Institución:

Instituto Tecnológico de La Paz Baja California Sur

Alumno:
Brian Alejandro Díaz Cota

Materia:
Estadística administrativa ll

Trabajo:
Unidad 5, Diseño experimental con bloques al azar y diseños
factoriales.

Grupo:
3-H

Fecha de entrega:
Jueves 15 de noviembre del 2018

La Paz Baja California Sur

 Índice

Introducción……………………………………………………………………1

Metodología del diseño experimental de bloques al azar..2

Diseño de experimentos factoriales……………………………….12

Diseño factorial 2^K…………………………………………………..…..23

Diseño de cuadrados latino……………………………….…………...36

Diseño de cuadrados grecolatinos………………………….….……47

Aplicaciones…………………………………………………………………….59

Bibliografía……………………………………………………………………...60
 Introducción

En el presente trabajo se hablará sobre el diseño experimental el

cual sirve para estudiar el efecto individual y de interacción de
varios factores sobre una o varias respuestas. Es decir, se trata de
buscar estudiar la relación que existe entre los factores y la
respuesta, con la finalidad de conocer como es esta relación y
generar conocimiento que permita tomar acciones y decisiones que
mejoren el desempeño del proceso.

Uno de los objetivos particulares más importantes que en general

tiene un diseño factorial es determinar una combinación de niveles
de los factores en la cual el desempeño del proceso sea mejor que
en las condiciones de operación actuales, es decir, encontrar
nuevas condiciones de operación que eliminen o disminuyan cierto
problema de calidad en la variable de salida.

Página 1 de 60
5.1 Metodología del diseño experimental de bloques al azar.

En cualquier experimento, la variabilidad que surge, de un factor perturbador puede

afectar los resultados. En general un factor perturbador puede definirse como un factor
del diseño que probablemente tenga un efecto sobre la variable de respuesta, pero en el
que no existe un interés específico. En este caso cuando se conoce el factor perturbador y
este no es de interés, para remover el efecto de este, se procede a la formación de
bloques en los cuales todos los tratamientos deben de estar representados y los mismos
son distribuidos al azar en cada bloque.

Ejemplo 1.- Si se desea probar el efecto de diferentes dietas sobre el consumo de

alimento y ganancia de peso en cerdos y no se tienen sólo hembras o solo machos para
realizar el experimento, entonces se utilizan hembras y machos y se realizan bloques para
eliminar el efecto del sexo. Igualmente, si no se tienen animales de la misma raza se pude
bloquear por raza para eliminar el efecto raza.
En el caso de ganado de leche se puede bloquear por etapa de lactancia o por el número
de partos.
Ejemplo 2.- Si se desea aplicar este diseño en un experimento agrícola, si se quiere
“Evaluar el efecto de varios tipos de fertilizantes nitrogenados en la producción de maíz”.
Si la topografía del suelo donde se va a realizar el experimento tiene una pendiente, la
pendiente es un efecto perturbador, por lo cual se deben hacer bloques a diferentes
niveles de la pendiente, para remover el efecto de la pendiente en la fertilidad del suelo y
por ende en la variable de respuesta a evaluar.
Se puede bloquear además por: tipo de suelo y capacidad de drenaje del suelo, es decir,
por todos aquellos factores conocidos que pueden afectar la variable de respuesta.

En muchos problemas de diseño experimental es necesario diseñar el experimento de

modo que sea posible controlar la variabilidad generada por un factor indeseable. El
procedimiento general para el diseño aleatorizado por bloques completos consiste en
seleccionar b bloques y realizar una réplica completa del experimento en cada uno de
ellos.

En cada bloque existen a observaciones (una por cada nivel del factor), y el orden en que
se toman estas observaciones se asigna de manera aleatoria dentro del bloque.

Página 2 de 60
Suponga que tiene interés en un solo factor que tiene a niveles, y que el experimento se
efectúa en b bloques. Las observaciones pueden presentarse con el modelo estadístico
lineal
Donde μ es la media global, τi es el efecto del i-ésimo tratamiento, βj es el efecto del j-
ésimo bloque y jiε es el término de error aleatorio, el cual se supone que tiene una
distribución normal e independiente con media cero y varianza. En principio, los efectos
de los tratamientos y de bloques son considerados como factores fijos. Por otro lado, los
efectos de los tratamientos y de los bloques son definidos como desviaciones de la media
global.

