5.1 METODOLOGÍA DEL DISEÑO EXPERIMENTAL DE BLOQUES AL AZAR.

En muchos problemas de diseño experimental es necesario diseñar el

experimento de modo que sea posible controlar la variabilidad generada por un
factor indeseable. El procedimiento general para el diseño aleatorizado por
bloques completos consiste en seleccionar b bloques y realizar una réplica
completa del experimento en cada uno de ellos. En cada bloque existen a
observaciones (una por cada nivel del factor), y el orden en que se toman estas
observaciones se asigna de manera aleatoria dentro del bloque.

Suponga que tiene interés en un solo factor que tiene a niveles, y que el
experimento se efectúa en b bloques. Las observaciones pueden presentarse con
el modelo estadístico lineal

Donde μ es la media global, iτ es el efecto del i-ésimo tratamiento, jβ es el efecto

del j ésimo bloque y jiε es el término de error aleatorio, el cual se supone que tiene
una distribución normal e independiente con media cero y varianza ().En principio,
los efectos de los tratamientos y de bloques son considerados como factores fijos.
Por otro lado, los efectos de los tratamientos y de los bloques son definidos como
desviaciones de la media global.

Modelo Estadístico

Para este diseño el modelo lineal esta dado por

Donde es la media global de los tratamientos, es el efecto

del tratamiento el cual es constante para todas las observaciones
dentro del tratamiento, es el efecto del bloque, es el
término del error aleatorio, el cual se distribuye normal e independiente con media
0 y varianza . Las restricciones del modelo son
Estimación de parámetros

Al aplicar el método de mínimos cuadrados, se obtiene como estimadores de los

parámetros

Tabla Anova - Análisis de Varianza

La tabla de análisis de varianza para este diseño se presenta a continuación:

Tabla 02. Análisis de varianza para un diseño de bloques completos al azar

Valor esperado
Causa de Grados de Suma de Cuadrado de
variación libertad cuadrados medio cuadrados
medios

Tratamient
os

Bloques

Error

Total

Para contrastar las hipótesis de no efectos de tratamientos

Se puede utilizar el cociente

ya que si es cierta y así , lo cual quiere decir

que es un estimador intestado de y como además es también un
estimador de entonces de tienen dos estimadores intestados de y por
tanto su cociente deber ser un valor estadísticamente cercano a 1.

Supuestos del modelo

El residual en un diseño de bloques completos al azar es dado por

Los supuestos del modelo son:

El modelo es aditivo, es decir no existe interacción entre bloques y tratamientos

Las variables aleatorias error se distribuyen normal con media cero

Las variables aleatorias error son no correlacionadas (independientes)

Otra manera de enunciar los supuestos es:

. Los efectos de tratamientos y bloques son aditivos; las respuestas dentro de

los bloques tienen la misma tendencia con respecto a los efectos de los
tratamientos.

Las observaciones en las celdas constituyen muestras aleatorias de

tamaño 1 de cada una de las poblaciones Todas las poblaciones son
normalmente distribuidas,

Las varianzas de cada una de las poblaciones son iguales

Si la primera condición se tiene se dice que los efectos de bloques y tratamientos
no interactúan y una prueba para la no aditividad es debida a Tukey (1949) y
Ascombe.

Validación de los supuestos del modelo

Antes de conocer los métodos de validación de supuestos es importante hacer las
siguientes observaciones:
1. La desviación relativamente grande del supuesto de homogeneidad de
varianzas tiene muy poco efecto sobre el nivel de significancia, aunque este puede
ser mayor que el nivel dado, el poco efecto es debido a que los tratamientos son
igualmente replicados.

2. La no actividad puede ser más seria ya que puede aumentar el estimado del
error experimental (CM resultando en posibles fallas para detectar diferencias
reales de los tratamientos.

3. Antes de probar cualquier supuesto se debe asegurar que no existan valores

outlier en los datos. Algunos trabajos han venido desarrollándose para detectar
outlier en clasificaciones a dos vías que incluyen el DBC. Cuando el diseño tiene
residuales con varianza común, como podría ser el caso de diseños balanceado,
la mejor prueba para detectar un solo outlier es basada en el máximo residuo
normalizado (MRN)

Stefansky (1972) describe un método general para calcular valores críticos del
MRN y provee tablas para el caso de dos vías de clasificación con una
observación por celda. Para algunos valores de solamente acotados para
valores críticos pueden ser obtenidos. Esas tablas son reproducidas en Martin
Tablas C- 6a y C- 6b. Las clasificaciones filas y columnas son intercambiables.

El máximo residuo normalizado es dado por:

Donde: y es el mayor residual en valor

absoluto. Si este valor excede el valor crítico de tabla, la observación es declarada
como un outlier potencial. Estas deben ser localizadas y examinadas para buscar
causas asignables. La eliminación arbitraria de valores extremos debe evitarse.
Homogeneidad de varianza

La prueba gráfica de igualdad de varianza es graficar los residuales contra los

valores predichos ( si existe algún patrón especial que
muestre mayor dispersión para un lado de la gráfica se puede decir que no hay
homogeneidad de varianza.

Las pruebas analíticas para igualdad de varianza dadas por el DCA no son
aplicables a bloques ya que no se tienen estimadores independientes de las
varianzas de los tratamientos. Existen algunos procedimientos, pero quizá el más
simple es el desarrollado por Han ( . Esta prueba es especialmente para un
DBC y asume:

Las poblaciones muestreadas sean normalmente distribuidas

Los errores son igualmente correlacionados dentro de los bloques, pero son
independientes entre bloques.

