Diseñoclgl Mes

Diseño Cuadrado Latino y Grecolatino
Dra. Katia García Alfaro
Maestría en Estadística - UNSAAC
16 de junio de 2017
(Maestría en Estadística - UNSAAC) 16 de junio de 2017 1 / 48

Diseño Cuadrado Latino
Introducción
En este diseño las unidades experimentales son clasificadas de
acuerdo a dos criterios de bloqueo. Al igual que en el DBCA, los
bloques formados en el diseño cuadrado latino (DCL) en sus dos
criterios de clasificación, a los que se llamará bloques por filas y
bloques por columnas, son completos, es decir, cada tratamiento
aparece una vez en cada fila y en cada columna.
Es un diseño de experimentos completo de tres factores, todos ellos
con t niveles y necesita t 2 observaciones.
La principal condición de este diseño es que el número de
tratamientos, filas y columnas debe ser el mismo.

Introducción
Por tanto, el diseño cuadrado latino se puede utilizar si se verifican las
siguientes condiciones:
1 Es un diseño de experimentos con tres factores. en los que se
controlan tres fuentes de variabilidad, un factor principal y dos
factores de bloque
2 Los tres factores tienen el mismo número de niveles: t niveles.
3 No hay interacciones entre los tres factores.
4 Cada nivel del factor principal aparece una vez en cada fila y una
vez en cada columna.
Los cuadrados más comunes van de 5 × 5 a 8 × 8; cuadrados muy
pequeños dejan muy pocos grados de libertad para la estimación del
error experimental y cuadrados muy grandes implican la utilización de
muchas unidades experimentales.

Introducción
Un cuadrado latino t × t es una disposición de t letras en una matriz
t × t de forma que todas las letras aparecen una vez en cada fila y una
vez en cada columna.
Un cuadrado latino es un cuadrado latino estándar cuando las
letras de la primera fila y de la primera columna están dispuestas
en orden alfabético.
Un cuadrado latino es un cuadrado latino cíclico si las letras de
cada fila se generan cíclicamente de la anterior según el orden
alfabético.
Ejemplo: Cuadrado Latino 3 × 3 estándar y ciclico:
Tabla 1. Cuadrado Latino 3 × 3 estándar y ciclico

A B C
B C A
C A B
Introducción
Cuadrado Latino 4 × 4: hay cuatro cuadrados latinos 4 × 4 estándar
que se presentan a continuación.
Tabla 2. Cuadrado Latino 4 × 4 estándar

Cuadrado 1 Cuadrado 2 Cuadrado 3 Cuadrado 4
A B C D A B C D A B C D A B C D
B C D A B A D C B A D C B D A C
C D A B C D A B C D B A C A D B
D A B C D C B A D C A B D C B A
Para cualquier número t de tratamientos, existe siempre al menos un

diseño cuadrado latino estándar y cíclico.

Modelo Estadístico
La formulación matemática del modelo del Diseño Cuadrado Latino es
la siguiente:
Yij(k ) = µ + αi + βj + τ(k ) + εij(k ) ; i = j = k = 1, 2, ..., t (1)
Donde, Yij(k ) es el resultado de la UE del i-ésimo, bloque fila y del

j-ésimo, bloque columna al cual se aplicó el nivel k-ésimo del factor
Tratamiento. Se denota a (k) entre paréntesis, para indicar que este
índice no se elige sino que viene condicionado por el par ij.
µ es la media general; P
αi es el efecto del i-ésimo bloque fila sujeto a αi = P0
βj es el efecto del j-ésimo bloque columna sujeto a βj = 0 P
τ(k ) es el efecto del k-ésimo tratamiento (letra latina) sujeto a τk = 0
εij(k ) es el efecto del error, son variables aleatorias independientes con
distribución normal que tiene media cero y varianza común σ 2 .
Supuestos del Modelo Estadístico

1 Aditividad: Los efectos del modelo son aditivos.
2 Linealidad: Las relaciones entre los efectos del modelo son
lineales.
3 Normalidad: Los errores del modelo deben tener una distribución
Normal con media cero y variancia σ 2 .
4 Independencia: Los resultados obtenidos en el experimento son
independientes entre sí.
5 Homogeneidad de Variancias: Las diferentes poblaciones
generadas por la aplicación de los diferentes tratamientos tienen
variancias iguales (σ 2 ).
6 No existe interacción entre los bloques por filas, los bloques por
columnas y los tratamientos.

