INSTITUTO TECNOLGICO

SUPERIOR DE ALVARADO

INGENIERIA EN GESTION EMPRESARIAL

PRESENTA:
CHRISTIAN ALEXIS CRUZ PENA-156Z0067

MATERIA:
ESTADISTICA INFERENCIAL II

NOMBRE DEL DOCENTE:

ING. ERIC IVAN MOLINA GUZMAN

PRODUCTO ACADEMICO:
INVESTIGACIN
TEMA:
DISEO EXPERIMENTAL CON BLOQUES AL AZAR Y DISEOS FACTORIALES.

UNIDAD:
5.-DISEO EXPERIMENTAL CON BLOQUES AL AZAR Y DISEOS FACTORIALES.

FECHA:
04 DE DICIEMBRE DEL 2017

ALVARADO, VER; AGOSTO-DICIEMBRE DE 2017

1
 INDICE:

OBJETIVO: .........................................................................................................................................................4
INTRODUCCION: ...............................................................................................................................................5
UNIDAD 5: DISEO EXPERIMENTAL CON BLOQUES AL AZAR Y DISEOS FACTORIALES. ......................6
5.1 METODOLOGA DEL DISEO EXPERIMENTAL DE BLOQUES AL AZAR. ............................................6
Supuestos del modelo ...................................................................................................................................10
Validacin de los supuestos del modelo........................................................................................................11
Qu hacer si no se cumple el supuesto de aditividad ....................................................................................19
5.2 DISEO DE EXPERIMENTOS FACTORIALES. .....................................................................................21
5,3 DISEO FACTORIAL 2^k .......................................................................................................................26
5.4 DISEO DE CUADROS LATINOS..........................................................................................................45
5.5 DISEO DE CUADROS GRECOLATINOS. ............................................................................................49
CONCLUSION:.................................................................................................................................................53
BIBLIOGRAFIA:................................................................................................................................................54

2
3
 OBJETIVO:

Conocer y analizar el tema de Diseo experimental con bloques al azar y diseos

factoriales, correspondiente a la unidad 5 de la asignatura de Estadstica Inferencial
I, por medio de una investigacin, con el fin de comprender cada uno de los
subtemas que contempla el tema central.

4
 INTRODUCCION:

El diseo experimental es el procedimiento de planeacin y conduccin de

experimentos, as como la definicin del anlisis estadstico para evaluar los
resultados, con el objetivo de tener conclusiones vlidas y objetivas. El
procedimiento incluye la definicin de factores a modificar, la manera de su
aplicacin y el nmero de pruebas a realizar.

De este modo en la presente investigacin, de la asignatura de Estadstica

Inferencial II, se podrn visualizar los subtemas de mayor relevancia que comprende
la unidad 5 que lleva por nombre Diseo experimental con bloques al azar y diseos
factoriales, tales subtemas son las siguientes:

5.1.- Metodologa del diseo experimental de bloques al azar.

5.2.- Diseo de experimentos factoriales.

5.3.- Diseo factorial 2^K.

5.4.- Diseo de cuadrados latinos.

5.5.- Diseo de cuadrados grecolatinos.

Es as como este tema es de gran importancia puesto que busca mostrar sus
aspectos de mayor importancia para que as usted como lector complementarse con
el contexto del tema y obtener las aportaciones que dicho tema quiere dar a
conocer.

5
UNIDAD 5: DISEO EXPERIMENTAL CON BLOQUES AL AZAR Y DISEOS
FACTORIALES.

5.1 METODOLOGA DEL DISEO EXPERIMENTAL DE BLOQUES AL AZAR.

En muchos problemas de diseo experimental es necesario disear el experimento

de modo que sea posible controlar la variabilidad generada por un factor indeseable.
El procedimiento general para el diseo aleatorizado por bloques completos
consiste en seleccionar b bloques y realizar una rplica 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 inters en un solo factor que tiene a niveles, y que el experimento
se efecta en b bloques. Las observaciones pueden presentarse con el modelo
estadstico lineal

Donde es la media global, i es el efecto del i-simo tratamiento, j es el efecto

del j simo bloque y ji es el trmino de error aleatorio, el cual se supone que tiene
una distribucin 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 Estadstico

Para este diseo 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
trmino del error aleatorio, el cual se distribuye normal e independiente con media
0 y varianza . Las restricciones del modelo son