La prueba estadística es:

Donde el estimado de la varianza para el tratamiento es:

Donde es el número de bloques y los son los residuales en el tratamiento .

Note que la varianza no es calculada directamente de los datos, por ello la no
independencia de las varianzas. Observe que para el calculo de la varianza del
tratamiento 1 utiliza a la medias de los bloques, , y para el
tratamiento 2 utiliza también a a la medias de los bloques .
Los valores críticos de la prueba estadística son basados sobre puntos de
porcentaje de la distribución rango estudentizado en vez de la distribución
Fmax.

Se rechaza la hipótesis de homogeneidad de

varianzas si . Los puntos de porcentaje
de han sido tabulados por Harter (1960) y pueden ser obtenidos en la tabla
C-7 de Martin.

Ejemplo

Los datos presentados son tomados de Graybill (1954) de ensayos de variedades

de trigo. Cuatro variedades de trigo crecieron en cada una de trece localidades del
estado de Oklahoma. Las respuestas en bushels por acre, son dadas en la tabla.

variedades
Loc. 1 2 3 4
1 43.60 24.05 19.47 19.41
2 40.40 21.76 16.61 23.84
3 18.08 14.19 16.69 16.08
4 19.57 18.61 17.78 18.29
5 45.20 29.33 20.19 30.08
6 25.87 25.60 23.31 27.04
7 55.20 38.77 21.15 39.95
8 55.32 34.19 18.56 25.12
9 19.79 21.65 23.31 22.45
10 46.24 31.52 22.48 29.28
11 14.88 15.68 19.79 22.56
12 7.52 4.69 20.53 22.08
13 41.17 32.59 29.25 43.95
33.29 24.05 20.70 26.16

Las varianzas muéstrales de los tratamientos son:

Por consiguiente . Tomando

, y el aproximado percentil cinco de . Bajo esta
prueba la hipótesis nula de igualdad de varianzas es rechazada.
La Aditividad del modelo

Este es un problema más serio que la homogeneidad de varianzas. Cuando no

existe aditividad el estimado del error experimental es inflado resultando así un
sesgo negativo para la prueba de tratamientos. Aunque una prueba significante
para tratamientos implicaría diferencias entre las medias de los tratamientos, una
prueba no significativa no necesariamente implica que no hay efecto de las
medias de los tratamientos.

Para detectar la no aditividad gráficamente, se debe realizar un gráfico de

dispersión entre los residuales (eje Y) y los valores predichos (eje X). Una
tendencia cuadrática en el gráfico indica la presencia de no aditividad
transformable, esto es, no aditividad que puede ser removida por la aplicación de
una transformación. Para determinarla naturaleza de la no aditividad, considere el
modelo para el diseño de bloques completos al azar con interacción

Donde es la componente de interacción (no aditividad). Existe aditividad

cuando se cumple que para todo y .

TUKEY(1949a), desarrolló una prueba de un solo grado de libertad para

determinar si existe el efecto de interacción, asumiendo un modelo de la forma

Es decir, este procedimiento supone que la forma de interacción es

particularmente simple o sea

Donde es una constante desconocida.

Note que cada celda contiene exactamente observaciones que en el caso de

bloques completos es una. Si se define la interacción de esta forma, puede usarse
el método de regresión para probar la significancia de este término, al probar la
hipótesis .

La tabla de ANOVA es dada por:

Causa de Grados de Suma de

C.M
variación libertad cuadrados

Tratamientos t-1 SC

Bloques b-1 SC

Residual (t-1)(b-1)

Error (t-1)(b-1)-1 SC

No aditividad 1 SC

TOTAL N-1

Acombe (1961) propuso una prueba general que puede ser usada para cualquier
modelo lineal, incluyendo modelos de regresión

Donde es dado en la instrucción

Utilizando SAS

Data TRIGO;

Input LOC VAR Y;

Cards;

PROC GLM;

CLASS Bloque Ttos;

MODEL Y= Bloque Ttos;

OUTPUT OUT= VALIDA PREDICTED (o P)=PRE RESIDUAL (o R)= RES;

DATA NUEVO;

SET VALIDA;

Y2= PRE*PRE;

Z= RES*Y2;

DROP PRE RES;/*excluye las variables PRE y RES*/

PROC MEANS DATA= NUEVO SUM;

VAR Z;

PROC ANOVA;

CLASS Bloque Ttos;

MODEL Y2=Bloque Ttos/SS1;

RUN;

El numerador de la suma de cuadrados de la no aditividad es el cuadrado del total

de SUM de Z = 15957.55 y el denominador es la Suma de cuadrados del error
para el ANOVA obtenido en la instrucción MODEL Y2=Bloque Ttos/SS1 dado por
SC = 265419.94079804. Luego la suma de cuadrados de no aditividad es
dado por

Causa de Grados de Suma de Cuadrado

F Valor p
variación libertad cuadrados medio

Tratamientos 3 1106.6 368.9 6.55 0.001

Bloques 12 3118.2 259.8 4.62 0.000

Residual 36 2026.91 56.3

Error* 35

No aditividad 1 SC

TOTAL 51 6251.6

Donde

La hipótesis a probar es

La hipótesis de aditividad es rechazada al nivel 5%.

