You are on page 1of 28

UNIVERSIDAD

NACIONAL
DE CAJAMARCA
FACULTAD DE INGENIERÍA
ESCUELA ACADÉMICO PROFESIONAL DE
INGENIERÍA CIVIL
ESTADÍSTICA APLICADA

DISEÑO CUADRADO LATINO Y GRECOLATINO
Docente:
Lcda. Araceli Poemape

Alumna:
ROJAS GUTIÉRREZ, Mariela

CAJAMARCA – PERÚ
2016

DISEÑO DE CUADRADO LATINO

UNIVERSIDAD NACIONAL DE CAJAMARCA

Los diseños en cuadrados latinos son apropiados cuando es necesario controlar
dos fuentes de variabilidad. En dichos diseños el número de niveles del factor
principal tiene que coincidir con el número de niveles de las dos variables de
bloque o factores secundarios y además hay que suponer que no existe
interacción entre ninguna pareja de factores.
Supongamos que el número de niveles de cada uno de los factores es
diseño en cuadrado latino utiliza

K2

K . El

bloques, 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 sólo una en cada fila y en cada columna.
Recibe el nombre de cuadrado latino de orden K a una disposición 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. A continuación vamos a dar una forma simple de
construcción de cuadrados latinos. Se parte de una primera fila con las letras
latinas ordenadas alfabéticamente

Fila 1

Columna
1
A

Columna
2
B

Columna
3
C


Columna
k
K

Las sucesivas filas se obtienen moviendo la primera letra de la fila anterior a la
última posición (construcción por permutación cíclica), el cuadrado así obtenido
es un cuadrado latino estándar. Un cuadrado latino se denomina estándar
cuando las letras de la primera fila y la primera columna están ordenadas
alfabéticamente. A parte de los cuadrados latinos así obtenidos existen otros
cuadrados latinos diferentes, estándares y no estándares. En el Apéndice B se
muestran algunos cuadrados latinos estándares para los órdenes 3, 4, 5, 6, 7, 8 y
9.
El procedimiento para construir un diseño en cuadrado latino es el siguiente:
1. Se elige aleatoriamente un cuadrado latino de los disponibles.
2. Se asigna aleatoriamente el orden de las filas y columnas.
3. Se asignan aleatoriamente los tres factores a las filas, columnas y letras,
respectivamente.
Ilustremos este procedimiento con el ejemplo del rendimiento de la semilla de
trigo. Al plantear este experimento se pensó que podría conseguirse mayor
precisión si se controlaba la variabilidad introducida por los tipos de abono e
insecticida. El instituto de experimentación agrícola está interesado en estudiar 4
tipos de semilla de trigo, ( S 1 ,

S2 , S3 ,

S 4 ) y decide realizar el

experimento utilizando un diseño en cuadrado latino. Para ello selecciona 4

ESTADÍSTICA APLICADA

2

1. Supongamos que el cuadrado latino elegido es el siguiente [ ] A BC D BC D A C DAB D A BC A continuación. se suele situar el factor principal. La selección de uno de los cuadrados se hace al azar. obteniéndose el siguiente cuadrado latino [ ] C DBA B AC D DC AB A B DC Por último. a los tipos de insecticidas. 3. 1. de tal forma que el diseño resultante es Tabla N° 1 SEMILLAS INSECTICI DAS i1 i2 i3 i4 S1 S2 S3 S4 a3 a2 a4 a1 a4 a1 a3 a2 a2 a3 a1 a4 a1 a4 a2 a3 Por convenio. insecticida. las columnas y las letras latinas a los tres factores. 4). en este caso el tipo de semilla. respectivamente. Por ejemplo. en las celdillas. se asignan al azar las filas. 2). ( a1 . Supongamos que los números obtenidos son (4. el orden de las filas y las columnas. 3. Supongamos que el orden seleccionado para las filas sea (2. entonces el cuadrado latino anterior se convierte en [ ] BC D A C DAB A BC D D A BC Se vuelven a generar otros 4 números aleatorios que se identifican con el orden de las columnas de este último cuadrado. ( i 1 . supongamos que las filas. se asigna también al azar. semillas y abonos. a2 . i 3 . e i 2 . las columnas y las letras se asignan. a4 ).UNIVERSIDAD NACIONAL DE CAJAMARCA niveles para cada una de las variables de bloque: abono. i 4 ). a3 . Reordenando el diseño anterior se obtiene la siguiente tabla: ESTADÍSTICA APLICADA 3 .

