UNIVERSIDAD

NACIONAL
DE CAJAMARCA
FACULTAD DE INGENIERA
ESCUELA ACADMICO PROFESIONAL DE
INGENIERA CIVIL
ESTADSTICA APLICADA

DISEO CUADRADO LATINO Y GRECOLATINO

Docente:
Lcda. Araceli Poemape

Alumna:
ROJAS GUTIRREZ, Mariela

CAJAMARCA PER
2016

DISEO DE CUADRADO LATINO

UNIVERSIDAD NACIONAL DE CAJAMARCA

Los diseos en cuadrados latinos son apropiados cuando es necesario controlar

dos fuentes de variabilidad. En dichos diseos el nmero de niveles del factor
principal tiene que coincidir con el nmero de niveles de las dos variables de
bloque o factores secundarios y adems hay que suponer que no existe
interaccin entre ninguna pareja de factores.
Supongamos que el nmero de niveles de cada uno de los factores es
diseo en cuadrado latino utiliza

K2

K . El

bloques, 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 slo una en cada fila y en cada columna.
Recibe el nombre de cuadrado latino de orden K a una disposicin 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 continuacin vamos a dar una forma simple de
construccin de cuadrados latinos. Se parte de una primera fila con las letras
latinas ordenadas alfabticamente

Fila 1

Columna
1
A

Columna
2
B

Columna
3
C

Columna
k
K

Las sucesivas filas se obtienen moviendo la primera letra de la fila anterior a la

ltima posicin (construccin por permutacin cclica), el cuadrado as obtenido
es un cuadrado latino estndar. Un cuadrado latino se denomina estndar
cuando las letras de la primera fila y la primera columna estn ordenadas
alfabticamente. A parte de los cuadrados latinos as obtenidos existen otros
cuadrados latinos diferentes, estndares y no estndares. En el Apndice B se
muestran algunos cuadrados latinos estndares para los rdenes 3, 4, 5, 6, 7, 8 y
9.
El procedimiento para construir un diseo 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 pens que podra conseguirse mayor
precisin si se controlaba la variabilidad introducida por los tipos de abono e
insecticida. El instituto de experimentacin agrcola est interesado en estudiar 4
tipos de semilla de trigo, ( S 1 ,

S2 , S3 ,

S 4 ) y decide realizar el

experimento utilizando un diseo en cuadrado latino. Para ello selecciona 4

ESTADSTICA APLICADA

UNIVERSIDAD NACIONAL DE CAJAMARCA

niveles para cada una de las variables de bloque: abono, ( a1 ,
insecticida, ( i 1 ,

a2 , a3 , a4 ), e

i 2 , i 3 , i 4 ).

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

cuadrado latino elegido es el siguiente

[ ]
A BC D
BC D A
C DAB
D A BC

A continuacin, se asigna tambin 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

[ ]
BC D A
C DAB
A BC D
D A BC

Se vuelven a generar otros 4 nmeros aleatorios que se identifican con el orden

de las columnas de este ltimo cuadrado. Supongamos que los nmeros
obtenidos son (4, 3, 1, 2), obtenindose el siguiente cuadrado latino

[ ]
C DBA
B AC D
DC AB
A B DC

Por ltimo, 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 diseo resultante es
Tabla N 1
SEMILLAS
INSECTICI
DAS
i1
i2
i3
i4

S1 S2 S3 S4
a3
a2
a4
a1

a4
a1
a3
a2

a2
a3
a1
a4

a1
a4
a2
a3

Por convenio, se suele situar el factor principal, en este caso el tipo de semilla,
en las celdillas. Reordenando el diseo anterior se obtiene la siguiente tabla:

ESTADSTICA APLICADA

UNIVERSIDAD NACIONAL DE CAJAMARCA

Tabla N 2
SEMILLAS
INSECTICI
DAS
i1
i2
i3
i4

a1 a2 a3 a4
s4
s2
s3
s1

s3
s1
s4
s2

s1
s3
s2
s4

En resumen, podemos
cuadrado latino tiene las siguientes caractersticas:

s2
s4
s1
s3

decir que un diseo en

a. Se controlan tres fuentes de variabilidad, un factor principal y dos factores

de bloque.
b. Cada uno de los factores tiene el mismo nmero de niveles, K.
c. Cada nivel del factor principal aparece una vez en cada fila y una vez en
cada columna.
d. No hay interaccin entre los factores.
e.
A. PLANTEAMIENTO DEL MODELO
B.
En un diseo en cuadrado latino intervienen los siguientes factores: un
factor principal y dos factores secundarios o variables de bloque. Se
supone que no existe interaccin entre esos tres factores. As el modelo
empleado es un modelo adtivo. Si consideramos que los tres factores son
de efectos fijos, el modelo estadstico para este diseo es:

i=1,2 , k
ij(h)=+ i+ j + y h +uij(h) j=1,2 , k
h=1,2 , K

ij(h)

representa la observacin correspondiente a la

fila,

-sima columna y

-sima letra latina.

es la media global

es el efecto producido por el

-simo nivel del factor fila.