6
7
 Estimacin de parmetros

Al aplicar el mtodo de mnimos cuadrados, se obtiene como estimadores de los

parmetros

Tabla Anova - Anlisis de Varianza

La tabla de anlisis de varianza para este diseo se presenta a continuacin:

Tabla 02. Anlisis de varianza para un diseo de bloques completos al azar

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

Tratamient
os

Bloques

Error

Total

Para contrastar las hiptesis de no efectos de tratamientos

8
9
 Se puede utilizar el cociente

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

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

Supuestos del modelo

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

Los supuestos del modelo son:

El modelo es aditivo, es decir no existe interaccin 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 tamao

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

Las varianzas de cada una de las poblaciones son iguales

10
 Si la primera condicin se tiene se dice que los efectos de bloques y tratamientos
no interactan y una prueba para la no aditividad es debida a Tukey (1949) y
Ascombe.

Validacin de los supuestos del modelo

Antes de conocer los mtodos de validacin de supuestos es importante hacer las

siguientes observaciones:
1. La desviacin 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 ms 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 desarrollndose para detectar
outlier en clasificaciones a dos vas que incluyen el DBC. Cuando el diseo tiene
residuales con varianza comn, como podra ser el caso de diseos balanceado, la
mejor prueba para detectar un solo outlier es basada en el mximo residuo
normalizado (MRN)

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

El mximo residuo normalizado es dado por:

Donde: y es el mayor residual en valor

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

11
12
 Homogeneidad de varianza

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

valores predichos ( si existe algn patrn especial que
muestre mayor dispersin para un lado de la grfica se puede decir que no hay
homogeneidad de varianza.

Las pruebas analticas 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 quiz el ms
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 estadstica es:

Donde el estimado de la varianza para el tratamiento es:

Donde es el nmero 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 tambin a a la medias de los bloques .

13
 Los valores crticos de la prueba estadstica son basados sobre puntos de
porcentaje de la distribucin rango estudentizado en vez de la distribucin
Fmax.

Se rechaza la hiptesis 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 mustrales de los tratamientos son:

Por consiguiente . Tomando

, y el aproximado percentil cinco de . Bajo esta
prueba la hiptesis nula de igualdad de varianzas es rechazada.

14
 La Aditividad del modelo

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

existe aditividad el estimado del error experimental es inflado resultando as un
sesgo negativo para la prueba de tratamientos. Aunque una prueba significante para
tratamientos implicara 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 grficamente, se debe realizar un grfico de dispersin

entre los residuales (eje Y) y los valores predichos (eje X). Una tendencia cuadrtica
en el grfico indica la presencia de no aditividad transformable, esto es, no aditividad
que puede ser removida por la aplicacin de una transformacin. Para determinarla
naturaleza de la no aditividad, considere el modelo para el diseo de bloques
completos al azar con interaccin

Donde es la componente de interaccin (no aditividad). Existe aditividad cuando

se cumple que para todo y .

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

si existe el efecto de interaccin, asumiendo un modelo de la forma

Es decir, este procedimiento supone que la forma de interaccin 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 interaccin de esta forma, puede usarse

15
 el mtodo de regresin para probar la significancia de este trmino, al probar la
hiptesis .

La tabla de ANOVA es dada por:

Causa de Grados de Suma de

C.M
variacin 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 regresin

Donde es dado en la instruccin

16
 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 instruccin MODEL Y2=Bloque Ttos/SS1 dado por

17
 SC = 265419.94079804. Luego la suma de cuadrados de no aditividad es
dado por

Causa de Grados de Suma de Cuadrado

F Valor p
variacin 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 hiptesis a probar es

La hiptesis de aditividad es rechazada al nivel 5%.

18
 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

Qu 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 interaccin 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.
Tambin, como lo mostr Kempthorne (1952, Seccin 8.3), con la no aditividad no
es posible obtener un ``razonable'' error estndar para la comparacin de los
tratamientos. Y finalmente, la no aditividad en una tabla a dos vas puede ser debida
a interaccin o a la no homogeneidad de varianzas.

