INTRODUCCION

En cualquier experimento la variabilidad que surge de un factor perturbador

puede afectar los resultados.
Un factor perturbador se define como un factor del diseo que probablemente
tenga un efecto sobre las respuestas del experimento.
Cuando se quiere comparar un grupo de tratamientos o estudiar el efecto de
un factor, se pretende que las posibles diferencias se deban principalmente al
factor de inters y no a otros factores que no se estn considerando en el
estudio.
Cuando existen otros factores que no se controlan o nulifican al momento de
realizar las comparaciones entre los tratamientos, las conclusiones pueden ser
afectadas sensiblemente.
En el caso de que la fuente de variabilidad perturbadora es conocida y
controlable puede utilizarse una tcnica de diseo llamada formacin de
bloques para eliminar de manera sistemtica su efecto sobre las
comparaciones estadsticas entre los tratamientos. La formacin de bloque es
una tcnica de diseo en extremo importante que se utiliza ampliamente en la
experimentacin industrial

3. 1. Diseos en bloques completos al azar.

Cuando se quieren comparar ciertos tratamientos o estudiar el efecto de un factor, es
deseable que las posibles diferencias se deban principalmente al factor de inters y no a
otros factores que no se consideran en el estudio. Cuando esto no ocurre y existen otros
factores que no se controlan o nulifican para hacer la comparacin, las conclusiones
podran ser afectadas sensiblemente.
Por ejemplo, supongamos que se quieren comparar varias mquinas, si cada mquina es
manejada por un operador diferente y se sabe que ste tiene una influencia en el
resultado, entonces es claro que el factor operador debe tomarse en cuenta si se quiere
comparar a las mquinas de manera justa.
Un operador ms hbil puede hacer ver a su mquina (aunque sta sea la peor) como la
que tiene el mejor desempeo, lo cual impide hacer una comparacin adecuada de los
equipos.
Para evitar este sesgo hay dos maneras de anular el posible efecto del factor operador:
la manera lgica es utilizar el mismo operador en las cuatro maquinas; sin embargo, tal
estrategia no siempre es aconsejable, ya que utilizar el mismo sujeto elimina el efecto del
factor operador pero restringe la validez de la comparacin con dicho operador, y es
posible que el resultado no se mantenga al utilizar a otros operadores. La otra forma de
anular el efecto operador en la comparacin consiste en que cada operador trabaje
durante el experimento con cada una de las mquinas. Esta estrategia es la ms
recomendable, ya que utilizar a todos los operadores con todas las mquinas permite
tener resultados de la comparacin que son vlidos para todos los operadores. Esta forma
de nulificar el efecto de operadores, recibe el nombre de bloqueo.
Factores de bloque
A los factores adicionales al factor de inters que se incorporan de manera explcita
un experimento comparativo se les llama factores de bloque. stos tienen
particularidad de que no se incluyen en el experimento porque interese analizar
efecto, sino como un medio para estudiar de manera adecuada y eficaz al factor
inters.

en
la
su
de

Los factores de bloque entran al estudio en un nivel de importancia secundaria

con respecto al factor de inters y, en este sentido, se puede afirmar que se estudia un
solo factor, porque es uno el factor de inters.
En un diseo en bloques completos al azar (DBCA) se consideran tres fuentes de
variabilidad:
El factor de tratamientos
El factor de bloque
El error aleatorio
Es decir, se tienen tres posibles culpables de la variabilidad presente en los datos. La
palabra completo en el nombre del diseo se debe a que en cada bloque se prueban todos
los tratamientos, o sea, los bloques estn completos. La aleatorizacin se hace dentro de
cada bloque; por lo tanto, no se realiza de manera total como en el diseo
completamente al azar.

Los factores de bloqueo que aparecen en la prctica son: Turno, lote, da, tipo de
material, lnea de produccin, operador, maquina, mtodo, etc.
Supongamos una situacin experimental con k tratamientos y b bloques. El
aspecto de los datos para este caso se muestra en la tabla 3,1. Considerando una
repeticin en cada combinacin de tratamiento y bloque.
bloques completos al azar

Tabla 3.1 Arreglo de los datos en un diseo en

Tratamiento
1
2
3
.
k

Bloque

.
.

