Documentos de Académico
Documentos de Profesional
Documentos de Cultura
1. Introduccin
En el Diseo Cuadrado Latino (DCL) las unidades experimentales son clasificadas de acuerdo
a dos criterios de bloqueo. Los bloques formados en el DCL se llamar bloques por filas y
bloques por columnas y estos son completos, ya que, cada tratamiento aparece una vez en
cada fila y en cada columna.
El nmero de criterios de clasificacin por bloques puede ser aun mayor que en el DCL. As
tenemos por ejemplo el Diseo Greco-Latino (3 criterios de bloques) y el Diseo Hiper
Greco-Latino (4 criterios de bloques).
El DCL es usado en muchos campos de investigacin donde hay dos fuentes principales de
variacin en la realizacin del experimento. En experimentos sobre el terreno, la disposicin
de las u.e. suele ser sobre un rea rectangular, permitiendo as la eliminacin de la variacin
proveniente de diferencias en el suelo en dos direcciones. El DCL ha sido utilizado tambin
con ventaja en la industria, laboratorio y en las ciencias sociales.
La principal desventaja de este diseo es que el nmero de tratamientos, filas y columnas
debe ser el mismo. Los cuadrados ms comunes van de 5x5 a 8x8; cuadrados muy pequeos
dejan muy pocos grados de libertad para la estimacin del error experimental y cuadrados
muy grandes implican la utilizacin de muchas unidades experimentales adems de que al
tener bloques grandes el error experimental aumenta.
Desventajas:
-
El nmero de tratamientos, filas y columnas debe ser el mismo. Por esta razn, no es
recomendable para un nmero elevado de tratamientos ya que se requerir de un nmero
elevado de unidades experimentales (el nmero de u.e. es igual a t2).
B C
C D
D E
E F
F A
A B
D E
E F
F A
A B
B C
C D
F
A
B
C
D
E
Por ejemplo, para un DCL con 3 tratamientos, todos los cuadrados posibles seran:
A
B
C
B
C
A
C
A
B
A
C
B
B
A
C
C
B
A
A
B
C
C
A
B
B
C
A
A
C
B
C
B
A
B
A
C
B
A
C
A
C
B
C
B
A
B
C
A
A
B
C
C
A
B
B
A
C
C
B
A
A
C
B
B
C
A
C
A
B
A
B
C
C
A
B
A
B
C
B
C
A
C
B
A
A
C
B
B
A
C
C
A
B
B
C
A
A
B
C
C
B
A
B
A
C
A
C
B
En este caso basta elegir un Cuadrado Latino 3 3 al azar de este grupo, si sali el sexto entre
estos 12, entonces el CL aleatorizado sera
B
C
A
A
B
C
C
A
B
B
C
D
A
C
D
A
B
D
A
B
C
A
B
C
D
B
A
D
C
C
D
A
B
D
C
B
A
A
B
C
D
B
D
A
C
C
A
D
B
D
C
B
A
A
B
C
D
B
A
D
C
C
D
B
A
D
C
A
B
B
A
D
C
C
D
B
A
D
C
A
B
B
C
D
A
C
A
B
D
D
B
A
C
D
B
A
C
A
D
C
B
B
C
D
A
C
A
B
D
i, j, k 1,..., t
donde:
Y(i)jk es el valor o rendimiento observado en el i-simo tratamiento, j-sima fila, k-sima
columna.
Todos los abonos se aplicaron a razn de 100 kg por hectrea. El diseo empleado fue un
Cuadrado Latino, donde las unidades experimentales fueron clasificadas en filas y columnas
segn su ubicacin en el terreno tal y como se muestra en el siguiente croquis junto con los
resultados del experimento (en kg de caa/parcela):
Fila
1
2
3
4
Total
1
432 (SA)
550 (SS)
556 (UR)
500 (NA)
2038
Columna
2
3
518 (NA)
458 (SS)
724 (UR)
400 (NA)
384 (SS)
400 (SA)
506 (SA)
501 (UR)
2132
1759
4
583 (UR)
524 (SA)
297 (NA)
494 (SS)
1898
Total
1991
2198
1637
2001
7827
i, j, k 1,..., 4
donde:
Y(i)jk es el rendimiento de caa observado con el i-simo abono nitrogenado, j-simo
bloque por fila, k-simo bloque por columna.
Q
j 1 k 1
2
( i ) jk
(Y(i ) jk (i ) j k )2
j 1 k 1
i 1
(i )
j 1
k 1
Y()
(i ) Y(i ) Y()
j Y() j Y()
k Y()k Y()
Y el residual
Ejemplo 1 (Cont.): Con los datos del ejemplo anterior, la media estimada es:
Y() 489.2
Los efectos estimados de los tratamientos:
3 Y()3 Y()
2 Y()2 Y()
3 Y()3 Y()
4 Y()4 Y()
El residual e21:
(489.2) = -39.6
7. Anlisis de Variancia
En este modelo la variabilidad total se descompone en cuatro fuentes de variacin, la
explicada por los tratamientos, por los bloques filas, por los bloques columnas y por el error.