Ejercicio

Suponga la siguiente tabla de un BC

Tratamientos

Bloques A B C

1 4 7 4

2 4 4 4

3 2 5 2

Qué hacer si no se cumple el supuesto de aditividad

Cuando no se cumple del supuesto de aditividad se pueden presentar los

siguientes problemas: si el investigador quiere comparar y hacer recomendaciones
sobre los tratamientos, la presencia de interacción entre los bloques y los
tratamientos implica que tales comparaciones no son la misma para todos los
bloques. Por consiguiente hacer comparaciones de la manera usual; por medio
de las medias de tratamientos , puede representar una idea equivocada.
También, como lo mostró Kempthorne (1952, Sección 8.3), con la no aditividad no
es posible obtener un ``razonable'' error estándar para la comparación de los
tratamientos. Y finalmente, la no aditividad en una tabla a dos vías puede ser
debida a interacción o a la no homogeneidad de varianzas.

La no aditividad puede conllevar a diferentes acciones dependiendo de la forma de

construcción de los bloques: aquellos construidos de manera ``natural''
dividendo las unidades experimentales heterogéneas existentes en grupos
homogéneos y aquellos donde los bloques son introducidos por el
investigador en la forma de factores de bloqueo, principalmente para ampliar las
inferencias acerca de los tratamientos. Como una ilustración del primer caso
puede ser que las unidades experimentales sean las hojas de las plantas y que las
plantas sean los bloques. El segundo caso puede ser representado como por un
experimento con plantas como unidades experimentales y los bloques las
diferentes variedades de plantas.

En el primer caso claramente cualquier intento por explicar o modelar la no

aditividad no es de valor con respecto a la comparación de los tratamientos. En
vez de esto se puede remover tal no aditividad a través de una transformación
disponible usando los métodos de transformación. En este caso es útil realizar un
gráfico del valor absoluto de los residuales contra las
observaciones para tener alguna idea sobre la transformación apropiada de los
datos.

En el segundo caso puede ser muy importante modelar la posible no aditividad

como un significado de la interpretación diferencial de los efectos de tratamientos.
En efecto, en este caso las interacciones entre bloques y tratamientos pueden ser
más importantes que los mismos efectos de tratamientos. Se puede sugerir
entonces que en lo posible se utilice un diseño diferente como el diseño de
bloques generalizado.

5.1 DISEÑO DE EXPERIMENTOS FACTORIALES.

En cualquier experimento diseñado, es siempre importante examinar los residuos

y verificar si se violan las suposiciones básicas (Normalidad, Independencia,
Aditivita e Igualdad de varianzas) que pueden invalidar los resultados.

Los valores de los residuos del diseño aleatorizado por bloques completos se
obtienen, como es usual, por la diferencia entre los valores observados y los
estimados
El análisis de varianza del modelo supone que las observaciones están
distribuidas de manera normal e independiente, con la misma varianza para cada
tratamiento o nivel del factor. Estas suposiciones deben verificarse mediante el
análisis de los residuos.
La suposición de normalidad puede verificarse mediante la construcción de una
gráfica de probabilidad normal de los residuos. Para esto, los residuos se agrupan
en una tabla de distribución de frecuencias, se calcula la frecuencia relativa
acumulada para cada valor y se grafican en una hoja de papel de probabilidad
normal. Si la suposición es válida los puntos tenderán a agruparse sobre una línea
recta que pasa por el punto medio.

Así, por ejemplo, si el diseño experimental es bloques al azar, el modelo es:

yij = µ + τi + βj + ǫij

Respuesta = media general + efecto de tratamiento + efecto de bloque + error

Si se trata de un diseño factorial, los tratamientos se forman combinando los

niveles de los factores en estudio, de manera que el efecto del tratamiento τi se
considera a su vez compuesto de los efectos de los factores y sus interacciones.

Por ejemplo, si son dos factores en estudio se tiene:

τi = τkl = αk + γl + ξkl
Tratamiento = factor A + factor B + interacción AB

Haciendo una equivalencia entre los valores de i y los de k y l suponiendo que el

factor A tiene K niveles y el factor B L:

i k l

1 11

2 12

3 13

.. .. ..

t K L

Y el modelo resultante es: yklj = µ + αk + γl + ξkl + βj + ǫklj

Es poco usual tener diseños experimentales muy complicados en los

experimentos factoriales, ya que se discuta el análisis y la interpretación.

Las ventajas de los experimentos factoriales son:

1. Economía en el material experimental al obtener información sobre varios

factores sin aumentar el tamaño del experimento. Todas las u.e.se utilizan para la
evaluación de los efectos.

2. Se amplía la base de la inferencia en relación a un factor, ya que se estudia en

las diferentes condiciones representadas por los niveles de otros factores. Se
amplía el rango de validez del experimento.

3. Permite el estudio de la interacción, esto es, estudiar el grado y forma en la cual

se modifica el efecto de un factor por los niveles de los otros factores.