.
.
.
.

Modelo estadstico
Cuando se decide utilizar un DBCA, el experimentador piensa que cada medicin ser el
resultado del efecto del tratamiento donde se encuentre, del efecto al que pertenece y de
cierto error que se espera sea aleatorio. El modelo estadstico para este diseo est dado
por:

Donde
Es la medicin que corresponde al tratamiento y al bloque
Es la media global poblacional
Es el efecto debido al tratamiento
Es el efecto debido al bloque
Es el error aleatorio atribuible a la medicin

Hiptesis a probar
La hiptesis de inters es la misma para todos los diseos comparativos, y est pada por:

Que tambin se puede expresar como

En cualquiera de estas hiptesis la afirmacin a probar es que la respuesta media

poblacional lograda con cada tratamiento es la misma para los tratamientos y que, por
lo tanto, cada respuesta media es igual a la media global poblacional . De manera

alternativa, es posible afirmar que todos los efectos de tratamiento sobre la variable de
respuesta son nulos, porque cuando el efecto
, entonces necesariamente
la respuesta media del tratamiento es igual a la media global (
).
Anlisis de varianza
La hiptesis dada se prueba con un anlisis de varianza con dos criterios de clasificacin,
porque se controlan dos fuentes de variacin: el factor de tratamientos y el factor de
bloque. En la tabla 3.2 se muestra el aspecto del ANOVA para diseo DBCA.
Tabla 3.2 ANOVA para un diseo en bloques completos al azar
Fuentes de
variabilidad
Tratamientos

Bloques

Suma de
cuadrados
SCTRAT

SCB

Error

Grado de
libertad
K1

Cuadrado
medio
CMTRAT

b1

CMB

Valor-p

(k 1)(b 1)
CME

SCE
Total

N-1
SCT

Los clculos necesarios pueden ser manuales, pero siempre es ms prctico

hacerlos con un software estadstico, porque adems proporciona muchas otras opciones
grficas y tabulares tiles (no slo el ANOVA). Utilizando la notacin de puntos, las
frmulas ms prcticas para calcular las sumas de cuadrados son:

Y la del error se obtiene por sustraccin como:

En el ejemplo donde se plante la comparacin de los cuatro mtodos de ensamble,

ahora se va a controlar activamente en el experimento a los operadores que realizaran el
ensamble, lo que da lugar al siguiente diseo en bloques completamente al azar.
Mtodo

Operador
1 2 3
6 9 7
7 10 11
10 16 11
10 13 11

A
B
C
D

4
8
8
14
9

Recordemos que la variable de respuesta son los minutos en que se realiza el ensamble.
Para comparar los cuatro mtodos se plantea la hiptesis:
=

La cual se prueba mediante el anlisis de varianza dado en la siguiente tabla Excel y

Minitab)
Nota: para capturar la tabla en Excel se sombrea totalmente, tal y como est indicada la
tabla anterior, en la herramienta de Anlisis de varianza de dos factores con una sola
muestra por grupo)
Anlisis de varianza de dos factores con una sola muestra por grupo
RESUMEN
A

Cuenta
4

Suma
30

Promedio
7,5

36

51

12,75

43

10,75

4
4

33
48

8,25
12

4 , 25
10

40

10

39

9,75

8 , 25

Suma de
cuadrados
61,5

Grados de
libertad
3

Promedio de los
cuadrados
20,5

Operador

Varianza
1,666666
67
3,333333
33
7,583333
33
2,916666
67

ANLISIS DE VARIANZA
Origen de las
variaciones
Filas
Columnas

28,5

9,5

Error

18

Total

108

15

F
10,2
5
4,75

Probabilid
ad
0,002919
257
0,029845
948

Valor crtico
para F
3,862548
358
3,862548
358

De esta tabla se observa que para los mtodos se obtuvo un valor-p = 0,003
, por lo que se rechaza la
de que el tiempo medio poblacional de los mtodos
de ensamble son iguales, y se acepta que al menos dos de los mtodos son diferentes en
cuanto al tiempo medio que se requiere.