Cada uno de los factores tiene el mismo número de niveles. K  γ ij(h) representa la observación correspondiente a la j fila. Dichos efectos están sujetos a la restricción  βj j es el efecto producido por el ∑ τ i=0 i -ésimo nivel del factor columna. c. Dichos ∑ Y h =0 h son variables aleatorias independientes con distribución N (0. Si consideramos que los tres factores son de efectos fijos.2… . Así el modelo empleado es un modelo adtivo. h -ésima columna y -ésima letra latina. A. el modelo estadístico para este diseño es: { i=1. k h=1. En un diseño en cuadrado latino intervienen los siguientes factores: un factor principal y dos factores secundarios o variables de bloque.UNIVERSIDAD NACIONAL DE CAJAMARCA Tabla N° 2 SEMILLAS INSECTICI DAS i1 i2 i3 i4 a1 a2 a3 a4 s4 s2 s3 s1 s3 s1 s4 s2 s1 s3 s2 s4 En resumen. σ) ESTADÍSTICA APLICADA 4 . un factor principal y dos factores de bloque. Se controlan tres fuentes de variabilidad. Cada nivel del factor principal aparece una vez en cada fila y una vez en cada columna. PLANTEAMIENTO DEL MODELO B.2 … . b.  μ es la media global  τi es el efecto producido por el i -ésimo nivel del factor fila. No hay interacción entre los factores.2 … . podemos cuadrado latino tiene las siguientes características: s2 s4 s1 s3 decir que un diseño en a. d. K. e. Dichos efectos están sujetos a la restricción  yh es el efecto producido por la efectos están sujetos a la restricción  uij(h) i -ésima j ∑ β j =0 j -ésima letra latina. Se supone que no existe interacción entre esos tres factores. k γ ij(h)=μ+ τ i+ β j + y h +uij(h) j=1.

h= i. γ ij(h) . j. ) indica que consideramos la observación correspondiente a la celdilla ( i . ESTIMACIÓN DE LOS PARÁMETROS DEL MODELO ESTADÍSTICA APLICADA 5 . si j = 2 y = 1. h=∑ Y ij(h) Y´ . h K K se obtiene sumando las que el tratamiento se ha fijado al nivel observaciones en las h C.) Y ´.  El total y la media para cada letra latina Y . Es decir. Tabla i N°2.) Yi= K2 j =1  El total y la media por columna k Yi Y .) Y´ = 2 K i. el subíndice h toma valores que dependen de la celdilla ( i .=∑ Yij(.. j ) independientemente de la letra latina que le corresponda. j donde Y . utilizando la notación j ). j  El total y la media por fila k ´ Yi Yi=∑ Yij(.= 2 K i=1 donde la notación Y ij ( . en la situación de referencia. Así.. automáticamente h = 2 (semilla 2).  El total y la media global Y Y =∑ Y ij(. De esta forma. h Y . el cuadrado latino correspondiente a la situación de referencia es [ Y 11 ( 4 ) Y 12 (3) Y 13 (1) Y 14 (2) Y 21 (2) Y 22( 1) Y 23 (3 ) Y 24 ( 4) Y 31 (3) Y 32( 4 ) Y 33 (2) Y 34 (1) Y 41( 3) Y 42( 2) Y 43( 4 ) Y 44 (3 ) ] A continuación se muestra la notación que se va a utilizar en estos diseños  N=K 2 es el número total de observaciones.UNIVERSIDAD NACIONAL DE CAJAMARCA La notación γ ij(h) indica que los niveles i j y determinan la letra latina para un cuadrado latino especificado... j .

σ 2 ) )= K K 2 −N N 1 ln ( 2 π )− ln ( σ 2 )− 2 ∑ ∑ [ Y ij(h) −μ−τ i−β j −Y h ] 2 2 2 σ i=1 j=1 se calculan las correspondientes derivadas parciales K K K K K K K K ∂ ln L 1 = 2 ∑ ∑ [ Y ij(. β j .Y h . … .) −^μ =Y´ i−Y´ K j=1 ESTADÍSTICA APLICADA 6 .UNIVERSIDAD NACIONAL DE CAJAMARCA 1. k ∂ Y h σ 2 i =1 j=1 ij(h) K K 2 ∂ ln L −N 1 = 2+ Y −μ−τ −β −Y ∑ ∑ [ ] ij(.) ^μ= i j K2 =Y´ K 1 τ^ i= ∑ Y ij ( . Dichos estimadores vienen dados por las expresiones ∑ ∑ Y ij(. se obtiene un sistema de ecuaciones que proporciona los estimadores máximo verosímiles. k ∂ τi σ i =1 j=1 ∂ ln L 1 = ∑ ∑ Y −μ−τ i−β j−Y h ] j=1. β j .) −μ−τ i−β j−Y h ] ∂μ σ i =1 j=1 ∂ ln L 1 = 2 ∑ ∑ [ Y ij(. τ i . Y h . … .) −μ−τ i−β j−Y h ] i=1. k ∂ β j σ 2 i =1 j=1 [ ij(. τ i . σ )=( 2 πσ ) ( K K −1 2 exp Y −μ−τ i−β j−Y h ] 2 ∑ ∑ [ ij(h) 2 σ i=1 j=1 ) se determina el logaritmo de dicha función ln ( L ( μ .) i j h 2 ∂ τi 2 σ 2 ( σ 2 ) i=1 j=1 Igualando a cero estas derivadas parciales.) ∂ ln L 1 = ∑ ∑ [ Y −μ−τ i− β j−Y h ] h=1. Estimación por máxima verosimilitud Se construye la función de verosimilitud asociada a la muestra para las N=K 2 observaciones 2 2 −N 2 L ( μ .… .

