Académique Documents
Professionnel Documents
Culture Documents
i
es el efecto producido por el i-simo nivel del factor la. Dichos efectos estn
sujetos a la restriccin
i
= 0.
6 Diseos en cuadrados latinos
j
es el efecto producido por el j-simo nivel del factor columna. Dichos efectos estn
sujetos a la restriccin
j
j
= 0.
h
es el efecto producido por la h-sima letra latina. Dichos efectos estn sujetos a
la restriccin
h
= 0.
u
ij(h)
son variables aleatorias independientes con distribucin N(0, )
La notacin y
ij(h)
indica que los niveles i y j determinan la letra latina para un cuadra-
do latino especicado. As, en la situacin de referencia, Tabla 5-2, si i = 2 y j = 1,
automticamente h = 2 (semilla 2). Es decir, el subndice h toma valores que depen-
den de la celdilla (i, j). De esta forma, utilizando la notacin y
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(1)
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
...
=
i,j
y
ij(.)
y
...
=
y
...
K
2 (7.2)
El total y la media por la
y
i..
=
K
j=1
y
ij(.)
y
i..
=
y
i..
K
(7.3)
El total y la media por columna
y
.j.
=
K
i=1
y
ij(.)
y
.j.
=
y
.j.
K
(7.4)
donde la notacin y
ij(.)
indica que consideramos la observacin correspondiente a la
celdilla (i, j) independientemente de la letra latina que le corresponda.
7.2 Diseos en cuadrados latinos 7
El total y la media para cada letra latina.
y
..h
=
i,j
y
ij(h)
y
..h
=
y
..h
K
(7.5)
donde y
..h
se obtiene sumando las K observaciones en las que el tratamiento se ha
jado al nivel h.
7.2.3. Estimacin de los parmetros del modelo
2.4.1 Estimacin por mxima verosimilitud
Se construye la funcin de verosimilitud asociada a la muestra para las N = K
2
observaciones
L(,
i
,
j
,
h
,
2
) = (2
2
)
N
2
exp
_
_
1
2
2
K
i=1
K
j=1
_
y
ij(h)
i
j
h
2
_
_
,
(7.6)
se determina el logaritmo de dicha funcin
ln(L(,
i
,
j
,
h
,
2
)) =
N
2
ln(2)
N
2
ln(
2
)
1
2
2
K
i=1
K
j=1
_
y
ij(h)
i
j
h
2
,
(7.7)
se calculan las correspondientes derivadas parciales
lnL
=
1
2
K
i=1
K
j=1
_
y
ij(.)
i
j
h
(7.8)
lnL
i
=
1
2
K
j=1
_
y
ij(.)
i
j
h
i = 1, , K (7.9)
lnL
j
=
1
2
K
i=1
_
y
ij(.)
i
j
h
j = 1, , K (7.10)
lnL
h
=
1
2
K
i=1
K
j=1
_
y
ij(h)
i
j
h
h = 1, , K (7.11)
8 Diseos en cuadrados latinos
lnL
2
=
N
2
2
+
1
2(
2
)
2
K
i=1
K
j=1
_
y
ij(.)
i
j
h
2
.
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
=
j
y
ij(.)
K
2
= y
...
, (7.12)
i
=
1
K
K
j=1
y
ij(.)
= y
i..
y
...
, (7.13)
j
=
1
K
K
i=1
y
ij(.)
= y
.j.
y
...
, (7.14)
h
=
1
K
i,j
y
ij(h)
= y
..h
y
...
. (7.15)
Se puede comprobar fcilmente que estos estimadores verican
i
=
j
=
h
h
= 0 .
Finalmente, sustituyendo ,
i
,
j
y
h
en la ltima ecuacin de (7.11) e igualando a
cero, obtenemos el estimador de mxima verosimilitud para la varianza
2
=
1
N
i,j
_
y
ij(.)
i
j
h
_
2
. (7.16)
Residuos
Los residuos en este modelo adoptan la expresin
e
ij(h)
= y
ij(h)
y
ij(h)
= y
ij(h)
i
j
h
=
y
ij(h)
y
i..
y
.j.
y
..h
+ 2 y
..
.
(7.17)
Se verica que los residuos suman cero por las, columnas y para cada letra
7.2 Diseos en cuadrados latinos 9
j
e
ij(.)
= 0 i = 1, , K
i
e
ij(.)
= 0 j = 1, , K
j
e
ij(h)
= 0 h = 1, , K
Por tanto el nmero de grados de libertad de los residuos es (K1)(K2). En efecto
K
2
(K + (K 1) + (K 1)) = K
2
3K + 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
2
=
S
2
R
=
K
i=1
K
j=1
_
y
ij(h)
y
ij(h)
2
(K 1)(K 2)
=
K
i=1
K
j=1
e
2
ij(h)
(K 1)(K 2)
. (7.18)
7.2.4. 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
i=1
K
j=1
(y
ij(h)
y
...