De la misma manera para operadores, como su valor-p = 0,030

, el
factor de bloque (operadores) tambin afecta, es decir, existen diferencias entre los
operadores en cuanto al tiempo promedio.
Resultados arrojados en Minitab 15
ANOVA de dos factores: Dato vs. Mtodo; Operador

Fuente
Mtodo
Operador
Error
Total
S = 1,414

GL SC
MC
F
P
3
61,5 20,5 10,25 0,003
3
28,5
9,5
4,75 0,030
9
18,0
2,0
15 108,0
R-cuad. = 83,33% R-cuad.(ajustado) = 72,22%

Calculo manual para Diseo de bloque

ANOVA para el diseo bloque
Fuente de
variaciones

SC

GL

CM

Valor
crtico
para F

Tratamientos

Bloque

Error

Total

1.- Suma de cuadrados de tratamientos o variabilidad debida a la diferencia entre las

marcas de llantas, bloque 1 y bloque 2

2.- Suma total de cuadrados o variabilidad total de los datos

3.- Suma de cuadrados del error o variabilidad dentro de mtodos de ensamble

4.- Cuadrados medios de tratamientos, del bloque, y del error

5- Estadstico de prueba

Concentrado en tabla
ANOVA
Suma de Grados de
cuadrados libertad
61,5
3
28,5
3
18
9
108

Promedio de
los cuadrados
F
20,5
10,25
9,5
4,75
2

Valor
crtico
para F
3,8625483
3,8625486

15

Comparacin de parejas de medias de tratamiento en el DBCA.

Cuando se rechaza la hiptesis de igualdad de los cuatro tratamientos, es natural
preguntarse cules de ellos son diferentes entre s. Para averiguarlo se utiliza alguna de
las pruebas que se estudiaron en la seccin Comparaciones o pruebas de rangos
mltiples del captulo anterior. Por ejemplo, recordemos que la Diferencia mnima
significativa (LSD) para dos tratamientos,
en un DCA est dada por

Entonces, en bloque esta expresin se transforma en

donde b es el nmero de bloques, que hace las veces de nmero de rplicas, y (k-1)(b-1)
son los grados de libertad del
De aqu que en el ejemplo de los cuatro mtodos de ensamble tenemos que
=
=
2,26 (valor buscado en tablas de T
de estudent)

Al comparar esta diferencia mnima significativa con los datos se obtiene la siguiente
tabla:
Diferencia
poblacional

Diferencia
muestral
-1,5 2,26
-5,25 2,26
-3,25 2,26
-3,75 2,26
-1,75 2,26
2,00 2,26

Decisin
No
significativo
Significativo
Significativo
Significativo
No
significativo
No
significativo

Ejercicios
1.- En qu situaciones se aplica un diseo en bloques completos al azar? En qu
diferentes los factores de tratamiento y de bloque?
2.- Se hace un estudio sobre la efectividad de tres marcas de atomizador para matar
moscas. Para ello, cada producto se aplica a un grupo de 100 moscas, y se cuenta el
nmero de moscas muertas expresando en porcentajes. Se hicieron seis replicas, pero en
das diferentes; por ello, se sospecha que puede haber algn efecto importante debido a
esta fuente de variacin. Los datos obtenidos se muestran a continuacin.
Marca del
Nmero de replicas (da)
atomizador
A
7 65 67 7 62 73
B
2 59 68 5 53 50
C
5 74 61 7 51 69
5
0
6
5
4
8

a)
b)
c)
d)

Suponiendo un DBCA, formule las hiptesis adecuadas y el modelo estadstico.

Existe diferencia entre la efectividad promedio de los atomizadores?
Hay algn atomizador mejor? Argumente su respuesta
Hay diferencias significativas en los resultados de diferentes das en que se realiz el
experimento? Argumente su respuesta
ANLISIS DE VARIANZA
Origen
Suma de
de las
cuadrados
variacion
es
Filas
296,3333
333
Columnas
281,3333
333
Error
514,3333
333
Total

1092

Grado Promedio de
s de
los cuadrados
liberta
d
2
148,1666
667
5
56,26666
667
10
51,43333
333