j Se puede comprobar fácilmente que estos estimadores verifican ∑ ^τ i=∑ ^β j =∑ Y^ h=0 i j h Finalmente. τ^ i ... sustituyendo ^μ . En efecto K 2−( K +(K −1)+( K−1))=K 2−3 K +2=( K −1)(K −2) Se comprueba que el estimador insesgado de la varianza poblacional es la suma de los cuadrados de los residuos dividida por sus grados de libertad.UNIVERSIDAD NACIONAL DE CAJAMARCA K ^β j= 1 ∑ Y ij (. Se verifica que los residuos suman cero por filas.)− μ^ −^τ i − ^β j−Y^ h ] ∑ [ N i. … .k i ∑ ∑ eij (.)=0 i=1.. columnas y para cada letra ∑ e ij (. ^β j y Y^ h en la última ecuación igualando a cero.)=0 j=1. … . k j ∑ e ij (. … . j Residuos Los residuos en este modelo adoptan la expresión e ij(h)=Y ij(h) −Y^ ij ( h)=Y ij (h )− ^μ− τ^ i− ^β j −Y^ h=Y ij (h )−Y´i . obtenemos el estimador de máxima verosimilitud para la varianza ^ 2= μ K 2 1 Y ij (. )− μ^ =Y´ i−Y´ K i=1 1 Y^ h= ∑ Y ij ( h )−^μ=Y´ h−Y´ K i.−Y´.)=0 j=1. h−2 Y´ . es decir ESTADÍSTICA APLICADA 7 . k i j Por tanto el número de grados de libertad de los residuos es (K −1) (K −2).

SCT .−Y´ …) + K ∑ ( Y . Se demuestra que los valores esperados de los cuadrados medios correspondientes a las filas. 3.. columnas. DESCOMPOSICIÓN DE LA VARIABILIDAD Siguiendo el mismo procedimiento que en modelo en bloques aleatorizados. letras latinas y residual son.. 2. se comprueba que la ecuación básica del análisis de la varianza es K 2 K K 2 2 K 2 ∑ ( Y ij( h)−Y´ … ) =¿ K ∑ (Y ij (h )−Y´ …) + K ∑ ( Y .−Y´. 4. suma total de cuadrados. Basándonos en estas sumas de cuadrados se correspondientes cuadrados medios que denotamos por construyen 2 2 2 2 T F C L s^ ^s s^ s^ y s^ los 2 R o bien por CMT. CMF. SCC.UNIVERSIDAD NACIONAL DE CAJAMARCA k K k 2 ∑ ∑ [ Y ij( h)−Y^ ij(h ) ] ~2 ^ 2 i=1 σ =S R = j=1 ∑ ∑ e 2ij(h) = (k −1)( k−2) K i=1 j=1 (k −1)( k−2) D. j . suma de cuadrados debida al efecto fila. suma de cuadrados debida al efecto columna. h− Y´ …) +¿ j=1 i=1 i=1 i=1 k ∑¿ i=1 k K ∑ ∑ ( Y ij( h)−Y´i . suma de cuadrados del error. h−2 Y´…) 2 i=1 j=1 que simbólicamente se puede escribir SCT =SCF + SCC +SCL +SCR Denominando por esas siglas los términos en el orden en que figuran en la ecuación y que reciben los siguientes nombres 1. SCF. CML y CMR o CME. SCR. 5. suma de cuadrados debida a la letra latina. SCL. j .−Y .. respectivamente: k E ( CMF ) =E ( S^ 2F ) =σ 2 + K ∑ τ 2i i =2 K −1 k E ( CMC )=E ( S^ 2C ) =σ 2 + ESTADÍSTICA APLICADA K ∑ β 2J i=2 K−1 8 . CMC.

∀h sea cierta. 2. S^ 2C y S^ 2L E(CMF) es nulo y por tanto son estimadores insesgados de σ 2. Un contraste para verificar la hipótesis nula de igualdad de medias de las columnas puede efectuarse comparando S^ 2C y S^ 2R . 3. ∀i H 0 β : β i=0. hay que notar que si existen diferencias entre las medias de las filas. las columnas o letras latinas. De todo esto podemos deducir que: 1. Un contraste para verificar la hipótesis nula de igualdad de medias de las letras latinas puede efectuarse comparando S^ 2L y S^ 2R . el correspondiente sumando de S^ 2F . Puede observarse que bajo el supuesto de que cada una de las hipótesis H 0 t :τ i=0. Se verifica que S^ 2R SCR /(K−1)(K−2) = es un estimador insesgado de la varianza poblacional σ 2. Sin embargo. el respectivo valor esperado del cuadrado medio es mayor que σ2. Siguiendo el mismo razonamiento que en los modelos anteriores se puede demostrar que bajo las hipótesis nulas se verifica que SCF ↝ X 2K−1 2 σ SCC ↝ X 2K−1 2 σ ESTADÍSTICA APLICADA 9 . Un contraste para verificar la hipótesis nula de igualdad de medias ^ de las filas puede efectuarse comparando S F y 2 S^ 2R . 2.UNIVERSIDAD NACIONAL DE CAJAMARCA k E ( CML )=E ( ^S2L ) =σ 2 + K ∑ Y 2h i=2 K−1 E ( CMR )=E ( S^ 2R ) =σ 2 Por lo tanto 1. ∀ j H 0 Y :Y i=0.