)
2
= K
K
i=1
( y
i..
y
...
)
2
+K
K
j=1
( y
.j.
y
...
)
2
+K
K
h=1
( y
..h
y
...
)
2
+
K
i=1
K
j=1
(y
ij(h)
y
i..
y
.j.
y
..h
+ 2 y
...
)
2
(7.19)
que simblicamente se puede escribir
SCT = SCF +SCC +SCL +SCR ,
denominando por esas siglas los trminos en el orden en que guran en la ecuacin (7.19)
y que reciben los siguientes nombres
1) SCT, suma total de cuadrados.
10 Diseos en cuadrados latinos
2) SCF, suma de cuadrados debida al efecto la.
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 construyen los correspondientes cuadrados
medios que denotamos por
S
2
T
,
S
2
F
,
S
2
C
,
S
2
L
y
S
2
R
o bien por CMT, CMF, CMC, CML
y CMR o CME.
Siguiendo el mismo razonamiento que en la subseccin ?? del Captulo 1, se demuestra
que los valores esperados de los cuadrados medios correspondientes a las las, columnas,
letras latinas y residual son, respectivamente:
E(CMF) = E(
S
2
F
) =
2
+
K
K
i=1
2
i
K 1
E(CMC) = E(
S
2
C
) =
2
+
K
K
j=1
2
j
K 1
E(CML) = E(
S
2
L
) =
2
+
K
K
h=1
2
h
K 1
E(CMR) = E(
S
2
R
) =
2
(7.20)
Por lo tanto,
a) Se verica que
S
2
R
= SCR/(K 1)(K2) es un estimador insesgado de la varianza
poblacional
2
.
b) Puede observarse que bajo el supuesto de que cada una de las hiptesis
H
0
:
i
= 0, i
H
0
:
j
= 0, j
H
0
:
h
= 0, h
(7.21)
7.2 Diseos en cuadrados latinos 11
sea cierta, el correspondiente sumando de E(CMF) es nulo y por tanto
S
2
F
,
S
2
C
y
S
2
L
son estimadores insesgados de
2
.
Sin embargo, hay que notar que si existen diferencias entre las medias de las las, las
columnas o letras latinas, el respectivo valor esperado del cuadrado medio es mayor que
2
.
De todo esto podemos deducir que:
1
o
) Un contraste para vericar la hiptesis nula de igualdad de medias de las las puede
efectuarse comparando
S
2
F
y
S
2
R
.
2
o
) Un contraste para vericar la hiptesis nula de igualdad de medias de las columnas
puede efectuarse comparando
S
2
C
y
S
2
R
.
3
o
) Un contraste para vericar la hiptesis nula de igualdad de medias de las letras
latinas puede efectuarse comparando
S
2
L
y
S
2
R
.
Siguiendo el mismo razonamiento que en los modelos anteriores se puede demostrar
que bajo las hiptesis nulas (7.21), se verica que
SCF
2
2
K1
SCC
2
2
K1
SCL
2
2
K1
SCR
2
2
(K1)(K2)
y estas distribuciones son independientes entre s.
Notamos que
SCR
2
2
(K1)(K2)
sean o no ciertas las hiptesis nulas dadas en (7.21).
Los estadsticos de contrastes:
F
=
SCF/
2
K 1
SCR/
2
(K 1)(K 2)
=
S
2
F
S
2
R
(7.22)
12 Diseos en cuadrados latinos
F
=
SCC/
2
K 1
SCR/
2
(K 1)(K 2)
=
S
2
C
S
2
R
(7.23)
y
F
=
SCL/
2
K 1
SCR/
2
(K 1)(K 2)
=
S
2
L
S
2
R
, (7.24)
siguen distribuciones F de Snedecor con K1 y (K1)(K2) grados de libertad cada uno.
Y se rechaz H
0
, al nivel de signicacin , cuando el valor experimental del respectivo
estadstico sea mayor que el valor crtico de la distribucin F con K 1 y (K1)(K2)
grados de libertad.
Para una mayor sencillez en el clculo se utilizan las expresiones abreviadas de SCT,
SCF, SCC, SCL, y SCR, que se dan a continuacin
SCT =
K
i=1
K
j=1
y
2
ij(.)
y
2
...
K
2
(7.25)
SCF =
1
K
K
i=1
y
2
i..
y
2
...
K
2
(7.26)
SCC =
1
K
K
j=1
y
2
.j.
y
2
...
K
2
(7.27)
SCL =
1
K
K
h=1
y
2
..h
y
2
...