Por lo tanto, el modelo de descomposicin de la variabilidad total ser el siguiente:
(Y
j 1 k 1
donde
Y(2 )
t2
Y() ) Y
2
( i ) jk
j 1 k 1
2
( i ) jk
Y(2)
t2
Las sumas de cuadrados de los tratamientos, bloques por filas y por columnas y error
experimental se calculan de la siguiente manera:
SC(Tratamientos)
Y(2i )
i 1
Y(2) j
j 1
SC(Bloques Fila)
SC(Bloques Columna)
SC(Error)
Y
j 1 k 1
2
( i ) jk
Y(2i )
i 1
TC
TC
Y(2)k
k 1
Y(2) j
j 1
TC
t
Y(2)k
k 1
2TC
Cuadro ANVA
Fuentes de
Variacin
Grados de
Libertad (GL)
Sumas de
Cuadrados (SC)
Tratamientos
t1
SC(Trat)
Bloques Filas
t1
SC(Fila)
Bloques Columna
t1
SC(Columna)
(t 1)(t 2)
SC(Error)
t2 1
SC(Total)
Error
Experimental
Total
Cuadrados
Medios (CM)
SC (Trat)
GL(Trat)
SC (Fila)
GL(Fila)
SC (Columna)
GL(Columna)
SC (Error)
GL(Error)
Fc
CM (Trat)
CM (Error)
Hiptesis:
Para el Modelo I (Efectos fijos) las hiptesis son, en trminos de los efectos de los
tratamientos las siguientes:
H0: 1 = 2 = = t = 0
H1: i 0 para al menos algn i
En trminos de las medias de los tratamientos:
H0: 1 = 2 = = t
H1: No todos los i son iguales
Para el Modelo II (Efectos aleatorios) las hiptesis sern planteadas en trminos de la
variancia de los tratamientos:
H0: 2 = 0
H1: 2 > 0
En cualquiera de los casos, la hiptesis nula implica que los tratamientos no afectan a la
variable respuesta o lo que es lo mismo, que con todos los tratamientos se obtienen los
mismos resultados.
Estadstico de Prueba:
Fc
CM(Trat)
FGL ( trat ), GL ( Error )
CM(Error)
Regla de Decisin:
La hiptesis nula se rechaza con un nivel de significacin si el Fc resulta mayor que el valor
de tabla
2
( i ) jk
j 1 k 1
Y(2)
t2
78272
3971727 3828871 142586
SC(Total) (432 550 ... 494 )
42
2
1715
1862
1886
2364
SC(Tratamientos)
Y(2i )
i 1
TC
3828871 59570
SC(Tratamientos)
4
4
4
4
SC(Bloques Fila)
Y(2) j
j 1
TC
3828871 40893
SC(Bloques Fila)
4
4
4
4
SC(Bloques Columna)
SC(Bloques Columna)
Y(2)k
k 1
TC
3828871 19968
4
4
4
4
10
Cuadro ANVA
Fuentes de Variacin
GL
SC
CM
Fc
Tratamientos
Bloques Filas
Bloques Columnas
Error Experimental
Total
3
3
3
6
15
59570
40893
19968
22426
142856
19857
13631
6656
3738
5.31
Rendimiento
700
600
500
400
300
NA
SA
SS
UR
Abono
Asumiendo un modelo de efectos fijos, las hiptesis en trminos de los efectos de los
tratamientos son:
H0: 1 = 2 =3 =4 =0
H1: i 0 para al menos algn i
En trminos de las medias de los tratamientos:
H0: 1 = 2 = 3 =4
H1: no todos los i son iguales
o literalmente:
11
H0: Los cuatro abonos nitrogenados tienen el mismo efecto en el cultivo de caa de azcar.
H1: Con al menos uno de los abonos nitrogenados se obtiene un efecto diferente en el cultivo
de caa de azcar.
El estadstico de prueba es Fc = 5.31. Los valores de la tabla para un nivel de significacin del
1% y 5% son F 0.99, 3,6 9.98 y F 0.95, 3,6 4.76 , respectivamente. Dado que el estadstico de
prueba resulta mayor que el valor de F 0.95, 3,6 4.76 , pero no del valor de F 0.99, 3,6 9.98 , la
prueba result significativa, se rechaza H0 a un nivel de significacin del 5%.
