Captulo 8

Diseos en cuadrados greco-latinos

8.1. Introduccin
El modelo en cuadrado greco-latino se puede considerar como una extensin del
cuadrado latino en el que se incluye una tercera variable de control o variable de bloque.
En este modelo, como en el diseo en cuadrado latino, todos los factores deben tener el
mismo nmero de niveles K y el nmero de observaciones necesarias sigue siendo K 2 . Este
diseo es, por tanto, una fraccin del diseo completo en bloques aleatorizados con un
factor principal y 3 factores secundarios que requerira K 4 observaciones.
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 su-
perposicin 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
A B C D
D C B A
B A D C
C D A B

1
2 Diseos en cuadrados greco-latinos

8.2. Planteamiento del modelo

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


i = 1, 2 . . . , K

j = 1, 2 . . . , K
yij(hp) = + i + j + h + p + ij(hp) , (8.1)

h = 1, 2 . . . , K

p = 1, 2 . . . , K
donde
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 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 el h-simo nivel del factor letra latina. Dichos efectos
estn sujetos a la restriccin h h = 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 = K 2 es el nmero total de observaciones.
El total y el promedio de todas las observaciones

y....
y.... = yij(..) y.... =
K2
i j

El total y el promedio para cada la

K
yi...
yi... = yij(..) yi... = (8.2)
K
j=1
8.3 Estimacin de los parmetros del modelo 3

El total y el promedio para cada columna

K
y.j..
y.j.. = yij(..) y.j.. = (8.3)
K
i=1

El total y el promedio para cada letra latina

y..h.
y..h. = yij(h.) y..h. = (8.4)
K
i,j

El total y el promedio para cada letra griega

y...p
y...p = yij(.p) y...p = (8.5)
K
i,j

y..h. se obtiene sumando las K observaciones en las que la letra latina se ha jado al
nivel h.
y...p se obtiene sumando las K observaciones en las que la letra griega se ha jado al
nivel p.

Comentario 8.1
Uno de los inconvenientes del cuadrado greco-latino, al igual que el cuadrado latino, es
que requiere el mismo nmero de niveles para los cuatro factores que intervienen. Adems
no hay cuadrados greco-latinos de dimensin 6.

8.3. Estimacin de los parmetros del modelo

Siguiendo el mismo proceso que en los diseos anteriores se obtienen los siguientes
estimadores mximos verosmiles de los parmetros del modelo

yij(..)
i j
= = y.... , (8.6)
K2
K
1
i = yij(..) = yi... y.... , (8.7)
K
j=1

K
1
j = yij(..) = y.j.. y.... , (8.8)
K
i=1
4 Diseos en cuadrados greco-latinos

1
h = yij(h.) = y..h. y.... , (8.9)
K i,j

1
p = yij(.p) = y...p y.... , (8.10)
K i,j

1 2
2 = yij.. i j h p . (8.11)
N
i,j

8.3.1. Residuos
Los residuos en este modelo adoptan la expresin

eij(hp) = yij(hp) yij(hp) = yij(hp) i j h p =

(8.12)
yij(hp) yi... y.j.. y..h. y...p + 3y.... .

Como en el diseo en cuadrado latino los residuos suman cero por las, por columnas,
para cada letra latina y adems tambin deben sumar cero para cada letra griega. Por lo
tanto, el nmero de grados de libertad de los residuos es (K 1)(K 3). En efecto

K 2 (K + 3(K 1)) = (K 1)(K 3)

Se verican las mismas propiedades para los estimadores mximo-verosmiles que en los
modelos anteriores. En este modelo la expresin de la varianza residual tiene la siguiente
forma

K K K K
2
yij(hp) yij(hp) e2ij(hp)
i=1 j=1 i=1 j=1
2 = SR
2
= = . (8.13)
(K 1)(K 3) (K 1)(K 3)

8.4. Descomposicin de la variabilidad

Siguiendo el mismo procedimiento que en los modelos anteriores se comprueba que
la ecuacin bsica del anlisis de la varianza es
8.4 Descomposicin de la variabilidad 5

K K K K
(yij(hp) y.... )2 = K (yi... y.... )2 + K (y.j.. y.... )2 +
i=1 j=1 i=1 j=1

K K
K (y..h. y.... )2 +K (y...p y.... )2 + (8.14)
h=1 p=1

K K
(yij(hp) yi... y.j.. y..h. y...p + 3y.... )2
i=1 j=1

que simblicamente se puede escribir

SCT = SCF + SCC + SCL + SCG + SCR ,

denominando por esas siglas los trminos en el orden en que guran en la ecuacin 8.14 y
que reciben los siguientes nombres

1) SCT suma total de cuadrados.