Una desventaja de los experimentos factoriales es que requiere un gran número

de u. E., sobre todo cuando se prueban muchos factores o muchos niveles de
algunos factores, es decir, se tiene un número grande de tratamientos.
(Factoriales fraccionales)

Suponga un diseño con dos factores: A con a niveles y B con b niveles, en diseño
completamente al azar. (Factorial a × b completo, balanceado, efectos fijos)

Sea yijk la respuesta para la k-ésimau.e. del nivel i de A y j de B.

yijk = µ + τi + βj + γij + ǫijk

i = 1,. . ., a j = 1, . . ., b k = 1, . . ., n

Las hipótesis que se prueban son:

H01 :γij = 0 ∀i, j

H02 :τi + ¯γi. = 0 ∀ i

H03 : βj + ¯γ.j = 0 ∀ j

Tipo de Temperatura (F)

Material 15 70 125

1 130 155 34 40 20 70

74 180 80 75 82 58

2 150 188 136 122 25 70

159 126 106 115 58 45

3 138 110 174 120 96 104

168 160 150 139 82 60

El ingeniero quiere contestar las siguientes preguntas:

1. Qué efectos producen el material y la temperatura en la vida de la batería?

2. Existe un material que produzca uniformemente más larga vida a la batería sin
importar la temperatura? diseño completamente al azar, experimento balanceado,
completo, factores fijos.

Una observación por celda

Suponga un experimento con dos factores A con a niveles y B con b niveles y una
sola repetición en cada celda (tratamiento).

El modelo con interacción es:

yij = µ + τi + βj + (τβ)ij + ǫiji = 1, . . ., a j = 1, . . ., b

F.V. g.l. E(CM)

A a−1 σ2 + bθ2ª

B b−1 σ2 + aθ2b
AB (a − 1)(b − 1) σ2 + θ2ab

Error 0 σ2

Total ab − 1

σ2 no se puede estimar, por lo tanto no hay prueba para los efectos principales a
menos que no haya interacción, y entonces el modelo es

yij = µ + τi + βj + ǫij

ESTE ES EL CASO DE BLOQUES AL AZAR.

El Diseño Factorial General. Balanceado

El diseño factorial de dos factores se puede generalizar atener p factores:

A con a niveles

B con b niveles

..............

En general, habrá abc · · · n observaciones si hay n repeticionesdel experimento

completo.

Debe haber por lo menos 2 repeticiones (n ≥ 2) para podercalcular σˆ2 si todas las
posibles interacciones están incluidas en el modelo.

Tres factores

El modelo para un factorial de tres factores en diseño completamente al azar:

yijkl = µ+τi+βj +γk+(τβ)ij +(τγ)ik+(βγ)jk+(τβγ)ijk+ǫijkl

i = 1,. . ., a; j = 1, . . ., b; k = 1, . . ., c; l = 1, . . ., n

Ejemplo:

Se desea obtener más uniformidad en el llenado de botellas de refresco. La

máquina de llenado teóricamente llena cada botella a la altura correcta, pero en la
práctica hay variación, y

la embotelladora desea entender mejor las fuentes de esta variabilidad para

eventualmente reducirla.

El ingenio de procesos puede controlar tres factores durante el proceso de

llenado:
El % de carbonato (A), la presión del llenado (B) y las botellas llenadas por minuto
(velocidad de la línea) (C).

5.2 DISEÑO FACTORIAL 2^k

En ocasiones, cuando se utiliza un diseño aleatorizado por bloques completos,

alguna de las observaciones en uno de los bloques puede faltar. Esto sucede
debido algún descuido o error, o por razones fuera del control del experimentador,
como sería el caso de la pérdida de alguna unidad experimental. Una observación
faltante introduce un nuevo problema en el análisis, ya que los tratamientos dejan
de ser ortogonales a los bloques.

En otras palabras, cada tratamiento no ocurre en cada bloque. Existen dos formas
generales de resolver el problema de los valores faltantes. La primera es un
análisis aproximado en el que se estima la observación faltante. A continuación se
efectúa el análisis de varianza usual como si la observación estimada fuera un
dato real, disminuyendo los grados de libertad del error en uno. La segunda es un
análisis exacto usando la prueba de significancia de regresión general.

Suponga que falta la observación correspondiente al tratamiento i y al bloque j.

Esta observación se representa mediante x el gran total con una observación
faltante se representará mediante y los totales del tratamiento y del bloque con un
dato faltante como y, respectivamente. Supongamos, además, que para estimar la
observación faltante se elige x, de manera que tenga una contribución mínima a la
suma de cuadrados del error. Como la suma de cuadrados del error está dada en
donde R incluye todos los términos que no contienen a x. Al derivar la SCE con
respecto a x e igualar a cero se obtiene

Como un estimador para la observación faltante.

El efecto de un factor se define como el cambio en la respuesta producida por un

cambio en el nivel del factor. Con frecuencia, éste se conoce como efecto
principalporque se refiere a los factores de interés primordial del experimento. Por
ejemplo, consideremos los datos de la tabla 1. El efecto principal del factor A
podría interpretarse como la diferencia entre la respuesta promedio en el primer y
segundo nivel de ese factor. Numéricamente

40 + 52 20 + 30
A = − = 21
2 2

Tabla 1 Un experimento factorial

En otras palabras incrementar el factor A del nivel 1 al 2 produce un cambio en la
respuesta promedio de 21 unidades. Similarmente, el efecto principal de B es:
30 + 52 20 + 40
B = − = 11
2 2

Si los factores tienen más de dos niveles, el procedimiento anterior debe ser
modificado ya que las diferencias entre las respuestas promedio pueden
expresarse de muchas formas.

En algunos experimentos puede encontrarse que la diferencia en la respuesta

entre los niveles de un factor no es la misma en todos los niveles de los otros
factores. Cuando esto ocurre existe una interacción entre los factores. Por
ejemplo, considérense los datos de la Tabla 2.

