______________________________________________________Diseo Aleatorizado Por Bloques Completos

UNIDAD
4

DISEOS DE
BLOQUES
OBJETIVO EDUCACIONAL
Al trmino de esta unidad el alumno ser capaz de:

Usar el modelo de bloques correspondiente en funcin de sus caractersticas

particulares

4.1 El Diseo de Bloques Totalmente Aleatorizado

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 la tabla 4.1
aparecen los datos que se obtienen al aplicar un diseo aleatorizado por bloques completos
para investigar un solo factor con a niveles y b bloques. En cada bloque existen a

Moiss Muoz Daz

61

Estadstica II ______________________________________________________________________________

observaciones

(una por cada nivel del factor),

y el orden en que se toman estas

observaciones se asigna de manera aleatoria dentro del bloque.

Datos tpicos para el anlisis de varianza de clasificacin en un sentido
Bloques

Tratamiento

y 11

y12

y1n

y 21

y 22

y 2n

Totales

Promedios

y 1
y 2

y1

y2

...

...

...

...

...

...

...

y a1

ya2

y an

y a

ya

y 1

y 2

y b

y 1

y 2

y b

Totales
Promedios

yi

yi j ;

y j

j1

yi

yi
b

yi

yi j

i 1

y j
a

y
y
y

ij

i 1 j1

y y
y
N ab

La notacin del subndice punto implica la sumatoria sobre el subndice que reemplaza.

4.1.1 Anlisis Estadstico

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
yi j I j I J

i 1, 2 , , a

j 1, 2 , , b

donde es la media global, i es el efecto del i-simo tratamiento, j es el efecto del jsimo bloque y i j

es el trmino de error aleatorio, el cual se supone que tiene una

distribucin normal e independiente con media cero y varianza 2 ( i j ~ NID( 0 , 2 ) ).En

principio, los efectos de los tratamientos y de bloques son considerados como factores fijos.

62

Moiss Muoz Daz

______________________________________________________Diseo Aleatorizado Por Bloques Completos

Por otro lado, los efectos de los tratamientos y de los bloques son definidos como
desviaciones de la media global, de modo que
a

i 1

j 1

Tambin se supone que los tratamientos y los bloques no interactan entre s. Esto es, el
efecto del tratamiento i es el mismo sin importar en que bloque (o bloques) se pruebe. El
inters recae en probar la igualdad de los efectos de los tratamientos (equivale a probar la
hiptesis de que las medias de tratamientos son iguales)
1) Hiptesis
H0 : 1 2 a 0

H 1 : i 0 para al menos una i

2) El estadstico de prueba es: F0

SC /( a 1 )
CM

SC E /( a 1 )( b 1 ) CM E

3) La regla de decisin para , con v1 a 1 y v 2 ( a 1 )( b 1 ) grados de libertad es:

v
Rechazar H0 si F0 Fv ,
1

4) Evaluar el estadstico de prueba: para evaluar el estadstico de prueba se utiliza la tabla de

anlisis de varianza
Anlisis de Varianza de un diseo Aleatorizado por bloques completos
Fuente de
Variacin

Suma de
Cuadrados

Trats.

Bloques
Error

y2

1 2
SC yi
b i 1 ab

1
SC
a

j1

y 2 j

y 2
ab

SC E SCT SC SC

Moiss Muoz Daz

Grados de
Libertad

Cuadrados
Medios

a1

CM

SC
a1

b1

CM

SC
b1

( a 1 )( b 1 )

Fo

CM
2

SC E
( a 1 )( b 1 )

63

Estadstica II ______________________________________________________________________________

Total

SCT

y i2 j

y 2

i 1 j1

ab 1

ab

5) Decisin: SE rechaza o NO se rechaza H0

6) Conclusin: (Si se rechaza H0: Al menos uno de los efectos de tratamientos es diferente de
cero) (Si NO se rechaza H0:los efectos de tratamientos son todos iguales a cero).