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 las letras latinas.

5) SCG suma de cuadrados debida a las letras griegas.

6) SCR suma de cuadrados del error.

Basndonos en estas sumas de cuadrados se construyen los correspondientes cuadrados

medios que denotamos por ST2 , SF2 , SC2 , SL2 , SG
2 , y S 2 o bien por CMT , CMF , CMC,
R
CML, CMG 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, letras griegas y residual, son, respectivamente:
K
K 2i
(8.15)
i=1
E(CMF ) = E(SF2 ) = 2 +
K 1
6 Diseos en cuadrados greco-latinos

K
K 2j
(8.16)
j=1
E(CMC) = E(SC2 ) = 2 +
K 1
K
K 2h
(8.17)
h=1
E(CML) = E(SL2 ) = 2 +
K 1
K
K 2p
(8.18)
2 ) = 2 + p=1
E(CM G) = E(SG
K 1
2 ) = 2
E(CMR) = E(SR (8.19)

Como en el modelo anterior, este diseo tiene la propiedad de que todos los contrastes

H0 : i = 0, i H0 : h = 0, h
; (8.20)
H0 : j = 0, j H0 : p = 0, p
son ortogonales. Y los estadsticos de contraste para vericar dichas hiptesis son, respec-
tivamente

SCF/ 2 SCL/2
K 1 SF2 K 1 SL2
F = = ; F = =
SCR/2 SR2 SCR/ 2 2
SR
(K 1)(K 3) (K 1)(K 3)

SCC/2 SCG/ 2
K 1 SC2 K 1
2
SG
F = = ; F = = .
SCR/2 SR2 SCR/ 2 2
SR
(K 1)(K 3) (K 1)(K 3)
(8.21)

Bajo las hiptesis nulas (8.20) cada uno de los estadticos de contraste sigue una
distribucin F de Snedecor con K 1 y (K 1)(K 3) grados de libertad. Por tanto,
se rechazar la hiptesis nula correspondiente cuando el valor experimental del estadstico
8.4 Descomposicin de la variabilidad 7

sea mayor que el encontrado en las tablas de la distribucin F con K 1 y (K 1)(K 3)

grados de libertad al nivel de signicacin .
La tabla ANOVA para este diseo es

Tabla 5-9. Tabla ANOVA para el modelo de cuadrado greco-latino

Fuentes de Suma de Grados de Cuadrados Fexp

variacin cuadrados libertad medios
K
E. la K (yi... y.... )2 K 1 SF2 SF2 /SR
2

i=1
K
E. col. K (y.j.. y.... )2 K 1 SC2 SC2 /SR
2

j=1
K
E. l. l. K (y..h. y.... )2 K 1 SL2 SL2 /SR
2

h=1
K
E. l. g. K (y...p y.... )2 K 1 2
SG 2 /S 2
SG R
p=1
Residual SCT SCF (K 1)(K 3) 2
SR
SCC SCL SCG
K K
2
TOTAL yij(hp) y.... K2 1 ST2
i j

Las expresiones abreviadas de SCT , SCF , SCC, SCL, SCG y SCR, son

K K 2
2 y....
SCT = yij..
K2 K
i=1 j=1
1 2
y....
SCC = 2
y.j..
K K K2
2 j=1
1 2 y....
SCF = yi... ; (8.22)
K K2 K
i=1
1 2
y....
SCL = 2
y..h.
K 2
K K2
1 y.... h=1
SCG = 2
y...p
K p=1
K2

La suma de cuadrados del error se obtiene por diferencia

SCR = SCT SCF SCC SCL SCG . (8.23)

8 Diseos en cuadrados greco-latinos

Y utilizando las expresiones abreviadas de SCT , SCF , SCC, SCL, SCG y SCR,
dadas en (8.22), se construye la siguiente tabla ANOVA.