2,880751
78
1,093972
78

Probabilid Valor
ad
crtico
para F
0,102804
418
0,420717
751

4,102821
015
3,325834
529

17

ANOVA de dos factores: datos vs. Spray, replicas Minitab

Fuente
GL
SC
MC
F
P Spray
2
296,33 148,167
2,88
0,103 replicas
5
281,33
56,267
1,09
0,421
Error
10
514,33
51,433
Total
17
1092,00
a)
=
a) No existe diferencias entre la efectividad de los spray
b) No existe evidencia estadsticas para suponer lo que existe algn spray mejor que el otro
c)

=
En el ANOVA para los diferentes das de los spray se acepta la hiptesis nula de
que no importa el da, es decir son iguales
3.- A continuacin se muestran los datos para un diseo en bloque al azar
Tratamient
o
A
B
C

Bloque
1 2 3 4
3 4 2

6
1
7 9 3 0
7
4 6 3

a) Obtenga la tabla de anlisis de varianza y anote los principales conclusiones

b) Obtenga la diferencia mnima significativa (LSD) para comparar tratamientos en este
diseo en bloque.
Anlisis de varianza de dos factores con una sola muestra por grupo
RESUMEN
A

Cuenta
4

Suma
15

Promedio
3,75

29

7,25

20

3
3

14
19

4,666666667
6,333333333

2,666666667

23

7,666666667

Tratamiento

Varianza
2,916666
667
9,583333
333
3,333333
333
4,333333
333
6,333333
333
0,333333
333
4,333333
333

ANLISIS DE VARIANZA
Origen de las
variaciones
Filas

Suma de
Grados de
cuadrados
libertad
25,1666666
2
7
42
3

Columnas
Error

5,5

72,6666666
7

Total

a) valor-p = 0,0057
los tratamientos

Promedio de los
cuadrados
12,58333333
14
0,916666667

F
13,72727
273
15,27272
727

Probabilid
ad
0,005768
838
0,003244
859

Valor crtico
para F
5,1432528
5
4,7570626
64

11

, por lo que se rechaza la

, es decir existe diferencia entre

valor-p = 0,0032
, el factor de bloque (tratamientos) tambin afecta, es
decir, existen diferencias entre el bloque, por lo que se rechaza la
b)

c)

Diferencia
poblacional

Diferencia
muestral
-3,5 1,65
-1,25 1,65
2,25 1,65

Decisin
Significativo
No
Significativo
Significativo

6.- Se diseo un experimento para estudiar el rendimiento de cuatro detergentes. Las

siguientes lecturas de blancura se obtuvieron con un equipo especial diseado para 12
cargas de lavado, distribuidas en tres modelos de lavadoras:
Detergente Lavadora
1
A
45
B
47
C
50
D
42

Lavadora
2
43
44
49
37

Lavadora
3
51
52
57
49

a) Seale el nombre del diseo experimental utilizado

b) Formule la hiptesis que se quiere probar en este problema
c) Realice el anlisis estadstico ms apropiado para estos datos y obtenga conclusiones.
7.- Se realizo un experimento para determinar el efecto de cuatro sustancias qumicas
diferentes sobre la resistencia de una tela. Estas sustancias qumicas se usan como parte
del proceso de acabado del planchado permanente. Se seleccionaron cinco muestras de
tela, y se corri un diseo de bloques completos aleatorizados para probar cada tipo de
sustancia qumica sobre cada muestra de tela en orden aleatorio. Se probarn las
diferencias de las medias utilizadas en el anlisis de varianza con

Sustancia
Qumica
1
2
3
4

1
1,3
2,2
1,8
3,9

Muestra de tela
2
3
4
5
1,6
2,4
1,7
4,4

0,5
0,4
0,6
2,0

1,2
2,0
1,5
4,1

1,1
1,8
1,3
3,4

a) Seale el nombre del diseo experimental utilizado

b) Formule la hiptesis que se quiere probar en este problema
c) Realice el anlisis estadstico ms apropiado para estos datos y obtenga conclusiones.

