Diseño Cuadrados Greco-Latino

Considere un cuadrado Latino p  p , cuyos tratamientos son denominados con letras

mayúsculas : A, B, C, ... ; a este cuadrado Latino se sobrepone un segundo cuadrado
latino p  p , cuyos tratamiento se designan por letras griegas,:  ,  ,  , K , de tal
manera que estos cuadrados latinos sean ortogonales. A este diseño se le llama
cuadrado greco-latino.

Propiedad: Se dice que dos cuadrados latinos son ortogonales si al sobreponerse

poseen la propiedad de cada letra griega aparece una sola vez con cada letra latina.

Un ejemplo de la distribución de tratamiento en un Diseño cuadrado greco-latino 4  4 :

Columna
Fila 1 2 3 4
1 A B C D
2 B A D C
3 C D A B
4 D C B A

El diseño cuadrado greco-latino puede utilizarse para controlar sistemáticamente para

tres fuentes extrañas de variabilidad. En otras palabras, se usa para hacer un análisis
por bloques en tres direcciones. El diseño permite analizar cuatro factores (reglón,
columna, letra griega y letra latina) cada uno con p niveles, usando solamente p 2
ensayos (o unidades). Los cuadrados greco-latinos existen para toda p  3 excepto si
p  6.

Modelo estadístico

El modelo estadístico de un diseño cuadrado Greco-latino está dado por:

Yi  j   k  l     i    j    k    l   i  j   k  l , para i, j, k , l  1, 2, K , p
donde:

Yi  j   k  l  es la observación obtenida de la unidad al cual se le aplicó el tratamiento j

correspondiente a la letra latina, correspondiente al nivel k del factor de la
letra griega, y que pertenece al reglón i y a la columna l.

 = es el efecto de la media general.

 i = es el efecto del reglón i .

  j  = es el efecto del tratamiento j correspondiente a la letra latina.

 k  = es el efecto del nivel k del factor correspondiente a la letra griega.

 l = es el efecto de la columna l .
 i j   k  l = es el error correspondiente a la unidad del reglón i y de la columna l que
recibió el tratamiento j de la letra latina en el nivel k del factor correspondiente a la
letra griega.

Hipótesis

Modelo I

H 0 :   1    2  L    p   0
H1 :   j  � 0 , para al menos un j , tal que j  1, 2, K , p

Equivalentemente, en término de media

H 0 :  1   2  L   p   
H1 : , Al menos dos  j  son diferentes

En este caso se asume que los errores  i j   k  l son variables aleatorias independientes
no observables que se distribuyen normalmente con media cero y variancia común s 2 y

p p p p

�i  �  j   � k   � l  0
i 1 j 1 k 1 l 1

Modelo II

Hipótesis

H 0 : s 2  0
H1 : s 2 > 0

En este caso se asume que   j  son variables aleatorias independientes distribuidas

normalmente con media cero y variancia s  , y que los errores  i  j   k  l son variables
2

aleatorias independientes no observables que se distribuyen normalmente con media

cero y variancia común s 2
El Análisis de variancia es muy similar al de un cuadrado latino, a continuación se
presenta el cuadro de ANVA

Fuente de Suma de Cuadrados GL CM

Variación
Tratamiento de Y�2 j   ��
p 2
Y�� p -1 SCTrat
SCTrat  �

-
   ��
 CMTrat 
letra Latina 2 p -1
j 1 p p
Factor letra Griega 2
Y�� 2 p -1 SCG
   k  � Y��
p
SCG  � -
   ��
 CMG 
p p 2 p -1
k 1

Reglones p Y2 2
Y�� p -1 SCR
SCR  �
i �
  ��

-
   ��
 CMR 
p p 2 p -1
i 1

Columnas p 2
Y�� 2
Y�� p -1 SCC
SCC  �
   � l
-
   ��
 CMC 
p p2 p -1
l 1

Error Por diferencia  p - 3  p - 1 CME 

SCE
 p - 3  p - 1
Total p p 2
Y�� p2 -1
   ��

SCTot  ��Yi j   k  l - 2

i 1 l 1 p2

CMTrat
Se rechaza H 0 a un nivel de significación  , si Fc  es mayor que
CME
F 1- ,GLTrat ,GLE  .

