UNIVERSIDAD NACIONAL HERMILIO

VALDIZAN
FACULTAD DE INGENIERIA INDUSTRIAL Y DE
SISTEMAS
E.A.P. INGENIERIA INDUSTRIAL

ISEÑO DE XPERIMENTOS

Mg. Rosario Vargas Roncal

Huánuco – Perú
2016
CAPITULO IV: DISEÑOS CON
DOS Y TRES CRITERIOS DE
BLOQUEO
4.1 INTRODUCCIÓN
• Son una extensión del Diseño por Bloques
Completos, puesto que en él se imponen las
mismas restricciones que se han visto para los
Diseños por Bloques Completos
• Se utiliza para controlar dos o tres fuentes
extrañas de variabilidad que están representadas
en los renglones, columnas, letras latinas o
letras griegas.
• Si se controla dos fuentes extrañas se denomina
diseño Cuadrado latino y si es tres diseño
cuadrado greco latino
4.2 DISEÑOS CUADRADO LATINO
• Para controlar dos fuentes extrañas de
variabilidad que influyen sobre la variable
respuesta, se puede usar el diseño cuadrado
latino para eliminar la variabilidad bloquizando
las unidades (columnas y renglones).
• En el cuadrado latino el número de renglones
debe ser igual al número de columnas e igual al
número de tratamientos. Se le denomina
cuadrado latino porque los tratamientos están
representados en el diseño por las Letras Latinas
(A, B, C, …).
Consideraciones:
• Número de tratamientos = número de renglones = Número de
columnas = número de repeticiones.
• No se debe usar cuando hay más de 8 tratamientos, ya que se
requiere un costo elevado de la experimentación por la restricción
• No es conveniente usarlo cuando el número de tratamientos es
menor de 4, ya que el diseño tendrá relativamente un número de
grados de libertad muy pequeño y no se puede estimar el error
experimental, pero se puede repetir un cierto número de veces para
hallar la estimación del error experimental.
• Presenta complicación en los cálculos del Análisis de Varianza
cuando faltan datos.
• En general este diseño se aplica cuando:
Existen tres factores en estudio (renglones,columnas, letras latinas)
El número de niveles para cada factor es el mismo.
No son esperables interacciones entre los factores.
 Ejemplo: se quiere saber que maquina produce mas

Periodo de Operadores
tiempo Op1 Op2 Op3 Op4

1 C=31 D=43 A=67 B=36

2 D=39 A=96 B=40 C=48
3 B=57 C=33 D=40 A=84
4 A=85 B=46 C=48 D=50
Donde: fuentes de variabilidad son
Renglones: Periodo de tiempo (1, 2, 3, 4);
Columnas: Operadores ( Op1, Op2, Op3 ,Op4)
Tratamientos: Maquinas (A, B, C, D)
Cuadrado latino estándar
• En general un Cuadrado Latino consta de las Letras Latinas
del alfabeto que representan los tratamientos, si éstas se
escriben en orden alfabético el diseño se conoce como
Cuadrado Latino Estándar. Siempre es posible obtener un
cuadrado latino estándar si el primer renglón se escribe en
orden alfabético, y cada renglón siguiente se escribe como
el anterior, desplazando un lugar hacia la izquierda.

• Ya que en este Diseño se aplica el principio de la

aleatorización, se debe seleccionar en forma aleatoria el
cuadrado en particular a utilizar.
• Pero existe un número muy grande de cuadrados latinos de
un tamaño particular, esto significa que es muy tedioso estar
numerando todos los cuadrados y seleccionar uno al azar.
Aleatorización
• Para llevar a cabo la aleatorización se debe seleccionar un
cuadrado latino de una tabla de los diseños, que proporciona
Fisher y Yates, y luego acomodar el orden de los renglones,
columnas y letras aleatoriamente.
• A continuación se presenta un procedimiento para
seleccionar aleatoriamente un Cuadrado Latino.

