Captulo 8

Diseos en cuadrados greco-latinos

8.1.

Introduccin

El modelo en cuadrado greco-latino se puede considerar como una extensin del

cuadrado latino en el que se incluye una tercera variable de control o variable de bloque.
En este modelo, como en el diseo en cuadrado latino, todos los factores deben tener el
mismo nmero de niveles K y el nmero de observaciones necesarias sigue siendo K 2 . Este
diseo es, por tanto, una fraccin del diseo completo en bloques aleatorizados con un
factor principal y 3 factores secundarios que requerira K 4 observaciones.
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
Tabla 5-8.
Cuadrado greco-latino
A B C D
D C B A
B A D C
C D A B

Diseos en cuadrados greco-latinos

8.2.

Planteamiento del modelo

En un diseo en cuadrado greco-latino la variable respuesta yij(hp) viene descrita

por la siguiente ecuacin

i = 1, 2 . . . , K

j = 1, 2 . . . , K
yij(hp) = + i + j + h + p + ij(hp)
,
(8.1)
h = 1, 2 . . . , K

p = 1, 2 . . . , K

donde

es un efecto constante, comn a todas las unidades.

i es el efecto producido por el i-simo nivel del factor la. Dichos efectos estn
sujetos a la restriccin i i = 0.
j es el efecto producido por el j-simo nivel del factor columna. Dichos efectos estn
sujetos a la restriccin j j = 0.
h es el efecto producido por el h-simo nivel del factor letra latina. Dichos efectos
estn sujetos a la restriccin h h = 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 especicado. Es decir, los subndices h y p toman valores que
dependen de la celdilla (i, j).
Se utiliza la siguiente notacin:
N = K 2 es el nmero total de observaciones.
El total y el promedio de todas las observaciones
y.... =

yij(..)
i

y.... =

y....
K2

El total y el promedio para cada la

K

yi... =

yij(..)
j=1

yi... =

yi...
K

(8.2)

8.3 Estimacin de los parmetros del modelo

El total y el promedio para cada columna

K

y.j.. =

yij(..)

y.j.. =

y.j..
K

(8.3)

y..h. =

y..h.
K

(8.4)

y...p =

y...p
K

(8.5)

i=1

El total y el promedio para cada letra latina

y..h. =

yij(h.)
i,j

El total y el promedio para cada letra griega

y...p =

yij(.p)
i,j

y..h. se obtiene sumando las K observaciones en las que la letra latina se ha jado al
nivel h.
y...p se obtiene sumando las K observaciones en las que la letra griega se ha jado al
nivel p.
Comentario 8.1
Uno de los inconvenientes del cuadrado greco-latino, al igual que el cuadrado latino, es
que requiere el mismo nmero de niveles para los cuatro factores que intervienen. Adems
no hay cuadrados greco-latinos de dimensin 6.

8.3.

Estimacin de los parmetros del modelo

Siguiendo el mismo proceso que en los diseos anteriores se obtienen los siguientes
estimadores mximos verosmiles de los parmetros del modelo
yij(..)
i

=
1
i =
K
1
j =
K

K2

= y.... ,

(8.6)

yij(..) = yi... y.... ,

(8.7)

yij(..) = y.j.. y.... ,

(8.8)

j=1
K
i=1

Diseos en cuadrados greco-latinos

h =

p =

2 =

8.3.1.

1
N

1
K
1
K

yij(h.) = y..h. y.... ,

(8.9)

yij(.p) = y...p y.... ,

(8.10)

i,j

i,j

yij.. i j h p

(8.11)

i,j

Residuos
Los residuos en este modelo adoptan la expresin
eij(hp) = yij(hp) yij(hp) = yij(hp) i j h p =
(8.12)
y.... .
yij(hp) yi... y.j.. y..h. y...p + 3

Como en el diseo en cuadrado latino los residuos suman cero por las, por columnas,
para cada letra latina y adems tambin deben sumar cero para cada letra griega. Por lo
tanto, el nmero de grados de libertad de los residuos es (K 1)(K 3). En efecto
K 2 (K + 3(K 1)) = (K 1)(K 3)

Se verican las mismas propiedades para los estimadores mximo-verosmiles que en los
modelos anteriores. En este modelo la expresin de la varianza residual tiene la siguiente
forma
K

yij(hp) yij(hp)
2
2 = SR
=

8.4.

i=1 j=1

(K 1)(K 3)

e2ij(hp)
=

i=1 j=1

(K 1)(K 3)

(8.13)

Descomposicin de la variabilidad

Siguiendo el mismo procedimiento que en los modelos anteriores se comprueba que

la ecuacin bsica del anlisis de la varianza es

8.4 Descomposicin de la variabilidad

(yij(hp) y.... )2 = K
i=1 j=1

(
yi... y.... )2 + K
i=1

(
y.j.. y.... )2 +
j=1

(
y..h. y....