3.2. Diseo en cuadrado latino

En el diseo en cuadro latino (DCL) se controlan dos factores de bloque y se estudia un
factor de tratamientos, por lo que se tienen cuatro fuentes de variabilidad que pueden
afectar la respuesta observada, estas son:

Los tratamientos
El factor de bloque I (renglones)
El factor de bloque II (columnas)
El error aleatorio
Se llama cuadro latino por dos razones: es un cuadro debido a que tiene la
restriccin adicional de que los tres factores involucrados se prueban en la misma
cantidad de niveles, y es latino porque se utilizan letras latinas para denotar a los
tratamientos o niveles del factor de inters. Sean A, B, C, , K, los k tratamientos a
comparar, por lo tanto ambos factores de bloques tienen tambin k niveles cada uno. El
aspecto de los datos se muestra en la siguiente tabla.

1
1A
2B
Bloque I 3
(renglones) .
.
k

= Y111
= Y221 C
= Y331
.
.
K = Ykk1

Bloque II (columnas)
2
3

B = Y212C
C = Y322D
D = Y432
.
.
A = Y1k2

= Y313
= Y423 E
= Y533
.
.
B = Y2k3

K = YK1K
A = Y12K B
= Y23K
.
.
J = YJkK

Ahora se necesitan al menos tres subndices, por ejemplo, la respuesta Y313 se

gener en el tratamiento tres (C), en el primer nivel del factor rengln y en el tercer nivel
del factor columna.
El modelo estadstico para describir el comportamiento de las observaciones est
dado por

donde
es la observacin del tratamiento , en el nivel , del factor rengln y en el
nivel del factor columna;
es el error atribuible a dicha observacin. De acuerdo con
este modelo, la variabilidad total presente en los datos se puede descomponer como

y los grados de libertad correspondientes son

El ANOVA para el diseo en cuadro latino se muestra en la tabla 3.4. En l se

prueba la hiptesis sobre los efectos de tratamiento del factor rengln y del factor
columna. Otra vez, la hiptesis fundamental es la de los tratamientos; las otras dos
proporcionan un adicional al objetivo inicial y permiten comprobar la relevancia de
controlar los factores de bloque.
Tabla 3.4 ANOVA para el cuadro latino
Fuentes de
variabilidad

Suma de Grado de
cuadrados libertad

Tratamientos

SCTRAT

Renglones
SCB1
Columnas
Error
Total

Cuadrado
medio

k1

Valor-p

CMTRAT

k1

CMB1

k1
SCB2

(k 2)(k 1)

CMB2

SCE

k2 - 1

CME

SCT

Seleccin y aleatorizacin de un cuadro latino. No cualquier arreglo de letras latinas

en forma de cuadro es cuadro latino, la regla fundamental es que cada letra debe aparecer
slo una vez en cada rengln y en cada columna. Un cuadro latino estndar es aquel en
el que en la primera columna y en el primer rengln aparecen las letras en orden
alfabtico. Por ejemplo, un cuadro latino estndar de tamao cuatro est dado por:
ABCD
BCDA
C D AB
DABC
Existen adems los

ABCD
B ADC
C DBA
D C AB

ABCD
B DA
Cy
C ADB
DCBA

A B C D siguientes tres cuadros

latinos de dimensin cuatro:
B ADC
C DAB
DCBA

Para cuatro tratamientos se pueden construir un total de 576 cuadros latinos de los
cuales cuatro son estndar. La seleccin del diseo debera ser elegir uno al azar de los
576 posibles; no obstante, es prcticamente imposible construirlos a todos para
seleccionar uno al azar. Sin embargo, ocurre que dado un cuadro latino, cualquier
intercambio de columnas o de renglones es tambin cuadro latino, por eso la estrategia
de seleccin y aleatorizacin recomendada en la prctica es la siguiente:

Se construye el cuadro latino estndar ms sencillo.

Se aleatoriza el orden de los renglones (o columnas) y posteriormente se
aleatoriza el orden de las columnas (o renglones).
Por ltimo, los tratamientos a comparar se asignan en forma aleatoria a
las letras latinas.

El cuadro latino tiene dos restricciones a la aleatorizacin debido a los dos

factores de bloque, lo que implica que a la hora de correr el experimento no hay ningn
margen de aleatorizacin. Es decir, se puede correr por columna o por rengln segn
convenga. Lo que no es correcto es hacer todas las pruebas de un tratamiento, y luego
todas las de otro, y as sucesivamente, puesto que se puede introducir ruido adicional
debido a factores no controlables que cambian con el tiempo.