Procedimiento
1) Tomar al azar un Cuadrado Latino.
2) Mediante números aleatorios permutar al azar el orden de
las renglones y luego las columnas.
3) Asignar al azar los tratamientos a las letras.
1) Si se tiene un Cuadrado Latino de p = 4 1ABCD
y se elige al azar el cuadrado Latino 2DCBA
estándar 3BADC
1 2 3 4 2) Utilizando los números 4CDAB
2 D C B A aleatorios se obtiene el orden para
los renglones de (2, 3, 1 y 4)
3BADC
1ABCD
4CDAB 3 1 4 2
2BDAC
3) Para las columnas de (3, 1, 4 y 2)
3DBCA
1CADB
4ACBD
4) Por último, asignando al azar los
tratamientos a cada una de las letras, se tendrá
el diseño de Cuadrado Latino buscado
4.2.1 MODELO ESTADÍSTICO
• Las observaciones yijk se pueden describir por medio
del modelo estadístico lineal
Yijk = µ + αi+ j + βk+ijk; i=j=k:1..p
Donde:
Efectos de tratamiento,
yijk: Variable respuesta
renglones y columnas
µ : media global; p p p
αi: Efecto del renglón    0 
i j 0  k 0
j : efecto del tratamiento i 1 j 1 k 1

βk : efecto de la columna
ijk: es el error aleatorio
SUPUESTOS
• El objetivo será probar las hipótesis adecuadas
con respecto a los efectos del tratamiento y hacer
estimaciones de ellos.
• Para llevar a cabo esta prueba de hipótesis, se
debe suponer:
 Los efectos de tratamientos, renglones y
columnas son aditivos( no hay intersección entre
ellos).
 ijk tienden a distribución normal con N(0,σ2)
 Los ijk son independientes con N(0,σ2) .
 Los errores tienen varianza constante
σ21=σ22=….=σ2p.
4.2.2 ANALISIS ESTADISTICO
Modelo de efectos fijos
Hipótesis Tratamientos Hipótesis Renglones
Ho: µ1 = µ2 = µ3… Ho: α 1 = α 2 = …= α p = 0
H1: µ1 ≠ µ2 ≠ µ3… H1 : α i ≠ 0 al menos una i
También Hipótesis Columnas
Ho: 1 = 2 = …= 0 Ho: β1 = β2 = …= βp = 0
H1: j ≠ 0 al menos una j H1 : β k ≠ 0 al menos una k
Si la Ho es verdadera cambiar los niveles del factor
no tiene ningún efecto sobre la media de la
respuesta.
Para probar estas hipótesis se requiere del análisis de
varianza ANOVA
 ANOVA
FV SC GL CM Fo
Tr p-1

R p-1

C
p-1
E SCE=SCt-SCtr-SCr-SCc (p-2)(p-1)

T p2-1
 4.2.3 ESTIMACION DE LOS PARAMETROS Y
NIVELES DE CONFIANZA
• μ, αi j, βk del modelo: yijk = μ + αi + j +βk +ijk.
Se estiman utilizando mínimos cuadrados, tomando en
cuenta la restricciones :

Valor ajustado de yijk

 INTERVALO DE CONFIANZA
Error estándar para:
La media de un tratamiento La diferencia de medias

El intervalo de confianza al 100%(1- ) para la media

del i-ésimo tratamiento, es:
 4.2.4 COMPARACION ENTRE
TRATAMIENTOS
• Cualquier método estudiado en el Diseño Unifactorial
puede ser utilizado para este fin; con algunas variantes.
• Para llevar a cabo las comparaciones entre grupos de
tratamiento para estos diseños se debe sustituir el número de
bloques (b) por el número (p) en las fórmulas utilizadas en
cada uno de los métodos estudiados en el capítulo anterior y
además se debe utilizar los grados de libertad del error que
están definidos por (p-2)(p -1).
4.2.4.1 COMPARACIÓN DE MEDIAS DE
TRATAMIENTOS INDIVIDUALES
 A. CONTRASTES ORTOGONALES
• Suponga que se desea probar:
Ho : µ1 + µ3 = µ4 + µ5 o Ho: y1. + y3. – y4. – y5. = 0
H1 : µ1 + µ3 ≠ µ4 + µ5 H1: y1. + y3. – y4. – y5. ≠ 0
contraste