Factor B
B1 B2

A1 20 40

Factor A

A2 50 12

Tabla 2. Un experimento factorial con interacción

En el primer nivel del factor B, el efecto de A es:

A = 50 - 20 = 30

Mientras que en el segundo nivel de B, el efecto de A es:

A = 12 - 40 = 28

Puede observarse que existe una interacción entre los factores A y B porque el
efecto de A depende del nivel elegido de B.
Estas ideas pueden ilustrarse gráficamente. En la Fig. 1 se muestra una gráfica de
la respuesta de los datos de la Tabla 1 contra los niveles del factor A para ambos
niveles del factor B. Se observa que las rectas B 1 y B2 son, aproximadamente,
paralelas. Esto indica que no hay interacción entre los factores. De manera similar,
en la Fig. 2 se presenta una gráfica de la respuesta de los datos de la Tabla 2.

60
B2
50
B1
Respuesta

40
30 B2
20
B1
10

A1 A2
Factor A

Figura 1 Un experimento factorial sin interacciones

En este caso se ve que las rectas B1 y B2 no son paralelas. Esto muestra que
existe una interacción entre A y B. Sin embargo, no debe ser la única técnica para
analizar los datos, porque su interpretación es subjetiva y su apariencia, a
menudo, es engañosa.

60 B1
50
B2
Respuesta

40
30
20
B1
10 B2

A1 A2
Factor A

Figura 2 Un experimento factorial con interacciones

Hay que notar que cuando una interacción es grande los correspondientes efectos
principales tienen poco significado práctico. Una estimación del efecto principal de
A de los datos de la Tabla 2 es:

50 + 12 20 + 40
A = − = 1
2 2
l cual resulta ser muy pequeño corriéndose el riesgo de concluir que no existe un
efecto debido a A. Sin embargo, cuando se examinó el efecto de A en niveles
diferentes de B se concluyó que éste no era el caso. El factor A tiene un efecto,
pero depende del nivel del factor B. En otras palabras, es más útil conocer la
interacción AB que el efecto principal. Una interacción significativa oculta a
menudo el significado de los efectos principales.

Ventajas de los diseños factoriales

Las ventajas de los diseños factoriales pueden ilustrarse fácilmente. Supongamos

que se tienen dos factores, A y B, cada uno con dos niveles. Estos niveles se
representan mediante A1, A2, B1 y B1. La información acerca de ambos factores
puede obtenerse variando un factor a la vez como aparece en la tabla 3. El efecto
de variar el factor A está dada por A2B1 -A1B2. A causa de que existe error
experimental, es conveniente realizar, por ejemplo, dos observaciones de cada
combinación de tratamientos y hacer una estimación de los efectos de los factores
usando las respuestas promedio. Por lo tanto, se requiere un total de seis
observaciones.
Factor B
B1 B2

A1 A1B1 A1B2

Factor A

A2 A2B1 12

Tabla 3 El método de un factor a la vez

Los diseños factoriales poseen algunas ventajas.

▪ Son más eficientes que los experimentos de un factor a la vez.

▪ Los diseños factoriales son necesarios cuando alguna interacción puede

estar presente, para evitar hacer conclusiones engañosas.
 ▪ Los diseños factoriales permiten estimar los efectos de un factor en
diversos niveles de los otros factores, produciendo conclusiones que son
válidas sobre toda la extensión de las condiciones experimentales.

2. Diseño factorial de dos factores

El primer diseño de la serie 22 es aquel en el que solo dos factores, A y B, cada
uno con dos niveles. Este diseño se conoce como diseño factorial 22.
Arbitrariamente, los niveles del factor pueden llamarse “bajo” y “alto”.

Ejemplo 1 Considérese una investigación llevada a cabo para estudiar el efecto

que tiene la concentración de un reactivo y la presencia de un catalizador sobre el
tiempo de reacción de un proceso químico. Sea la concentración del reactivo el
factor A con dos niveles de interés, 15% y 20%. El catalizador constituye el factor
B; el nivel alto o superior denota el uso de dos sacos de catalizador y el nivel bajo
o inferior denota el uso de un solo saco. El experimento se realiza (“replica o
repite”) tres veces, y los datos son como sigue:

En la figura 4 siguiente se presentan gráficamente las combinaciones de

tratamiento para este diseño, el efecto de un factor se denota por la letra latina
minúscula. De este modo, “A” se refiere al efecto del factor “A”, y “B” se refiere al
efecto del factor “B”, y “AB” se refiere a la interacción entre AB. En el diseño 2 2 los
niveles bajo y alto de A y B se denotan por “-“ y “+” respectivamente, en los ejes A
y B. Así – en el eje B representa el nivel bajo de catalizador mientras que + denota
el nivel alto.

Combinación de Replica

tratamientos I II III Total

A baja, B baja 28 25 27 80

A alta, B baja 36 32 32 100

 A baja, B alta 18 19 23 60

A alta, B alta 31 30 29 90

Las cuatro combinaciones de tratamientos en el diseño pueden representarse por

letras minúsculas, cono se muestra en la figura 3. En esta figura se aprecia que el
nivel superior de cualquier factor de una combinación de tratamientos esta
representado por la presencia de la letra minúscula correspondiente, mientras que
la ausencia de esta ultima representa el nivel inferior del factor.