En conclusin, existe suficiente evidencia estadstica para aceptar que con al menos uno de
los abonos nitrogenados se obtiene un efecto diferente (rendimientos diferentes) en el cultivo
de caa de azcar.
El coeficiente de variacin para este experimento es:
cv
3738
CME
12.50%
=
Y()
489.19
2CME
t
1. Prueba t y DLS
sY( i ) Y( j )
2. Contrastes Ortogonales
sL CME
i 1
3. Tukey y Duncan
4. Dunnet
ci2
t
sY( i ) Y( j )
sY(T ) Y( i )
CME
t
2CME
t
Ejemplo 1 (Cont.): Uno de los objetivos del experimento era evaluar si con sulfato amnico
se podan obtener mejores rendimientos que con nitrato amnico. Efecte la prueba
correspondiente:
H0: 2 - 1 = 0
H1: 2 - 1 > 0
12
tc
(Y(2) Y(1) ) k
2CME
t
(465.50 428.75) 0
0.85
2(3738)
4
6)
En conclusin, no existe suficiente evidencia estadstica para aceptar que con sulfato amnico
se obtengan mejores rendimientos de caa de azcar que con nitrato amnico.
Ejemplo 1 (Cont.): Aplique la prueba de Tukey para evaluar la significancia de las
diferencias entre los tratamientos.
Las hiptesis son las siguientes:
H0: 1 = 2
H0: 1 = 3
H0: 1 = 4
H1: 1 2
H1: 1 3
H1: 1 4
H0: 2 = 3
H0: 2 = 4
H0: 3 = 4
H1: 2 3
H1: 2 4
H1: 3 4
CME
3738
= 4.90
149.78
t
4
Y(i ) Y( j )
Significancia
36.75
42.75
162.25
6.00
125.50
119.50
2 (SA)
465.50
3 (SS)
471.50
n.s.
n.s.
*
n.s.
n.s.
n.s.
4 (UR)
591.00
13
Eficiencia Relativa:
ERCol
ERFila
Interpretacin:
Existe una ganancia del 66.2% en eficiencia, por el uso de Bloque fila debido a la gradiente
de fertilidad en esa direccin. As, los bloques de las filas para los gradientes de fertilidad
reduce la variancia del error en un 66.2%. Sin el uso los bloques fila para gradiente de suelo
fertilidad requerira 1.662(4)=6.6487 rplica para obtener una variancia estimada de la
media de tratamiento igual a la del DCL.
ERCol
Interpretacin:
Hay una ganancia del 19.5% en eficiencia sobre el diseo bloques completos randomizado,
en que slo se usa el criterio de bloque correspondiente a los reglones del cuadrado latino.
As, los bloques de la columnas para los gradientes de fertilidad reduce la variancia del error
en un 19.5%. El Diseo de bloques randomizado sin los bloques columnas para gradiente de
suelo requerira 1.195(4)=4.785 rplica para obtener una variancia estimada de la media de
tratamiento igual a la del DCL.
14
DF
3
3
3
6
15
Seq SS
59570
40893
19968
22426
142856
Adj SS
59570
40893
19968
22426
Adj MS
19857
13631
6656
3738
F
5.31
3.65
1.78
P
0.040
0.083
0.251
Difference
of Means
36.75
42.75
162.25
SE of
Difference
43.23
43.23
43.23
T-Value
0.8501
0.9889
3.7532
Adjusted
P-Value
0.8295
0.7611
0.0359
T-Value
0.1388
2.9031
Adjusted
P-Value
0.9989
0.0966
T-Value
2.764
Adjusted
P-Value
0.1142
Difference
of Means
6.000
125.500
SE of
Difference
43.23
43.23
Difference
of Means
119.5
SE of
Difference
43.23
15
vs. ajustes
50
90
Residuo
Porcentaje
99
50
10
25
0
-25
-50
1
-100
-50
0
Residuo
50
100
300
400
500
600
Valor ajustado
Histograma
vs. orden
50
3.6
Residuo
Frecuencia
4.8
2.4
1.2
0.0
700
25
0
-25
-50
-60
-40
-20
0
20
Residuo
40
60
9 10 11 12 13 14 15 16
Orden de observacin
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
abono$fila<-factor(abono$fila)
abono$col<-factor(abono$col)
abono$trat<-factor(abono$trat)
str(abono)
`data.frame':
16 obs. of 4 variables:
$ rend: int 518 400 297 500 432 506 400 524 458 550 ...
$ fila: Factor w/ 4 levels "1","2","3","4": 1 2 3 4 1 4 3 2 1 2 ...