)2

(8.14)

p=1

h=1
K

(
y...p y.... )2 +

+K

(yij(hp) yi... y.j.. y..h. y...p + 3

y.... )2
i=1 j=1

que simblicamente se puede escribir

SCT = SCF + SCC + SCL + SCG + SCR ,
denominando por esas siglas los trminos en el orden en que guran en la ecuacin 8.14 y
que reciben los siguientes nombres
1) SCT suma total de cuadrados.
2) SCF suma de cuadrados debida al efecto la.
3) SCC suma de cuadrados debida al efecto columna.
4) SCL suma de cuadrados debida a las letras latinas.
5) SCG suma de cuadrados debida a las letras griegas.
6) SCR suma de cuadrados del error.
Basndonos en estas sumas de cuadrados se construyen los correspondientes cuadrados
2 , y S 2 o bien por CMT , CMF , CMC,
medios que denotamos por ST2 , SF2 , SC2 , SL2 , SG
R
CML, CMG y CMR o CME.
Siguiendo el mismo razonamiento que en la subseccin ?? del Captulo 1, se demuestra
que los valores esperados de los cuadrados medios correspondientes a las las, columnas,
letras latinas, letras griegas y residual, son, respectivamente:
K

2i

K
E(CMF ) = E(SF2 ) = 2 +

i=1

K 1

(8.15)

Diseos en cuadrados greco-latinos

2j

(8.16)

j=1

E(CMC) = E(SC2 ) = 2 +

K 1
K

2h

(8.17)

h=1

E(CML) = E(SL2 ) = 2 +

K 1
K

2p

K
2 ) = 2 +
E(CM G) = E(SG

(8.18)

p=1

K 1

2 ) = 2
E(CMR) = E(SR

(8.19)

Como en el modelo anterior, este diseo tiene la propiedad de que todos los contrastes
H0 : i = 0,

H0 : h = 0, h

i
;

H0 : j = 0, j

(8.20)
H0 : p = 0,

son ortogonales. Y los estadsticos de contraste para vericar dichas hiptesis son, respectivamente

F =

SCF/ 2
K 1
=
SCR/2
(K 1)(K 3)

SF2
2
SR

F =

SCC/2
K 1
=
SCR/2
(K 1)(K 3)

SC2
2
SR

F =

SCL/2
K 1
=
SCR/ 2
(K 1)(K 3)

F =

SCG/ 2
K 1
=
SCR/ 2
(K 1)(K 3)

SL2
2
SR

2
SG
2
SR

.
(8.21)

Bajo las hiptesis nulas (8.20) cada uno de los estadticos de contraste sigue una
distribucin F de Snedecor con K 1 y (K 1)(K 3) grados de libertad. Por tanto,
se rechazar la hiptesis nula correspondiente cuando el valor experimental del estadstico

8.4 Descomposicin de la variabilidad

sea mayor que el encontrado en las tablas de la distribucin F con K 1 y (K 1)(K 3)

grados de libertad al nivel de signicacin .
La tabla ANOVA para este diseo es
Tabla 5-9. Tabla ANOVA para el modelo de cuadrado greco-latino
Fuentes de
variacin

Suma de
cuadrados

Grados de
libertad

Cuadrados
medios

Fexp

(
yi... y.... )2

K 1

SF2

2
SF2 /SR

(
y.j.. y.... )2

K 1

SC2

2
SC2 /SR

(
y..h. y.... )2

K 1

SL2

2
SL2 /SR

(
y...p y.... )2

K 1

2
SG

2 /S 2
SG
R

(K 1)(K 3)

2
SR

K2 1

ST2

E. la

K
i=1
K

E. col.

K
j=1
K

E. l. l.

K
h=1
K

E. l. g.

K
p=1

Residual

SCT SCF
SCC SCL SCG
K

TOTAL

yij(hp) y....
i

Las expresiones abreviadas de SCT , SCF , SCC, SCL, SCG y SCR, son
K

K
2
yij..

SCT =
i=1 j=1

2
y....
K2

SCC =
SCF =

1
K

K
2
yi...
i=1

2
y....
K2

1
K

K
2
y...p
p=1

K
2
y.j..
j=1

2
y....
K2

(8.22)
SCL =

SCG =

1
K

2
y....
K2

1
K

K
2
y..h.
h=1

2
y....
K2

La suma de cuadrados del error se obtiene por diferencia

SCR = SCT SCF SCC SCL SCG .

(8.23)

Diseos en cuadrados greco-latinos

Y utilizando las expresiones abreviadas de SCT , SCF , SCC, SCL, SCG y SCR,
dadas en (8.22), se construye la siguiente tabla ANOVA.
Tabla 5-10. Forma prctica de la tabla ANOVA para
el modelo de cuadrado greco-latino
Fuentes de
variacin

Suma de
cuadrados

E. la

1
K

E. col.

1
K

E. l. l.

1
K

E. l. g.

1
K

Residual

K 1

SF2

2
SF2 /SR

2
y.j..

2
y....
K2

K 1

SC2

2
SC2 /SR

2
y..h.