Así

▪ “a” representa la combinación de tratamientos, en la que A se encuentra en

el nivel superior y B en el nivel inferior;

▪ “b” representa aquella en la que A se halla en el nivel inferior y B en el

superior, y

▪ “ab” representa a ambos factores en el nivel superior.

▪ Por convención (1) se usa para representar a ambos factores en el nivel

inferior.
▪ El efecto promedio de un factor se define como el cambio en la respuesta
producida por un cambio en el nivel de ese factor, promediado sobre los
niveles del otro factor.

Como se ilustra en la figura 3, las letras minúsculas (1), a, b y ab también se usan

para representar los totales de las n replicas de las combinaciones de tratamientos
correspondientes. Ahora bien, el efecto de A en el nivel B es {a-(1)}/n. Mientras
que el nivel superior B es {ab-b}/n. Tomando el promedio de estas dos cantidades
se obtiene:
1
A = ab − b + a − (1) = 1
ab − a − b − (1)
2n 2n
 b = 60(18+19+23) ab = 90(31+30+19)
Alto (2 sacos) +

Cantidad de catalizador B
bajo (1 saco) -
(1) = 80(28+25+27) a = 100(36+32+32)

- +
bajo (15%) alto (20%)
Concentracion de reactivo A

Figura 1: Combinaciones de tratamiento en el diseño factoriall

El efecto promedio de B se determina a partir de su efecto en el nivel inferior de A

(esto es, {b-(1)}/n, y de su efecto en el nivel superior de A (que es igual a [ab-a]/n
obteniéndose:

ab − a+ b − (1) =

1
ab + b - a − (1)
1
B =
2n 2n

El efecto de la interacción AB se define como la diferencia promedio entre el

efecto de A en el nivel superior de B y su efecto en el nivel inferior de B, así:

ab − b − a − (1) =
1
AB =
1
ab + (1) − a − (b)
2n 2n

Por otro lado se puede definir AB como la diferencia promedio entre el efecto de B
en el nivel superior de A y el efecto de B en el nivel inferior de A.

Las formulas para los efectos de A, B y AB pueden deducirse por otro método. El
efecto de A puede hallarse como la diferencia en la respuesta promedio de las dos
combinaciones de tratamiento en la mitad derecha (que llamaremos Y A+, puesto
que es la respuesta promedio para las combinaciones de tratamientos a las que A
que se encuentra en el nivel alto) y las dos combinaciones de tratamientos en la
mitad izquierda (o Y A). Esto es,

A = YA + − YA −

ab + a b + (1)
= −
2n 2n
 =
1
ab + a − b − (1)
2n

Este es exactamente el mismo resultado, el efecto de B se encuentra como la

diferencia entre el promedio de las dos combinaciones de tratamientos en la parte
superior del cuadrado ( Y B+) y el promedio de las dos combinaciones de
tratamientos en la parte inferior ( Y B-), o

B = YB + − YB −

ab + b a + (1)
= −
2n 2n

ab + b − a − (1)
1
=
2n

Finalmente el efecto de interacción AB es el promedio de las combinaciones de

tratamientos en la diagonal de derecha a izquierda del cuadrado ab y (1) menos
el promedio de las combinaciones de tratamientos en la diagonal de izquierda a
derecha (a y b), o

ab + (1) a +b
AB = −
2n 2n

=
1
ab + (1) − a − b
2n

Con los datos que aparecen en la figura 1, las estimaciones de los efectos
promedio son:

1
A = (90 + 100 − 60 − 80) = 8.33
2(3)

1
B = (90 + 60 − 100 − 80) = −5.00
2(3)
 (90 + 80 − 100 − 60) = 1.67
1
AB =
2(3)

El efecto de A (concentración de reactivo) es positivo; esto sugiere que al elevar A

del nivel bajo (15%) al nivel alto (25%) incrementará el rendimiento. El efecto de B
(catalizador) es negativo; esto sugiere que elevar la cantidad del catalizador
agregada al proceso reducirá el rendimiento. Al parecer, el efecto de
interacciones es pequeño comparado con los dos efectos principales.

En muchos experimentos que implican diseños 2K se examina la magnitud y la

dirección de los efectos de los factores para determinar cuales variables es
probable que sean importantes. Por lo general puede emplearse el análisis de
varianza para confirmar esta interpretación. En el diseño 2k existen algunos
métodos rápidos especiales para realizar los cálculos del análisis de varianza.

Consideremos la suma de cuadrados para A, B y AB. Obsérvese la primera

ecuación que se utiliza un contraste para estimar A; esto es,

ContrasteA = ab + a − b − (1)

Este contraste suele llamarse efecto total de A. A partir de la segunda y tercera

ecuación, puede apreciarse que también se utilizan contraste para estimar B y AB.
Además, estos tres contrastes son ortogonales. La suma de cuadrados de
cualquiera de ellos puede calcularse usando la siguiente ecuación:

SSc = (1
a
ci yi.)
2 a
n a ci
2
.