Ejemplo: Supóngase que en un experimento se desea comparar 5 fórmulas para la

dinamita sobre la fuerza explosiva observada. Cada fórmula se prepara usando un lote
suficientemente grande para que sólo se haga 5 mezclas. Más aun las mezclas las
preparan varios operadores, pudiendo existir una diferencia sustancial en la habilidad y
experiencia entre ellos. Además, existe otro factor adicional que afecta en la elaboración
de la dinamita, línea de montaje. Teniendo en cuenta estos factores, se realizó un
experimento bajo el diseño Cuadrados Greco-Latino, con 5 fórmulas (A, B, C, D y E),
5 lotes de materias primas (1, 2, 3, 4 y 5), 5 operadores (1, 2, 3, 4 y 5) y 5 líneas de
montajes (  ,  ,  ,  , �) . los resultados codificados de la fuerza explosiva se muestra a
continuación:
Lote de Materia Operadores
Prima 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� �  � l -18 18 -4 5 9 10= Y��
   ��


Fórmula A B C D E
Y� j   ��

18 -24 -13 24 5

Línea de montaje     �
Y��
  k�
10 -6 -3 -4 13

Y�2 j   ��
p

2
Y��
   ��
 1� 2 102
SCTrat  �   18    -24    -13   24    5  -�
2 2 2 2
-  330
j 1 p p2 5� � 25
102   -6    -3    -4   132 102
2 2 2 2 2
Y��
   k  � Y��
p
   ��

SCG  � -  -  62
k 1 p p2 5 25
Yi2�  ��  -14   92  52  32  7 2 102
2 2
p
 Y��
   ��

SCR  � -  -  68
i 1 p p2 5 25
 -18  182   -4   52  92 102
2 2 2 2
p Y��
   � l Y��
   ��

SCC  � -  -  150
l 1 p p2 5 25
2
p p Y�� 102
   ��

SCTot  ��Yi j   k  l -  (-1) 2  (-5) 2  L   6  -
2
2
 676
i 1 l 1 p2 25
SCE  SCTot - SCtrat - SCG - SCR - SCC  676 - 330 - 62 - 68 - 150  66

Fuente de Variación Suma de GL CM Fc

Cuadrados
Fórmula 330 4 82.5 10
Línea de Montaje 62 4 15.5
Lote de Materia 68 4 17
Operadores 150 4 37.5
Error 66 8 8.25
Total 676 24

H 0 :   1    2   L    5  0
H1 :   j  �0 , para al menos un j , tal que j  1, 2, K , 5

H 0 :  1   2  L   5  
H1 : Al menos dos  j  son diferentes
 CMTrat
Fc  ~ F 4,8 | H 0 es cierta
CME

CMTrat 82.5
Fc    10
CME 8.25
Pvalue=1-pf(10,4,8)
0.003343621
Se rechaza H 0 . Luego, se encontrado una fuerte evidencia estadística para afirmar que
al menos una fórmula produce efecto diferente sobre la fuerza explosiva de la
dinamita.

> dina<-read.table("d:/datos/dinamita.txt",header=T)
> dina
exploc formula linea lote oper
1 -1 a alfa 1 1
2 -5 b gama 1 2
3 -6 c epsi 1 3
4 -1 d beta 1 4
5 -1 e delta 1 5
6 -8 b beta 2 1
7 -1 c delta 2 2
8 5 d alfa 2 3
9 2 e gama 2 4
10 11 a epsi 2 5
11 -7 c gama 3 1
12 13 d epsi 3 2
13 1 e beta 3 3
14 2 a delta 3 4
15 -4 b alfa 3 5
16 1 d delta 4 1
17 6 e alfa 4 2
18 1 a gama 4 3
19 -2 b epsi 4 4
20 -3 c beta 4 5
21 -3 e epsi 5 1
22 5 a beta 5 2
23 -5 b delta 5 3
24 4 c alfa 5 4
25 6 d gama 5 5

fuerza<-as.vector(dina[,1])
form<-dina[,2]
lin<-dina[,3]
lot<-as.factor(dina[,4])
ope<-as.factor(dina[,5])
mode<-lm(fuerza~form+lin+lot+ope)
> summary(influence.measures(mode))
Potentially influential observations of
lm(formula = exploc ~ ., data = dina) :