Análisis del Modelo del Diseño Cuadrado Latino
Notación y Arreglo Tabular

Los resultados de un experimento conducido en un Diseño Cuadrado
Latino se representan como Yij(k ) que indica que los niveles i y j
determinan la letra latina para un cuadrado latino especificado.
Así, por ejemplo un DCL 4 × 4, se muestra en la siguiente tabla:
Bloques Bloques Columna

Fila B1 B2 B3 B4
A1 A Y11(1) B Y12(2) C Y13(3) D Y14(4)
A2 B Y21(2) D Y22(4) A Y23(1) C Y24(3)
A3 C Y31(3) A Y32(1) D Y33(4) B Y34(2)
A4 D Y41(4) C Y42(3) B Y43(2) A Y44(1)
Tratamientos: Letras Latinas (A, B, C, D)

Notación
La notación para los totales que se va a utilizar en este diseño es
como sigue:
Número total de observaciones; n = t 2
El total y la media global
t X
t
X Y ...
Y ... = Yij(·) , Ȳ ... = (2)
n
i=1 j=1
El total y la media por fila

t
X Yi ..
Yi .. = Yij(·) , Ȳi .. = (3)
t
j=1

Notación
El total y la media por columna
t
X Y .j .
Y .j . = Yij(·) , Ȳ .j . = (4)
t
i=1
Yij(·) es la observación correspondiente a la celdilla (i, j)

independientemente de la letra latina (tratamiento) que le
corresponda.
El total y la media para cada Tratamiento (letra latina).
X Y ..k
Y ..k = Yij(k ) , Ȳ ..k = (5)
t
i,j
donde Y ..k se obtiene sumando las t observaciones en las que el

tratamiento se ha fijado al nivel k .
Estimadores del modelo por mínimos cuadrados
Sea
t X
X t t X
X t
ϕ = (εij(k ) )2 = (Yij(k ) − µ − αi − βj − τk )2 (6)
i=1 j=1 i=1 j=1
Se debe encontrar
t X
X t
m«ın ϕ = m«ın (Yij(k ) − µ − αi − βj − τk )2
µ, αi βj τk µ, αi βj τk
i=1 j=1
Esto significa que debemos hallar la solución de las ecuaciones

formadas por las derivadas parciales con respecto a cada uno de los
componentes del modelo e igualar a cero:
∂ϕ ∂ϕ ∂ϕ ∂ϕ
= 0; =0; =0; =0
∂µ ∂ αi ∂ βj ∂ τk

Igualando a cero estas derivadas parciales, se obtiene el sistema de
ecuaciones que proporciona los estimadores de mínimos cuadrados.
Dichos estimadores vienen dados por las expresiones:
Y ...
µ̂ = = Ȳ ...
t2
Yp .. Y ...
α̂p = − 2 = Ȳp .. − Ȳ ...; p = 1, · · · , t
t t
Y .s . Y ...
β̂q = − 2 = Ȳ .s . − Ȳ ...; s = 1, · · · , t
t t
Y ..q Y ...
τ̂s = − 2 = Ȳ ..q − Ȳ ...; q = 1, · · · , t
t t


Residuos: sustituyendo µ̂, α̂i , β̂j , τ̂k , los residuos en este modelo
adoptan la expresión
εij(k ) = Yij(k ) − Ŷij(k ) = Yij(k ) − µ̂ − α̂i − β̂j − τ̂k

= Yij(k ) − Ȳi .. − Ȳ .j . − Ȳ ..k + 2 Ȳ ... (7)
Se verifica que los residuos suman cero por filas, columnas y para
cada letra. El número de grados de libertad de los residuos es
(t − 1)(t − 2), en efecto
t 2 − (t + (t − 1) + (t − 1)) = = t 2 − 3t + 2 = (t − 1)(t − 2).
El estimador insesgado de la varianza poblacional es la suma de los

cuadrados de los residuos dividida por sus grados de libertad.