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

construccin de los bloques: aquellos construidos de manera ``natural''
dividendo las unidades experimentales heterogneas existentes en grupos
homogneos 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 ilustracin 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 comparacin de los tratamientos. En vez
de esto se puede remover tal no aditividad a travs de una transformacin disponible
19
 usando los mtodos de transformacin. En este caso es til realizar un

20
 grfico del valor absoluto de los residuales contra las
observaciones para tener alguna idea sobre la transformacin apropiada de los
datos.

En el segundo caso puede ser muy importante modelar la posible no aditividad como
un significado de la interpretacin diferencial de los efectos de tratamientos. En
efecto, en este caso las interacciones entre bloques y tratamientos pueden ser ms
importantes que los mismos efectos de tratamientos. Se puede sugerir entonces
que en lo posible se utilice un diseo diferente como el diseo de bloques
generalizado.

5.2 DISEO DE EXPERIMENTOS FACTORIALES.

En cualquier experimento diseado, es siempre importante examinar los residuos y

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

Los valores de los residuos del diseo aleatorizado por bloques completos se
obtienen, como es usual, por la diferencia entre los valores observados y los
estimados
El anlisis de varianza del modelo supone que las observaciones estn distribuidas
de manera normal e independiente, con la misma varianza para cada tratamiento o
nivel del factor. Estas suposiciones deben verificarse mediante el anlisis de
los residuos. La suposicin de
normalidad puede verificarse mediante la construccin de una grfica de
probabilidad normal de los residuos. Para esto, los residuos se agrupan en una tabla
de distribucin de frecuencias, se calcula la frecuencia relativa acumulada para cada
valor y se grafican en una hoja de papel de probabilidad normal. Si la suposicin es
vlida los puntos tendern a agruparse sobre una lnea recta que pasa por el punto
medio.

As, por ejemplo, si el diseo experimental es bloques al azar, el modelo es:

yij = + i + j + ij

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

Si se trata de un diseo factorial, los tratamientos se forman combinando los niveles

de los factores en estudio, de manera que el efecto del tratamiento i 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:

21
 i = kl = k + l + kl

22
 Tratamiento = factor A + factor B + interaccin 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 = + k + l + kl + j + klj

Es poco usual tener diseos experimentales muy complicados en los

experimentos factoriales, ya que se discuta el anlisis y la interpretacin.

Las ventajas de los experimentos factoriales son:

1. Economa en el material experimental al obtener informacin sobre varios

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

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

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

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

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

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

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

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

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

yijk = + i + j + ij + ijk

23
 i = 1,. . ., a j = 1, . . ., b k = 1, . . ., n

Las hiptesis que se prueban son:

H01 :ij = 0 i, j

H02 :i + i. = 0 i

H03 : j + .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. Qu efectos producen el material y la temperatura en la vida de la batera?

2. Existe un material que produzca uniformemente ms larga vida a la batera sin

importar la temperatura? diseo completamente al azar, experimento balanceado,
completo, factores jos.

Una observacin por celda

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

El modelo con interaccin es:

yij = + i + j + ()ij + iji = 1, . . ., a j = 1, . . ., b

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

A a1 2 + b2

B b1 2 + a2b

24
 AB (a 1)(b 1) 2 + 2ab

Error 0 2

Total ab 1

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

yij = + i + j + ij

ESTE ES EL CASO DE BLOQUES AL AZAR.

El Diseo Factorial General. Balanceado

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

A con a niveles

B con b niveles

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

En general, habr abc n observaciones si hay n repeticionesdel experimento

completo.

Debe haber por lo menos 2 repeticiones (n 2) para podercalcular 2 si todas las

posibles interacciones estn incluidas en el modelo.

Tres factores

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

yijkl = +i+j +k+()ij +()ik+()jk+()ijk+ijkl

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

Ejemplo:

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

mquina de llenado tericamente llena cada botella a la altura correcta, pero en la
prctica hay variacin, 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:

25
 El % de carbonato (A), la presin del llenado (B) y las botellas llenadas por minuto
(velocidad de la lnea) (C).

5,3 DISEO FACTORIAL 2^k

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

alguna de las observaciones en uno de los bloques puede faltar. Esto sucede debido
algn descuido o error, o por razones fuera del control del experimentador, como
sera el caso de la prdida de alguna unidad experimental. Una observacin faltante
introduce un nuevo problema en el anlisis, 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 anlisis
aproximado en el que se estima la observacin faltante. A continuacin se efecta
el anlisis de varianza usual como si la observacin estimada fuera un dato real,
disminuyendo los grados de libertad del error en uno. La segunda es un anlisis
exacto usando la prueba de significancia de regresin general.