4.2 Verificacin del Modelo

En cualquier experimento diseado, es siempre importante examinar los residuos y verificar si
se violan las suposiciones bsicas (Normalidad, Independencia, Aditividad e Igualdad de
varianzas) que pueden invalidar los resultados.

4.2.1 Generacin de los Residuos

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
ei j yi j yi j

y los valores estimados son

yi j yi y j y
o bien
ei j yi j

yi y j y

4.2.2 La Suposicin de Normalidad

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

64

Moiss Muoz Daz

______________________________________________________Diseo Aleatorizado Por Bloques Completos

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.

4.2.3 Trazado de los Residuos Contra Tratamientos, Bloques y Valores Ajustados

La presentacin visual en el bloque completo aleatorizado implica graficar los residuos por
separado para cada tratamiento y para cada bloque. El analista debe esperar variabilidad
aproximadamente igual si es vlida la suposicin de igualdad de varianzas. En el caso de la
grfica de residuos contra valores estimados podra revelar violacin a nuestra suposicin de
aditividad (es decir, ninguna interaccin); si no hay interaccin, debe aparecer un patrn
aleatorio

4.2.4 Estimacin de Valores Perdidos

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 una 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 yi j correspondiente al tratamiento i y al bloque j. Esta
observacin se representa mediante
representar mediante
como

y'i

y'

el gran total con una observacin faltante se

y los totales del tratamiento y del bloque con un dato faltante

y' j , 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 por

Moiss Muoz Daz

65

Estadstica II ______________________________________________________________________________

a b

SCE ( yi j yi y j y )2
i 1 j 1

lo anterior equivale a escoger x, de tal forma que minimice

SC E

i 1 j 1

1
y
b

2
ij

i 1

j 1

yi j

i 1

j 1

yi j

ab

i 1 j 1

yi j

o bien,

1 21 2 1 2
SC E x ( 'y i x ) ( 'y j x ) ( 'y x ) R
b
a
ab
2

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

ay'i by' j y'

( a 1 )( b 1 )

como un estimador para la observacin faltante.

4.3 El Diseo Cuadrado Latino

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.
4 x 4
ABDC
B C AD
CDBA
D AC B

66

5 x 5
ADBEC
D AC B E
CBEDA
B E AC D
E C DAB

6 x 6
ADCEBF
B AE C F D
C E D F AB
DCFBEA
F B AD C E
E F B AD C

Moiss Muoz Daz

______________________________________________________Diseo Aleatorizado Por Bloques Completos

El modelo estadstico del diseo cuadrado latino es

yi j k

i 1, 2 , , p

i j k i j k j 1, 2 , , p
k 1, 2 , , p

en donde
yi j k

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

i j k 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 N p 2
observaciones en sus componentes de rengln, columna, tratamiento y error
SCT SC Re nglones SC Columnas SC Tratamient os SCE

cuyos grados de libertad son

p 2 1 p 1 p 1 p 1 ( p 2 )( p 1 )

Bajo la suposicin de que el error aleatorio se distribuye en forma normal e independiente,

cada una de las sumas de cuadrados son al dividir entre 2 , variables aleatorias
independientes con distribucin ji-cuadrada. El estadstico de prueba apropiado para probar la
igualdad de medias en los tratamientos es
f0

Moiss Muoz Daz

CM Tratamient os
CM E

67

Estadstica II ______________________________________________________________________________
p1
que tiene una distribucin f ( p 2 )( p 1 ) si la hiptesis nula es verdadera. El procedimiento de

clculo para el anlisis de varianza se muestra en la tabla 4.2

Fuente de
Variacin

Tabla 4.2. Anlisis de Varianza para un Diseo Cuadrado Latino

Grados de
Sumas de Cuadrados
Cuadrados Medios
libertad
p

Tratam.