Modelo Estadístico

Para este diseño el modelo lineal está dado por:

Ejercicio 1: El servicio bibliotecario de una universidad está interesado en un programa para

gestionar la localización de un libro en la base de datos. Le ofrecen cinco programas para tal fin:
P1, P2, P3, P4, P5. En la universidad se dispone de cuatro tipos de ordenadores y se desea saber si
el tiempo de respuesta de los cinco programas ofertados es el mismo. Para ello se diseña el
siguiente experimento: se eligen diez libros al azar y se localizan utilizando los cinco programas y
los cuatro tipos de ordenadores. Los tiempos medio de respuesta (en segundos) en cada caso son
los siguientes:
Prog Prog Prog Prog Prog
.1 .2 .3 .4 .5
Ord. 1´3 1´6 0´5 1´2 1´1
1
Ord. 2´2 2´4 0´4 2´0 1´8
2
Ord. 1´8 1´7 0´6 1´5 1´3
3
Ord. 3´9 4´4 2´0 4´1 3´4
4

Página 3 de 60
Solución al problema:
Cálculo de las medias condicionadas (Según su programa y ordenador)
Prog. Prog. Prog. Prog. Prog. y¯ i âi
1 2 3 4 5
Ord. 1´3 1´6 0´5 1´2 1´1 1´14 -0´82
1
Ord. 2´2 2´4 0´4 2´0 1´8 1´76 -0´20
2
Ord. 1´8 1´7 0´6 1´5 1´3 1´38 -0´58
3
Ord. 3´9 4´4 2´0 4´1 3´4 3´56 +1´60
4
y¯. j 2´3 2´525 0´875 2´2 1´9 y¯… = 1 ∑âi = 0
´96
βj 0´340 0´565 -1´085 0´240 -0´060 ∑βj = 0
Las predicciones de cada tratamiento (casilla) se calculan utilizando
y¯ ij = û + âi + Bj = y¯ i + y¯ j - y¯…,

Se obtiene:
Prediccione Prog. Prog. Prog. Prog. Prog.
s 1 2 3 4 5
Ord.1 1´48 1´705 0´055 1´38 1´08
Ord.2 2´10 2´325 0´675 2´00 1´70
Ord.3 1´72 1´945 0´295 1´62 1´32
Ord.4 3´90 4´125 2´475 3´80 3´50
Se calculan los residuos con la fórmula:
Eij = yij - y¯ ij
Residuo Prog. Prog. Prog. Prog. Prog.
s 1 2 3 4 5
Ord.1 -0´18 -0´105 0´455 -0´18 0´02
Ord.2 0´10 0´075 -0´275 0´00 0´10
Ord.3 0´08 -0´245 0´305 -0´12 -0´02
Ord.4 0´00 0´275 -0´475 0´30 0´10

Calculo de las sumas de los cuadrados:

Página 4 de 60
Se obtiene la tabla ANOVA con los datos de los cálculos de las sumas de los cuadrados:
Tabla
ANOVA
Efecto Sum g. Varianza estadíst. p-
cuad. l. F valor
scT (α) : 18´044 3 6´015 75´89 0´000
ordenador
scT (B): 6´693 4 1´673 21´11 0´000
programa.
scT 24´737 7
scR 0´951 12 0´079
scG 25´688 19 1´352

Página 5 de 60
Ejercicio 2: Se realizó un experimento para probar el efecto de suministrar diferentes
niveles de energía en dietas a base de sorgos amargos, en el consumo de alimento de
pollos en engorda, desde los 5 días de edad hasta las 8 semanas. Para ello se utilizaron
160 pollos de cuatro líneas comerciales, mismas que constituyeron los bloques y
repeticiones, dentro de las cuales fueron distribuidos los tratamientos. Cada grupo de 8
pollos constituyó la unidad experimental.

Tratamientos:

1.- 2.7 M cal/kg

2.- 2.9 M cal/kg

3.- 3.1 M cal/kg

4.- Control

Las observaciones obtenidas sobre el consumo de los pollos (consumo) a las 8 semanas de
edad se presentan en la siguiente tabla:

Página 6 de 60
Página 7 de 60
Se obtiene la tabla ANOVA:

Para probar que Ho:  en oposición a Ha: al menos un tratamiento

diferente de los demás con un a =0.05 , obtenemos  = 3.490 de la tabla

correspondiente y puesto que Fo>3.490 se rechaza Ho con un a =0.05 y se concluye que al
menos un tratamiento es diferente.