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

observacin se representa mediante x el gran total con una observacin faltante se
representar mediante y los totales del tratamiento y del bloque con un dato faltante
como y, respectivamente. Supongamos, adems, que para estimar la observacin
faltante se elige x, de manera que tenga una contribucin mnima a la suma de
cuadrados del error. Como la suma de cuadrados del error est dada en donde R
incluye todos los trminos que no contienen a x. Al derivar la SCE con respecto a x
e igualar a cero se obtiene

Como un estimador para la observacin 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, ste se conoce como efecto
principalporque se refiere a los factores de inters primordial del experimento. Por
ejemplo, consideremos los datos de la tabla 1. El efecto principal del factor A podra
interpretarse como la diferencia entre la respuesta promedio en el primer y segundo
nivel de ese factor. Numricamente

40 52 20 30
A 21
2 2

26
 Tabla 1 Un experimento factorial

27
 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 ms 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 interaccin entre los factores. Por ejemplo,
considrense los datos de la Tabla 2.

Factor B
B1 B2

A1 20 40

Factor A

A2 50 12

Tabla 2. Un experimento factorial con interaccin

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 interaccin entre los factores A y B porque el
efecto de A depende del nivel elegido de B.

28
 Estas ideas pueden ilustrarse grficamente. En la Fig. 1 se muestra una grfica 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 interaccin entre los factores. De manera similar,
en la Fig. 2 se presenta una grfica de la respuesta de los datos de la Tabla 2.

60
50
Respuesta

40
30
20
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 interaccin entre A y B. Sin embargo, no debe ser la nica tcnica para analizar
los datos, porque su interpretacin es subjetiva y su apariencia, a menudo, es
engaosa.

60
50
Respuesta

40
30
20
10

A1 A2
Factor A

Figura 2 Un experimento factorial con interacciones

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

50 12 20 40
A 1
2 2

29
30
 El cual resulta ser muy pequeo corrindose el riesgo de concluir que no existe un
efecto debido a A. Sin embargo, cuando se examin el efecto de A en niveles
diferentes de B se concluy que ste no era el caso. El factor A tiene un efecto, pero
depende del nivel del factor B. En otras palabras, es ms til conocer la interaccin
AB que el efecto principal. Una interaccin significativa oculta a menudo el
significado de los efectos principales.

Ventajas de los diseos factoriales

Las ventajas de los diseos factoriales pueden ilustrarse fcilmente. 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 informacin 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 est dada por A2B1 -A1B2. A causa de que existe error
experimental, es conveniente realizar, por ejemplo, dos observaciones de cada
combinacin de tratamientos y hacer una estimacin 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 mtodo de un factor a la vez

Los diseos factoriales poseen algunas ventajas.

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

Los diseos factoriales son necesarios cuando alguna interaccin puede

estar presente, para evitar hacer conclusiones engaosas.

31
 Los diseos factoriales permiten estimar los efectos de un factor en diversos
niveles de los otros factores, produciendo conclusiones que son vlidas
sobre toda la extensin de las condiciones experimentales.

2. Diseo factorial de dos factores

El primer diseo de la serie 22 es aquel en el que solo dos factores, A y B, cada uno
con dos niveles. Este diseo se conoce como diseo factorial 2 2. Arbitrariamente,
los niveles del factor pueden llamarse bajo y alto.

Ejemplo 1 Considrese una investigacin llevada a cabo para estudiar el efecto que
tiene la concentracin de un reactivo y la presencia de un catalizador sobre el tiempo
de reaccin de un proceso qumico. Sea la concentracin del reactivo el factor A
con dos niveles de inters, 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 grficamente las combinaciones de tratamiento

para este diseo, el efecto de un factor se denota por la letra latina minscula. 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 interaccin entre AB. En el diseo 22 los niveles bajo y alto
de A y B se denotan por - y + respectivamente, en los ejes A y B. As en el eje
B representa el nivel bajo de catalizador mientras que + denota el nivel alto.