16
mod<-lm(rend~.,data=abono)
anva<-anova(mod)
anva
Analysis of Variance Table
Response: rend
Df Sum Sq Mean Sq F value Pr(>F)
fila
3 40893
13631 3.6470 0.08319 .
col
3 19968
6656 1.7808 0.25064
trat
3 59570
19857 5.3126 0.03988 *
Residuals 6 22426
3738
--Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
par(mfrow=c(2,2))
plot(mod)
500
600
2
1
0
-1
16
-2
-1
Theoretical Quantiles
Scale-Location
Constant Leverage:
Residuals vs Factor Levels
0.0
500
600
700
Fitted values
-2 -1
16
Fitted values
400
Normal Q-Q
7
700
Standardized residuals
16
0.6
1.2
400
Standardized residuals
Standardized residuals
50
0
-50
Residuals
Residuals vs Fitted
7
16
fila :
ri<-rstandard(mod)
shapiro.test(ri)
Shapiro-Wilk normality test
data: ri
W = 0.9342, p-value = 0.2842
library(car)
> ncvTest(mod)
Non-constant Variance Score Test
Variance formula: ~ fitted.values
Chisquare = 1.274036
Df = 1
>
library(multcomp)
p = 0.2590109
17
amod<-aov(rend~.,data=abono)
comptrat<-glht(amod,linfct=mcp(trat="Tukey"))
summary(comptrat)
Simultaneous Tests for General Linear Hypotheses
Multiple Comparisons of Means: Tukey Contrasts
Fit: aov(formula = rend ~ ., data = abono)
Linear Hypotheses:
Estimate Std. Error t value Pr(>|t|)
2 - 1 == 0
36.75
43.23
0.850
0.8296
3 - 1 == 0
42.75
43.23
0.989
0.7611
4 - 1 == 0
162.25
43.23
3.753
0.0359 *
3 - 2 == 0
6.00
43.23
0.139
0.9989
4 - 2 == 0
125.50
43.23
2.903
0.0965 .
4 - 3 == 0
119.50
43.23
2.764
0.1142
--Signif. codes: 0 *** 0.001 ** 0.01 * 0.05 . 0.1 1
(Adjusted p values reported -- single-step method)
> library(agricolae)
> anva<-aov(mod)
> compd<-duncan.test(anva,"trat")
> compd
$statistics
Mean
CV MSerror
489.1875 12.49752 3737.646
$parameters
Df ntr
6
4
$Duncan
Table CriticalRange
2 3.460456
105.7797
3 3.586498
109.6326
4 3.648934
111.5411
$means
rend
std r Min Max
1 428.75 102.02410 4 297 518
2 465.50 59.09033 4 400 524
3 471.50 69.53896 4 384 550
4 591.00 95.00526 4 501 724
$comparison
NULL
$groups
trt means
1
4 591.00
2
3 471.50
3
2 465.50
4
1 428.75
M
a
b
b
b
18
Ejercicios
1. Un ingeniero industrial est investigando el efecto que tienen cuatro mtodos de
ensamblaje (A, B, C y D) sobre el tiempo (en minutos) de ensamblaje de un componente
para televisores a color. Se seleccionan cuatro operadores para realizar este estudio. Por
otra parte, el ingeniero sabe que no todos los operadores son igualmente hbiles y que el
trabajo produce fatiga, por lo que el tiempo que se tarda en el ltimo ensamblaje puede ser
mayor que en el primero, independientemente del mtodo. Para controlar estas posibles
fuentes de variabilidad, el ingeniero utiliza el DCL. Los resultados se muestran a
continuacin:
Orden de
Montaje
1
2
3
4
Operador
1
C = 10
B = 07
A = 05
D = 10
2
D = 14
C = 18
B = 10
A = 10
3
A = 07
D = 11
C = 11
B = 12
4
B = 08
A = 09
D = 09
C = 14
a) Presente el modelo aditivo lineal e interprete cada uno de sus componentes en trminos
del enunciado.
b) Efecte el anlisis de variancia.
c) Mediante la prueba DLS compare los mtodos A y D.
2. Se realiz un experimento para observar el rendimiento en kilogramos por parcela de 5
variedades de garbanzo (A, B, C, D, E) en el cual se tuvo que utilizar el diseo Cuadrado
Latino. Las filas fueron definidas como niveles de riego y las columnas como fertilidad
del suelo. Los datos se presentan a continuacin:
Niveles
de riego
1
2
3
4
5
1
B = 65
C = 95
A = 63
E = 97
D = 76
2
C = 80
A = 60
E = 98
D =94
B = 54
4
E = 83
D = 95
B = 69
C = 71
A = 36
5
D = 80
B = 62
C = 100
A = 42
E = 96
a) Presente el modelo aditivo lineal e interprete cada uno de sus componentes en trminos del
enunciado.
b) Presente el cuadro ANVA y pruebe la hiptesis respectiva.
c) Realice la prueba de Tukey.
19