al nivel de significación α. SCC . SCF . ESTADÍSTICA APLICADA 10 que se dan a continuación . 2 σ Notamos que Los estadísticos de contrastes: SCF/ σ 2 S^ 2F K −1 F τ= = 2 SCR/ σ 2 S^ R ( K−1)(K −2) SCC /σ 2 S^ 2C K −1 F τ= = 2 SCR/σ 2 S^ R ( K−1)( K −2) 2 SCL/σ S^ 2L K −1 F τ= = 2 SCR/σ 2 S^ R ( K−1)( K −2) siguen distribuciones F de Snedecor con K−1 y ( K −1)( K −2) grados de libertad cada uno.)− i=1 j=1 Y… K 2 Y 2… SCF=∑ Y − 2 K i=1 k 2 i . SCR ↝ X 2(K −1) ( K−2) sean o no ciertas las hipótesis nulas. y SCR. 2 2 SCT =∑ ∑ Y ij(.. Y se rechaza H0.UNIVERSIDAD NACIONAL DE CAJAMARCA SCL ↝ X 2K−1 2 σ SCR 2 ↝ X(K −1)( K−2) 2 σ y estas distribuciones son independientes entre sí. Para una mayor sencillez en el cálculo se utilizan las expresiones abreviadas de k k SCT . SCL . cuando el valor experimental del respectivo estadístico sea mayor que el valor crítico de la F con distribución K−1 y ( K −1)(K −2) grados de libertad.

j . SCC . SCF . Forma práctica de la tabla ANOVA para el modelo de cuadrado latino ESTADÍSTICA APLICADA 11 . Tabla ANOVA para el modelo de cuadrado latino Alternativamente.h − i =1 Y… K 2 La suma de cuadrados del error se obtiene por diferencia SCR=SCT −SCF−SCC−SCL La tabla ANOVA correspondiente a este modelo es: Tabla N°3.UNIVERSIDAD NACIONAL DE CAJAMARCA 2 k Y 1 SCC = ∑ Y 2.. SCL y SCR . − …2 K i=1 K k 2 2 SCL=∑ Y . la Tabla ANOVA se puede presentar como de Tabla N°4. utilizando las expresiones abreviadas SCT .

respectivamente. denotamos:  2 Rτ al cociente entre la variabilidad explicada por las filas y la R2τ = variabilidad total. R2y 2 2 Rτ + R β 2 + Ry los coeficientes de determinación parciales asociados a las filas. es decir: 2 Rτ = SCL SCT Entonces el coeficiente de determinación también lo podemos expresar como R2 = Siendo R2τ . es decir:  R2β al cociente entre la variabilidad explicada por las columnas y la R2τ = variabilidad total. ESTADÍSTICA APLICADA 12 .UNIVERSIDAD NACIONAL DE CAJAMARCA Coeficiente de determinación A continuación definimos el coeficiente de determinación R2 R 2= SCF+ SCC+ SCL SCT donde. columnas y letras latinas. es decir:  R2y SCF SCT SCC SCT al cociente entre la variabilidad explicada por las letras latinas y la variabilidad total. R2β .

75 150743. para controlar los efectos de la pendiente y la disponibilidad de Nitrógeno.00 5556.j.7 0. C y D.UNIVERSIDAD NACIONAL DE CAJAMARCA EJEMPLO N°1 Un investigador quiere evaluar la productividad de cuatro variedades de aguacate y decide realizar el ensayo en un terreno que posee un gradiente de pendiente de oriente a occidente y además. El análisis de varianza queda: F de v G L Tratamiento 3 Nitrógeno (Filas) 3 Pendiente (Columnas) Error Total 3 6 1 5 P vlu e 1852. los datos corresponden a la producción en kg/parcela.5 5 83 52556. 75 S de C CM Fc A partir de la cual se rechaza la hipótesis nula y se concluye que existen por lo menos dos variedades de aguacate con diferentes niveles de ESTADÍSTICA APLICADA 13 . B. DISPONIBILI DAD DE NITRÓGENO 1 2 3 4 PENDIENTE 1 D 78 5 A 85 5 C 95 0 B 94 5 2 3 C A 70 730 0 D B 76 775 0 B D 79 885 5 A C 88 950 0 Y.7 30839. diferencias en la disponibilidad de Nitrógeno de norte a sur.5 18. utilizó un diseño de cuadrado latino. las variedades son: A.25 3 8 5 92518.08 98.2 17518. 4 B 59 5 C 71 0 A 78 0 D 83 5 Y…k Aquí el juego de hipótesis a probar sería: Ho = µA = µB = µC = µD Ha = µi ≠ µj para cualquier “i” diferente de “j”.7 5 5 112.

)− …2 =3001− 2 =425. para evaluar entre quienes está la diferencia debe realizarse una prueba de comparación de medias. Las sumas de cuadrados necesarias para el análisis de la varianza se calculan como sigue k k 2 2 Y 203 SCT =∑ ∑ Y ij(.. EJEMPLO N°2 Se muestra en la siguiente tabla. a la que se han añadido las filas y columnas necesarias para su resolución. esto te queda de tarea.UNIVERSIDAD NACIONAL DE CAJAMARCA producción.6875 4 4 14 .− i=1 Y… K = 2 ESTADÍSTICA APLICADA 2 11621 203 − 2 =329.4375 K 4 i=1 j=1 k 2 2 2 SCF =∑ Y i .