Ejercicio 3: Un campus universitario tiene cuatro facultades. Se quiere estudiar la variable

tiempo que tarda un alumno en hacer una consulta en la base de datos de la biblioteca de
su facultad. Para ello se ha recogido una muestra aleatoria cuyos resultados son los de la
tabla adjunta. Analizar estos datos y estudiar la influencia del factor facultad en la variable
de interés

Página 8 de 60
Por lo tanto, la suma de cuadrados global es:

Razonando igual en cada grupo, se obtiene:

Página 9 de 60
Se obtiene la suma de cuadrados residual:

Página 10 de 60
 Conclusión

Los bloques al azar se aplican al diseño experimental ya que los

tratamientos se representan en los bloques generados del
experimento realizado, el diseño de estos bloques aleatorios es un
diseño equilibrado ya que sirve para eliminar factores que pueden
llegar a afectar la respuesta o el resultado de algún experimento
que se quiera realizar.
Todo esto puede hacer cambiar la manera de pensar de la persona
que realiza este experimento conforme a algo por las respuestas
obtenidas de los cálculos realizados.
Es de suma importancia realizar estos experimentos ya que si los
resultados no son los esperados se sabrá antes del momento de
realizar dicha acción que se debe cambiar para mejorar la
respuesta.

Página 11 de 60
5.2 Diseño de experimentos factoriales.

Muchos experimentos se llevan a cabo para estudiar los efectos producidos por dos o más
factores. Puede mostrarse que en general los diseños factoriales son los más eficientes
para este tipo de experimentos.
Por diseño factorial se entiende aquel en el que se investigan todas las posibles
combinaciones de los niveles de los factores en cada ensayo completo o réplica del
experimento. Por ejemplo, si existen “a” niveles del factor A y “b” niveles del factor B,
entonces cada réplica del experimento contiene todas las “ab” combinaciones de los
tratamientos. A menudo, se dice que los factores están cruzados cuando éstos se arreglan
en un diseño factorial.
El efecto de un factor se define como el cambio en la respuesta producida por un cambio
en el nivel del factor. Con frecuencia, éste se conoce como efecto principal porque se
refiere a los factores de interés primordial del experimento.

Por ejemplo, consideremos los datos del ejemplo 1. El efecto principal del factor A podría
interpretarse como la diferencia entre la respuesta promedio en el primer y segundo nivel
de ese factor.
Numéricamente:

Factor B
B1 B2

A1 20 30

Factor A

A2 40 52

Ejemplo 1, experimento factorial.

40+52 20+30
A= − =21
2 2
En otras palabras, incrementar el factor A del nivel 1 al 2 produce un cambio en la
respuesta promedio de 21 unidades. Similarmente, el efecto principal de B es:

30+52 20+40
B= − =11
2 2

Página 12 de 60
Si los factores tienen más de dos niveles, el procedimiento anterior debe ser modificado
ya que las diferencias entre las respuestas promedio pueden expresarse de muchas
formas.
En algunos experimentos puede encontrarse que la diferencia en la respuesta entre los
niveles de un factor no es la misma en todos los niveles de los otros factores. Cuando esto
ocurre existe una interacción entre los factores. Por ejemplo, considérense los datos del
ejemplo 2.
Factor B
B1 B2

A1 20 40

Factor A

A2 50 12

Ejemplo 2, experimento factorial con interacción.

En el primer nivel del factor B, el efecto de A es:
A = 50 - 20 = 30
Mientras que, en el segundo nivel de B, el efecto de A es:
A = 12 - 40 = 28
Puede observarse que existe una interacción entre los factores A y B porque el efecto de A
depende del nivel elegido de B.
Estas ideas pueden ilustrarse gráficamente. En la Fig. 1 se muestra una gráfica de la
respuesta de los datos del ejemplo 2 contra los niveles del factor A para ambos niveles del
factor B. Se observa que las rectas B 1 y B2 son, aproximadamente, paralelas. Esto indica
que no hay interacción entre los factores. De manera similar, en la Fig. 2 se presenta una
gráfica de la respuesta de los datos del ejemplo 2.

