Latinos
Latinos
Latinos
Introduccin
de estos diseos es la de fraccin; es decir, seleccionar una parte del diseo completo de
forma que, bajo ciertas hiptesis generales, permita estimar los efectos que interesan.
Uno de los diseos en bloques incompletos aleatorizados ms importante con dos factores de control es el modelo en cuadrado latino, dicho modelo requiere el mismo nmero
de niveles para los tres factores.
En general, para K niveles en cada uno de los factores, el diseo completo en bloques
aleatorizados utiliza K2 bloques, aplicndose en cada bloque los K niveles del factor
principal, resultando un total de K3 unidades experimentales. Los diseos en cuadrado
latino reducen el nmero de unidades experimentales a K2 utilizando los K2 bloques
del experimento, pero aplicando slo un tratamiento en cada bloque con una disposicin
especial. De esta forma, si K fuese 4, el diseo en bloques completos necesitara 43 =
64 observaciones, mientras que el diseo en cuadrado latino slo necesitara 42 = 16
observaciones.
En este captulo se van estudiar adems del diseo en cuadrado latino otros diseos
relacionados con l, como son los cuadrados greco-latinos que utilizan tres variables de
bloque y los cuadrados de Youden que se pueden considerar como una variante de los
cuadrados latinos, si bien tambin se pueden estudiar como bloques incompletos. En primer
lugar, estudiaremos el diseo en cuadrado latino.
7.2.
7.2.1.
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 K. E l diseo en
cuadrado latino utiliza K2 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 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.
Columna 1
A
Columna 2 Columna 3
B
C
Columna k
K
B
A
D
C
C
D
A
B
D
C
B
A
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
B
C
A
D
A
D
B
C
D
A
C
B
C
B
D
A
Se vuelven a generar otros 4 nmeros aleatorios que se identican 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
B
D
A
D
A
C
B
B
C
A
D
A
D
B
C
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
Tabla 5-1.
Insecticidas
i1
i2
i3
i4
s1
a3
a2
a4
a1
Semillas
s2 s3
a4 a2
a1 a3
a3 a1
a2 a4
s4
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:
Tabla 5-2.
Insecticidas
i1
i2
i3
i4
a1
s4
s2
s3
s1
Abonos
a2 a3
s3 s1
s1 s3
s4 s2
s2 s4
a4
s2
s4
s1
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.
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.
7.2.2.
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 jos, el modelo estadstico para
este diseo es:
yij( h) = + i + j + h + +uij( h)
i = 1, 2 . . . , K
j = 1, 2 . . . , K
,
h = 1, 2 . . . , K
(7.1)
donde
yij( h) representa la observacin correspondiente a la i-sima la, j-sima columna y
h-sima letra latina.
es la media global.
i es el efecto producido por el i-simo nivel del factor la. Dichos efectos estn
sujetos a la restriccin i i = 0.
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 h = 0.
uij( h) son variables aleatorias independientes con distribucin N (0, )
La notacin yij( h) indica que los niveles i y j determinan la letra latina para un cuadrado 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 dependen de la celdilla (i, j). De esta forma, utilizando la notacin yij( h) , el cuadrado latino
correspondiente a la situacin de referencia es
y11(4)
y21(2)
y31(3)
y41(1)
y12(3)
y22(1)
y32(4)
y42(2)
y13(1)
y23(3)
y33(2)
y43(4)
y14(2)
y24(4)
y34(1)
y44(3)
yij(.)
y ... =
y...
K2
(7.2)
yij( .)
y i.. =
yi..
K
(7.3)
yij( .)
y . j. =
y. j.
K
(7.4)
i,j
K
j=1
K
i =1
yij( h)
y..h =
i,j
y..h
K
(7.5)
7.2.3.
2 N2
L(, i , j, h , ) = (2 )
exp
2
2
yij( h) i j h
(7.6)
N
N
1
2
ln(2) ln( ) 2
2
2
2
yij( h) i j h
i =1 j=1
ln L
=
i
1
2
ln L
=
j
1
2
ln L
=
h
1
2
1
2
yij( .) i j h
(7.8)
i =1 j=1
yij( .) i j h
i = 1, , K
(7.9)
yij(.) i j h
j = 1, , K
(7.10)
j=1
K
i =1
K
i =1 j=1
yij( h) i j h
(7.7)
i =1 j=1
h = 1, , K
(7.11)
ln L
N
1
= 2+
2
2
2(2) 2
yij( .) i j h
i =1 j=1
=
i =
1
K
1
j =
K
h =
= y ... ,
K2
K
(7.12)
(7.13)
yij( .) = y. j. y ...
(7.14)
j=1
K
i =1
1
K
i,j
(7.15)
i =
i
h = 0 .
h
1
N
i,j
yij( .) i j h
(7.16)
Residuos
Los residuos en este modelo adoptan la expresin
eij( h) = yij( h) yij( h) = yij( h) i j h =
yij( h) y i.. y . j. y ..h + 2
y .. .
Se verica que los residuos suman cero por las, columnas y para cada letra
(7.17)
eij( .) = 0
i = 1, , K
eij( .) = 0
j = 1, , K
eij( h) = 0
i
h = 1, , K
Por tanto el nmero de grados de libertad de los residuos es (K 1)(K 2). En efecto
K2 (K + (K 1) + (K 1)) = K2 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
K
2 = S R2 =
7.2.4.
yij( h) yij( h)
i =1 j=1
(K 1)(K 2)
i =1 j=1
e2ij( h)
.