UNIVERSIDAD NACIONAL DE CAJAMARCA 2 k 2 Y 1 10317 203 SCC = ∑ Y 2.9674. siendo el efecto más importante el referente al tipo de abono que explica un 77.1875 4 4 y la suma de cuadrados del error se obtiene por diferencia SCR=SCT −SCF−SCC−SCL=13. en la columna correspondiente al % explicado.49 % de la variabilidad presente en el experimento..7571).h − i =1 Y… K = 2 2 10615 203 − 2 =78. j . las variedades son: A. Observamos. − …2 = − 2 =3. los datos corresponden a la producción en kg/parcela. La tabla ANOVA correspondiente a este modelo es Tabla 5-7.05. pero no lo son los efectos de los insecticidas.6 = 4. para controlar los efectos de la pendiente y la disponibilidad de Nitrógeno.6875 K i=1 4 K 4 k 2 2 SCL=∑ Y .3. se concluye que son significativos los efectos de los abonos y semillas. C y D.875 . que el coeficiente de determinación del modelo es R2 = 0. diferencias en la disponibilidad de Nitrógeno de norte a sur. Pendiente Disponibili dad de nitrógeno 1 1 D 785 A 730 C 700 B 595 2 A 855 B 775 D 760 C 710 3 C 950 D ESTADÍSTICA APLICADA 4 B 945 C 885 B A 780 950 A 795 15 880 D 835 Total Tk 353 5 2 334 0 3 313 5 4 292 0 Total Tj 281 0 310 0 341 0 361 0 129 30 tj˄2 tk˄2 789610 0 961000 0 116281 00 130321 00 42166 300 42006 450 . utilizó un diseño de cuadrado latino. Análisis de la varianza Si realizamos el contraste al 5 % y comparamos los valores de las F exp con el valor de la F teórica (F0. B. EJEMPLO N°3 Un investigador quiere evaluar la productividad de cuatro variedades de aguacate y decide realizar el ensayo en un terreno que posee un gradiente de pendiente de oriente a occidente y además.

0833 SC Filas =¿ 4934.2 … .75 SS Total =¿ 10049 2 n −1 6 149.2 … . común a todas las unidades. k h=1. para evaluar entre quienes está.75 Total 15 . =¿ 18 n−1 SC Tratamientos = 5556. n−1 = 92518. ESTADÍSTICA APLICADA 16 .49 8.75 98.163 3 Pendiente Error 3 SC Columnas =¿ n−1 SC Columnas = 52556.5833 Conclusiones: A partir de la cual se rechaza la hipótesis nula y se concluye que existen por lo menos dos variedades de aguacate con diferentes niveles de producción.2 … . =¿ MS Error 52.25 2803 112.5 SC Error =¿ 1 (n−2)(n−1) 150743. k p=1. DISEÑO DE CUADRADO GRECOLATINO En un diseño en cuadrado greco-latino la variable respuesta y ij(hp) viene descrita por la siguiente ecuación y ij(hp)=μ+ τ i+ β j +γ h +δ p+ ϵ ij(hp) {[ ] i=1. k Donde:  μ es un efecto constante.25 SC Filas MS Tratam . k j=1.777 263.2 … .UNIVERSIDAD NACIONAL DE CAJAMARCA Las hipótesis a probar serían las siguientes: Ho: μA = μB = μC = μD : el factor es igual H1: μA ≠ μB ≠ μC ≠ μD : el factor es diferente ANOVA PARA CUADRO LATINO Fuente de Grados de liberta variacion d Tratamient os Nitrogeno 3 3 Suma de Promedio F Cuadrados(SC) Cuadrado (MS) SC Tratam .

h . Dichos efectos están sujetos a la restricción  h δ p es el efecto producido por el p-esimo nivel del factor letra griega.. h .. K2  El total y el promedio para cada fila K y i …=∑ y ij(. los subíndices h y p toman valores que dependen de la celdilla (i. Se utiliza la siguiente notación:  N=k2 es el número total de observaciones.. j . j .=∑ y ij(. Es decir.=∑ yij (h . =∑ ∑ y ij(hp ) ´y … . j ESTADÍSTICA APLICADA 17 ´y … p = y…p K . j .j)..ơ) La notación yij (hp) indica que los niveles i y j determinan los niveles h y p para un cuadrado greco-latino especificado. h .UNIVERSIDAD NACIONAL DE CAJAMARCA  τi es el efecto producido por el i-esimo nivel del factor fila.= i=1 y . K  El total y el promedio para cada letra griega ❑ y … p =∑ y ij(...  El total y el promedio de todas las observaciones y ….= i. Dichos efectos están sujetos a la restricción  ∑ τ i=0 ∑ β j =0 j es el efecto producido por el h-esimo nivel del factor letra latina.) ´y . Dichos efectos están sujetos a la restricción  βj γh i es el efecto producido por el j-esimo nivel del factor columna.) ´y i …= j =1 yi … K K y .. p) i.) ´y .= i j y… . Dichos efectos están sujetos a la restricción  ∑ γ h=0 ∑ δ p=0 p ϵ ij (hp) son variables aleatorias independientes con distribución N (0.. j y . K  El total y el promedio para cada letra latina ❑ y .