El problema básico que se plantea es contrastar la hipótesis nula de
que el factor-tratamiento no influye, este contraste se realiza por
medio del Analisis de varianza
Analisis de Varianza
Siguiendo el mismo procedimiento que en modelos anteriores, la
ecuación básica del análisis de la varianza es
t X
X r t
X t
X
(Yij(·) − Ȳ ...)2 = t (Ȳi .. − Ȳ ...)2 + t (Ȳ .j . − Ȳ ...)2
i=1 j=1 i=1 j=1
t
X
+t (Ȳ ..k − Ȳ ...)2
k =1
t X
X t
+ (Yij(·) − Ȳi .. − Ȳ .j . − Ȳ ..k + 2Ȳ ...)2
i=1 j=1

Análisis de Varianza
Esta descomposición de las fuentes de variación en términos de suma
de cuadrados se tiene:
SC Total = SC Fila + SC Columna + SC Tratamiento + SC Error

El análisis de varianza se resume en la siguiente Tabla.
Fuente de Grados de Suma de Cuadrado E(CM)
Variación Libertad Cuadrados Medio Modelo Fijo
Fila t −1 SCF CMF = SCF
t−1
t P 2
σ 2 + t−1 αi
SCC t P 2
Columna t −1 SCC CMC = t−1
σ 2 + t−1 βj
SCT t P 2
Tratamiento t −1 SCT CMT = t−1 σ 2 + t−1 τk
SCE
Residual (t − 1)(t − 2) SCE CME = (t−1)(t−2)
σ2
Total t2 −1 SCTot

Las Sumas de cuadrado son:
t X
r 2
Pt 2 2
X
2 Y··· i=1 Yi·· Y···
SCTot = Yij(.) − 2
; SCF = − 2
t t t
i=1 j=1
Pt 2 Pt 2
j=1 Y·j·
2 Y2
Y··· k =1 Y··k
SCC = − ; SCT = − ···
t t2 t t2
t X t Pt Pt 2 Pt
2 Y 2
i=1 Yi·· j=1 ·j· k =1 Y··k Y2
+ 2 ···
X
2
SCE = Yij(.) − − −
t t t t2
i=1 j=1
= SCTot − SCF − SCC − SCT

Pruebas de los efectos de tratamientos

Las hipótesis que se prueban se hacen en relación a los tratamientos
(Letras Latinas); o sea en la igualdad de las medias de tratamientos,
con la diferencia que en este diseño intervienen en el estudio otras
dos fuentes de variación extrañas que son los de filas y columnas.
Para probar el efecto de los tratamientos se plantea las siguientes
hipótesis:
Ho : τ1 = τ2 = ... = τt = 0
Ha : no todas las τk son iguales a cero
Considerando Las esperanzas de los cuadrados medios el estadístico

de Prueba es el estadístico F
t P 2
σ 2 + t−1 τk
F = 2
σ
Pruebas de los efectos de tratamientos

Por lo tanto
CMT
Fc =
CME
Tiene distribución F con t − 1 y (t − 1)(t − 2) grados de libertad
Conclusión: a un nivel de significación α

Si se halla el punto crítico F0 = F{α;[(t−1) y (t−1)(t−2)]} , entonces se
rechaza la Hipótesis nula si Fc > F0 , caso contrario se acepta H0
Si se halla el nivel crítico Pv = P(F > Fc ), entonces se rechaza la
Hipótesis nula si Pv < α, caso contrario se acepta H0

Prueba de los efectos de Bloques

Para probar el efecto de los bloques por filas y por columnas se
plantean las siguientes hipótesis:
Bloques por filas Bloques por columnas

Ho : αi = 0 , ∀i = 1, · · · , t H o : βj = 0 , ∀j = 1, · · · , t
Ha : algún αi 6= 0 Ha : algúnβj 6= 0
Los estadísticos de Prueba para filas y para columnas es el

estadístico F , dados por los correspondientes
CMF CMC
Fcfil = Fccol =
CME CME
Ambos estadísticos tienen distribución F con t − 1 y (t − 1)(t − 2)
grados de libertad

Prueba de los efectos de Bloques

Conclusión: en ambos casos, a un nivel de significación α

Ejemplo de Diseño Cuadrado Latino
Se realizó un experimento para comparar la efectividad de 4 abonos

nitrogenados en el cultivo de caña de azúcar. Las claves para los
abonos son:
NA: Nitrato amónico NH4 NO3 SA: Sulfato amónico (NH4 )2 SO4 SS:
Salitre sódico UR: Urea
Todos los abonos se aplicaron a razón de 100 Kg por hectárea. Los,
resultados del experimento (en Kg de caña/parcela) fueron:

Fila B1 B2 B3 B4
A1 (SA) 432 (NA) 518 (SS) 458 (UR) 583
A2 (SS) 550 (UR) 724 (NA) 400 (SA) 524
A3 (UR) 556 (SS) 384 (SA) 401 (NA) 297
A4 (NA) 500 (SA) 506 (UR) 501 (SS) 494
Tratamientos: (Letras Latinas) (A=(NA), B=(SA), C=(SS), D=(UR))
Hacer el análisis del Experimento
Diseño Cuadrado Greco Latino
Introducción
Los cuadrados greco-latinos se obtienen por superposición de dos
cuadrados latinos del mismo orden y ortogonales entre sí, 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.
El modelo en cuadrado greco-latino se puede considerar como una
extensión del cuadrado latino en el que se incluye una tercera variable
de control o variable de bloque.
En este modelo, como en el diseño en cuadrado latino, todos los
factores deben tener el mismo número de niveles t y el número de
observaciones necesarias sigue siendo t 2 .

Ejemplo:
Tabla 3. Cuadrado Greco Latino para t = 4
A α B β C γ D δ
D γ C δ B α A β
B δ A γ D β C α
C β D α A δ B γ
Se pueden construir cuadrados grecolatinos para todo número de

tratamientos mayores o iguales a 3 excepto para 6. Teóricamente, es
posible utilizar estos diseños para cualquier t, siempre y cuando t sea
un número primo o la potencia de un número primo.

Modelo Estadístico
La formulación matemática del modelo del Diseño Cuadrado Latino es
la siguiente:
Yij(kl) = µ + ηi + θj + τk + ϕl + εij(kl) ; i = j = k = l = 1, 2, ..., t(8)
Donde, Yij(kl) es el resultado de la UE de la i-ésima fila; j-ésima

columna; k-ésima letra Latina y l-ésima letra Griega. Se denota a (kl)
entre paréntesis, para indicar que este índice depende del par ij.
µ es la media general; P
ηi es el efecto del i-ésimo bloque fila sujeto a ηi = P0
θj es el efecto del j-ésimo bloque columna sujeto a P θj = 0
τk es el efecto del k-ésimo tratamiento latino sujeto a Pτk = 0
ϕl es el efecto del l-ésimo tratamiento Griego sujeto a ϕl = 0
εij(k ) es el efecto del error, son variables aleatorias independientes con
distribución normal que tiene media cero y varianza común σ 2 .
Supuestos del Modelo Estadístico

1 Aditividad: Los efectos del modelo son aditivos.
2 Linealidad: Las relaciones entre los efectos del modelo son
lineales.
3 Normalidad: Los errores del modelo deben tener una distribución
Normal con media cero y variancia σ 2 .
4 Independencia: Los resultados obtenidos en el experimento son
independientes entre sí.
5 Homogeneidad de Variancias: Las diferentes poblaciones
generadas por la aplicación de los diferentes tratamientos tienen
variancias iguales (σ 2 ).
6 No existe interacción entre los bloques por filas, los bloques por
columnas y los tratamientos.

Análisis del Diseño Cuadrado Greco Latino
Notación y totales
El análisis es muy parecido al del Diseño Cuadrado Latino.
La notación para los totales que se va a utilizar en este diseño es
como sigue:
Número total de observaciones; n = t 2
El total y la media global
t X
t
X Y ....
Y .... = Yij(··) , Ȳ .... =
t2
i=1 j=1
El total y la media por fila

t
X Yi ...
Yi ... = Yij(··) , Ȳi ... =
t
j=1

Notación
El total y la media por columna
t
X Y .j ..
Y .j .. = Yij(··) , Ȳ .j .. =
t
i=1
Yij(··) es la observación correspondiente a la celdilla (i, j)

independientemente de las letras latina y griega (tratamiento) que
le corresponda.
El total y la media para cada Tratamiento (letra latina).
X Y ..k .
Y ..k . = Yij(k ·) , Ȳ ..k . =
t
i,j
donde Y ..k . se obtiene sumando las t observaciones en las que el

tratamiento latino se ha fijado al nivel k .
Notación
El total y la media para cada Tratamiento (letra griega).
X Y ...l
Y ...l = Yij(·l) , Ȳ ...l =
t
i,j
donde Y ...l se obtiene sumando las t observaciones en las que el

tratamiento latino se ha fijado al nivel l.