Ejemplo.
Comparacin de cuatro marcas de llantas. Una compaa de mensajera est
interesada en determinar cul marca de llantas tiene mayor duracin en trminos del
desgaste. Para ello se planea un experimento en cuadro latino, en el que se comparan las
cuatro marcas de llantas sometindolas a una prueba de 32 000 kilmetros de recorrido,
utilizando cuatro diferentes tipos de auto y las cuatro posiciones posibles de las llantas
en el auto. As, el factor de inters es el tipo de llantas o marca, y se controlan dos
factores de bloque: el tipo de carro y la posicin de la llanta en el auto. Estos factores de
bloque se controlan ya que, por experiencia, se sabe que el tipo de carro y la posicin
de la llanta tienen efecto en el desgaste de la misma.
La eleccin del cuadro latino a utilizar se hace antes de obtener los datos. Para ello, a
partir de un cuadro latino inicial se aleatorizan las columnas y los renglones; despus,
las diferentes marcas de llantas se asignan de manera aleatoria a las letras latinas que
denotan los niveles del factor de inters

Posici
n
1
2
3
4

Carro
1
2
3
C = 12 D = 11 A =
B = 14 C = 12 13
A = 17 B = 14 D =
D=
A = 14 11
C=
13
10
B=
13

4
B=8
A=3
D=
9
C=9

Las pruebas se hacen al mismo tiempo con choferes, a quienes se les instruye
para que manejen de manera similar sobre el mismo terreno para los cuatro
automviles. Al hacer las pruebas de los cuatro autos al mismo tiempo se evita el efecto
del ambiente en el desgaste; asimismo, el conductor y el tipo de terreno podran influir,
pero se considera suficiente mantenerlos lo ms homogneo posible durante el
experimento. El diseo y los datos observados se muestran en la tabla anterior. Se mide

la diferencia mxima entre el grosor de la llanta nueva y el grosor de la llanta despus

de recorrido los 32 000 kilmetros. Obviamente, a mayor diferencia en grosor mayor
desgaste. Las unidades de medicin son milsimas de pulgada
ANOVA resultante
Fuente de
variabilidad
Marca

Suma de
cuadrados
5,6875

Grados de
libertad
3

Posicin
Carro
Error

16,1875
103,6875
30,375

3
3
6

Total

155,9375

15

Promedio de los
cuadrados
10

F
0,37

2,0625
12,8958
0,895833

Valor crtico
Valor-p para F
0,775 4,76

1,07
6,83

0,431
4,76
0,023 4,76

Se observa que nuestro punto critico tanto para la posicin, el tipo de carro y las
marcas es de 4,76. Concluimos que en las marcas y posicin no existe evidencia de que
esta influya por lo que se acepta la hiptesis nula de que son iguales a un nivel de
significancia de = 0,05. En cuanto al tipo de carro observamos que este si influye en el
desgaste de las llantas por lo que rechazamos la hiptesis nula
Resultado arrojado en Minitab
Modelo lineal general: Desgaste vs. Posicin, Carro, Marcas
Factor
Posicin
Carro
Marcas
Fuente
Posicin
Carro
Marcas
Error
Total

Tipo
fijo
fijo
fijo

Niveles Valores
4
1, 2, 3, 4
4
1, 2, 3, 4
4
A, B, C, D

GL SC sec. SC ajust. MC ajust.

3
16,188
16,187
5,396
3 103,688
103,688
34,563
3
5,687
5,687
1,896
6
30,375
30,375
5,062
15 155,938

Calculo manual para ANOVA de cuadro latino

SC
GL
Fuente de
variaciones
Tratamientos

Bloque 1
(filas)
Bloque 2
(columnas)

F
1,07
6,83
0,37

CM

P
0,431
0,023
0,775

Valor
crtico
para F

Error

Total

Sumas bsicas para el clculo manual

Posicin, carro y marca
Operaciones bsicas
C = 12 D = 11 A = 13 B = 8
B = 14 C = 12 D = 11 A = 3
A = 17 B = 14 C = 10 D = 9
D = 13 A = 14 B = 13 C = 9
Suma total por