dfb.1_ dfb.frmlb dfb.frmlc dfb.frmld dfb.forml dfb.lnbt dfb.lndl dfb.lnps

1 0.86 -0.33 -0.33 -0.33 -0.33 -0.33 -0.33 -0.33
2 0.08 0.26 0.00 0.00 0.00 0.00 0.00 0.00
3 -0.12 0.00 -0.40 0.00 0.00 0.00 0.00 -0.40
5 0.10 0.00 0.00 0.00 0.33 0.00 0.33 0.00
6 0.10 0.33 0.00 0.00 0.00 0.33 0.00 0.00
9 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00
11 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00
15 -0.35 -1.14_* 0.00 0.00 0.00 1.14_* 1.14_* 1.14_*
16 0.12 0.00 0.00 0.40 0.00 0.00 0.40 0.00
17 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00
18 -0.06 0.19 0.19 0.19 0.19 0.00 0.00 0.00
19 0.03 -0.06 0.00 0.00 0.00 0.00 0.00 -0.06
20 0.06 0.00 -0.13 0.00 0.00 -0.13 0.00 0.00
21 -0.44 0.00 0.00 0.00 -1.43_* 0.00 0.00 -1.43_*
22 -0.12 0.40 0.40 0.40 0.40 -0.40 0.00 0.00
23 -0.18 0.40 0.00 0.00 0.00 0.00 0.40 0.00
24 0.50 0.00 1.63_* 0.00 0.00 -1.63_* -1.63_* -1.63_*
25 0.03 0.00 0.00 -0.06 0.00 0.00 0.00 0.00
dfb.lngm dfb.lot2 dfb.lot3 dfb.lot4 dfb.lot5 dfb.opr2 dfb.opr3 dfb.opr4
1 -0.33 -0.33 -0.33 -0.33 -0.33 -0.33 -0.33 -0.33
2 0.26 -0.26 -0.26 -0.26 -0.26 0.26 0.00 0.00
3 0.00 0.40 0.40 0.40 0.40 0.00 -0.40 0.00
5 0.00 -0.33 -0.33 -0.33 -0.33 0.00 0.00 0.00
6 0.00 0.33 0.00 0.00 0.00 -0.33 -0.33 -0.33
9 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00
11 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00
15 1.14_* 0.00 -1.14_* 0.00 0.00 0.00 0.00 0.00
16 0.00 0.00 0.00 0.40 0.00 -0.40 -0.40 -0.40
17 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00
18 -0.19 0.00 0.00 -0.19 0.00 0.00 -0.19 0.00
19 0.00 0.00 0.00 -0.06 0.00 0.00 0.00 -0.06
20 0.00 0.00 0.00 -0.13 0.00 0.00 0.00 0.00
21 0.00 0.00 0.00 0.00 -1.43_* 1.43_* 1.43_* 1.43_*
22 0.00 0.00 0.00 0.00 -0.40 -0.40 0.00 0.00
23 0.00 0.00 0.00 0.00 0.40 0.00 0.40 0.00
24 -1.63_* 0.00 0.00 0.00 1.63_* 0.00 0.00 1.63_*
25 -0.06 0.00 0.00 0.00 -0.06 0.00 0.00 0.00
dfb.opr5 dffit cov.r cook.d hat
1 -0.33 0.86 13.26_* 0.05 0.68
2 0.00 0.68 17.93_* 0.03 0.68
3 0.00 -1.04 9.11_* 0.07 0.68
5 0.33 0.86 13.26_* 0.05 0.68
6 -0.33 0.86 13.26_* 0.05 0.68
9 0.00 0.00 30.25_* 0.00 0.68
11 0.00 0.00 30.25_* 0.00 0.68
15 -1.14_* -2.96 0.01 0.37 0.68
16 -0.40 1.04 9.11_* 0.07 0.68
17 0.00 0.00 30.25_* 0.00 0.68
18 0.00 -0.51 22.58_* 0.02 0.68
19 0.00 -0.17 29.29_* 0.00 0.68
20 -0.13 -0.34 26.58_* 0.01 0.68
21 1.43_* -3.74 0.00 0.48 0.68
22 0.00 -1.04 9.11_* 0.07 0.68
23 0.00 1.04 9.11_* 0.07 0.68
24 0.00 4.24 0.00 0.55 0.68
25 -0.06 -0.17 29.29_* 0.00 0.68
> sort(rstanard(mode))
Error en sort(rstanard(mod)) : no se pudo encontrar la función "rstanard"
> sort(rstandard(mode))
21 15 7 8 4 14 22
3
-1.9694639 -1.7232809 -1.1078234 -0.9847319 -0.9847319 -0.9847319 -0.7385489
-0.7385489
18 20 19 25 9 11 17
2
-0.3692745 -0.2461830 -0.1230915 -0.1230915 0.0000000 0.0000000 0.0000000
0.4923660
1 5 6 23 16 13 12
10
0.6154575 0.6154575 0.6154575 0.7385489 0.7385489 1.3540064 1.3540064
1.4770979
24
2.0925553
> ncvTest(mode)
Non-constant Variance Score Test
Variance formula: ~ fitted.values
Chisquare = 0.6764395 Df = 1 p = 0.4108155
> ri<-rstandard(mod)
> shapiro.test(ri)