Con Grados de libertad = 1

 B. MÉTODO DE SCHEFFÉ PARA COMPARAR
TODOS LOS CONTRASTES.
Supongamos que existe un conjunto de m contrastes
de interés de las medias de tratamientos.
Wk = c1kµ1 + c 2kµ2 + c 3kµ3 +…+ c akµa
c k = c1k + c2k + c3k +…+ cak , con k=1, 2, 3, …, m

El valor crítico con el que ck debe ser comparado es:

Para probar la hipótesis Ck difiere de cero, se compara Ck con

el valor crítico. si Se rechaza Ho
 C. PRUEBA DE BONFERRONI
• donde el valor de t se
obtiene de tablas t de bonferroni.
• Una alternativa a esta t es la t de Student
t(/2/ (p-2)(p-1)). (para dos colas)

Si ti > t(α/2/(p-2)(p-1)) se rechaza Ho

4.2.4.2 COMPARACIÓN DE PAREJAS DE
MEDIAS DE TRATAMIENTOS.
 A. MÉTODO DE LA MÍNIMA DIFERENCIA
SIGNIFICATIVA (LSD)
Suponga que se desea probar la Ho: µi.= µj. Para llegar
a probar esta hipótesis se debe utilizar la estadística t.

Si se rechaza Ho
B. PRUEBA DE INTERVALOS MÚLTIPLES
DE DUNCAN
Primero se colocan los “p” promedios de
tratamiento en orden ascendente y se determina el
error estándar de cada promedio.

g=2,3,…,p f=(p-2)(p-1)

Rg = r (g,f) Se rechaza Ho si > Rg

 C. PRUEBA DE TUKEY
Si suponemos que se quiere probar la hipótesis :
Ho: μi = μj
H1: μi ≠ μj para i = 1,2,…, p-1; j=1,2,...,p-1

T = q(p,f)

Si > T , se rechaza Ho

f = (p-2)(p-1)
4.2.4.3 COMPARACIÓN DE
TRATAMIENTOS CON UN CONTROL.
 Prueba de Dunnet
• Si suponemos que el tratamiento “c” es el control,
entonces las hipótesis que se desean probar son:
Ho: μi = μc
H1: μi ≠ μc para i = 1,2,…, p-1

f=(p-2)(p-1)

Donde d(p-1,f) se encuentra en la tabla de Dunnett, conque

constituye el nivel de significancia conjunta asociado a las p-1
pruebas y f los grados de libertad del error.
4.3 DISEÑOS CUADRADO GRECO-LATINO
• Se utiliza para controlar tres fuentes extrañas de
variabilidad que están representadas en los
renglones, columnas y letras griegas; es decir, que el
análisis se hace por bloques en tres direcciones, y
nos permite analizar el factor renglón, columna, letras
griegas y Letras Latinas cada uno con p niveles,
usando solamente p2 ensayos.
• Si se tiene un cuadrado Latino pxp, y se le sobrepone
otro Cuadrado Latino en el cual los tratamientos se
representan con las letras griegas como , , , , ,
etc, este Diseño se denomina Diseño de Cuadrado
Greco-Latino.
• Estos dos cuadrados deben ser ortogonales; es decir,
que cada letra griega aparezca una sola vez con cada
Letra Latina
Consideraciones:
• Número de letras latinas = número de renglones = Número de
columnas = número de letras griegas=numero de repeticiones.
• No se debe usar cuando hay más de 8 tratamientos, ya que se
requiere un costo elevado de la experimentación por la restricción
• No es conveniente usarlo cuando el número de tratamientos es
menor de 4, ya que el diseño tendrá relativamente un número de
grados de libertad muy pequeño y no se puede estimar el error
experimental, pero se puede repetir un cierto número de veces para
hallar la estimación del error experimental.
• Presenta complicación en los cálculos del Análisis de Varianza
cuando faltan datos.
• En general este diseño se aplica cuando:
Existen tres factores en estudio (renglones,columnas, letras latinas,
ltras griegas).
El número de niveles para cada factor es el mismo.
No son esperables interacciones entre los factores.
 Ejemplo: se quiere saber cual es el mejor procedimiento

