,6 10,0 10,2

Como es un experimento completamente aleatorizado existe

un problema; si los ejemplares de prueba de metal difieren
ligeramente en sus durezas, como podra ocurrir si se
tomaran lingotes que se produjeron con temperaturas
diferentes, las unidades experimentales contribuiran a la
variabilidad observada en los datos de dureza.
Como resultado, el error experimental reflejar tanto el error
aleatorio como la variabilidad entre los ejemplares de
prueba.
 El objetivo sera hacer el error experimental
tan pequeo como fuera posible; es decir,
querra eliminarse del error experimental la
variabilidad entre los ejemplares de prueba.
Un diseo para lograr esto requiere que el
experimentador pruebe cada punta una vez
en cada uno de los cuatro ejemplares de
prueba.
A este diseo, que se muestra en la tabla 4-1,
se le llama diseo de bloques completamente
aleatorizados (RCBD, randomized complete
block design).
Anlisis estadstico del diseo de bloques completos
aleatorizados
Anlisis estadstico del diseo de bloques completos
aleatorizados (continuacin)
Anlisis estadstico del diseo de bloques completos
aleatorizados (continuacin)
Anlisis estadstico del diseo de bloques completos
aleatorizados (continuacin)
Anlisis estadstico del diseo de bloques completos
aleatorizados (continuacin)
Anlisis estadstico del diseo de bloques completos
aleatorizados (continuacin)
Anlisis estadstico del diseo de bloques
completos aleatorizados (continuacin)

a = nmero de tratamientos
b = nmero de bloques
 Anlisis estadstico del diseo de bloques
completos aleatorizados (continuacin)
Las frmulas de clculos manuales de las sumas de
cuadrados para los elementos del anlisis de varianza para el
diseo de bloques completamente aleatorizados se muestran
a continuacin;

2
y a b
1 y 2

SS y
b
y
2 .. 2
T ij SS ..

N i 1 i 1
Bloque
a N
i 1
.j

1 y a
2
SS SS SS SS
SS tratamientos
y 2
i.
.. E T Tratamientos Bloques

b N i 1

a = nmero de tratamientos
b = nmero de bloques
 EJEMPLO 4-1 (continuacin)

Retomando los datos del ejemplo 4-1. Hay cuatro puntas y

cuatro ejemplares de prueba de metal. Cada punta se prueba
una vez en cada ejemplar, resultando un diseo de bloques
completos aleatorizados. El orden en que se probaron las
puntas en un ejemplar particular se determin al azar.

Tipo de Ejemplar de prueba

punta 1 2 3 4
1 9,3 9,4 9,6 10,0
2 9,4 9,3 9,8 9,9
3 9,2 9,4 9,5 9,7
4 9,7 9,6 10,0 10,2
Para simplificar los clculos, a los datos originales se les resto 9.5 y se
multiplicaron por 10. Ahora se calcula el yi., y.j y y..
Luego se realiza el anlisis de varianza de este experimento con las
siguientes formulas.

Tipo de Ejemplar de prueba

yi.
punta 1 2 3 4
1 -2 -1 1 5 3
2 -1 -2 3 4 4
3 -3 -1 0 2 -2
4 2 1 5 7 15
y.j -4 -3 9 18 20 = y..

2
ya b
1 y 2

SS y
b
y
2 .. 2
T ij SS ..

Ni 1 i 1
Bloque
a N
i 1
.j

1 y a
2
SS SS SS SS
SS tratamientos
y 2
i.
.. E T Tratamientos Bloques

b N i 1
 Luego se utiliz = 0.05, el valor critico de F es F0.05,3,9 =3.86. Puesto que
14.44>3.86, se concluye que el tipo de punta afecta la lectura de la dureza media.
El valor P para la prueba tambin es muy pequeo.
 ANOVA
Fuente de Suma de Grados Cuadrad
F0 F0.05,3,9 Valor P
variacin cuadrado de o medio
Tratamientos
38.50 3 12.83 14.44 3.862539 0.000871
(tipo de punta)
Bloques
82.50 3 27.50
(ejemplares)
Error 8.00 9 0.89