El análisis de varianza se resume en la siguiente Tabla
Fuente de Grados de Suma de Cuadrado E(CM)
Variación Libertad Cuadrados Medio Modelo Fijo
Fila t −1 SCF CMF = SCF
t−1
t P 2
σ 2 + t−1 ηi
SCC t P 2
Columna t −1 SCC CMC = t−1
σ 2 + t−1 θj
SCL t P 2
T. Latino t −1 SCL CML = t−1 σ 2 + t−1 τk
T. Griego t −1 SCG CMG = SCG
t−1
t P 2
σ 2 + t−1 ϕk
SCE
Residual (t − 1)(t − 3) SCE CME = (t−1)(t−3)
σ2
Total t2 −1 SCTot

Las sumas de Cuadrado son dadas por:
t X
r 2
Pt 2 2
X
2 Y···· i=1 Yi··· Y····
SCTot = Yij(.) − ; SCF = −
t2 t t2
i=1 j=1
Pt 2 Pt
Y·j·· 2 2
Y··k 2
j=1 Y···· k =1 · Y····
SCC = − ; SCL = −
t t2 t t2
Pt 2 2
l=1 Y···l Y····
SCG = −
t t2
t Xt Pt Pt 2 Pt Pt
2
Yi··· Y·j·· 2
Y··k 2
Y···l
X
2 i=1 j=1 k =1 · l=1
SCE = Yij(··) − − − −
t t t t
i=1 j=1
2
Y····
+2 = SCTot − SCF − SCC − SCL − SCG
t2

Pruebas de Hipótesis
Las pruebas de hipótesis se realizan relación a los tratamientos y a los
bloques.
Se plantean las siguientes hipótesis:
Bloques por filas Bloques por columnas

Ho : ηi = 0 , ∀i = 1, · · · , t Ho : θj = 0 , ∀j = 1, · · · , t
Ha : algún ηi 6= 0 Ha : algún θj 6= 0
Tratamiento Latino Tratamiento Griego
Ho : τk = 0 , ∀k = 1, · · · , t Ho : ϕl = 0 , ∀l = 1, · · · , t
Ha : algún τk 6= 0 Ha : algún ϕl 6= 0

Pruebas de los efectos de los Factores
Los estadísticos de Prueba en todos los casos es el estadístico F ,
dados por los correspondientes
CMF CMC
Fcfil = Fccol =
CME CME
CML CMG
Fclat = Fcgri =
CME CME
Todos estos estadísticos tienen distribución F con t − 1 y (t − 1)(t − 3)
grados de libertad
Conclusión: a un nivel de significación α

Ejemplo de Diseño Cuadrado Greco Latino
Se quiere estudiar la posible influencia de los tipos de combustible

(tratamiento - letra latina) en el recorrido de vehiculos (variable
respuesta) considerandose los factores de bloqueo: tipo de vehículo
(bloque fila ), conductor (bloque columna) y el tipo de carretera (letra
Griega). Los resultados del recorrido de vehiculos en Km. por galon
fueron:

Fila C1 C2 C3 C4
V1 Bγ 30,6 A β 25,8 D δ 26,1 Cα 22,5
V2 Aδ 24,2 B α 29,0 C γ 17,0 Dβ 24,1
V3 Dα 22,5 C δ 17,7 B β 33,8 Aγ 25,5
V4 Cβ 25,4 D γ 26,8 A α 24,5 Bδ 37,0
¿Qué conclusiones se deducen del experimento?

Eficiencia en los diseños
La eficiencia relativa de un diseño se mide respecto a otro diseño mas

simple, por ejemplo la eficiencia del diseño de bloques frente al diseño
completamente al azar.
Para dos diseños, D1 , y D2 la eficiencia relativa de D1 a D2 es definida
como
EficienciaD1 1/Var (D1 )
ER(D1 aD2 ) = =
EficienciaD2 1/Var (D2 )
P
Donde Var D1 se refiere a Var ( ck τ̂k ) para el diseño Dh , h = 1, |; 2.
Si se desea encontrar la eficiencia relativa (ER) del DBCA comparada
con la del DCA, entonces, D1 es un DBCA con t tratamientos y b
bloques y D2 es un DCA con r replicaciones por cada tratamiento. La
eficiencia relativa depende de la verdadera varianza para los dos
diseños que de hecho son desconocidas.