k σ^ 2 = 2 1 y ij. p− ´y … .UNIVERSIDAD NACIONAL DE CAJAMARCA  ´y . Estimación de los parámetros del modelo Siguiendo el mismo proceso que en los diseños anteriores se obtienen los siguientes estimados máximos verosímiles de los parámetros del modelo ∑ ∑ y ij ( ... h .. En efecto K 2 – (k + 3(k −1))=(k −1)( k−3) Se verifican las mismas propiedades para los estimadores máximosverosímiles que en los modelos anteriores. j ... por columnas. γ^ h = 1 y ij(h . p) −¿ K∑ i. Residuos Los residuos en este modelo adoptan la expresión e ij(hp)= y ij (hp)− ^y ij (hp )= y ij ( hp)− μ^ −τ^ i − ^β j− γ^ h− δ^ p =¿ y ij ( hp)− ´y i … − ´y . Uno de los inconvenientes del cuadrado greco-latino.. para cada letra latina y además también deben sumar cero para cada letra griega. . −^μ −^τ i− β^ j−^γ h− δ^ p ] [ ∑ N i. h .− ´y . δ^ p = 1 y ij(. se obtiene sumando las K observaciones en las que la letra latina se ha fijado al nivel h. es que requiere el mismo número de niveles para los cuatro factores que intervienen. j . j ^μ = ´y .− ´y … .. En este modelo la expresión de la varianza residual tiene la siguiente forma ESTADÍSTICA APLICADA 18 .) ^β j = ^μ = ´y i … −´y … 1 ∑ y −¿ K i=1 ij(.. h .. j .. el número de grados de libertad de los residuos es (k −1)(k−3) .) −¿ K∑ i. ) ^μ= i j K2 = ´y … .− ´y … ... j ^μ = ´y . Por lo tanto. Además no hay cuadrados greco-latinos de dimensión 6. A.) ^μ = ´y .  ´y … p se obtiene sumando las K observaciones en las que la letra griega se ha fijado al nivel p.− ´y … p +3 ´y … Como en el diseño en cuadrado latino los residuos suman cero por filas. k τ^ i = 1 ∑ y −¿ K j=1 ij(. al igual que el cuadrado latino.

h . SCT suma total de cuadrados SCF suma de cuadrados debida al efecto fila SCC suma de cuadrados debida al efecto columna SCL suma de cuadrados debida a las letras latinas SCG suma de cuadrados debida a las letras griegas SCR suma de cuadrados del erros Basándonos en estas sumas de cuadrados se construyeron los correspondientes cuadrados medios que denotaremos por S^ 2T .− ´y . ESTADÍSTICA APLICADA 19 S^ 2C . o bien por CMT. h. 2. CML. CMF.− ´y … p +3 ´y …)2 j=1 k 2 (¿ ¿ … p− ´y …) + ∑ ¿ i=1 k K∑¿ p=1 Que simbólicamente se puede escribir SCT =SCF+ SCC +SCL+SCG + SCR Denominado por esas siglas los términos en el orden en que figuran en la ecuación 8. 3. S^ 2F .... 4.14 y que reciben los siguientes nombres 1.− ´y …) + K ∑ ¿ 2 h=1 k (¿ ¿ i …− ´y …) + K ∑ ¿ j=1 k k k ∑ ∑ ( y ij ( hp)− ´y … )2=K ∑ ¿ i=1 j=1 i=1 y´ y k ∑ (¿ ¿ ij ( hp )− ´y i…− ´y . Descomposición de la variabilidad Siguiendo el mismo procedimiento que en los modelos anteriores se comprueba que la ecuación básica del análisis de la varianza es y´ ´y ´y 2 (¿ ¿ . CMR o CME. Y S^ 2R . CMC.− ´y … ) +¿ 2 k (¿ ¿ . j. 5. 6. S^ 2L . j . S^ 2G .UNIVERSIDAD NACIONAL DE CAJAMARCA k σ^ 2 2 S^ R = = k ∑ ∑ [ y ij(hp)−^y ij (hp) ] k 2 i=1 j=1 ∑ ∑ e 2ij (hp) = ( k−1)(k −3) k i=1 j =1 (k −1)(k −3) B. CMG..

Y los estadísticos de contraste para verificar dichas hipótesis son. respectivamente: S 2 (¿¿ F ) E(CMF) = E ¿^ ¿ S (¿¿2C ) E(CMC) = E ¿^ ¿ S (¿¿2L ) E(CML) = E ¿^ ¿ S (¿¿2G ) E(CMG) = E ¿^ ¿ K = k ∑ τ 2i σ2+ i=1 K −1 K = σ2+ k ∑ β 2j j=1 K −1 K = σ2+ k ∑ γ 2h h=1 K −1 K = σ2+ S 2 (¿¿ R ) E(CMR) = E = ¿^ ¿ k ∑ δ 2p p=1 K−1 σ2 Como en el modelo anterior. letras griegas y residual. Por lo tanto.UNIVERSIDAD NACIONAL DE CAJAMARCA Siguiendo el mismo razonamiento que en la subsección. respectivamente SCF/σ 2 S^ 2F K−1 F τ= = SCR/σ 2 S^ 2R ( K−1)(K −3) . SCL/ σ 2 ^S2L K−1 F γ= = SCR /σ 2 S^ 2R ( K −1)(K −3) . ∀ h H 0 β : βi=0 . se rechazara la hipótesis nula correspondiente cuando el vapor experimental del estadístico sea mayor que el encontrado en las tablas de la ESTADÍSTICA APLICADA 20 . este diseño tiene la propiedad de que todos los contrastes H 0 τ : τ i=0 . columnas. ∀ j H 0 : δ i=0 . ∀ i H 0 γ : γ h=0 . SCG/σ S^ 2G K−1 F γ= = ^S2 SCR /σ 2 R ( K −1)(K −3) 2 SCC /σ ^S2C K −1 Fβ= = ^S2 SCR/σ 2 R (K −1)( K −3) 2 Bajo las hipótesis nulas cada uno de los estadísticos de contraste sigue una distribución F de Snedecor con k −1 y ( k−1)(k −3) grados de libertad. letras latinas. ∀ p Son ortogonales. se demuestra que los valores esperados de los cuadrados medios correspondientes a las filas. son.