Renglones Columnas (Días)

(Mezclas) Lu Ma Mi Ju Vi

1 A=1 B=0 C=4 D=0 E=1

2 B=3 C=4 D=1 E=5 A=3
3 C=2 D=5 E=0 A=0 B=-1
4 D=-1 E=2 A=-1 B=1 C=4

Donde: 5fuentes de
E=0 A=1sonB=-2 C=-3 D=1
variabilidad
Renglones: Mezclas (1, 2, 3, 4, 5); Columnas: Días ( Lu, Ma,
Mi ,Ju, Vi); Letras latinas: Maquinas (A, B, C, D, E);
Letras griegas: Procedimientos (α, β, γ, δ, ε)
Aleatorización
Para llevar a cabo la selección aleatoria de un Cuadrado
Greco-latino se debe realizar el siguiente procedimiento:
1) Escoger al azar dos de los Cuadrados Latinos que deben ser
ortogonales y del mismo orden.
2) Al primer Cuadrado Latino cambiarle las letras A, B, C, D,
…, por las letras , , , , …,
3) Luego superponerlos, obteniendo como resultado un sólo
cuadrado, que es el Cuadrado Greco-latino.
4) Permutar las filas y las columnas al azar como en el
Cuadrado Latino.
5) Asignar también al azar las letras Griegas y Latinas a los
tratamientos.
4.3.1 MODELO ESTADÍSTICO
Las observaciones yijk se pueden describir por medio del
modelo estadístico lineal
Yijkl = µ + αi+ j + βk+ωl+ijkl; i=j=k=l:1..p
Efectos de renglones, letras latinas,
Donde: letras griegas, y columnas
yijkl: Variable respuesta p p

µ : media global;

i 1
i  0 
j 1
j 0

αi: Efecto del renglón p p

Ωl: Efecto de la columna 

k 1
k  0 
l 1
l 0
ijkl: es el error aleatorio
j : efecto del tratamiento letras latinas
βk : efecto del tratamiento letras griegas
SUPUESTOS
• El objetivo será probar las hipótesis adecuadas
con respecto a los efectos del tratamiento y hacer
estimaciones de ellos.
• Para llevar a cabo esta prueba de hipótesis, se
debe suponer:
 Los efectos de tratamientos letras latinas, letras
griegas, renglones y columnas son aditivos( no
hay intersección entre ellos).
 ijkl tienden a distribución normal con N(0,σ2)
 Los ijkl son independientes con N(0,σ2) .
 Los errores tienen varianza constante
σ21=σ22=….=σ2p.
4.3.2 ANALISIS ESTADISTICO
Modelo de efectos fijos
Hipótesis Letras latinas Hipótesis Renglones
Ho: 1 = 2 = …= 0 Ho: α 1 = α 2 = …= α p = 0
H1: j ≠ 0 al menos una j H1 : α i ≠ 0 al menos una i
Hipótesis Letras griegas Hipótesis Columnas
Ho: β1 = β2 = …= βp = 0 Ho: ω1 = ω2 = …= ωp = 0
H1 : βk ≠ 0 al menos una k H1 : ωl ≠ 0 al menos una l

Si la Ho es verdadera cambiar los niveles del factor

no tiene ningún efecto sobre la media de la
respuesta.
Para probar estas hipótesis se requiere del análisis de
varianza ANOVA
 ANOVA
FV SC GL CM Fo

TrLL SCL p-1

TrLG SCG p-1

R SCR p-1

C SCC p-1

E SCE (p-3)(p-1)