Esta ecuación establece que la suma de cuadrados de contraste es igual al

contraste elevado al cuadrado entre el producto del número de las observaciones
de cada total del contraste por la suma de cuadrados de los coeficientes del
mismo. En consecuencia, se obtiene que las sumas de cuadrados de A, B y AB
sean:
 SSA =
ab + a − b − (1)2
n * 4

ab + b − a − (1)2
SSB =
n * 4

SSAB =
ab + (1) − a − b2
n * 4

Con los datos de la figura 1, las sumas de cuadrados se pueden calcular aplicando
las ecuaciones anteriores, obteniéndose:

2
50
SSA = = 208.33
4(3)
2
− 30
SSB = = 75.00
4(3)
2
10
SSAB = = 8.33
4(3)

La suma total de cuadrados se determina de la manera usual mediante:

2
2 2 n 2 Y ...
SST = i=1  j=1 k=1 Y ijk −
4n

En general SST tiene 4n –1 grados de libertad. La suma de cuadrados del error,

con 4(n-1) G.L. se puede calcular en la forma usual, por diferencia, mediante.

2
2 2 3 2 − Y
SSE =    Yijk = 9398.00 − 9075.00 = 323.00
i
=1j=1k =1 4(3)

SSE = SS T − SS A − SSB − SS AB

= 323.00 − 208.33 − 75.00 − 8.33 = 31.34

El análisis de varianza completo se presenta en la tabla siguiente. Ambos efectos
principales son significativos al 1%.

A menudo se es conveniente escribir las combinaciones de tratamientos en el

orden (1), a, b, y ab. Este orden se conoce como orden estándar. Cuando se
utiliza es posible apreciar que los coeficientes de los contrastes usados para
estimar los efectos son

Efectos (1) a b Ab

A: -1 +1 -1 +1

B: -1 -1 +1 +1

AB: +1 -1 -1 +1

Tabla ANOVA para los datos del ejemplo 3.1 es la siguiente:

Fuente de

variación SS G.L. MS Fo

A 208.33 1 208.33 53.15a

B 75.00 1 75.00 19.13a

AB 8.33 1 8.33 2.13

Error 31.34 8 3.92

Total 323.00 11

a significativo al 1%
Signos algebraicos para calcular los efectos en un diseño 22

Combinación
Efecto Factorial
De

Tratamientos I A B AB

(1) + - - +

a + + - -

b + - + -

ab + + + +

Observe que los coeficientes de los contrastes usados para estimar la interacción
son iguales al producto de los coeficientes correspondientes a los dos efectos
principales. Los coeficientes de los contrastes siempre son +1 o –1 y se puede
usar una tabla de signos positivos y negativos como la mostrada en la de signos
algebraicos para determinar el signo apropiado de cada combinación de
tratamientos. En el encabezado de las columnas de tabla y se encuentran los
efectos principales (A y B), la interacción AB, e I, que representa el total el total o
el promedio de todo el experimento. Se observa que la columna encabezada por I
se compone de solo de signos positivos. Los renglones corresponden a las
combinaciones de tratamientos.

Para encontrar un contraste con el fin de estimar cualquier efecto, simplemente se

multiplican los signos de la columna apropiada de la tabla por la correspondiente
combinación de tratamientos, y se suma. Por ejemplo, el contraste para estimar A
es –(1) + a – b + ab, lo cual concuerda con la ecuación.

ab − b  + a  = ab − a − b − (1)

1 1
A = − (1)
2n 2n
Los tipos más sencillos de diseños factoriales implican sólo dos factores o
conjuntos de tratamientos. Haya “a” niveles del factor A y “b” niveles del factor
B,dispuestos en un diseño factorial; esto es, cada A repetición o réplica del
experimento contiene todas las combinaciones de tratamiento ab. En general, hay
nrepeticiones.

5.3 DISEÑO DE CUADROS LATINOS.

Un diseño cuadrado latino para p factores, o un cuadrado latino p x p, es un

cuadrado que contiene p renglones y p columnas. Cada una de las p2 celdas
contiene una de las p letras que corresponde a un tratamiento, y cada letra
aparece una sola vez en cada renglón y columna. El diseño cuadrado latino se usa
para eliminar dos fuentes de variabilidad problemáticas; en otras palabras, permite
analizar sistemáticamente por bloques en dos direcciones. A continuación se
presentan algunos ejemplos de cuadrados latinos.
En donde:

Kjiy= observación correspondiente al i-ésimo renglón, la k-ésima columna y el j-

ésimo tratamiento

Μ= la media general

Iα= es el i-ésimo efecto de renglón

Jτ= es el j-ésimo efecto de tratamiento

Kβ= es el k-ésimo efecto de la columna

Kjiε= es el error aleatorio

El modelo es completamente aditivo, en otras palabras, no existe interacción entre

los renglones, las columnas y los tratamientos. Sólo dos de los subíndices i, j y k
se requieren para especificar una observación en particular porque únicamente
hay una observación en cada celda.

El análisis de varianza consiste en descomponer la suma total de cuadrados de

las observaciones en sus componentes de renglón, columna, tratamiento y error
Cuyos grados de libertad.

Bajo la suposición de que el error aleatorio se distribuye en forma normal e

independiente, cada una de las sumas de cuadrados es al dividir entre, variables
aleatorias independientes con distribución ji-cuadrada.

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 K. El

diseño en cuadrado latino utiliza K2bloques, 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

Columna1 Columna 2 Columna 3 ··· Columna k

Fila 1 A B C ··· K

Laposición (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, (s1, s2, s3, s4) y decide realizar el experimento utilizando
un diseño en cuadrado latino. Para ello selecciona 4 niveles para cada una de las
variables de bloque: abono, (a1, a2, a3, a4), e insecticida, (i1, i2, i3, i4).