Dichos efectos estn sujetos a la restriccin

es el efecto producido por el

i=0
i

-simo nivel del factor

columna. Dichos efectos estn sujetos a la restriccin

yh

es el efecto producido por la

efectos estn sujetos a la restriccin

uij(h)

i -sima

j =0
j

-sima letra latina. Dichos

Y h =0
h

son variables aleatorias independientes con distribucin N

(0, )
ESTADSTICA APLICADA

UNIVERSIDAD NACIONAL DE CAJAMARCA

La notacin

ij(h)

indica que los niveles

determinan la letra latina

para un cuadrado latino especificado. As, en la situacin de referencia, Tabla

N2, si

= 2 y

= 1, automticamente

= 2 (semilla 2). Es decir, el

subndice h toma valores que dependen de la celdilla ( i ,

utilizando la notacin

j ). De esta forma,

ij(h) , el cuadrado latino correspondiente a la situacin

de referencia es

Y 11 ( 4 ) Y 12 (3) Y 13 (1) Y 14 (2)

Y 21 (2) Y 22( 1) Y 23 (3 ) Y 24 ( 4)
Y 31 (3) Y 32( 4 ) Y 33 (2) Y 34 (1)
Y 41( 3) Y 42( 2) Y 43( 4 ) Y 44 (3 )

A continuacin se muestra la notacin que se va a utilizar en estos diseos

N=K 2

es el nmero total de observaciones.

El total y la media global

Y
Y = Y ij(.) Y = 2
K
i. j
El total y la media por fila
k

Yi
Yi= Yij(.) Yi=
K2
j =1
El total y la media por columna
k

Yi
Y . j.= Yij(.) Y . j .= 2
K
i=1
donde la notacin

Y ij ( . ) indica que consideramos la observacin

correspondiente a la celdilla ( i ,

j ) independientemente de la

letra latina que le corresponda.

El total y la media para cada letra latina

Y .. h= Y ij(h) Y .. h=
i. j

donde

Y .. h

Y .. h
K
K

se obtiene sumando las

que el tratamiento se ha fijado al nivel

observaciones en las

C. ESTIMACIN DE LOS PARMETROS DEL MODELO

ESTADSTICA APLICADA

UNIVERSIDAD NACIONAL DE CAJAMARCA

1. Estimacin por mxima verosimilitud

Se construye la funcin de verosimilitud asociada a la muestra para las

N=K 2

observaciones
2

N
2

L ( , i , j , Y h , )=( 2 )

1
2
exp
Y i jY h ]
2 [ ij(h)
2 i=1 j=1

se determina el logaritmo de dicha funcin

ln ( L ( , i , j ,Y h , 2 ) )=

2
N
N
1
ln ( 2 ) ln ( 2 ) 2 [ Y ij(h) i j Y h ]
2
2
2 i=1 j=1

se calculan las correspondientes derivadas parciales

K

ln L 1
= 2 [ Y ij(.) i jY h ]

i =1 j=1
ln L 1
= 2 [ Y ij(.) i jY h ] i=1, , k
i
i =1 j=1

ln L 1
= Y i jY h ] j=1, , k
j 2 i =1 j=1 [ ij(.)
ln L 1
= [ Y i jY h ] h=1, , k
Y h 2 i =1 j=1 ij(h)
K

2
ln L N
1
= 2+
Y

[
]
ij(.)
i
j
h
2
i
2 2 ( 2 ) i=1 j=1

Igualando a cero estas derivadas parciales, se obtiene un sistema de

ecuaciones que proporciona los estimadores mximo verosmiles.
Dichos estimadores vienen dados por las expresiones

Y ij(.)
^=

K2

=Y

1
^ i= Y ij ( .) ^ =Y iY
K j=1

ESTADSTICA APLICADA

UNIVERSIDAD NACIONAL DE CAJAMARCA

K

^ j= 1 Y ij (. ) ^ =Y iY
K i=1
1
Y^ h= Y ij ( h )^=Y hY
K i. j
Se puede comprobar fcilmente que estos estimadores verifican

^ i= ^ j = Y^ h=0
i

Finalmente, sustituyendo

^ ,

^ i ,

^ j

Y^ h

en la ltima

ecuacin igualando a cero, obtenemos el estimador de mxima

verosimilitud para la varianza

^ 2=

2
1
Y ij (.) ^ ^ i ^ jY^ h ]

[
N i. j

Residuos
Los residuos en este modelo adoptan la expresin

e ij(h)=Y ij(h) Y^ ij ( h)=Y ij (h ) ^ ^ i ^ j Y^ h=Y ij (h )Yi ..Y.. h2 Y ..