(K 1)(K 2)
(7.18)
Descomposicin de la variabilidad
(yij( h) y... ) 2 = K
i =1 j=1
( y i.. y ...
)2 + K
i =1
K
( y . j. y ...
) 2 + K( y ..h y ...
j=1
) 2+
h=1
y
y
y
y
(yij( h) i.. . j. ..h + 2 ... ) 2
i =1 j=1
(7.19)
10
E(CMF ) = E(S F2 ) = 2 + K
2i
i =1
K1
K
E(CMC) =
E(S C2)
= + K
(7.20)
j=1
K1
E(CML) =
E(S L2 ) =
2 + K
h=1
K1
Por lo tanto,
a) Se verica que S R2 = SCR/(K 1)(K 2) 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,
H 0 : j = 0,
H 0 : h = 0, h
(7.21)
11
2K1
SCC
2
2K1
SCL
2
2K1
SCR
2
2(K1)(K2)
SCR
2
(7.22)
12
SCC/ 2
2
CS
K1
=
F =
2
S CR/ 2
SR
(K 1)(K 2)
(7.23)
SCL/2
S L2
K1
=
,
F =
2
S CR/ 2
SR
(K 1)(K 2)
(7.24)
i =1 j=1
SCF =
SCC =
SCL =
1
K
1
K
1
K
2y...
yij2 (.)
K2
2
yi..
i =1
K
y.2j.
j=1
K
2
y..h
h=1
y2...
K2
(7.26)
y2...
(7.27)
K2
y2...
K2
(7.25)
(7.28)
(7.29)
13
Suma de
cuadrados
K
E . la
K
K
K
h=1
Residual
Fexp
K1
S F2
S F2 / S 2R
K1
SC
S C/ S R
K1
SL
S L/ S R
(K 1)(K 2)
2
SR
K2 1
S T2
( y. j. y ... )
j
K
E . letra lat.
Cuadrados
medios
( yi.. y ... )
i
K
E . columna
Grados de
libertad
( y..h y ... )
S C T SCF
SCC SCL
K
yij( .) y ...
TOTA L
i
Suma de
cuadrados
1
K
1
K
y...2
K2
y...2
y2. j . 2
K
y2i..
1
y...2
y2..h 2
K h
K
S C T SCF
SCC SCL
TOTAL
i
2
yij(
.)
y...
K2
Grados de
libertad
Cuadrados
medios
K1
SF
SF / SR
K1
SC
S C/ S R
K1
SL
S L/ S R
(K 1)(K 2)
2
SR
K2 1
S T2
Fexp
2
14
Coeciente de determinacin
A continuacin denimos el coeciente de determinacin R2
R2 =
donde, denotamos:
R2 al cociente entre la variabilidad explicada por las las y la variabilidad total, es
SCF
decir: R2 =
SCT
R2 al cociente entre la variabilidad explicada por las columnas y la variabilidad total,
SCC
es decir: R2 =
SCT
R2 al cociente entre la variabilidad explicada por las letras latinas y la variabilidad
SCL
.
total, es decir: R2 =
SCT
Entonces el coeciente de determinacin tambin lo podemos expresar como
R2 = R2 + R + R ,
siendo R2, R2 y R2 los coecientes de determinacin parciales asociados a las las, columnas y letras latinas, respectivamente.
7.2.5.
Ejemplo numrico
A n de ilustrar el anlisis de la varianza de los diseos en cuadrado latino, consideremos la situacin de referencia, en la que se ha realizado el experimento con la aleatorizacin correspondiente y hemos designado por las letras (A, B, C, D) a los tratamientos.
As, el cuadrado latino resultante junto con las observaciones obtenidas, dan lugar al Ejemplo 5-1, que se muestra en la siguiente tabla, a la que se han aadido las las y columnas
necesarias para su resolucin.
15
Abonos
a1
a2
a3
a4
y. j .
y.2j .
2
yij(
.)
Insecticidas
i2
i3
B
8
4
C
16
18
A
12
12
D
13
16
49
50
2401
2500
633
740
i1
D
15
18
14
54
2916
794
yi..
2
yi..
22
484
23
72
5184
10
52
2704
14
50
2500
834
57
203
10317
3001
3249
11621
i4
A
D
B
C
Tabla 5-6
Letra latina
A
B
C
D
Observaciones
3 16 12 14
4 15 10 13
7 18 12 14
8 23 18 16
y2..h
2025
1764
2601
4225
10615
y..h
45
42
51
65
203
SCT =
yij2 ( .)
i =1 j=1
SCF =
SCC =
1
K
= 3001
K2
2
yi..
i =1
2y...
4
j=1
y2...
K2
y.2j .
y2...
K2
11621
4
10317
4
42 2
203
42 2
203
= 425,4375
= 329,6875
42 2
203
= 3,6875
16
SCL =
1
K
2
y..h
h=1
y2...
10615
=
2
K
42 2
203
= 78,1875
4
y la suma de cuadrados del error se obtiene por diferencia
Suma de
cuadrados
329.6875
3.6875
78.1875
13.8750
425.4375
Grados de
libertad
3
3
3
6
15
Cuadrados
medios
109.89583
1.22917
26.06250
2.31250
Fexp
47.523
0.532
11.270
% Explicado
77.49 %
0.87 %
18.38 %
96.74 %
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 Varianza y Temas Relacionados: Tratamiento Informtico mediante SPSS Proyecto Sur
de Ediciones.