K
2
. (7.28)
La suma de cuadrados del error se obtiene por diferencia
SCR = SCT SCF SCC SCL . (7.29)
La tabla ANOVA correspondiente a este modelo es:
7.2 Diseos en cuadrados latinos 13
Tabla 5-3. Tabla ANOVA para el modelo de cuadrado latino
Fuentes de Suma de Grados de Cuadrados F
exp
variacin cuadrados libertad medios
E. la K
K
i
( y
i..
y
...
)
2
K 1
S
2
F
S
2
F
/
S
2
R
E. columna K
K
j
( y
.j.
y
...
)
2
K 1
S
2
C
S
2
C
/
S
2
R
E. letra lat. K
K
h=1
( y
..h
y
...
)
2
K 1
S
2
L
S
2
L
/
S
2
R
Residual SCT SCF (K 1)(K 2)
S
2
R
SCC SCL
TOTAL
K
i
K
j
_
y
ij(.)
y
...
_
2
K
2
1
S
2
T
Alternativamente, utilizando las expresiones abreviadas de SCT, SCF, SCC, SCL y
SCR, dadas en (7.25)-(7.29), la Tabla ANOVA se puede presentar como
Tabla 5-4. Forma prctica de la tabla ANOVA para
el modelo de cuadrado latino
Fuentes de Suma de Grados de Cuadrados F
exp
variacin cuadrados libertad medios
E. la
1
K
i
y
2
i..
y
2
...
K
2
K 1
S
2
F
S
2
F
/
S
2
R
E. columna
1
K
j
y
2
.j.
y
2
...
K
2
K 1
S
2
C
S
2
C
/
S
2
R
E. letra lat.
1
K
h
y
2
..h
y
2
...
K
2
K 1
S
2
L
S
2
L
/
S
2
R
Residual SCT SCF (K 1)(K 2)
S
2
R
SCC SCL
TOTAL
K
i
K
j
y
2
ij(.)
y
2
...
K
2
K
2
1 S
2
T
14 Diseos en cuadrados latinos
Coeciente de determinacin
A continuacin denimos el coeciente de determinacin R
2
R
2
=
SCF +SCC +SCL
SCT
,
donde, denotamos:
R
2
=
SCF
SCT
R
2
=
SCC
SCT
R
2
=
SCL
SCT
.
Entonces el coeciente de determinacin tambin lo podemos expresar como
R
2
= R
2
+R
2
+R
2
,
siendo R
2
, R
2
y R
2
y
2
ij(.)
794 633 740 834 3001
Tabla 5-6
Letra latina Observaciones y
..h
y
2
..h
A 3 16 12 14 45 2025
B 4 15 10 13 42 1764
C 7 18 12 14 51 2601
D 8 23 18 16 65 4225
203 10615
Las sumas de cuadrados necesarias para el anlisis de la varianza se calculan como
sigue:
SCT =
4
i=1
4
j=1
y
2
ij(.)
y
2
...
K
2
= 3001
203
2
4
2
= 425,4375
SCF =
1
K
4
i=1
y
2
i..
y
2
...
K
2
=
11621
4
203
2
4
2
= 329,6875
SCC =
1
K
4
j=1
y
2
.j.
y
2
...
K
2
=
10317
4
203
2
4
2
= 3,6875
16 Diseos en cuadrados latinos
SCL =
1
K
4
h=1
y
2
..h
y
2
...
K
2
=
10615
4
203
2
4
2
= 78,1875
y la suma de cuadrados del error se obtiene por diferencia
SCR = SCT SCF SCC SCL = 13,875 .
La tabla ANOVA correspondiente a este modelo es
Tabla 5-7. Anlisis de la varianza para los datos del Ejemplo 5-1
Fuentes de Suma de Grados de Cuadrados % Explicado
variacin cuadrados libertad medios F
exp
E. la (Abonos) 329.6875 3 109.89583 47.523 77.49 %
E. colum. (Insect.) 3.6875 3 1.22917 0.532 0.87 %
E. trat. (Semillas) 78.1875 3 26.06250 11.270 18.38 %
Residual 13.8750 6 2.31250
TOTAL 425.4375 15 96.74 %
Si realizamos el contraste al 5 % y comparamos los valores de las F
exp
con el valor de
la F terica (F
0,05;3,6
= 4,7571), se concluye que son signicativos 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 coeciente de deter-
minacin del modelo es R
2
= 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.
Bibliografa utilizada
Garca Leal, J. & Lara Porras, A.M. (1998). Diseo Estadstico de Experimentos.
Anlisis de la Varianza. Grupo Editorial Universitario.
Lara Porras, A.M. (2000). Diseo Estadstico de Experimentos, Anlisis de la Vari-
anza y Temas Relacionados: Tratamiento Informtico mediante SPSS Proyecto Sur
de Ediciones.