Se verifica que los residuos suman cero por filas, columnas y para cada
letra

e ij (.)=0 i=1, , k
j

e ij (.)=0 j=1, ,k
i

eij (.)=0 j=1, , k

i

Por tanto el nmero de grados de libertad de los residuos es (K 1) (K

2). En efecto

K 2( K +(K 1)+( K1))=K 23 K +2=( K 1)(K 2)

Se comprueba que el estimador insesgado de la varianza poblacional es
la suma de los cuadrados de los residuos dividida por sus grados de
libertad, es decir

ESTADSTICA APLICADA

UNIVERSIDAD NACIONAL DE CAJAMARCA

k

2
[ Y ij( h)Y^ ij(h ) ]

~2 ^ 2 i=1
=S R =

j=1

e 2ij(h)
=

(k 1)( k2)

i=1 j=1

(k 1)( k2)

D. DESCOMPOSICIN DE LA VARIABILIDAD
Siguiendo el mismo procedimiento que en modelo en bloques
aleatorizados, se comprueba que la ecuacin bsica del anlisis de la
varianza es
K

( Y ij( h)Y ) = K (Y ij (h )Y ) + K ( Y . j .Y ) + K ( Y .. h Y ) +
j=1

i=1

i=1

i=1

i=1

( Y ij( h)Yi ..Y. j .Y .. h2 Y)

i=1 j=1

que simblicamente se puede escribir

SCT =SCF + SCC +SCL +SCR

Denominando por esas siglas los trminos en el orden en que figuran en la
ecuacin y que reciben los siguientes nombres
1.

SCT , suma total de cuadrados.

2. SCF, suma de cuadrados debida al efecto fila.

3. SCC, suma de cuadrados debida al efecto columna.
4. SCL, suma de cuadrados debida a la letra latina.
5. SCR, suma de cuadrados del error.
Basndonos

en

estas

sumas

de

cuadrados

se

correspondientes cuadrados medios que denotamos por

construyen
2 2 2 2
T F C L

s^ ^s s^ s^ y s^

los
2
R

bien por CMT, CMF, CMC, CML y CMR o CME.

Se demuestra que los valores esperados de los cuadrados medios
correspondientes a las filas, columnas, letras latinas y residual son,
respectivamente:
k

E ( CMF ) =E ( S^ 2F ) = 2 +

K 2i
i =2

K 1
k

E ( CMC )=E ( S^ 2C ) = 2 +
ESTADSTICA APLICADA

K 2J
i=2

K1
8

UNIVERSIDAD NACIONAL DE CAJAMARCA

E ( CML )=E ( ^S2L ) = 2 +

K Y 2h
i=2

K1

E ( CMR )=E ( S^ 2R ) = 2
Por lo tanto
1. Se verifica que

S^ 2R

SCR /(K1)(K2)

es un estimador

insesgado de la varianza poblacional 2.

2. Puede observarse que bajo el supuesto de que cada una de las
hiptesis

H 0 t : i=0, i

H 0 : i=0, j
H 0 Y :Y i=0, h
sea cierta, el correspondiente sumando de

S^ 2F ,

S^ 2C

S^ 2L

E(CMF)

es nulo y por tanto

son estimadores insesgados de 2. Sin embargo, hay

que notar que si existen diferencias entre las medias de las filas, las
columnas o letras latinas, el respectivo valor esperado del cuadrado medio
es mayor que 2.
De todo esto podemos deducir que:
1. Un contraste para verificar la hiptesis nula de igualdad de medias

^
de las filas puede efectuarse comparando S F y
2

S^ 2R .

2. Un contraste para verificar la hiptesis nula de igualdad de medias

de las columnas puede efectuarse comparando

S^ 2C

S^ 2R .

3. Un contraste para verificar la hiptesis nula de igualdad de medias

de las letras latinas puede efectuarse comparando

S^ 2L

S^ 2R .

Siguiendo el mismo razonamiento que en los modelos anteriores se puede

demostrar que bajo las hiptesis nulas se verifica que

SCF
X 2K1
2

SCC
X 2K1
2

ESTADSTICA APLICADA

UNIVERSIDAD NACIONAL DE CAJAMARCA

SCL
X 2K1
2

SCR
2
X(K
1)( K2)
2

y estas distribuciones son independientes entre s.