Combinacin de Replica

tratamientos I II III Total

A baja, B baja 28 25 27 80

A alta, B baja 36 32 32 100

32
 A baja, B alta 18 19 23 60

A alta, B alta 31 30 29 90

Las cuatro combinaciones de tratamientos en el diseo pueden representarse por

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

As

a representa la combinacin 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 convencin (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 minsculas (1), a, b y ab tambin 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

33
34
 b = 60(18+19+23) ab = 90(31+30+19)

Cantidad de catalizador B
Alto (2 sacos) +

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 diseo 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
obtenindose:

ab a b (1) ab b - a (1)
1 1
B
2n 2n

El efecto de la interaccin 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, as:

ab b a (1) ab (1) a (b)

1 1
AB
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 mtodo. 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

35
 b (1)
2n 2n

36

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 interaccin 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:

90 100 60 80 8.33
1
A
2(3)

90 60 100 80
1
B 5.00
2(3)

37
 90 80 100 60
1
1.67
2(3)

AB

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

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

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

direccin de los efectos de los factores para determinar cuales variables es probable
que sean importantes. Por lo general puede emplearse el anlisis de varianza para
confirmar esta interpretacin. En el diseo 2k existen algunos mtodos rpidos
especiales para realizar los clculos del anlisis de varianza.

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

ecuacin 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

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

SSc aciyi.2 n
a
ci
2
.
1 a

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

contraste elevado al cuadrado entre el producto del nmero 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:

38
39
 ab a b (1)2
SSA
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, obtenindose:

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 2 Y ...
SST i1 j1 n ijk
k 1 Y
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 3 Y
2
SS E Yi jk
2
9398.00 9075.00 323.00
i

1j1k 1 4(3)

SSE SS T SS A SSB SS AB

323.00 208.33 75.00 8.33 31.34

40
41
 El anlisis 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 estndar. 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

variacin 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%

42
 Signos algebraicos para calcular los efectos en un diseo 22

Combinacin
Efecto Factorial
De

Tratamientos I A B AB

(1) + - - +

a + + - -

b + - + -

ab + + + +

Observe que los coeficientes de los contrastes usados para estimar la interaccin
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 combinacin de
tratamientos. En el encabezado de las columnas de tabla y se encuentran los
efectos principales (A y B), la interaccin 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
combinacin de tratamientos, y se suma. Por ejemplo, el contraste para estimar A
es (1) + a b + ab, lo cual concuerda con la ecuacin.

ab a ab a b (1)
1 1
A b (1)
2n 2n

43
44
 Los tipos ms sencillos de diseos factoriales implican slo dos factores o conjuntos
de tratamientos. Haya a niveles del factor A y b niveles del factor B,dispuestos
en un diseo factorial; esto es, cada A repeticin o rplica del experimento contiene
todas las combinaciones de tratamiento ab. En general, hay nrepeticiones.

5.4 DISEO DE CUADROS LATINOS.

Un diseo 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 rengln y columna. El diseo cuadrado latino se usa para
eliminar dos fuentes de variabilidad problemticas; en otras palabras, permite
analizar sistemticamente por bloques en dos direcciones. A continuacin se
presentan algunos ejemplos de cuadrados latinos.
En donde:

Kjiy= observacin correspondiente al i-simo rengln, la k-sima columna y el j-

simo tratamiento

= la media general

I= es el i-simo efecto de rengln

J= es el j-simo efecto de tratamiento

K= es el k-simo efecto de la columna

Kji= es el error aleatorio

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

los renglones, las columnas y los tratamientos. Slo dos de los subndices i, j y k se
requieren para especificar una observacin en particular porque nicamente hay
una observacin en cada celda.

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

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

Bajo la suposicin 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 distribucin ji-cuadrada.

Los diseos en cuadrados latinos son apropiados cuando es necesario controlar

dos fuentes de variabilidad. En dichos diseos el nmero de niveles del factor

45
 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 K. El diseo

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 las 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 la y en cada columna.

Recibe el nombre de cuadrado latino de orden K a una disposicin en las 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

Columna1 Columna 2 Columna 3 Columna k

Fila 1 A B C K

Laposicin (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 las y columnas.

46
 3) Se asignan aleatoriamente los tres factores a las las, 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, (s1, s2, s3, s4) y decide realizar el experimento utilizando un diseo 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 seleccin de uno de los cuadrados se hace al azar. Supongamos que el cuadrado

latino elegido es el siguiente

ABCD

BADC

CDAB

DCBA

A continuacin, se asigna tambin al azar, el orden de las las y las columnas.