Total 129.00 15

Si no se hubiera tenido conocimiento de los RCBD, los resultados obtenidos

al usar 16 ejemplares, asignando al azar las puntas a cada uno de ellos,
y que arrojara por casualidad los mismos resultados que en la tabla 4-1, el
anlisis incorrecto de estos datos sera el siguiente:
Fuente de Suma de Grados de Cuadrad
F0 F0.05,3,9 Valor P
variacin cuadrados libertad o medio
Tipo de
38.50 3 12.83 1.70 3.490300 0.219568
punta
Error 91 12 7.54
Total 129.00 15
 Verificacin de la adecuacin del modelo
1. El supuesto de Normalidad
La verificacin del supuesto de normalidad podra
hacerse graficando un histograma de los residuales.
Si se satisface el supuesto NID(0,s2) para los
errores, esta grfica deber parecerse como una
muestra de una distribucin normal con centro en
cero.
Pero con muestras pequeas suelen ocurrir
fluctuaciones significativas y pueden aparecer una
desviacin moderada de la normalidad.
Un procedimiento en extremo til es construir una
grfica de probabilidad normal de los residuales.
Residuales en los Bloque Completamente
Aleatorizados

Los residuales se calculan como:

Ya que
la anterior ecuacin se puede escribir
de la siguiente forma:
 Residuales

RESIDUALES
Ejemplar de prueba (bloque)
Tipo de punta
1 2 3 4
1 -0,050 0,025 -0,075 0,100
2 0,025 -0,100 0,100 -0,025
3 -0,025 0,150 -0,050 -0,075
4 0,050 -0,075 0,025 0,000
RESIDUAL % Prob Nor
GRAFICO DE PROBABILIDAD NORMAL DE LOS
-0,100 3,125
-0,075 9,375 RESIDUALES
-0,075 15,625
-0,075 21,875 120

% Probabilidad Normal
-0,050 28,125
100
-0,050 34,375
-0,025 40,625 80
-0,025 46,875
60
0,000 53,125
0,025 59,375 40
0,025 65,625
20
0,025 71,875
0,050 78,125 0
0,100 84,375 -0,150 -0,100 -0,050 0,000 0,050 0,100 0,150 0,200
0,100 90,625 RESIDUAL
0,150 96,875
Tipo de
RESIDUAL
punta
GRAFICO DE LOS RESIDUALES VERSUS EL TIPO DE PUNTA
1 -0,050
1 0,025
0,200
1 -0,075
1 0,100 0,150
2 0,025
0,100
2 -0,100
RESIDUAL

2 0,100 0,050
2 -0,025 0,000
3 -0,025 0 0,5 1 1,5 2 2,5 3 3,5 4 4,5
3 0,150 -0,050
3 -0,050 -0,100
3 -0,075
-0,150
4 0,050
4 -0,075 TIPO DE PUNTA

4 0,025
4 0,000
Ejemplar de GRAFICO DE LOS RESIDUALES VERSUS LOS EJEMPLARES DE
RESIDUAL
Prueba PRUEBA
1 -0,050
1 0,025
0,200
1 -0,025
1 0,050 0,150
2 0,025
2 -0,100 0,100
RESIDUAL

2 0,150
0,050
2 -0,075
3 -0,075 0,000
3 0,100 0 0,5 1 1,5 2 2,5 3 3,5 4 4,5
3 -0,050 -0,050
3 0,025
-0,100
4 0,100
4 -0,025 -0,150
4 -0,075
EJEMPLAR DE PRUEBA
4 0,000
 GRAFICO DE LOS RESIDUALES VERSUS LOS VALORES
AJUSTADOS

RESIDUAL
0,200
9,350 -0,050
9,375 0,025 0,150
9,225 -0,025
9,650 0,050 0,100

RESIDUAL
9,375 0,025
9,400 -0,100 0,050
9,250 0,150
0,000
9,675 -0,075
9,675 -0,075 9,000 9,200 9,400 9,600 9,800 10,000 10,200 10,400
-0,050
9,700 0,100
9,550 -0,050 -0,100
9,975 0,025
9,900 0,100 -0,150
9,925 -0,025
9,775 -0,075 VALORES AJUSTADOS
10,200 0,000
 DISEO DE CUADRADO LATINO
El diseo de cuadrado latino se utiliza para eliminar dos fuentes de
variabilidad perturbadora.

EJEMPLO 4-3
Suponga que un experimentador estudia los efectos que tienen 5
formulaciones diferentes de la carga propulsora utilizada en los
sistemas de expulsin de la tripulacin de un avin basado en la
rapidez de combustin. Cada formulacin se hace con un lote de
materia prima que solo alcanza para probar 5 formulaciones. Adems,
las formulaciones son preparadas por varios operadores y pueden
haber variabilidades en las habilidades y experiencia de los
operadores. Por lo tanto al parecer hay dos factores perturbadores
que sern calculados en promedio en el diseo: los lotes de materia
prima y los operadores. Por lo tanto los lotes de materia prima
(renglones) y los operadores (columnas) representan dos restricciones
sobre la aleatorizacin.
 Lotes de Operadores
materia prima 1 2 3 4 5
1 A=24 B=20 C=19 D=24 E=24
2 B=17 C=24 D=30 E=27 A=36
3 C=18 D=38 E=26 A=27 B=21
4 D=26 E=31 A=26 B=23 C=22
5 E=22 A=30 B=20 C=29 D=31