Tabla 5-10. Forma prctica de la tabla ANOVA para

el modelo de cuadrado greco-latino

Fuentes de Suma de Grados de Cuadrados Fexp

variacin cuadrados libertad medios
K 2
1 2 y....
E. la yi... K 1 SF2 SF2 /SR
2
K K2
i
K 2
1 2 y....
E. col. y.j.. K 1 SC2 SC2 /SR
2
K K2
j
K 2
1 2 y....
E. l. l. y..h. K 1 SL2 SL2 /SR
2
K K2
h
K 2
1 2 y.... 2 2 /S 2
E. l. g. y...p K 1 SG SG R
K p
K2
Residual SCT SCF (K 1)(K 3) 2
SR
SCC SCL SCG
K K 2
2 y....
TOTAL yij(hp) K2 1 ST2
K2
i j

Coeciente de determinacin
A continuacin se dene el coeciente de determinacin como

SCF + SCC + SCL + SCG

R2 = = R2 + R2 + R2 + R2 ,
SCT
donde R2 , R2 , R2 y R2 son los cocientes entre la variacin explicada por cada uno de los
efectos y la total y se denominan coecientes de determinacin parciales.

8.5. Ejemplo numrico

A n de ilustrar el anlisis de la varianza de los diseos en cuadrado greco-latino,
consideremos el siguiente ejemplo:
8.5 Ejemplo numrico 9

Ejemplo 8.2
En la obtencin de un determinado producto qumico se est interesado en comparar
4 procedimientos. Se supone que en dicha obtencin tambin puede inuir la temperatura,
presin y tipo de catalizador empleado, decidindose realizar un experimento en cuadrado
greco-latino. Para ello, se consideran 4 niveles de cada uno de estos factores. La tabla
adjunta muestra el cuadrado greco-latino que resulta elegido y las cantidades de producto
obtenidas. En dicha tabla:

Las las representan el factor principal, procedimientos.

Las columnas representan el factor temperatura.

Las letras latinas representan el factor presin.

Las letras griegas representan el factor tipo de catalizador.

Tabla 5-11 Datos para el Ejemplo 5-2

Temperaturas
Procedimientos T1 T2 T3 T4 yi... 2
yi...
P1 C B A D
5 12 13 13 43 1849
P2 B C D A
6 10 15 11 42 1764
P3 D A B C
7 5 5 7 24 576
P4 A D C B
11 10 8 9 38 1444
y.j.. 29 37 41 40 147 5633
2
y.j.. 841 1369 1681 1600 5491
2
yij(hp) 231 369 483 420 1503

Por otra parte, los totales y sus cuadrados para las letras latinas y griegas se muestran
en las tablas 5-12 y 5-13
10 Diseos en cuadrados greco-latinos

Tabla 5-12.
letra latina Observaciones y..h. 2
y..h.
A 11 5 13 11 40 1600
B 6 12 5 9 32 1024
C 5 10 8 7 30 900
D 7 10 15 13 45 2025
147 5549

Tabla 5-13.
letra griega Observaciones y...p 2
y...p
11 12 15 7 45 2025
5 10 5 11 31 961
6 5 8 13 32 1024
7 10 13 9 39 1521
147 5531
Seguidamente calculamos las sumas de cuadrados
4 4 2
2 y.... 1472
SCT = yij.. = 1503 = 152,4375
i=1 j=1
K2 42

4 2
1 2 y.... 5633 1472
SCF = yi... = 2 = 57,6875
K K2 4 4
i=1
4 2
1 2 y.... 5491 1472
SCC = y.j.. = 2 = 22,1875
K j=1
K2 4 4

4 2
1 2 y.... 5549 1472
SCL = y..h. = 2 = 36,6875
K K2 4 4
h=1
4 2
1 2 y.... 5531 1472
SCG = y...p = 2 = 32,1875 ,
K K2 4 4
p=1

y la suma de cuadrados del error

SCR = SCT SCF SCC SCL SCG = 3,6875.

La tabla ANOVA para este diseo es la siguiente

8.5 Ejemplo numrico 11

Tabla 5-14. Anlisis de la varianza para los datos del Ejemplo 5-2

Fuentes de Suma de Grados de Cuadrados

variacin cuadrados libertad medios Fexp
E. la 57.6875 3 19.2291 15.644
E. columna 22.1875 3 7.3958 6.017
E. letra latina 36.6875 3 12.2291 9.949
E. letra griega 32.1875 3 10.7291 8.729
Residual 3.6875 3 1.2291
TOTAL 152.4375 15

Si realizamos el contraste al 5 % y comparamos los valores de las Fexp con el valor de la

F terica (F0,05;3,3 = 9,28), se concluye que se aceptan las hiptesis de igualdad de efectos
de columnas y de letra griega y se rechazan las hiptesis de igualdad de efecto de las y
de letra latina. Es decir, son signicativos los efectos de los procedimientos y presin, pero
no lo son los efectos de la temperatura y catalizador.

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 Va-

rianza y Temas Relacionados: Tratamiento Informtico mediante SPSS. Proyecto
Sur de Ediciones.