SC

y 2 j
p

j 1

Renglones

SC

y i2
p

j 1

Columnas

SC

j 1

Error
Total

2
k

N
y 2
N
y 2
N

SC E SCT SC SC SC

SCT

y
i 1 j 1 k 1

68

y 2

2
i jk

y
N

p1

CM

SC
p1

p1

CM

SC
p1

p1

CM

SC
p1

( p 2 )( p 1 ) CM E

f0
f0

SC E
( p 2 )( p 1 )

p2 1

Moiss Muoz Daz

CM
CME

______________________________________________________Diseo Aleatorizado Por Bloques Completos

4.4 El Diseo Cuadrado Greco Latino

Consideremos un cuadrado latino p x 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. Este diseo se denomina cuadrado greco-latino. un ejemplo de un cuadrado
greco-latino 4 x 4 se muestra en la tabla 4.3.
Cuadro
1
2
3
4

Columna
1
A
B

C
D

B
A

C
D

D
C

A
B

4
D
C
B
A

El diseo cuadrado greco-latino puede utilizarse para controlar sistemticamente tres fuentes
extraas de variabilidad. 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 p 3 excepto para p = 6.
El modelo estadstico de un diseo cuadrado greco-latino es
i 1, 2 , , p
j 1, 2 , , p

yi j k i j k l i j k l

k 1, 2 , , p
l 1 , 2 , , p

en donde
yi j k l 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
i j k l es la componente del error aleatorio

Moiss Muoz Daz

69

Estadstica II ______________________________________________________________________________

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 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.
Tabla 4.3 Anlisis de Varianza para un Diseo de Cuadrado Greco-Latino
Fuente de
Grados de
Sumas de Cuadrados
Cuadrados Medios
Variacin
libertad
p y2
Tratam.
y 2
SC
j
CM
p1
letra
SC

p1
N
Griega
j 1 p

Tratam.
letra
Latina
Renglones

SC
SC

SC

j 1

Error
Total

2
i

p
y

2
k

y 2
N
y

N
y 2
N

SCT SC SC SC SC

SCT

70

j 1

j 1

Columnas

y 2 j

y i2j k l

y 2
N

p1

CM

SC
p1

p1

CM

SC
p1

p1

CM

SC
p1

( p 3 )( p 1 ) CM E

SC E
( p 3 )( p 1 )

p2 1

Moiss Muoz Daz

f0
CM
CM E

______________________________________________________Diseo Aleatorizado Por Bloques Completos

Ejemplo 4.1. Se realiz un experimento para determinar el efecto que tienen cuatro tipos
diferentes de puntas de un probador de dureza sobre los valores de dureza observados de una
aleacin. Para ello se obtienen cuatro especimenes de aleacin, y se prueba cada punta sobre
cada uno de ellos. Los datos obtenidos son los siguientes
Espcimen

Tipo de
Punta

9.3

9.4

9.6

10.0

9.4

9.3

9.8

9.9

9.2

9.4

9.5

9.7

9.7

9.6

10.0

10.2

a) Existe alguna diferencia en las mediciones de dureza de las puntas?

b) Pruebe todos los pares de medias empleando la prueba de rango mltiple de Duncan, con
= 0.05
c) Analice la grfica de residuos contra tratamientos
Solucin.

Se obtienen los totales y promedios de cada fila y columna y la sumas de

cuadrados:
Especmen

Tipo de
Punta

9.3

9.4

9.6

9.4

9.3

9.2

Total

Promedio

10.0

38.3

9.575

9.8

9.9

38.4

9.600

9.4

9.5

9.7

37.8

9.450

9.7

9.6

10.0

10.2

39.5

9.875

Total

37.6

37.7

38.9

39.8

154.0

Promedio

9.400

9.425

9.725

9.950

y 2

9.625

154 2
SCT y
9.3 9.4 10.2
1483.54 1482.25 1.29
ab
16
i 1 j1
a

2
ij

2
y
1 2 38.3 2 38.4 2 37.8 2 39.5 2 154 2
SC yi
0.385
b i1 ab
4
16
a

Moiss Muoz Daz

71

Estadstica II ______________________________________________________________________________

2
1 b 2 y 37.6 2 37.7 2 38.9 2 39.8 2 154 2
SC y j

0.825
a j 1
ab
4
16

SCE SCT SC SC 1.29 0.385 0.825 0.080

a) Existe alguna diferencia en las mediciones de dureza de las puntas?