SCR
X 2(K 1) ( K2) sean o no ciertas las hiptesis nulas.
2

Notamos que

Los estadsticos de contrastes:

SCF/ 2
S^ 2F
K 1
F =
= 2
SCR/ 2
S^ R
( K1)(K 2)
SCC / 2
S^ 2C
K 1
F =
= 2
SCR/ 2
S^ R
( K1)( K 2)
2

SCL/
S^ 2L
K 1
F =
= 2
SCR/ 2
S^ R
( K1)( K 2)
siguen distribuciones

de Snedecor con

K1 y ( K 1)( K 2)

grados de libertad cada uno.

Y se rechaza H0, al nivel de significacin , cuando el valor experimental
del respectivo estadstico sea mayor que el valor crtico de la

F con

distribucin

K1 y ( K 1)(K 2)

grados de libertad.

Para una mayor sencillez en el clculo se utilizan las expresiones

abreviadas de
k

SCT , SCF , SCC , SCL , y SCR,

2

SCT = Y ij(.)
i=1 j=1

Y
K

Y 2
SCF= Y 2
K
i=1
k

2
i ..

ESTADSTICA APLICADA

10

que se dan a continuacin

UNIVERSIDAD NACIONAL DE CAJAMARCA

2

k
Y
1
SCC = Y 2. j . 2
K i=1
K

SCL= Y ..h
i =1

Y
K

La suma de cuadrados del error se obtiene por diferencia

SCR=SCT SCFSCCSCL

La tabla ANOVA correspondiente a este modelo es:

Tabla N3. Tabla ANOVA para el modelo de cuadrado latino

Alternativamente,

utilizando

las

expresiones

abreviadas

SCT , SCF , SCC , SCL y SCR , la Tabla ANOVA se puede presentar como

de

Tabla N4. Forma prctica de la tabla ANOVA para el modelo de cuadrado

latino

ESTADSTICA APLICADA

11

UNIVERSIDAD NACIONAL DE CAJAMARCA

Coeficiente de determinacin A continuacin definimos el coeficiente de

determinacin R2

R 2=

SCF+ SCC+ SCL

SCT

donde, denotamos:

al cociente entre la variabilidad explicada por las filas y la

R2 =

variabilidad total, es decir:

R2

al cociente entre la variabilidad explicada por las columnas y la

R2 =

variabilidad total, es decir:

R2y

SCF
SCT

SCC
SCT

al cociente entre la variabilidad explicada por las letras latinas

y la variabilidad total, es decir:

R =

SCL
SCT

Entonces el coeficiente de determinacin tambin lo podemos expresar

como
R2 =
Siendo

R2 ,

R2 ,

R2y

R + R

+ Ry

los coeficientes de determinacin parciales

asociados a las filas, columnas y letras latinas, respectivamente.

ESTADSTICA APLICADA

12

UNIVERSIDAD NACIONAL DE CAJAMARCA

EJEMPLO N1
Un investigador quiere evaluar la productividad de cuatro
variedades de aguacate y decide realizar el ensayo en un terreno
que posee un gradiente de pendiente de oriente a occidente y
adems, diferencias en la disponibilidad de Nitrgeno de norte a sur,
para controlar los efectos de la pendiente y la disponibilidad de
Nitrgeno, utiliz un diseo de cuadrado latino, las variedades son:
A, B, C y D, los datos corresponden a la produccin en kg/parcela.
DISPONIBILI
DAD DE
NITRGENO
1
2
3
4

PENDIENTE
1
D
78
5
A
85
5
C
95
0
B
94
5

C
A
70
730
0
D
B
76
775
0
B
D
79
885
5
A
C
88
950
0

Y.j.
4
B
59
5
C
71
0
A
78
0
D
83
5

Yk
Aqu el juego de hiptesis a probar sera:
Ho = A = B = C = D
Ha = i j para cualquier i diferente de j.
El anlisis de varianza queda:

F de v

G
L

Tratamiento

Nitrgeno (Filas)

Pendiente
(Columnas)
Error
Total

3
6
1
5

P
vlu
e
1852.08 98.7 0.00
5556.25
3
8
5
92518.7 30839.5
5
83
52556.2 17518.7
5
5
112.5
18.75
150743.
75
S de C

CM

Fc

A partir de la cual se rechaza la hiptesis nula y se concluye que existen

por lo menos dos variedades de aguacate con diferentes niveles de

ESTADSTICA APLICADA

13

UNIVERSIDAD NACIONAL DE CAJAMARCA

produccin, para evaluar entre quienes est la diferencia debe realizarse
una prueba de comparacin de medias, esto te queda de tarea.

EJEMPLO N2
Se muestra en la siguiente tabla, a la que se han aadido las filas y
columnas necesarias para su resolucin.