La selección de uno de los cuadrados se hace al azar. Supongamos que el

cuadrado latino elegido es el siguiente

ABCD

BADC

CDAB

DCBA

A continuación, se asigna también al azar, el orden de las filas y las columnas.

Supongamos que el orden seleccionado para las filas sea (2, 3, 1, 4), entonces el
cuadrado latino anterior se convierte en

BADC

CDAB

ABCD

DCBA

Se vuelven a generar otros 4 números aleatorios que se idéntica con el orden de

las columnas de este último cuadrado. Supongamos que los números obtenidos
son (4, 3, 1, 2), obteniéndose el siguiente cuadrado latino

CDBA

BACD

DCAB

ABDC
Por último, se asignan al azar las filas, las columnas y las letras latinas a los tres
factores. Por ejemplo, supongamos que las filas, las columnas y las letras se
asignan, respectivamente, a los tipos de insecticidas, semillas y abonos, de tal
forma que el diseño resultante es

Table 5-1.

Semillas

Insecticidess1 s2 s3 s4

i1 a3 a4 a2 a1

i2 a2 a1 a3 a4

i3 a4 a3 a1 a2

i4 a1 a2 a4 a3

Por convenio, se suele situar el factor principal, en este caso el tipo de semilla, en
las

Celdillas. Reordenando el diseño anterior se obtiene la siguiente tabla:7.2 Diseños

en cuadrados latinos 5

Tabla 5-2.

Abonos

Insecticidas a1 a2 a3 a4

i1 s4 s3 s1 s2

i2 s2 s1 s3 s4

i3 s3 s4 s2 s1

i4 s1 s2 s4 s3

En resumen, podemos decir que un diseño en cuadrado latino tiene las siguientes
características:

1o) Se controlan tres fuentes de variabilidad, un factor principal y dos factores de

bloque.

2o) Cada uno de los factores tiene el mismo número de niveles, K.

3o) Cada nivel del factor principal aparece una vez en cada fila y una vez en cada
columna.

4o) No hay interacción entre los factores.

5.4 DISEÑO DE CUADROS GRECOLATINOS.

Consideremos un cuadrado latino p × p al que se le sobrepone un segundo

cuadrado latino cuyos tratamientos se designan por letras griegas. Se dice que los
dos son ortogonales si al sobreponerse poseen la propiedad de que cada letra
griega aparece solamente una vez con cada letra latina.

El diseño cuadrado greco-latino puede utilizarse para controlar sistemáticamente

tres fuentes extrañas devariabilidad. En otras palabras, se usa para hacer un
análisis por bloques en tres direcciones. El diseño permite analizar cuatro factores
(renglón columna, letra griega y letra latina), cada uno con p niveles, usando
solamente p2 ensayos. Los cuadrados grecolatinos existen para toda excepto para
p = 6.

En donde:

lkjiy la observación que corresponde al renglón i, la columna k, la letra latina j y la

letra griega k.

μ= La media general

iθ= Es el efecto del i-ésimo renglón

jτ= Es el j-ésimo efecto de tratamiento de las letras latinas

kω= Es el k-ésimo efecto de tratamiento de las letras griegas

lψ= Es el efecto de la columna l

lkjiε= Es la componente del error aleatorio

Sólo dos de los cuatro subíndices son necesarios para identificar completamente
cualquier observación.

El análisis de varianza es muy similar al de un cuadrado latino. El factor

representado por las letras griegas es ortogonal a los renglones, las columnas y
los tratamientos de la letra latina porque cada letra griega ocurre una sola vez en
cada renglón, en cada columna y para cada letra latina. Por lo tanto la suma de
cuadrados debida al factor letra griega puede calcularse usando los totales de la
letra griega. El error experimental se reduce en esta cantidad. Las hipótesis nulas
de igualdad entre los renglones, entre las columnas, entre los tratamientos de la
letra latina y entre los tratamientos de la letra griega pueden probarse dividiendo la
media de cuadrados correspondiente entre la media de cuadrados del error

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.

En el Apéndice C se muestra una tabla de cuadrados latinos que dan lugar, por
superposición 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

AαBβCγDδ

DγCδBαAβ

BδAγDβCα

CβDαAδBγ

Planteamiento del modelo

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

por la siguiente ecuación

yij(hp) = µ + τi + βj + γh + δp + ǫij(hp)

i = 1, 2 . . . , K

j = 1, 2 . . . , K

h = 1, 2 . . . , K

p = 1, 2 . . . , K , (8.1)

Donde
µ es un efecto constante, común a todas las unidades. τi es el efecto producido
por el i-ésimo nivel del factor fila. Dichos efectos están sujetos a la restricción

iτi = 0.

Βj es el efecto producido por el j-ésimo nivel del factor columna. Dichos efectos
están sujetos a la restricción

jβj = 0.

Γh es el efecto producido por el h-ésimo nivel del factor letra latina. Dichos efectos
están sujetos a la restricción

hγh = 0.

δp es el efecto producido por el p-ésimo nivel del factor letra griega. Dichos
efectos están sujetos a la restricción

p δp = 0.

Ǫ ij(hp) son variables aleatorias independientes con distribución N(0, σ).

La notación yij(hp) indica que los niveles i y j determinan los niveles h y p para un
cuadrado greco-latino especificado. Es decir, los subíndices h y p toman valores
que dependen de la celdilla (i, j).

Se utiliza la siguiente notación:

N = K2 es el número total de observaciones.

El total y el promedio de todas las observaciones.