El modelo estadstico de un modelo cuadrado latino es:

i 1,2,..., p

Yijk a i t j k ijk j 1,2,..., p
k 1,2,... p

Donde yi,j,k, es la observacin en el rengln i-simo y la columna
k-sima para el tratamiento j-simo, donde, es la media global,
ai es el efecto del rengln i-simo, tj es el efecto del tratamiento
j-simo, k es el efecto de la columna k-sima, y ijk es el error
aleatorio.
Algunos Ejemplos de Cuadrados Latinos
 Anlisis de Varianza para un Cuadrado
Latino

El estadstico apropiado para probar que no hay diferencias en

las medias de los tratamientos es:
Clculo del Anlisis de Varianza para
un Cuadrado Latino
Ejemplo 4-3 (continuacin)

Considere el problema de la carga propulsora descrito

previamente donde los lotes de materia prima como
los operadores representan restricciones sobre la
aleatorizacin. El diseo para este experimento es un
cuadrado latino de 5x5.
Aqu los datos originales se codifican restndole 25 a
cada observacin.
 Lotes de Operadores
materia 1 2 3 4 5 Yi..
1 A=-1 B=-5 C=-6 D=-1 E=-1 -14
2 B=-8 C=-1 D=5 E=2 A=11 9
3 C=-7 D=13 E=1 A=2 B=-4 5
4 D=1 E=6 A=1 B=-2 C=-3 3
5 E=-3 A=5 B=-5 C=4 D=6 7
Y..k -18 18 -4 5 9 10=y..
1 p 2 y...2
SS Re nglones yi..
p i 1 N
1 p 2 y...2
SStratamientos y. j .
p j 1 N
1 p 2 y...2
SSColumnas y.. k
p k 1 N
2
y
SS y
T
2 ...

i j
N k
ijk

SS SS SS
E T Lotes
SS Operadores
SS Formulaciones
 Suma de Grados de
Fuente de cuadrados libertad Cuadrados
variacion (SS) (DOF) medios(MS) Fo
Tratamientos SST ratamiento p-1 SST ratamiento /(p-1) MS t /MS E
Renglones SSRenglones p-1 SSRenglones/(p-1)
Columnas SSColumnas p-1 SSColumnas/(p-1)
Error SSE (p-2)*(p-1) SSE/(p-2)*(p-1)
Total SST p2-1

Los totales para los tratamientos (Las letras latinas) son:

Letras latinas Total de tratamiento

A y.1 = 18
B y.2 = -24
C y.3 = -13
D y.4 = 24
E y.5 = 5
 1 p 2 y..2
SS Lotes yi..
p i 1 N

2
SS Lotes 14 9 5 3 7
1 10
68
2 2 2 2 2

5 25
1 p 2 y..2
SSOperadores y.. k
p k 1 N

5

SSOperadores 18 18 4 5 9
1 2 2 2 2 2

10 2
25
150

1 p 2 y..2
SS Formulaciones y. j .
p j 1 N

SS Formulaciones
5
2 2 2 2

18 24 13 24 5
1 2 10 2
25
330
 2
y
SSt y ijk2 ..
i j k N
10 2
SSt 680 676
25
SS E SST SS Lotes SSOperadores SS Formulaciones
SS E 676 68 150 330 128
Suma de Grados de Cuadrados
Fuente de
cuadrados libertad medios Fo Fc P value
variacion
(SS) (DOF) (MS)