Las sumas de cuadrados necesarias para el anlisis de la varianza se

calculan como sigue
k

2
Y
203
SCT = Y ij(.) 2 =3001 2 =425.4375
K
4
i=1 j=1

SCF = Y i ..
i=1

Y
K

=
2

ESTADSTICA APLICADA

11621 203
2 =329.6875
4
4

14

UNIVERSIDAD NACIONAL DE CAJAMARCA

2

k
2
Y
1
10317 203
SCC = Y 2. j . 2 =
2 =3.6875
K i=1
4
K
4

SCL= Y ..h
i =1

Y
K

=
2

10615 203
2 =78.1875
4
4

y la suma de cuadrados del error se obtiene por diferencia

SCR=SCT SCFSCCSCL=13,875 .
La tabla ANOVA correspondiente a este modelo es Tabla 5-7. Anlisis de la
varianza

Si realizamos el contraste al 5 % y comparamos los valores de las F exp con

el valor de la F terica (F0,05;3,6 = 4,7571), se concluye que son
significativos los efectos de los abonos y semillas, pero no lo son los
efectos de los insecticidas.
Observamos, en la columna correspondiente al % explicado, que el
coeficiente de determinacin del modelo es R2 = 0,9674, siendo el efecto
ms importante el referente al tipo de abono que explica un 77.49 % de la
variabilidad presente en el experimento.

EJEMPLO N3
Un investigador quiere evaluar la productividad de cuatro variedades de
aguacate y decide realizar el ensayo en un terreno que posee un gradiente
de pendiente de oriente a occidente y adems, diferencias en la
disponibilidad de Nitrgeno de norte a sur, para controlar los efectos de la
pendiente y la disponibilidad de Nitrgeno, utiliz un diseo de cuadrado
latino, las variedades son: A, B, C y D, los datos corresponden a la
produccin en kg/parcela.
Pendiente

Disponibili
dad de
nitrgeno

D 785

730

700

595

A 855

775

760

710

3
C 950 D
ESTADSTICA APLICADA
4
B 945 C

885

780

950

795
15
880

835

Total Tk

353
5

334
0

313
5

292
0

Total
Tj
281
0
310
0
341
0
361
0
129
30

tj2

tk2

789610
0
961000
0
116281
00
130321
00
42166
300

42006
450

UNIVERSIDAD NACIONAL DE CAJAMARCA

Las hiptesis a probar seran las siguientes:
Ho: A = B = C = D : el factor es igual
H1: A B C D : el factor es diferente

ANOVA PARA CUADRO LATINO

Fuente
de

Grados
de
liberta
variacion
d
Tratamient
os

Nitrogeno

Suma de

Promedio
F

Cuadrados(SC)

Cuadrado (MS)

SC Tratam .
= 18
n1

SC Tratamientos =
5556.25

SC

Filas

MS Tratam .
=
MS Error

52.0833

SC Filas
= 4934.
n1

= 92518.75

98.777
263.163

3
Pendiente

Error

SC Columnas
=
n1

SC Columnas =
52556.25

2803

112.5

SC Error
= 1
(n2)(n1)

150743.75

SS Total
= 10049
2
n 1

149.49

8.75
Total

15

.5833
Conclusiones:
A partir de la cual se rechaza la hiptesis nula y se concluye que existen por lo
menos dos variedades de aguacate con diferentes niveles de produccin, para
evaluar entre quienes est.

DISEO DE CUADRADO GRECOLATINO

En un diseo en cuadrado greco-latino la variable respuesta y ij(hp) viene descrita
por la siguiente ecuacin

y ij(hp)=+ i+ j + h + p+ ij(hp)

{[ ]
i=1,2 , k
j=1,2 , k
h=1,2 , k
p=1,2 , k

Donde:

es un efecto constante, comn a todas las unidades.

ESTADSTICA APLICADA

16

UNIVERSIDAD NACIONAL DE CAJAMARCA

es el efecto producido por el i-esimo nivel del factor fila. Dichos

efectos estn sujetos a la restriccin

es el efecto producido por el j-esimo nivel del factor columna. Dichos

efectos estn sujetos a la restriccin

i=0
j =0
j

es el efecto producido por el h-esimo nivel del factor letra latina.

Dichos efectos estn sujetos a la restriccin

p es el efecto producido por el p-esimo nivel del factor letra griega.

Dichos efectos estn sujetos a la restriccin

h=0
p=0
p

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 especificado. Es decir, los subndices h y p toman
valores que dependen de la celdilla (i,j).
Se utiliza la siguiente notacin:
N=k2 es el nmero total de observaciones.
El total y el promedio de todas las observaciones

y . = y ij(hp ) y .=
i

y .
K2

El total y el promedio para cada fila

K

y i = y ij(..)

y i =

j =1

yi
K

y . j ..= y ij(..)

y . j ..=

i=1

y . j ..
K

El total y el promedio para cada letra latina

y .. h .= yij (h .)

y .. h .=

i. j

y .. h .
K

El total y el promedio para cada letra griega

y p = y ij(. p)
i. j

ESTADSTICA APLICADA

17

y p =

yp
K

UNIVERSIDAD NACIONAL DE CAJAMARCA

y .. h .

se obtiene sumando las K observaciones en las que la letra

latina se ha fijado al nivel h.

y p

se obtiene sumando las K observaciones en las que la letra

griega se ha fijado al nivel p.