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

BADC

CDAB

ABCD

DCBA

Se vuelven a generar otros 4 nmeros aleatorios que se idntica 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

CDBA

BACD

DCAB

ABDC

47
 Por ltimo, se asignan al azar las las, las columnas y las letras latinas a los tres
factores. Por ejemplo, supongamos que las las, las columnas y las letras se
asignan, respectivamente, a los tipos de insecticidas, semillas y abonos, de tal forma
que el diseo 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 diseo anterior se obtiene la siguiente tabla:7.2 Diseos

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 diseo en cuadrado latino tiene las siguientes
caractersticas:

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

bloque.

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

48
 3o) Cada nivel del factor principal aparece una vez en cada la y una vez en cada
columna.

4o) No hay interaccin entre los factores.

5.5 DISEO 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 diseo cuadrado greco-latino puede utilizarse para controlar sistemticamente

tres fuentes extraas devariabilidad. En otras palabras, se usa para hacer un
anlisis por bloques en tres direcciones. El diseo permite analizar cuatro factores
(rengln 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 observacin que corresponde al rengln i, la columna k, la letra latina j y la

letra griega k.

= La media general

i= Es el efecto del i-simo rengln

j= Es el j-simo efecto de tratamiento de las letras latinas

k= Es el k-simo efecto de tratamiento de las letras griegas

l= Es el efecto de la columna l

lkji= Es la componente del error aleatorio

Slo dos de los cuatro subndices son necesarios para identificar completamente
cualquier observacin.

El anlisis 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
rengln, 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
49
50
 letra griega. El error experimental se reduce en esta cantidad. Las hiptesis 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 superposicin de dos cuadrados

latinos del mismo orden y ortogonales entre s, 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 Apndice C se muestra una tabla de cuadrados latinos que dan lugar, por
superposicin 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

ABCD

DCBA

BADC

CDAB

Planteamiento del modelo

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

por la siguiente ecuacin

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

i = 1, 2 . . . , K

j = 1, 2 . . . , K

h = 1, 2 . . . , K

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

Donde

51
 es un efecto constante, comn a todas las unidades. i es el
efecto producido por el i-simo nivel del factor la. Dichos
efectos estn sujetos a la restriccin

ii = 0.

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

Dichos efectos estn sujetos a la restriccin

jj = 0.

h es el efecto producido por el h-simo nivel del factor letra

latina. Dichos efectos estn sujetos a la restriccin

hh = 0.

p es el efecto producido por el p-simo nivel del factor letra

griega. Dichos efectos estn sujetos a la restriccin

p p = 0.

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 especicado. 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.

52
 CONCLUSION:

Con relacin a la investigacin anteriormente realizada con base al tema Diseo

experimental con bloques al azar y diseos factoriales , de la unidad 5 de la
asignatura de estadstica inferencial II, se puede concluir que el diseo experimental
es muy importante ya que el diseo estadstico de experimentos es una
metodologa que permite plantear estrategias para seleccionar, controlar, analizar
e interpretar diferentes condiciones de un proceso de manera objetiva y sistemtica
y asimismo permite mejorar un proceso y la calidad de sus productos.

De igual manera en el trabajo se hablo acerca de cada uno de los subtemas que se
desplazaban del tema central, de los cuales se pueden destacar: Metodologa del
diseo experimental de bloques al azar, diseo de experimentos factoriales, diseo
factorial 2^K, diseo de cuadrados latinos y diseo de cuadrados grecolatino, que
fueron en conjunto fundamentales para el entendimiento del tema central y de tal
manera comprender lo que se quera lograr.

Es as como este tema es de gran impacto para cada uno de nosotros hoy en da y
de la misma ndole en pocas pasadas influyendo en el mbito laboral y siendo
pieza fundamental para la realizacin del mismo, es por ello que es importante
conocer acerca de l y saber cmo actuar cuando se lleve a cabo y tratar de hacerlo
de la mejor forma posible para as obtener resultados satisfactorios.

53
 BIBLIOGRAFIA:

S.A. (29 de 11 de 2017). SCRIBD. Obtenido de

https://es.scribd.com/doc/207470107/unidad-5-Diseno-experimental-con-
bloques-al-azar-y-disenos-factoriales

54