Tratamiento

Sumatoria de las letras A,B,C y D

correspondientes
47 49 43 44
Suma total por fila Bloque 1

44 40 50

Suma de los cuadrados de los tratamientos

Suma de los cuadrados de filas (bloque 1)

(
49

Suma de los cuadrados de las columnas (bloque 2)

suma

Suma total por columna Bloque II

(
56

51

47

29

de los datos
de medicin

total

media global

1.- Suma de cuadrados de tratamientos o variabilidad debida a la diferencia entre las

marcas de llantas, bloque 1 y bloque 2

2.- Suma total de cuadrados o variabilidad total de los datos

3.- Suma de cuadrados del error o variabilidad dentro de mtodos de ensamble

4.- Cuadrados medios de tratamientos, del bloque 1, del bloque 2 y del error

5- Estadstico de prueba

ANOVA para el diseo del cuadro latino

Fuente de
SC
GL CM
F
Valor crtico
variaciones
para F
Tratamientos 5,68
3
1,89 0,37
4,76
Renglones
(Bloque 1)
Columnas
(Bloque2)
Error

16,19

5,39

1,06

4,76

103,69

34,56 6,83

4,76

30,37

5,06

Comprobacin de supuestos. Como se coment antes, la validez del anlisis de

varianza recae en tres supuestos que siempre deben verificarse:
Normalidad
Varianza constante
Independencia de los residuos
Adems de la ausencia de observaciones atpicas o aberrantes. Como se observa en
la figura 3.6, el supuesto de normalidad se cumple al caer los residuos o puntos ms o
menos en lnea recta (Grafica de probabilidad normal). Tambin se cumple el supuesto
de varianza constante de acuerdo a la grafica de residuos vs valor ajustado, y en la
grafica de residuos vs orden de observacin, en la que los residuos se ubican
aleatoriamente dentro de una banda horizontal; su dispersin vertical es la misma a lo
largo de los grficos. No se comprob el supuesto de independencia porque no se
conoce el orden en que se realizaron las mediciones del desgaste.

19

Ejercicios
1.- Las letras A, B, C y D representan cuatro variedades de trigo; los renglones
representan cuatro diferentes fertilizantes; y las columnas 4 anos diferentes. Los datos
de la siguiente tabla son los rendimientos para las cuatro variedades de trigo, medidas
en kilogramos por parcela. Se supone que las diversas fuentes de variacin no
interactan. Utilice un nivel de significancia de 0.05 para probar la
; no hay
diferencia en los rendimientos promedio de las cuatro variedades de trigo
Rendimiento del trigo (kg por parcela)
Fertilizantes 1981
Fertilizante 1 A
70
Fertilizante 2 D
66
Fertilizante 3 C
59
Fertilizante 4 B 41

1982
B
75
A
59
D
66
C
57

1983 1984
C
D
81
68
B
C
55
63
A
B
39
42
D
A
39
55

Modelo lineal general: Rendimiento vs. Fertilizante, Ano, Trigo

Factor
Tipo
Fertilizante fijo
Ano
fijo
Trigo
fijo
Fuente
Fertilizante
Ano
Trigo

Niveles
4
4
4

GL SC sec.
3 1557,19
3
417,69
3
263,69

Valores
1, 2, 3, 4
1, 2, 3, 4
A, B, C, D
SC ajust.
1557,19
417,69
263,69

MC ajust.
F
P
519,06
11,92 0,006
139,23
3,20 0,105
87,90
2,02 0,213
20

Error
Total

6
15

261,37
2499,94

261,37

43,56

La variabilidad debida al fertilizante, aos y tipos de tratamiento. La = 2,02 es sobre 3

y 6 grados de libertad El valor p de aproximadamente 0,2 es en realidad demasiado
grande para concluir que las variedades de trigo afectan de manera significativa el
rendimiento.