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.
Estimacin de los parmetros del modelo
Siguiendo el mismo proceso que en los diseos anteriores se obtienen los
siguientes estimados mximos verosmiles de los parmetros del modelo

y ij ( .. )

^=

K2

= y ,

^ i =

1
y
K j=1 ij(..)

^ j
=

y i y

1
y
K i=1 ij(..)

y . j .. y

^ h =

1
y ij(h .)
K
i, j

y .. h . y

^ p =

1
y ij(. p)
K
i, j

y ... p y

^ 2 =

2
1
y ij... ^ ^ i ^ j^ h ^ p ]
[

N i, j

A. Residuos
Los residuos en este modelo adoptan la expresin

e ij(hp)= y ij (hp) ^y ij (hp )= y ij ( hp) ^ ^ i ^ j ^ h ^ p =

y ij ( hp) y i y . j .. y .. h . y p +3 y
Como en el diseo en cuadrado latino los residuos suman cero por filas,
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)(k3) . En efecto
K 2 (k + 3(k 1))=(k 1)( k3)

Se verifican las mismas propiedades para los estimadores mximosverosmiles que en los modelos anteriores. En este modelo la expresin de
la varianza residual tiene la siguiente forma

ESTADSTICA APLICADA

18

UNIVERSIDAD NACIONAL DE CAJAMARCA

k

2
S^ R

[ y ij(hp)^y ij (hp) ]

i=1 j=1

e 2ij (hp)
=

( k1)(k 3)

i=1 j =1

(k 1)(k 3)

B. 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

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

( . j.. y ) + K
2

h=1
k

( i y ) + K
j=1

( y ij ( hp) y )2=K
i=1 j=1

i=1

y
y
k

( ij ( hp ) y i y . j .. y .. h . y p +3 y )2
j=1

2
( p y ) +
i=1

K
p=1

Que simblicamente se puede escribir

SCT =SCF+ SCC +SCL+SCG + SCR

Denominado por esas siglas los trminos en el orden en que figuran en la
ecuacin 8.14 y que reciben los siguientes nombres
1.
2.
3.
4.
5.
6.

SCT

suma total de cuadrados

SCF suma de cuadrados debida al efecto fila

SCC suma de cuadrados debida al efecto columna
SCL suma de cuadrados debida a las letras latinas
SCG suma de cuadrados debida a las letras griegas
SCR suma de cuadrados del erros

Basndonos en estas sumas de cuadrados se construyeron los correspondientes

cuadrados medios que denotaremos por

S^ 2T ,

S^ 2F ,

o bien por CMT, CMF, CMC, CML, CMG, CMR o CME.

ESTADSTICA APLICADA

19

S^ 2C ,

S^ 2L ,

S^ 2G , Y

S^ 2R

UNIVERSIDAD NACIONAL DE CAJAMARCA

Siguiendo el mismo razonamiento que en la subseccin, se demuestra que los
valores esperados de los cuadrados medios correspondientes a las filas,
columnas, letras latinas, letras griegas y residual, son, respectivamente:

S
2
( F )
E(CMF) = E
^

S
(2C )
E(CMC) = E
^

S
(2L )
E(CML) = E
^

S
(2G )
E(CMG) = E
^

k 2i

2+

i=1

K 1
K

2+

k 2j
j=1

K 1
K

2+

k 2h
h=1

K 1
K

2+

S
2
( R )
E(CMR) = E
=
^

k 2p
p=1

K1

Como en el modelo anterior, este diseo tiene la propiedad de que todos

los contrastes

H 0 : i=0 , i

H 0 : h=0 , h

H 0 : i=0 , j

H 0 : i=0 , p

Son ortogonales. Y los estadsticos de contraste para verificar dichas hiptesis

son, respectivamente

SCF/ 2
S^ 2F
K1
F =
=
SCR/ 2
S^ 2R
( K1)(K 3)

SCL/ 2
^S2L
K1
F =
=
SCR / 2
S^ 2R
( K 1)(K 3)

SCG/
S^ 2G
K1
F =
=
^S2
SCR / 2
R
( K 1)(K 3)

SCC /
^S2C
K 1
F=
=
^S2
SCR/ 2
R
(K 1)( K 3)