ER del DBCA comparada con la del DCA

Por tanto, se debe obtener la estimación de la eficiencia relativa, sin
embargo, solo se tiene disponible los datos del DBC. La eficiencia
estimada del diseño BCA en relación con el diseño CA es
(b − 1)CMB + b(t − 1)CMEBCA
ER(BCA a CA) =
(bt − 1)CMEBCA
donde CMB es el cuadrado medio de Bloques y CMEBCA es el

cuadrado medio del error correspondiente al análisis de varianza del
Diseño bloque completo al azar. Si
ER = 1(100 %) La cantidad de bloques ni ha ayudado ni perjudicado
ER < 1(100 %) La cantidad de bloques no ha sido útil
ER > 1(100 %) La cantidad de bloques ha sido útil

ER del DCL comparada con la del DBCA
La eficiencia del diseño del cuadrado latino con dos criterios de bloque
se determina en relación con el diseño de bloques completos
aleatorizado con sólo un criterio de bloque.
Las medidas de eficiencia relativa se puede calcular por separado
para los criterios de bloque de fila y columna en el cuadrado latino.
Eficiencia relativa del bloque por columna. Si sólo se usara el
criterio de bloque por filas con un diseño de bloques completos
aleatorizado, la eficiencia relativa esta dada por
CMC + (t − 1)CMECL
ER(BCA a CA) =
tCMECL
donde CMC es el cuadrado medio de Columnas y CMECL es el

cuadrado medio del error correspondiente al análisis de varianza
del cuadrado latino.
ER del DCL comparada con la del DBCA

Eficiencia relativa del bloque por fila. Si sólo se usa el criterio
de las columnas para el bloque con diseño de bloques completos
aleatorizado, la eficiencia relativa esta dada por
CMF + (t − 1)CMECL
ER(BCA a CA) =
tCMECL
donde CMF es el cuadrado medio de Filas y CMECL es el

cuadrado medio del error correspondiente al análisis de varianza
del cuadrado latino.

Estimación de la unidad perdida
Unidad perdida en DBCA

En un Diseño de Bloques Completos Aleatorizado, puede suceder,
debido a algún descuido o error, o por razones fuera de control del
experimentador, la pérdida de alguna unidad experimental.
Una observación faltante genera un problema en su análisis, ya que
hace que el Diseño está desbalanceado, y se dice que los
tratamientos y los bloques no son ortogonales, porque todos los
tratamientos no ocurren en todos los bloques.
Para solucionar este problema, se realiza un análisis aproximado
estimando la observación faltante y luego se lleva a cabo el Análisis de
Varianza tomando la observación estimada como si fuera un dato real.


Supóngase que falta la observación Yij que corresponde al tratamiento
i y al bloque j; y se representa por x. El procedimiento que se lleva a
cabo para estimar Yij , es el siguiente:
1 Se calcula el gran total con la observación faltante y se
representa por Y 0 ..
2 Se obtienen los totales del tratamiento y del bloque con el dato
faltante que se representa por Yi0 . y Y 0 .j respectivamente.
3 Se calcula el estimador de la observación faltante de la siguiente
forma:
tYi0 . + bY 0 .j − Y 0 ..
Ỹij =
(t − 1)(b − 1)


Puede suceder que falte más de una observación en el experimento.
en este caso se usa el procedimiento anterior iterativamente.
Supóngase que se pierden dos observaciones entonces,
Primero se estima arbitrariamente el primer valor faltante y se usa
este valor como un dato real para estimar el segundo.
Luego se hace una segunda estimación para el primer dato
faltante utilizando la estimación del segundo.
Con la estimación encontrada para el primero se vuelve a estimar
el segundo.
Este procedimiento continúa hasta obtener la convergencia en los
valores estimados; es decir, hasta que resulten valores parecidos
en cada iteración.

Ejemplo - Unidad perdida en DBCA
Se realiza un experimento para estudiar la relación que existe entre la
distancia del objeto al ojo y el tiempo que el ojo tarda en enfocar. Se
usan 4 diferentes distancias (4,6,8 y 10). Existen cinco sujetos
disponibles para el experimento. Por posible diferencia entre sujetos,
se aplica un DBCA. Por algún motivo no se pudo recopilar los datos
correspondientes a la distancia 6, sujeto 3 y a la distancia 8, sujeto 5.
Los datos recopilados se muestran a continuación.
Distancias Bloques (Sujetos)

(pies) 1 2 3 4 5 Yi0 .
4 10 6 6 6 6 34
6 7 6 x 1 6 20
8 5 3 3 2 x 13
10 6 4 4 2 3 19
Y 0 .j 28 19 13 11 15 0
Y .. = 86
Ejemplo - Unidad perdida en DBCA

Solución: siguiendo el procedimiento iterativo se estiman los dos
valores faltantes y se anotan en sus ubicaciones correspondientes en
la tabla de los resultados, quedando como sigue
Distancias Bloques (Sujetos)