2
y....
K2

K 1

SL2

2
SL2 /SR

2
y...p

2
y....
K2

K 1

2
SG

2 /S 2
SG
R

(K 1)(K 3)

2
SR

K2 1

ST2

j
K
h
K
p

K
2
yij(hp)

Fexp

2
y....
K2

i
K

TOTAL

Cuadrados
medios

2
yi...

SCT SCF
SCC SCL SCG
K

Grados de
libertad

2
y....
K2

Coeciente de determinacin
A continuacin se dene el coeciente de determinacin como
R2 =

SCF + SCC + SCL + SCG

= R2 + R2 + R2 + R2 ,
SCT

donde R2 , R2 , R2 y R2 son los cocientes entre la variacin explicada por cada uno de los
efectos y la total y se denominan coecientes de determinacin parciales.

8.5.

Ejemplo numrico

A n de ilustrar el anlisis de la varianza de los diseos en cuadrado greco-latino,

consideremos el siguiente ejemplo:

8.5 Ejemplo numrico

Ejemplo 8.2
En la obtencin de un determinado producto qumico se est interesado en comparar
4 procedimientos. Se supone que en dicha obtencin tambin puede inuir la temperatura,
presin y tipo de catalizador empleado, decidindose realizar un experimento en cuadrado
greco-latino. Para ello, se consideran 4 niveles de cada uno de estos factores. La tabla
adjunta muestra el cuadrado greco-latino que resulta elegido y las cantidades de producto
obtenidas. En dicha tabla:
Las las representan el factor principal, procedimientos.
Las columnas representan el factor temperatura.
Las letras latinas representan el factor presin.
Las letras griegas representan el factor tipo de catalizador.

Tabla 5-11 Datos para el Ejemplo 5-2

Procedimientos
P1

P2

P3

P4
y.j..
2
y.j..
2
yij(hp)

T1

11
29
841
231

B
C
A
D

Temperaturas
T2
T3

12
13

10
15

5
5

10
8
37
41
1369
1681
369
483

T4
D
A
C
B

13

11

9
40
1600
420

yi...

2
yi...

43

1849

42

1764

24

576

38
147
5491
1503

1444
5633

Por otra parte, los totales y sus cuadrados para las letras latinas y griegas se muestran
en las tablas 5-12 y 5-13

10

Diseos en cuadrados greco-latinos

letra latina
A
B
C
D

Tabla 5-12.
Observaciones
11 5 13 11
6 12 5
9
5 10 8
7
7 10 15 13

letra griega

Tabla 5-13.
Observaciones
11 12 15 7
5 10 5 11
6
5
8 13
7 10 13 9

y..h.
40
32
30
45
147

2
y..h.
1600
1024
900
2025
5549

y...p
45
31
32
39
147

2
y...p
2025
961
1024
1521
5531

Seguidamente calculamos las sumas de cuadrados

4

SCT =

2
yij..

2
y....
1472
=
1503

= 152,4375
K2
42

2
yi...

2
y....
5633 1472
=
2 = 57,6875
K2
4
4

2
y.j..

2
y....
5491 1472
=
2 = 22,1875
K2
4
4

2
y..h.

2
y....
5549 1472
=
2 = 36,6875
K2
4
4

i=1 j=1

SCF =

SCC =

SCL =

1
K
1
K
1
K

1
SCG =
K

4
i=1
4
j=1
4
h=1
4
2
y...p

p=1

2
y....
5531 1472
=
2 = 32,1875 ,
K2
4
4

y la suma de cuadrados del error

SCR = SCT SCF SCC SCL SCG = 3,6875.
La tabla ANOVA para este diseo es la siguiente

8.5 Ejemplo numrico

11

Tabla 5-14. Anlisis de la varianza para los datos del Ejemplo 5-2
Fuentes de
variacin
E. la
E. columna
E. letra latina
E. letra griega
Residual
TOTAL

Suma de
cuadrados
57.6875
22.1875
36.6875
32.1875
3.6875
152.4375

Grados de
libertad
3
3
3
3
3
15

Cuadrados
medios
19.2291
7.3958
12.2291
10.7291
1.2291

Fexp
15.644
6.017
9.949
8.729

Si realizamos el contraste al 5 % y comparamos los valores de las Fexp con el valor de la

F terica (F0,05;3,3 = 9,28), se concluye que se aceptan las hiptesis de igualdad de efectos
de columnas y de letra griega y se rechazan las hiptesis de igualdad de efecto de las y
de letra latina. Es decir, son signicativos los efectos de los procedimientos y presin, pero
no lo son los efectos de la temperatura y catalizador.

Bibliografa utilizada
Garca Leal, J. & Lara Porras, A.M. (1998). Diseo Estadstico de Experimentos.
Anlisis de la Varianza. Grupo Editorial Universitario.
Lara Porras, A.M. (2000). Diseo Estadstico de Experimentos, Anlisis de la Varianza y Temas Relacionados: Tratamiento Informtico mediante SPSS. Proyecto
Sur de Ediciones.