Bajo las hiptesis nulas cada uno de los estadsticos de contraste sigue una
distribucin F de Snedecor con

k 1 y ( k1)(k 3)

grados de libertad. Por lo

tanto, se rechazara la hiptesis nula correspondiente cuando el vapor

experimental del estadstico sea mayor que el encontrado en las tablas de la
ESTADSTICA APLICADA

20

UNIVERSIDAD NACIONAL DE CAJAMARCA

distribucin
significacin

K1 y (k 1)(k3)

con

grados

de

libertad

al

nivel

Tabla N1. Tabla ANOVA para el modelo de cuadrado greco-latino

Fuentes
de
variacin

Suma de cuadrados

Grados
de
libertad

Cuadrados
medios

Fexp

E. fila

y
2
( i y . )

K-1

S^ 2F

S^ 2F / S^ 2R

K-1

S^ 2C

S^ 2C / S^ 2R

K-1

S^ 2L

S^ 2L / S^ 2R

K-1

2
S^ G

2
2
S^ G / ^S R

K
i=1

.
j
..
y . )2
(

E.
columna

K
j=1

..
h
. y . )2
(

E. l. l.

K
h=1

p
y . )2
(

E. l. g.

K
p=1

Residual

(K-1)(KSCT SCFSCC SCLSCG

3)

TOTAL

K 1

( y ij ( hp) y )

2
S^ R

2
S^ T

i=1 j=1

Las expresiones abreviadas de

SCT , SCF , SCC , SCL , SCG , Y SCR , son

y 2 .
SCT = y 2
K
i=1 j=1
k

ESTADSTICA APLICADA

21

2
ij

de

UNIVERSIDAD NACIONAL DE CAJAMARCA

2

y
1
SCC = y 2. j .. .2
K j=1
K
2

k
y
1
SCF = y 2i ... 2.
K i=1
K

k
y 2.
1
2
SCL= y .. h . 2
K h=1
K
2

k
y .
1
2
SCG= y ... p 2
K p=1
K

La suma de cuadrados del error se obtiene por diferencia

SCR=SCT SCF SCC SCL SCG

Y utilizando las expresiones abreviadas de

SCT , SCF , SCC , SCL , SCG , y SCR ,

dadas en, se construye la siguiente tabla ANOVA.

Tabla N2 ANOVA para el modelo de cuadrado greco-latino

FUENTES
DE
VARIACI
N

SUMA DE CUADRADOS

E.fila

y
1
y 2i ... .2

K i
K

E.columna

k
y .
1
2
y . j .. 2

K j
K

E. l. l.

y
1
y 2.. h . 2.

K h
K

E. l. g.

y .
1
2
y ... p 2

K p
K

CUADRA
DOS
MEDIOS

Fexp

K-1

S^ 2F

S^ 2F / S^ 2R

K-1

S^ 2C

S^ 2C / S^ 2R

K-1

2
S^ L

2
2
S^ L / S^ R

K-1

2
S^ G

2
2
S^ G / ^S R

Residual

GRADO
S DE
LIBERT
AD

SCT SCFSCSCLSCG

ESTADSTICA APLICADA

22

(K-1)(K3)

S^ 2R

UNIVERSIDAD NACIONAL DE CAJAMARCA

TOTAL

2
ij (hp)

y
2.
K

S^ 2T

K 1

Coeficiente de determinacin
A continuacin se define el coeficiente de determinacin como
2

R=

Donde

SCF + SCC + SCL+ SCG

2
2
2
2
=R + R + R + R
SCT

R2 , R2 , R2 y R2

son los cocientes entre la variacin explicada por cada

uno de los efectos y la total y se denomina coeficientes de determinacin

parcial.

EJEMPLO N1
En la obtencin de un determinado producto qumico se est interesado en
comparar 4 procedimientos. Se supone que en dicha obtencin tambin puede
influir 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:
1.
2.
3.
4.

Las
Las
Las
Las

filas representan el factor principal, procedimientos.

columnas representan el factor temperatura.
letras latinas representan el factor presin.
letras griegas representan el factor tipo de catalizador.

2
Y
147
SCT = Y ij(.) 2 =1503
=152.4375
2
K
147
i=1 j=1
2

ESTADSTICA APLICADA

23

UNIVERSIDAD NACIONAL DE CAJAMARCA

Y 2 5491 1472
SCF= Y 2 =
2 =22.1875
4
K
4
i=1
k

2
i ..

k
Y 5549 1472
1
2
SCC = Y . j . 2 =
2 =36.6875
K i=1
4
K
4

SCL= Y 2..h
i =1

Y 2 5531 1472
=
2 =32.1875
4
K2
4

y la suma de cuadrados del error se obtiene por diferencia

SCR =SCT SCFSCCSCL=3.6875

La tabla ANOVA correspondiente a este modelo es Tabla 5-7. Anlisis de la
varianza

Si realizamos el contraste al 5% y comparamos los valores de las F exp con el valor

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

EJEMPLO N2
Se compara el rendimiento de tres procesos de fabricacin (A, B, C) en
tres condiciones experimentales ( , , ) tres das distintos con tres
procedimientos de medicin. El diseo y los resultados obtenidos se
indican en el cuadro. El nmero entre parntesis en cada casilla es la
media de las dos replicaciones.