(pies) 1 2 3 4 5 Yi .
4 10 6 6 6 6 34
6 7 6 4,66 1 6 24,66
8 5 3 3 2 3,02 16,02
10 6 4 4 2 3 19
Y .j 28 19 17,66 11 18,02 Y .. = 93,68
El análisis de varianza es

Unidad perdida en Diseño Cuadrado Latino

Si por algún motivo se pierde una observación en un Diseño Cuadrado
Latino; se puede obtener un valor estimado a partir de la siguiente
ecuación:
t(Yi0 .. + Y 0 .j . + Y 0 ..k ) − 2Y 0 ...
Ỹij(k ) =
(t − 2)(t − 1)
donde Yi0 .., Y 0 .j . y Y 0 ..k son los totales de la fila, columna y tratamiento
respectivamente con la observación faltante y Y 0 ... es el total general
con el valor faltante. El procedimiento es el mismo que se utilizó en el
Diseño por Bloques Aleatorios Completo para encontrar un valor
faltante. De igual forma que se hizo para el caso anterior se pueden
encontrar dos observaciones faltantes utilizando esta fórmula
reiteradamente.

Ejemplo - Unidad perdida en Diseño Cuadrado Latino

En la producción de yuca(kg) se involucró a cuatro sistemas de plantación de estacas de yuca,
conducido mediante un diseño cuadrado latino de 4 × 4. Los tratamientos evaluados fueron:
A. Estacas con 30 cm de largo plantadas con el sistema tradicional.
B. Estacas con 30 cm de largo plantadas con 15 cm enterradas e inclinadas.
C. Estacas con 30 cm de largo plantadas con 15 cm enterradas, inclinadas y en camellón.
D. Estacas con 30 cm de largo plantadas en forma horizontal en la superficie del camellón.

Fila 1 2 3 4
1 A 98,8 D x B 122,6 C 102,5
2 B 125,3 A 110,3 C 110,1 D 53,7
3 D 83,1 C 104,4 A 100,6 B 93,4
4 C 96,7 B 107,2 D 75,7 A 80,2
Estimar el dato correspondiente al tratamiento D en la fila 1 y columna

2 y realizar el análisis de varianza


Solución: Para estimar el dato faltante Ỹ12(4) se calculan los totales de
la fila, columna, tratamiento y total global.

Fila 1 2 3 4 Yi0 ..
1 A 98,8 D x B 122,6 C 102,5 323,9
2 B 125,3 A 110,3 C 110,1 D 53,7 399,4
3 D 83,1 C 104,4 A 100,6 B 93,4 381,5
4 C 96,7 B 107,2 D 75,7 A 80,2 359,8
Y 0 .j . 403,9 321,9 409 329,8 Y 0 ... = 1464,6
Y 0 ..k A 389,9 B 448,5 C 413,7 D 212,5
4(Y10 .. + Y 0 .2 . + Y 0 ..4 ) − 2Y 0 ... 4(323, 9 + 321, 9 + 212, 5) − 2 × 1464, 6

Ỹ12(4) = = = 84
(4 − 2)(4 − 1) 6


Con el valor estimado Ỹ12(4) = 84 el arreglo tabular de los resultados
es.

Fila 1 2 3 4 Yi ..
1 A 98,8 D 84 B 122,6 C 102,5 407,9
2 B 125,3 A 110,3 C 110,1 D 53,7 399,4
3 D 83,1 C 104,4 A 100,6 B 93,4 381,5
4 C 96,7 B 107,2 D 75,7 A 80,2 359,8
Y .j . 403,9 405,9 409 329,8 Y ... = 1548,6
Y ..k A 389,9 B 448,5 C 413,7 D 296,5
Se realiza el ANVA para probar las hipótesis de diferencia de medias

de los tratamientos. Tanto a los GL del Total y del Error se le resta uno
(1)


Análisis de varianza para produccion,
Fuente de Grados de Suma de Cuadrado

Variación Libertad Cuadrados Medio F Pv
Fila 3 340,14 113,38 1,4834 0,377
Columna 3 1099,64 366,55 4,7959 0,115
Tratamiento 3 3173,43 1057,81 13,8402 0,029
Error 5 382,14 76,43
Total 14 4995,36

Diseñoclgl Mes

Diunggah oleh

Informasi Dokumen

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Diseñoclgl Mes

Diunggah oleh

Hak Cipta:

Format Tersedia

Diseño Cuadrado Latino y Grecolatino

Dra. Katia García Alfaro

Maestría en Estadística - UNSAAC

(Maestría en Estadística - UNSAAC) 16 de junio de 2017 1 / 48

(Maestría en Estadística - UNSAAC) 16 de junio de 2017 2 / 48

(Maestría en Estadística - UNSAAC) 16 de junio de 2017 3 / 48

Tabla 1. Cuadrado Latino 3 × 3 estándar y ciclico

Tabla 2. Cuadrado Latino 4 × 4 estándar

Para cualquier número t de tratamientos, existe siempre al menos un

(Maestría en Estadística - UNSAAC) 16 de junio de 2017 5 / 48

Yij(k ) = µ + αi + βj + τ(k ) + εij(k ) ; i = j = k = 1, 2, ..., t (1)

Donde, Yij(k ) es el resultado de la UE del i-ésimo, bloque fila y del

Supuestos del Modelo Estadístico

(Maestría en Estadística - UNSAAC) 16 de junio de 2017 7 / 48

Notación y Arreglo Tabular

Bloques Bloques Columna

(Maestría en Estadística - UNSAAC) 16 de junio de 2017 8 / 48

El total y la media por fila

(Maestría en Estadística - UNSAAC) 16 de junio de 2017 9 / 48

Yij(·) es la observación correspondiente a la celdilla (i, j)

donde Y ..k se obtiene sumando las t observaciones en las que el

Esto significa que debemos hallar la solución de las ecuaciones

Estimadores del modelo por mínimos cuadrados

(Maestría en Estadística - UNSAAC) 16 de junio de 2017 12 / 48

Estimadores del modelo por mínimos cuadrados

εij(k ) = Yij(k ) − Ŷij(k ) = Yij(k ) − µ̂ − α̂i − β̂j − τ̂k

t 2 − (t + (t − 1) + (t − 1)) = = t 2 − 3t + 2 = (t − 1)(t − 2).

El estimador insesgado de la varianza poblacional es la suma de los

(Maestría en Estadística - UNSAAC) 16 de junio de 2017 13 / 48

(Maestría en Estadística - UNSAAC) 16 de junio de 2017 14 / 48

SC Total = SC Fila + SC Columna + SC Tratamiento + SC Error

(Maestría en Estadística - UNSAAC) 16 de junio de 2017 15 / 48

(Maestría en Estadística - UNSAAC) 16 de junio de 2017 16 / 48

= SCTot − SCF − SCC − SCT

(Maestría en Estadística - UNSAAC) 16 de junio de 2017 17 / 48

Pruebas de los efectos de tratamientos

Considerando Las esperanzas de los cuadrados medios el estadístico

Pruebas de los efectos de tratamientos

Conclusión: a un nivel de significación α

(Maestría en Estadística - UNSAAC) 16 de junio de 2017 19 / 48

Prueba de los efectos de Bloques

Bloques por filas Bloques por columnas

Los estadísticos de Prueba para filas y para columnas es el

(Maestría en Estadística - UNSAAC) 16 de junio de 2017 20 / 48

Prueba de los efectos de Bloques

(Maestría en Estadística - UNSAAC) 16 de junio de 2017 21 / 48

Se realizó un experimento para comparar la efectividad de 4 abonos

Bloques Bloques Columna

(Maestría en Estadística - UNSAAC) 16 de junio de 2017 23 / 48

Se pueden construir cuadrados grecolatinos para todo número de

(Maestría en Estadística - UNSAAC) 16 de junio de 2017 24 / 48

Yij(kl) = µ + ηi + θj + τk + ϕl + εij(kl) ; i = j = k = l = 1, 2, ..., t(8)

Donde, Yij(kl) es el resultado de la UE de la i-ésima fila; j-ésima

Supuestos del Modelo Estadístico

(Maestría en Estadística - UNSAAC) 16 de junio de 2017 26 / 48

El total y la media por fila

(Maestría en Estadística - UNSAAC) 16 de junio de 2017 27 / 48

Yij(··) es la observación correspondiente a la celdilla (i, j)

donde Y ..k . se obtiene sumando las t observaciones en las que el

donde Y ...l se obtiene sumando las t observaciones en las que el

(Maestría en Estadística - UNSAAC) 16 de junio de 2017 29 / 48

(Maestría en Estadística - UNSAAC) 16 de junio de 2017 30 / 48

(Maestría en Estadística - UNSAAC) 16 de junio de 2017 31 / 48

Bloques por filas Bloques por columnas