Utilizando la tabla del anlisis de varianza para probar la hiptesis nula de que no existe una
diferencia significativa entre las mediciones de dureza para las cuatro puntas y considerando
un nivel de significancia del 5%, tenemos
Anlisis de Varianza para el modelo de efectos fijos de clasificacin en un sentido
Fuente de
Variacin

Suma de
Cuadrados

Grados de
Libertad

Cuadrados
Medios

Fo

Tratamientos

0.385

0.1283

14.43

Bloques

0.825

0.275

Error

0.080

0.00889

Total

1.290

15

3.86

El valor de F observado para las puntas es de 14.43 es mayor que el valor de F de tablas
para el 5% de nivel de significancia, por lo que podemos concluir que existe una diferencia
estadsticamente significativa entre las mediciones de dureza entre las puntas.
b) Pruebe todos los pares de medias empleando la prueba de rango mltiple de Duncan, con
= 0.05
1. Las a medias de tratamientos se arreglan en orden ascendente

y 3 9.450 y1 9.575

y2 9.600

2. Se determina el error estndar de la media como S yi

y4 9.875
CME 0.00889

0.0471
b
4

3. Se obtienen de la tabla de Duncan, de intervalos significativos valores r ( p , f ),

r0.05 ( 2 , 9 ) 3.20

4.

r0.05 ( 3, 9 ) 3.34

r0.05 ( 4 , 9 ) 3.41

Convierta estos intervalos en un conjunto de intervalos significativos, estos es, Rp,

R 2 3.20 (0.0471) 0.1507 ;

R 3 3.34 (0.0471) 0.1573 ;

R4 3.41(0.0471) 0.1606

5. Luego se prueban los intervalos observados entre las medias

72

Moiss Muoz Daz

______________________________________________________Diseo Aleatorizado Por Bloques Completos

y4 y3 9.875 9.450 0.425 (R4 0.1606)

y4 y1 9.875 9.575 0.300 (R3 0.1573)
y4 y2 9.875 9.600 0.275 (R3 0.1507 )
y2 y3 9.600 9.450 0.150 (R3 0.1573)

y2 y1 9.600 9.575 0.025 (R2 0.1507 )

y1 y3 9.575 9.450 0.125 (R2 0.1573)

* existe una diferencia significativa

* existe una diferencia significativa

* existe una diferencia significativa

No existe una diferencia significativa

No existe una diferencia significativa

No existe una diferencia significativa

c) Analice la grfica de residuos contra tratamientos

Se obtienen los residuales de acuerdo con

e i j y i j y i y j y

la frmula:

Tabla de Residuales
Especmen

Tipo de
Punta

yi

yi

-0.050

0.025

-0.075

0.100

38.3

9.575

0.025

-0.100

0.100

-0.025

38.4

9.600

-0.025

0.150

-0.050

-0.075

37.8

9.450

0.050

-0.075

0.025

0.000

39.5

9.875

y j

37.6

37.7

38.9

39.8

y =154.0

y j

9.400

9.425

9.725

9.950

y 9.625

Graficando los valores de los residuales contra los tipos de punta tenemos

Moiss Muoz Daz

73

Estadstica II ______________________________________________________________________________

Grfica de Residuales para la Dureza

0.24

residual

0.14

0.04

-0.06

-0.16
1

Tipo_Punta
Se observa que la variabilidad dentro de cada nivel el tipo de Punta es aproximadamente la
misma, por lo que se cumple satisfactoriamente el supuesto de homocedasticidad.
Solucin. En seguida se presenta la solucin de este problema utilizando Statgraphics
a) Existe alguna diferencia en las mediciones de dureza de las puntas? De la pantalla de
salida del Statgraphics obtenemos:
AnalysisofVarianceforDurezaTypeIIISumsofSquares