UNIVERSIDAD NACIONAL DE CAJAMARCA distribución significación F K−1 y (k −1)(k−3) con grados de libertad al nivel α Tabla N°1. … ) K-1 S^ 2F S^ 2F / S^ 2R K-1 S^ 2C S^ 2C / S^ 2R K-1 S^ 2L S^ 2L / S^ 2R K-1 2 S^ G 2 2 S^ G / ^S R k K ∑¿ i=1 y´ ¿ . SCC .− ´y . SCF . SCG . j . h .… )2 (¿ E. l. son y 2… . …)2 (¿ E.… )2 (¿ E. Tabla ANOVA para el modelo de cuadrado greco-latino Fuentes de variación Suma de cuadrados Grados de libertad Cuadrados medios Fexp E. fila y´ 2 (¿ ¿ i …− ´y . l. SCL . g. SCT =∑ ∑ y − 2 K i=1 j=1 k ESTADÍSTICA APLICADA k 21 2 ij de .. k K∑ ¿ p=1 Residual (K-1)(KSCT −SCF−SCC −SCL−SCG 3) TOTAL k k 2 K −1 ∑ ∑ ( y ij ( hp)− ´y … ) 2 2 S^ R 2 S^ T i=1 j=1 Las expresiones abreviadas de SCT . k K∑ ¿ h=1 ´y ¿ … p− ´y .. Y SCR . columna k K∑¿ j=1 y´ ¿ . l.− ´y .

j .− 2 ∑ K j K E.. y 1 y 2.. − …2..2 K j=1 K 2 k y 1 SCF = ∑ y 2i .. p − 2 K p=1 K La suma de cuadrados del error se obtiene por diferencia SCR=SCT −SCF – SCC – SCL – SCG Y utilizando las expresiones abreviadas de SCT .UNIVERSIDAD NACIONAL DE CAJAMARCA 2 k y 1 SCC = ∑ y 2. l. 1 2 SCG= ∑ y .columna k y… . 1 2 y . h . h . K i=1 K k y 2…. 1 2 y . l.. l.. SCF . SCG .2 ∑ K i K E.− …. dadas en..fila y 1 y 2i . − 2 K h=1 K 2 k y …. p− 2 ∑ K p K k CUADRA DOS MEDIOS Fexp K-1 S^ 2F S^ 2F / S^ 2R K-1 S^ 2C S^ 2C / S^ 2R K-1 2 S^ L 2 2 S^ L / S^ R K-1 2 S^ G 2 2 S^ G / ^S R 2 2 k k Residual GRADO S DE LIBERT AD 2 2 SCT – SCF−SC−SCL−SCG ESTADÍSTICA APLICADA 22 (K-1)(K3) S^ 2R ..− …2. g... y… .− …. y SCR . se construye la siguiente tabla ANOVA. Tabla N°2 ANOVA para el modelo de cuadrado greco-latino FUENTES DE VARIACIÓ N SUMA DE CUADRADOS E. j . 1 2 SCL= ∑ y .. ∑ K h K E.. SCC . SCL .

presión y tipo de catalizador empleado.UNIVERSIDAD NACIONAL DE CAJAMARCA k k 2 ∑∑ y TOTAL i j 2 ij (hp) y − …2. En dicha tabla: 1. decidiéndose realizar un experimento en cuadrado greco-latino. EJEMPLO N°1 En la obtención de un determinado producto químico se está interesado en comparar 4 procedimientos. letras latinas representan el factor presión. 4. 2. Para ello. R2β . Se supone que en dicha obtención también puede influir la temperatura. k k 2 2 Y 147 SCT =∑ ∑ Y ij(. columnas representan el factor temperatura. son los cocientes entre la variación explicada por cada uno de los efectos y la total y se denomina coeficientes de determinación parcial. 3.)− …2 =1503− =152. procedimientos. se consideran 4 niveles de cada uno de estos factores. K S^ 2T 2 K −1 Coeficiente de determinación A continuación se define el coeficiente de determinación como 2 R= Donde SCF + SCC + SCL+ SCG 2 2 2 2 =Rτ + R β + Rγ + Rδ SCT R2τ . La tabla adjunta muestra el cuadrado greco-latino que resulta elegido y las cantidades de producto obtenidas. letras griegas representan el factor tipo de catalizador. Las Las Las Las filas representan el factor principal.4375 2 K 147 i=1 j=1 2 ESTADÍSTICA APLICADA 23 . R2γ y R2δ .