ESTADSTICA APLICADA

24

UNIVERSIDAD NACIONAL DE CAJAMARCA

El modelo matemtico:

Y ijkj =+ i+ i + y k + h +e ijkh
^=Y .=10
^ i=Y^ i Y =(1.33,1.33)
^ j=Y^ . j ..Y =(1,0.67,0 .33)
Y^ k =Y^ k . Y =(.067,0.67,0)
^ h=Y^ h Y =(0.33,0 .33,0.66)

La suma de cuadrados:
2
SCE= ( Y ijkh + Y i Y . j ..Y .. k. Y h +3 Y . ) =2 I 2 4 I + 3 ^ 2
ijkh

En nuestro ejemplo

I =3 , l tabla ANOVA es

ESTADSTICA APLICADA

25

UNIVERSIDAD NACIONAL DE CAJAMARCA

La regin de
rechazo
por lo tanto el nico efecto significativo es el del mtodo.

es RR=

EJEMPLO N3
Interesa saber si existe diferencia significativa entre las millas recorridas
por galn, entre las gasolinas A, B, C y D.
Se consideraron los siguientes factores de bloqueo:
Fila: Tipo de Vehculo
Columna: Conductor
Letra Griega: Tipo de carretera
Con un arreglo en forma de cuadrado greco latino, el nmero de millas por
galn result ser:

Analizar a un nivel de significacin del 5% si existe diferencia significativa

entre los cuatro tipos de gasolina.
Totales de fila:
columna:

Totales de

X 1 =19+16+ 16+14=65 X .1..=19+15+14+16=64

X 2 =15+18+ 11+15=59 X .2 ..=16+18+11 +16=61

X 3 =14 +11+21+16=62 X .3..=16+11+21+15=63

X 4 =16+ 16+15+23=70 X .4 ..=14+15+ 16+23=68
Totales de letra latina:
griega:

Totales de letra

X ..1.=15+16+ 15+16=62 X 1=14 +18+15+14=61

X ..2.=19+18+21+23=81 X 2=16+16 +21+15=68

X ..3.=16+11 +11+14=52 X 3=19+16+ 11+16=62

X ..4.=14+ 16+16+15=61 X 4=15+11+16+ 23=65

Se calculan ahora las sumas de cuadrados correspondientes a cada factor

ESTADSTICA APLICADA

26

UNIVERSIDAD NACIONAL DE CAJAMARCA

CS Fila=16.50
CS Columna=6.50

CSF=111.50
CS LetraGriega=7.50

La sum total de cuadrados es

CTC=148
Y la suma de cuadrados debida al error:

S .C . E=148 16.50 6.50 111.50 7.50=6

SUMA DE CUADRA
CUADRA
DO
DOS
MEDIO

FUENTE

G.
L.

GASOLINAS

111.5

37.17

VEHCULOS
CONDUCTO
RES

16.5

5.5

7.5

2.17

AMINOS
ERROR
TOTAL

3
3
15

6
148

2.5
2

F
18.
6
2.7
5
1.0
8
1.2
5

Como el valor crtico dado en la tabla de la Distribucin F es: F 0.05; 3,3 =

9.28, se concluye que el nico factor significativo es el tipo de gasolina,
por ser el nico cuyo valor F supera este valor crtico.
Los tres factores de bloqueo resultan no influyentes.
Para identifica cuales tipo de gasolinas presentan diferencias
significativas, se hace necesario ahora encontrar el L.S.D, y hacer las
comparaciones mltiples entre todas las diferencias posibles entre
medias.
Las media de cada tipo de gasolina resulta ser:
B =20.25; X
C =13 ; X D=15.25
X =15.50; X

L. S . D .=t
2

; ( k1 ) ,(k 3 )

2 ( 6.00 )
2C . M . E
3.18
=5.51
K
4

ESTADSTICA APLICADA

27

UNIVERSIDAD NACIONAL DE CAJAMARCA

La
nica
diferencia

L. S . D es |X B X C|=7.25>5.51

de

medias

que

supera

este

Por lo tanto, la conclusin del experimento es que la gasolina B

proporciona un nmero promedio de millas por galn significativamente
mayor que la C; y las restantes comparaciones no evidencian una
diferencia significativa.

ESTADSTICA APLICADA

28