SourceSumofSquaresDfMeanSquareFRatioPValue

MAINEFFECTS
A:Tipo_Punta0.38530.12833314.440.0009
B:Especimen0.82530.27530.940.0000
RESIDUAL0.0890.00888889

TOTAL(CORRECTED)1.2915

El nivel de significancia observado para las puntas es de 0.0009, por lo que podemos concluir
que existe una diferencia estadsticamente significativa entre las mediciones de dureza entre
las puntas.
b) Pruebe todos los pares de medias empleando la prueba de rango mltiple de Duncan, con
= 0.05
MultipleRangeTestsforDurezabyTipo_Punta

Method:95.0percentDuncan
Tipo_PuntaCountLSMeanHomogeneousGroups

349.45X
149.575X
249.6X

74

Moiss Muoz Daz

______________________________________________________Diseo Aleatorizado Por Bloques Completos

449.875X

ContrastDifference

120.025
130.125
14*0.3
230.15
24*0.275
34*0.425

*denotesastatisticallysignificantdifference.

c) Analice la grfica de residuos contra tratamientos

Grfica de Residuales para la Dureza

0.24

residual

0.14

0.04

-0.06

-0.16
1

Tipo_Punta
En la grfica podemos observar que la variabilidad dentro de cada punta es aproximadamente
la misma para todas las puntas.

Moiss Muoz Daz

75

Estadstica II ______________________________________________________________________________

Ejemplo 4.2 Un experimentador estudia los efectos que tienen cinco formulaciones de la
carga propulsora utilizada en los sistemas de expulsin de la tripulacin de un avin basado
en la rapidez de combustin. Cada formulacin se hace con un lote de materia prima que
slo alcanza para probar cinco formulaciones. Adems, las formulaciones son preparadas por
varios operadores, y puede haber diferencias sustanciales en las habilidades y experiencia de
los operadores. Por lo tanto, al parecer hay dos factores perturbadores que sern calculados
en promedio en el diseo: los lotes de materia prima y los operadores. El diseo apropiado
para es problema consiste en probar cada formulacin exactamente una vez con cada uno de
los cinco operadores. Al diseo resultante ilustrado en la Tabla 4.4 diseo cuadrado latino.
Operadores

Lotes de
materia prima

1
A=24
B=17
C=18
D=26
E=22
107

1
2
3
4
5
y k

2
B=20
C=24
D=38
E=31
A=30
143

3
C=19
D=30
E=26
A=26
B=20
121

4
D=24
E=27
A=27
B=23
C=29
130

5
E=24
A=36
B=21
C=22
D=31
134

yi

111
134
130
128
132
635

El estadstico apropiado para probar la la hiptesis de que no hay diferencia en las medias de
tratamiento es
f0

CM Tratamient os
CM Error

p1
que se distribuye como f ( p 2 )( p 1 ) bajo la hiptesis nula. Tambin puede probarse la

ausencia de efectos de los renglones o la ausencia de efectos de las columnas formando el

cociente de CMRenglones o CMColumnas con el CME. Sin embargo, puesto que los renglones y las
columnas representan restricciones sobre la aleatorizacin, estas pruebas quiz no sean
apropiadas.
SCT

2
i jk

i1 j1 k1

SC Lotes

76

y
N

16805

(635 ) 2
676.0000
25

y2
1 p 2
yi
p j1
N
1
(635 ) 2
[(111 ) 2 ( 134 ) 2 (130 ) 2 (128 ) 2 (132 ) 2 ]
68.00
5
25

Moiss Muoz Daz

______________________________________________________Diseo Aleatorizado Por Bloques Completos

SC operadores

y 2
1 p 2
y

i N
p j1

1
(635 ) 2
[(107 ) 2 (143 ) 2 (121) 2 (130 ) 2 (134 ) 2 ]
150.00
5
25

Los totales para los tratamientos (las letras latinas) son

Letra latina

Total del tratamiento

A
B
C
D
E

y 1 143
y 2 101
y 3 112

y 4 149
y 1 130

La suma de cuadrados que resulta de las formulaciones se calcula a partir de estos totales
como
SC Formulacio nes

y 2
1 p 2
yi
p j1
N

1
(635 ) 2
[(143) 2 (101) 2 (112 ) 2 (1149 ) 2 (130 ) 2 ]
330.00
5
25

La suma de cuadrados del error se encuentra por sustraccin:

SC E SC T SC Lotes SC Operadores SC Formulacio nes
676.00 68.00 150.00 330.00 128.00

Analysis of Variance for Rap_Comb - Type III Sums of Squares

-------------------------------------------------------------------------------Source
Sum of Squares
Df
Mean Square
F-Ratio
P-Value
-------------------------------------------------------------------------------MAIN EFFECTS
A:Formulacion
330.0
4
82.5
7.73
0.0025
B:Lotes
68.0
4
17.0
1.59
0.2391
C:Operadores
150.0
4
37.5
3.52
0.0404
RESIDUAL
128.0
12
10.6667
-------------------------------------------------------------------------------TOTAL (CORRECTED)
676.0
24
--------------------------------------------------------------------------------

El anlisis de varianza se resume en la Tabla 4.5. Se concluye que hay una diferencia
significativa en la rapidez de combustin media generada por las diferentes formulaciones de
la carga propulsora. Tambin hay indicios de que hay diferencias entre los operadores, por lo
que la formacin de bloques para este factor fue una buena precaucin. No hay evidencia

Moiss Muoz Daz

77

Estadstica II ______________________________________________________________________________

slida de una diferencia entre los lotes de materia prima, por lo que al parecer en este
experimento particular hubo una precaucin innecesaria en esta fuente de variabilidad. Sin
embargo, la formacin de bloques de los lotes de materia prima es por lo general una buena
idea.
Ejemplo 4.3 Suponga que en el ejemplo anterior un factor adicional, los montajes de prueba,
podra ser importante. Sean cinco los montajes de prueba denotados por las letras griegas ,

, , y . En la tabla se muestra el diseo de cuadrado grecolatino 5 5 resultante .

Operadores

Lotes de
materia prima

1
A =24
B =17
C =18
D =26
E =22
107

1
2
3
4
5
y k

2
B =20
C =24
D =38
E =31
A =30
143

3
C =19
D =30
E =26
A =26
B =20
121

4
D =24
E =27
A =27
B =23
C =29
130

5
E =24
A =36
B =21
C =22
D =31
134

yi

111
134
130
128
132
635

Observe que, debido a que los totales de los lotes de materia prima (renglones), los operadores
(columnas) y las formulaciones (letras latinas) son idnticos a los del ejemplo 4.2, se tiene
SCT 676 ;

SC Operadores 150 ;

SC Formulacio nes 330 ;

SC Lotes 68

Los totales de los montajes de prueba (letras griegas) son

Letra Griega

Total de la prueba de montaje

y1 135
y2 119

y3 122

y4 121
y 5 138

Por lo tanto, la suma de cuadrados debida a los montajes de prueba es

SC Montajes

j1

y 2 k

y2
N

1
(635 ) 2
[(135 ) 2 (119 ) 2 (122 ) 2 (121) 2 (138 ) 2 ]
62.00
5
25

Analysis of Variance for Rap_Comb - Type III Sums of Squares

-------------------------------------------------------------------------------Source
Sum of Squares
Df
Mean Square
F-Ratio
P-Value
-------------------------------------------------------------------------------MAIN EFFECTS
78

Moiss Muoz Daz

______________________________________________________Diseo Aleatorizado Por Bloques Completos

A:Formulacion
B:Lotes
C:Operadores
D:Montaje

330.0
68.0
150.0
62.0

4
4
4
4

82.5
17.0
37.5
15.5

10.00
2.06
4.55
1.88

0.0033
0.1783
0.0329
0.2076

RESIDUAL
66.0
8
8.25
-------------------------------------------------------------------------------TOTAL (CORRECTED)
676.0
24