Shapiro-Wilk normality test

data: ri
W = 0.9797, p-value = 0.8786
anva<-aov(mode)

>
summary(anva)
Df Sum Sq Mean Sq F value Pr(>F)
form 4 330.00 82.50 10.0000 0.003344 **
lin 4 62.00 15.50 1.8788 0.207641
lot 4 68.00 17.00 2.0606 0.178311
ope 4 150.00 37.50 4.5455 0.032930 *
Residuals 8 66.00 8.25

> par(mfrow=c(2,2))
> plot(mode)

Residuals vs Fitted Normal Q-Q

Standardized residuals
4

24 24
2
2
Residuals

1
0

0
-2

-1

15 15
21
-2

21
-4

-5 0 5 10 -2 -1 0 1 2

Fitted values Theoretical Quantiles

Constant Leverage:
Scale-Location Residuals vs Factor Levels
1.5
Standardized residuals

Standardized residuals

24
21 24
2

15
1.0

1
0
0.5

-2 -1

15
0.0

21

form :
-5 0 5 10 b c e a d

Fitted values Factor Level Combinations

>

> ri<-rstandard(mode)
> shapiro.test(ri)

Shapiro-Wilk normality test

data: ri
W = 0.9797, p-value = 0.8786

TUKEY

> TukeyHSD(anva, "form", ordered = TRUE)

Tukey multiple comparisons of means
95% family-wise confidence level
factor levels have been ordered

Fit: aov(formula = mode)

$form
diff lwr upr p adj
c-b 2.2 -4.07586497 8.475865 0.7462701
e-b 5.8 -0.47586497 12.075865 0.0714956
a-b 8.4 2.12413503 14.675865 0.0107829
d-b 9.6 3.32413503 15.875865 0.0048412
e-c 3.6 -2.67586497 9.875865 0.3525524
a-c 6.2 -0.07586497 12.475865 0.0529245
d-c 7.4 1.12413503 13.675865 0.0218416
a-e 2.6 -3.67586497 8.875865 0.6270350
d-e 3.8 -2.47586497 10.075865 0.3087315
d-a 1.2 -5.07586497 7.475865 0.9596565

> tapply(fuerza,form,mean)
a b c d e
3.6 -4.8 -2.6 4.8 1.0

Prueba de DUNNETT
Asumiendo que la fórmula “a” es el tratamiento testigo
> library(multcomp)
> compdunett<-glht(anva,linfct=mcp(form="Dunnett"))
> summary(compdunett)

Simultaneous Tests for General Linear Hypotheses

Multiple Comparisons of Means: Dunnett Contrasts

Fit: aov(formula = mode)

Linear Hypotheses:
Estimate Std. Error t value Pr(>|t|)
b - a == 0 -8.400 1.817 -4.624 0.00537 **
c - a == 0 -6.200 1.817 -3.413 0.02863 *
d - a == 0 1.200 1.817 0.661 0.90528
e - a == 0 -2.600 1.817 -1.431 0.46096
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
(Adjusted p values reported -- single-step method)
> tapply(fuerza,form,mean)
a b c d e
3.6 -4.8 -2.6 4.8 1.0
>