3.3. DISEO EN CUADRADO GRECOLATINO

21

Con el diseo en cuadro grecolatino (DCGL) se controlan tres factores de bloque,

adems del factor de tratamiento. Se llama cuadro grecolatino porque los cuatro factores
involucrados se prueban en la misma cantidad de niveles, de aqu que se pueda escribir
como un cuadro (ver tabla 3.5); adems, se utilizan letras latinas para denotar a los
tratamientos y letras griegas para nombrar a los niveles del tercer factor de bloque.
Tabla 3.5 Diseo en cuadro grecolatino

3 C

Columnas
2
3
4
BC
D
D
AA
C
B
D
B

4 D

1
1 A
2 B

Renglones

Al igual que en el cuadro latino, cada letra (latinas y griegas) debe aparecer slo una vez
en cada rengln y en cada columna. Adems, cada par de letras debe aparecer slo una
vez en todo el arreglo.
El modelo estadstico que describe a las mediciones en un cuadro grecolatino est dado
por

donde
es la observacin o respuesta que se encuentra en el tratamiento ( -sima
letra latina), en el rengln , en la columna y en la -sima letra griega; es el efecto
del tratamiento , es el efecto del rengln , representa el efecto de la columna y
representa el efecto de la -sima letra griega, que son los niveles del tercer factor
de bloque; el trmino
representa el error aleatorio atribuible a la medicin
. Es
importante no confundir las letras griegas del modelo que representan efectos, con las
letras griegas en el diseo que simbolizan a los niveles del tercer factor de bloque. La
variabilidad total presente en los datos se puede partir de la manera usual como

22

donde las sumas

,
miden la variabilidad debida a los factores de
bloque rengln, columna y de letras griegas, respectivamente. Para tratamientos, los
grados de libertad correspondientes a cada suma son

Un bosquejo del anlisis de varianza se muestra en la tabla 3.6, en la cual se

prueban las hiptesis de igualdad de letras latinas (tratamientos), de renglones, de
columnas y de letras griegas
Tabla 3.6 ANOVA para el diseo en cuadro grecolatino
Fuente de
variabilidad
Tratamientos
(letras latinas)

Suma de cuadrados

Grados de libertad

k-1

Factor de bloque I
(renglones)

k-1

Factor de bloque II
(columnas)

k-1
k-1

Factor d bloque III

(letras griegas)

(k-3)(k-1)

Error

Total

El anlisis de varianza para el ejemplo se aprecia que el nico efecto significativo son
los tratamientos (mtodos), y ninguno de los factores de bloque tiene un efecto
significativo sobre el tiempo de ensamble. El factor operador tiene un valor-p bajo, lo
cual indica que podra tener un efecto significativo; sin embargo, en este experimento
fue imposible detectarlo. Si contrastamos con respecto a F critica para los cuatro casos
F en tablas es F = 9,28, por lo cual se rechaza la hiptesis nula para mtodo, en cuanto
para operador, orden y lugar se acepta.

CONCLUSION
Como ya observamos en los temas investigados el diseo en bloques completas al azar
es el diseo donde se incorpora una tcnica de diseo llamada formacin de bloques que
tiene como finalidad eliminar de manera sistemtica a los factores perturbadores, los
cuales pueden influir en la respuesta del experimento.
Los bloques no se incluyen en el experimento por que interese analizar su efectividad, si
no como un medio para estudiar de manera adecuada y eficaz a los tratamientos.
Tambin vemos que en este diseo se consideran tres fuentes de variabilidad: como es el
factor de tratamientos (k), el factor de bloque (b) y el error aleatorio, es decir se tienen
tres posibles culpables de la variabilidad que puedan presentar los datos.
Tambin mencionamos y vimos los que son ejemplos de factores de bloqueo como lo
son: turno, lote, da, tipo de material, lnea de produccin, operador maquina etc.
El DBCA es uno de los diseos ms utilizados en la experimentacin industrial.

BIBLIOGRAFIA
GUTIERREZ, P. H y DE LA VARA, S. R. 2008. Segunda edicin. Anlisis y Diseo
de Experimentos. Mc Graw Hill.
MONTGOMERY, C.D.; G.C, RUNGER. 2010. Segunda edicin. Probabilidad y
Estadstica. LIMUSA WILEY
MONTGOMERY, C.D. Diseo y Anlisis de Experimentos. Segunda edicin.
LIMUSA WILEY
WALPOLE, R.; MAYERS, R.H.; MAYERS, S.L. 1998. Sexta edicin. Probabilidad y
Estadstica Para Ingenieros. Pearson Education