Problemas
1. Se realiza un experimento para obtener una medicin del perfil para diferentes tipos de
boquillas y distintos niveles de velocidad de expulsin del chorro. El inters en este
experimento se centra principalmente en el tipo de boquilla, y la velocidad es un factor
indeseable. Los datos son los siguientes:
Tipo de
boquilla
1
2
3
4
5

Velocidad de expulsin del chorro (m/s)

11.73
0.78
0.85
0.93
1.14
0.97

14.37
0.80
0.85
0.92
0.97
0.86

16.59
0.81
0.92
0.95
0.98
0.78

20.43
0.75
0.86
0.89
0.88
0.76

23.46
0.77
0.81
0.89
0.86
0.76

yi

28.74
0.78
0.83
0.83
0.83
0.75

yi

y j
y j

2. Una prueba de campo para detectar la presencia de arsnico en muestras de orina, ha sido
propuesta para su uso entre trabajadores forestales debido al empleo cada vez mayor de
arsnicos orgnicos en esta industria. El experimento compara los resultados obtenidos
con la prueba al ser efectuada por un inexperto y un entrenador experimentado con el
anlisis efectuado en un laboratorio remoto. Para la prueba se escogen cuatro sujetos, los
cuales son considerados como bloques. La variable de respuesta es el contenido de
arsnico (en ppm) en la orina del sujeto. Los datos son los siguientes:
Prueba
Inexperto
Experto
Laboratorio

Sujeto
1
0.05
0.05
0.04

2
0.05
0.05
0.04

3
0.04
0.04
0.03

4
0.15
0.17
0.10

yi

yi

y j

y j

3. Se efecta un experimento para investigar la corriente de fuga en un dispositivo SOS

MOSFET de dimensiones cercanas a la micra. La finalidad del experimento es investigar
Moiss Muoz Daz

79

Estadstica II ______________________________________________________________________________

cmo cambia la corriente de fuga a medida que cambia la longitud del canal. Para ello se
escogen cuatro longitud de canal. Para dada una de ellas, tambin se utilizan cinco
anchos diferentes, y el ancho se considera un factor indeseable. Los datos son los
siguientes:
Longitud
del canal
1
2
3
4

1
0.7
0.8
0.9
1.0

2
0.8
0.8
1.0
1.5

Ancho
3
0.8
0.9
1.7
2.0

4
0.9
0.9
2.0
3.0

yi

5
1.0
1.0
4.0
2.0

yi

y j
y j

4. Se estudia el efecto de cinco ingredientes diferentes (A, B, C, D y E) sobre el tiempo de

reaccin de un proceso qumico. Cada lote de material nuevo slo alcanza para permitir la
realizacin de cinco corridas. Adems, cada corrida requiere aproximadamente 1 horas,
por lo que slo pueden realizarse cinco corridas en un da. El investigador decide realizar
el experimento como un cuadrado latino para que los efectos del da y el lote puedan
controlarse sistemticamente. Obtiene los datos que se muestran en seguida.
Lote

1
A= 8
C = 11
B= 4
D= 6
E= 4

1
2
3
4
5

2
B=
E=
A=
C=
D=

Da
3
D= 1
A= 7
C = 10
E= 6
B= 3

7
2
9
8
2

4
C=
D=
E=
B=
A=

7
3
1
6
8

5
E= 3
B= 8
D= 5
A = 10
C= 8

5. El rendimiento de un proceso qumico se midi utilizando cinco lotes de materia prima,

cinco concentraciones del cido, cinco tiempos de procesamiento (A, B, C, D y E) y cinco
concentraciones del catalizador ( , , , y .). Se us el cuadrado grecolatino siguiente
Lotes de
materia prima
1
2
3
4
5

80

Concentracin del cido

1
A =26
B =18
C =20
D =15
E =10

2
B =16
C =21
D =12
E =15
A =24

3
C =19
D =18
E =16
A =22
B =17

4
D =16
E =11
A =25
B =14
C =17

5
E =13
A =21
B =13
C =17
D =14

Moiss Muoz Daz