γ ) tres días distintos con tres procedimientos de medición. El número entre paréntesis en cada casilla es la media de las dos replicaciones. 2 k Y … 5549 1472 1 2 SCC = ∑ Y . EJEMPLO N°2 Se compara el rendimiento de tres procesos de fabricación (A. B.6875 K i=1 4 K 4 k SCL=∑ Y 2. β .3 = 9.28). El diseño y los resultados obtenidos se indican en el cuadro.h − i =1 Y 2… 5531 1472 = − 2 =32.1875 4 K 4 i=1 k 2 i . Es decir. − 2 = − 2 =36.6875 La tabla ANOVA correspondiente a este modelo es Tabla 5-7. j . son significativos los efectos de los procedimientos y presión.. pero no lo son los efectos de la temperatura y catalizador.1875 4 K2 4 y la suma de cuadrados del error se obtiene por diferencia SCR =SCT −SCF−SCC−SCL=3. C) en tres condiciones experimentales ( α .. Análisis de la varianza Si realizamos el contraste al 5% y comparamos los valores de las F exp con el valor de la F teórica (F0.UNIVERSIDAD NACIONAL DE CAJAMARCA Y 2… 5491 1472 SCF=∑ Y − 2 = − 2 =22. ESTADÍSTICA APLICADA 24 .3. se concluye que se aceptan las hipótesis de igualdad de efecto de columnas y de letra griega y se rechazan las hipótesis de igualdad de efecto de filas y de letra latina.05.

k.0.UNIVERSIDAD NACIONAL DE CAJAMARCA El modelo matemático: Y ijkj =μ+α i+ β i + y k +δ h +e ijkh ^μ=Y´ … .0. −Y´ … h +3 Y´ ….33) ^β j=Y^ . −Y´ =(−. j .067.33.−Y´ .0 .−1.. ) =2 I 2 −4 I + 3 σ^ 2 ijkh En nuestro ejemplo I =3 .33) Y^ k =Y^ …k .33..33.−0. l tabla ANOVA es ESTADÍSTICA APLICADA 25 .0 .66) La suma de cuadrados: 2 SCE=∑ ( Y ijkh + Y´ i … −Y´ .67..−Y´ …=(−1.=10 α^ i=Y^ i …−Y´ …=(1.0) δ^ h=Y^ … h …−Y´ =(0.67. j .

2..3.1. B.=14+ 16+16+15=61 X … 4=15+11+16+ 23=65 Se calculan ahora las sumas de cuadrados correspondientes a cada factor ESTADÍSTICA APLICADA 26 . Se consideraron los siguientes factores de bloqueo: Fila: Tipo de Vehículo Columna: Conductor Letra Griega: Tipo de carretera Con un arreglo en forma de cuadrado greco latino. entre las gasolinas A.3. el número de millas por galón resultó ser: Analizar a un nivel de significación del 5% si existe diferencia significativa entre los cuatro tipos de gasolina....=16+18+11 +16=61 X 3 …=14 +11+21+16=62 X ...2 .=15+16+ 15+16=62 X … 1=14 +18+15+14=61 X . Totales de fila: columna: Totales de X 1 …=19+16+ 16+14=65 X . C y D.4.4 .=19+15+14+16=64 X 2 …=15+18+ 11+15=59 X ..=16+11 +11+14=52 X … 3=19+16+ 11+16=62 X ..=16+11+21+15=63 X 4 …=16+ 16+15+23=70 X .UNIVERSIDAD NACIONAL DE CAJAMARCA La región de rechazo por lo tanto el único efecto significativo es el del método. es RR=¿ y EJEMPLO N°3 Interesa saber si existe diferencia significativa entre las millas recorridas por galón.=14+15+ 16+23=68 Totales de letra latina: griega: Totales de letra X .1.=19+18+21+23=81 X … 2=16+16 +21+15=68 X .

5 2. 3. X´ D=15. por ser el único cuyo valor F supera este valor crítico. E=148 – 16. L. X ´ C =13 .3 = 9.50.50 – 7.25 X´ =15.50 La sum total de cuadrados es CTC=148 Y la suma de cuadrados debida al error: S .0 8 1.D.=t α 2 .50 – 6.50 CS Columna=6.50=6 SUMA DE CUADRA CUADRA DO DOS MEDIO FUENTE G. se hace necesario ahora encontrar el L. D .C .5 3 7. Los tres factores de bloqueo resultan no influyentes.25.5 5. se concluye que el único factor significativo es el tipo de gasolina.(k −3 ) √ √ 2 ( 6.2 5 Como el valor crítico dado en la tabla de la Distribución F es: F 0.00 ) 2C .17 AMINOS ERROR TOTAL 3 3 15 6 148 2. X L. Las media de cada tipo de gasolina resulta ser: ´ B =20.50 CSF=111. ( k−1 ) .S.5 2 F 18. y hacer las comparaciones múltiples entre todas las diferencias posibles entre medias.05. 6 2. E −3.18 =5. M . Para identifica cuales tipo de gasolinas presentan diferencias significativas.50 CS LetraGriega=7. GASOLINAS 3 111.UNIVERSIDAD NACIONAL DE CAJAMARCA CS Fila=16.17 VEHÍCULOS CONDUCTO RES 3 16. S .7 5 1.50 – 111.51 K 4 ESTADÍSTICA APLICADA 27 .5 37.28.

la conclusión del experimento es que la gasolina B proporciona un número promedio de millas por galón significativamente mayor que la C. D es |X B− X C|=7. y las restantes comparaciones no evidencian una diferencia significativa.51 de medias que supera este Por lo tanto. S . ESTADÍSTICA APLICADA 28 .UNIVERSIDAD NACIONAL DE CAJAMARCA La única diferencia ´ ´ L.25>5.