Formulaciones 330 4 82,50 7,73 3,26 0,0025

Lotes de
68 4 17,00 1,59 3,26 0,2391
materia prima
Operadores 150 4 37,50 3,52 3,26 0,0404
Error 128 12 10,67
Total 676 24
 Se concluye que hay una diferencia significativa en la
rapidez de combustin media generada por las diferentes
formulaciones de la carga propulsora. Tambin hay
indicios que hay diferencias entre los operadores, por lo
que la formacin de bloques de este factor fue una
buena precaucin.
Como en cualquier problema de diseo, el investigador
debera investigar la adecuacin del modelo
inspeccionando y graficando los residuales, los cuales
estn dados por:
eijk = yijk y^ijk
eijk = yijk - yi..- y.j. - y..k + 2y...
 Rplica de los cuadrados latinos
La desventaja de cuadrados latinos pequeos es que
proporciona grados de libertad del error pequeos. Por
ejemplo un cuadrado latino 3 x 3, solo tiene 2 grados de
libertad del error.
Cuando se usan cuadrados latinos pequeos, es deseable
hacer rplicas de los mismos para incrementar los grados de
libertad del error.
Aqu el nmero de rplicas es n y el nmero total de datos
es N = n x p2
Siguiendo el ejemplo anterior los grados de libertad del
error se pueden incrementar de tres formas:
1. Usando los mismos lotes y operadores en cada rplica.
2. Usando los mismo lotes pero operadores diferentes en cada rplica o
viceversa.
3. Usando lotes y operadores diferentes.
1. Usando los mismos lotes y operadores
en cada rplica
2. Usando los mismo lotes pero operadores
diferentes en cada
rplica o viceversa.
3. Usando lotes y operadores
diferentes
 DISEO DE CUADRADO GRECOLATINO
Considere un cuadrado latino p x p al cual se le
superpone un segundo cuadrado latino p x p en el
que los tratamientos se denotan con letras griegas. Si
cuando se hace la superposicin los dos cuadrados
tienen la propiedad de que cada letra griega aparece
una y slo una vez con cada letra latina, se dice que
los dos cuadrados latinos son ortogonales, y al
diseo obtenido se le llama cuadrado grecolatino. En
la tabla 4-18 se muestra un ejemplo de un cuadrado
grecolatino 4 X 4.
 Diseo de cuadrado Grecolatino (continuacin)
El diseo de cuadrado grecolatino se utiliza
para controlar sistemticamente tres fuentes
de variabilidad perturbadora.
Este diseo permite la investigacin de
cuatro factores (renglones, columnas, letras
latinas y letras griegas), cada uno con p
niveles en slo p2 corridas.
Tabla 4-18 Diseo del cuadrado grecolatino 4 x 4

Lotes de materia Operadores

prima 1 2 3 4
1 A B C D
2 B A D C
3 C D A B
4 D C B A
Clculo para el anlisis de varianza con
cuadrado grecolatino
 Modelo estadstico para el diseo de
cuadrado grecolatino
El modelo estadstico de un modelo grecolatino es:

i 1,2,..., p

Yijk i t j k l ijkl j 1,2,..., p
k 1,2,..., p

l 1, 2,..., p

Donde yijkl es la observacin del rengln i y la columna l, para la

letra latina j y la letra griega k, i es el efecto del rengln i-simo, tj
es el efecto del tratamiento de la letra latina j, k es el efecto de la
letra griega k, l es el efecto del a columna l, y ijkl es un
componente normal del error aleatorio.
Ejemplo 4-4:
Suponga que en el experimento de la carga propulsora un factor adicional
los montajes de prueba, podra ser importante:
Lotes de Operadores
materia 1 2 3 4 5 yi..
1 A = -1 B = -5 C = -6 D = -1 E = -1 -14
2 B = -8 C = -1 D = 5 E = 2 A = 11 9
3 C = -7 D = 13 E = 1 A = 2 B = -4 5
4 D = 1 E = 6 A = 1 B = -2 C = -3 3
5 E = -3 A = 5 B = -5 C = 4 D = 6 7
y..j -18 18 -4 5 9 10 = y..

Los totales de los montajes de prueba (las letras griegas) son:

Letras Griegas Total de la prueba de ensamblaje
y..1. = 10
y..2. = -6
y..3. = -3
y..4. = -4
y..5. = 13
La suma cuadrado de las fuentes de variaciones son las mismas que el ejemplo
anterior, para este caso se calcula la suma cuadrado de los montajes de la prueba
como se muestra a continuacin:

1 p 2 y....2
SS ensamblajes y.. k .
p k 1 N

2
10 6 4 13
1 10
62
2 2 2 2
SS ensamblajes
5 25
Anlisis de varianza del problema de la carga propulsora:
Grados de
Suma de Cuadrados
Fuente de variacion libertad Fo Fc P
cuadrados(SS) medios(MS)
(DOF)
Formulaciones 330 4 82,50 10,00 3,84 0,00334
Lotes de materia
prima
68 4 17,00 2,06 3,84 0,17831
Operadores 150 4 37,50 4,55 3,84 0,03293
Montaje de prueba de
la prueba
62 4 15,50 1,88 3,84 0,20764
Error 66 8 8,25
Total 676 24
La formulaciones son diferentes significativamente en
1%, comparando los resultados se observa que al sacar
la variabilidad debido a los montajes de prueba, el error
experimental disminuye. Sin embargo, al disminuir el
error experimental, se han reducido tambin los grados
de libertad, de 12 a 8.
Por lo tanto, la estimacin del error tiene menos grados
de libertad, y la prueba puede ser menos sensible.