T SCT p2-1
SCE=SCT-SCL-SCG-SCR-SCG
 4.3.3 ESTIMACION DE LOS PARAMETROS Y
NIVELES DE CONFIANZA
μ, αi j, βk ωl del modelo: yijkl = μ + αi + j +βk + ωl +ijkl
Se estiman utilizando mínimos cuadrados, tomando en
cuenta la restricciones :

Valor ajustado de yijk

 INTERVALO DE CONFIANZA
Error estándar para:
La media de un tratamiento La diferencia de medias

El intervalo de confianza al 100%(1- ) para la media

del i-ésimo tratamiento, es:
 4.3.4 COMPARACION ENTRE
TRATAMIENTOS
• Cualquier método estudiado en el Diseño Unifactorial
puede ser utilizado para este fin; con algunas variantes.
• Para llevar a cabo las comparaciones entre grupos de
tratamiento para estos diseños se debe sustituir el número de
bloques (b) por el número (p) en las fórmulas utilizadas en
cada uno de los métodos estudiados en el capítulo anterior y
además se debe utilizar los grados de libertad del error que
están definidos por (p-3)(p -1).
4.3.4.1 COMPARACIÓN DE MEDIAS DE
TRATAMIENTOS INDIVIDUALES
 A. CONTRASTES ORTOGONALES
• Suponga que se desea probar:
Ho : µ1 + µ3 = µ4 + µ5 o Ho: y1. + y3. – y4. – y5. = 0
H1 : µ1 + µ3 ≠ µ4 + µ5 H1: y1. + y3. – y4. – y5. ≠ 0
contraste

Con Grados de libertad = 1

 B. MÉTODO DE SCHEFFÉ PARA COMPARAR
TODOS LOS CONTRASTES.
Supongamos que existe un conjunto de m contrastes
de interés de las medias de tratamientos.
Wk = c1kµ1 + c 2kµ2 + c 3kµ3 +…+ c akµa
c k = c1k + c2k + c3k +…+ cak , con k=1, 2, 3, …, m

El valor crítico con el que ck debe ser comparado es:

Para probar la hipótesis Ck difiere de cero, se compara Ck con

el valor crítico. si Se rechaza Ho
 C. PREUBA DE BONFERRONI
• donde el valor de t se
obtiene de tablas t de bonferroni.
• Una alternativa a esta t es la t de Student
t(/2/ (p-3)(p-1)). (para dos colas)

Si ti > t(α/2/(p-3)(p-1)) se rechaza Ho

4.3.4.2 COMPARACIÓN DE PAREJAS DE
MEDIAS DE TRATAMIENTOS.
 A. MÉTODO DE LA MÍNIMA DIFERENCIA
SIGNIFICATIVA (LSD)
Suponga que se desea probar la Ho: µi.= µj. Para llegar
a probar esta hipótesis se debe utilizar la estadística t.

Si se rechaza Ho
B. PRUEBA DE INTERVALOS MÚLTIPLES
DE DUNCAN
Primero se colocan los “p” promedios de
tratamiento en orden ascendente y se determina el
error estándar de cada promedio.

g=2,3,…,p f=(p-3)(p-1)

Rg = r (g,f) Se rechaza Ho si > Rg

 C. PRUEBA DE TUKEY
Si suponemos que se quiere probar la hipótesis :
Ho: μi = μj
H1: μi ≠ μj para i = 1,2,…, p-1; j=1,2,...,p-1

T = q(p,f)

Si > T , se rechaza Ho

f = (p-3)(p-1)
4.3.4.3 COMPARACIÓN DE
TRATAMIENTOS CON UN CONTROL.
 Prueba de Dunnet
• Si suponemos que el tratamiento “c” es el control,
entonces las hipótesis que se desean probar son:
Ho: μi = μc
H1: μi ≠ μc para i = 1,2,…, p-1

f=(p-3)(p-1)

Donde d(p-1,f) se encuentra en la tabla de Dunnett, conque

constituye el nivel de significancia conjunta asociado a las p-1
pruebas y f los grados de libertad del error.
Gracias