60
B2
50
Respu es ta

B1
40
30 B2
20
B1
10

A1 A2
Factor A

Página 13 de 60
Figura 1, Un experimento factorial sin interacciones
En este caso se ve que las rectas B1 y B2 no son paralelas. Esto muestra que existe una
interacción entre A y B. Sin embargo, no debe ser la única técnica para analizar los datos,
porque su interpretación es subjetiva y su apariencia, a menudo, es engañosa.

60 B1
R e s p u e s ta

50
B2
40
30
20
B1
10 B2

A1 A2
Factor A
Figura 2, Un experimento factorial con interacciones
Hay que notar que cuando una interacción es grande los correspondientes efectos
principales tienen poco significado práctico. Una estimación del efecto principal de A de
los datos del ejemplo 2 es:

50+12 20+40
A= − =1
2 2
El cual resulta ser muy pequeño corriéndose el riesgo de concluir que no existe un efecto
debido a A. Sin embargo, cuando se examinó el efecto de A en niveles diferentes de B se
concluyó que éste no era el caso. El factor A tiene un efecto, pero depende del nivel del
factor B.
En otras palabras, es más útil conocer la interacción AB que el efecto principal. Una
interacción significativa oculta a menudo el significado de los efectos principales.

Ventajas de los diseños factoriales

L as ventajas de los diseños factoriales pueden ilustrarse fácilmente. Supongamos que

se tienen dos factores, A y B, cada uno con dos niveles. Estos niveles se representan
mediante A1, A2, B1 y B1. La información acerca de ambos factores puede obtenerse
variando un factor a la vez como aparece en el ejemplo 3. El efecto de variar el factor A
está dado por A2B1 -A1B2. A causa de que existe error experimental, es conveniente
realizar, por ejemplo, dos observaciones de cada combinación de tratamientos y hacer
una estimación de los efectos de los factores usando las respuestas promedio. Por lo
tanto, se requiere un total de seis observaciones.

Página 14 de 60
 Factor B
B1 B2

A1 A1B1 A1B2

Factor A

A2 A2B1 12

Ejemplo 3, el método de un factor a la vez

Los diseños factoriales poseen algunas ventajas.

 Son más eficientes que los experimentos de un factor a la vez.

 Los diseños factoriales son necesarios cuando alguna interacción puede estar
presente, para evitar hacer conclusiones engañosas.
Los diseños factoriales permiten estimar los efectos de un factor en diversos niveles de los otros
factores, produciendo conclusiones que son válidas sobre toda la extensión de las condiciones
experimentales.

Ejercicio 1: Una empresa dedicada a la fabricación de baterías está interesada a diseñar

una batería que sea relativamente insensible a la temperatura del ambiente. Para ello
decide probar con 3 materiales distintos, M1, M2 y M3. Para estudiar el efecto del
material y la temperatura se diseña el siguiente experimento: utilizando baterías
fabricadas por los 3 materiales se observa la duración de baterías en horas cuando estas
trabajan a 3 niveles de temperatura: baja, media y alta. El experimento se replicaba 4
veces y los resultados obtenidos son los siguientes.

Se calculan las medias:

Página 15 de 60
Se calculan los parámetros del modelo:

Se calculan las predicciones:

Se calculan los residuos:

Se calculan las sumas de los cuadrados:

Página 16 de 60
Se obtiene la tabla ANOVA:

Se calculan los coeficientes de determinación:

Sobre el factor tratamiento material:

Página 17 de 60
Sobre el factor tratamiento temperatura:

Sobre la influencia de interacción de los 2 factores:

Ejercicio 2: Se aplican pinturas tapaporos para aeronaves en superficies de aluminio, con

dos métodos: inmersión y rociado. La finalidad del tapaporos es mejorar la adhesión de la
pintura, y puede aplicarse en algunas partes utilizando cualquier método. El grupo de
ingeniería de procesos responsable de esta operación está interesado en saber si existen
diferencias entre tres tapaporos diferentes en cuanto a sus propiedades de adhesión. Para
investigar el efecto que tienen el tipo de pintura tapaporos y el método de aplicación
sobre la adhesión de la pintura, se realiza un diseño factorial. Para ello, se pintan tres
muestras con cada tapaporo utilizando cada método de aplicación, después se aplica una
capa final de pintura y a continuación se mide la fuerza de adhesión. Los datos son los
siguientes:

Página 18 de 60
Medias de las observaciones:

Las sumas de los cuadrados son:

Se obtiene la tabla ANOVA:

Página 19 de 60
Ejercicio 3: Supongamos que un ingeniero diseña una batería para su uso en un dispositivo
que será sometido a ciertas variaciones extremas de temperatura. El único parámetro de
diseño que se puede seleccionar es el material de la cubierta de la batería, y tiene tres
alternativas. Cuando el dispositivo se manufactura y se envía al campo, el ingeniero no
tiene control sobre los extremos de temperatura a que será expuesto el dispositivo, y sabe
por experiencia que es probable que la temperatura influya en la duración efectiva de la
batería. Sin embargo, sí es posible controlar la temperatura en el laboratorio de desarrollo
de productos para los fines del ensayo. El ingeniero decide probar los tres materiales de la
cubierta a tres niveles de temperatura (15, 70 y 125o F) consistentes en el entorno de uso
final del producto. Se prueban cuatro baterías con cada combinación de material de la
cubierta y temperatura, y las 36 pruebas se ejecutan al azar. Los datos son los siguientes:

Página 20 de 60
Página 21 de 60
 Conclusión

El diseño factorial es donde un conjunto de tratamientos se

conforma por las combinaciones existentes de los diferentes
niveles que poseen los factores involucrados.
Estos diseños factoriales son una gran manera de estudiar al mismo
tiempo el efecto que tienen algunos factores en el resultado.
Con este diseño es posible obtener información de las
observaciones de las variables que pueden afectar la respuesta por
lo cual es bueno aplicar este diseño para probar el grado de
confiabilidad y obtener el mejor resultado posible.

Página 22 de 60
5.3 Diseño factorial 2^K.

E l primer diseño de la serie 2 2 es aquel en el que solo dos factores, A y B, cada uno con
dos niveles. Este diseño se conoce como diseño factorial 2 2. Arbitrariamente, los
niveles del factor pueden llamarse “bajo” y “alto”.
Ejemplo 1: Considérese una investigación llevada a cabo para estudiar el efecto que tiene
la concentración de un reactivo y la presencia de un catalizador sobre el tiempo de
reacción de un proceso químico. Sea la concentración del reactivo el factor A con dos
niveles de interés, 15% y 20%. El catalizador constituye el factor B; el nivel alto o superior
denota el uso de dos sacos de catalizador y el nivel bajo o inferior denota el uso de un solo
saco. El experimento se realiza (“replica o repite”) tres veces, y los datos son como sigue:

Combinación Replica
de
tratamientos I II III Total
A baja, B baja 28 2 27 80
5
A alta, B baja 36 3 32 100
2
A baja, B alta 18 1 23 60
En la figura 3 siguiente se 9
presentan gráficamente
las combinaciones de tratamiento para este
A alta, B alta 31 3 29 90
diseño, el efecto de un factor se denota por la
0
letra latina minúscula. De este modo, “A” se refiere
al efecto del factor “A”, y “B” se refiere al efecto
del factor “B”, y “AB” se refiere a la interacción entre AB. En el diseño 2 2 los niveles bajo y
b = 60(18+19+23)
alto de A y B se denotan por “-“ ab = 90(31+30+19)
y “+” respectivamente, en los ejes A y B. Así – en el eje B
Cantidad de catalizador B

Alto (2 sacos) +
representa el nivel bajo de catalizador mientras que + denota el nivel alto.

bajo (1 saco) -
(1) = 80(28+25+27) a = 100(36+32+32)

- +
bajo (15%) alto (20%)
Concentracion de reactivo A

Figura 1: Combinaciones de tratamiento en el diseño factoriall

Página 23 de 60
Las cuatro combinaciones de tratamientos en el diseño pueden representarse por letras
minúsculas, cono se muestra en la figura 3. En esta figura se aprecia que el nivel superior
de cualquier factor de una combinación de tratamientos está representado por la
presencia de la letra minúscula correspondiente, mientras que la ausencia de esta última
representa el nivel inferior del factor.

 Así “a” representa la combinación de tratamientos, en la que A se encuentra en el

nivel superior y B en el nivel inferior;

 “b” representa aquella en la que A se halla en el nivel inferior y B en el superior, y

 “ab” representa a ambos factores en el nivel superior.

 Por convención (1) se usa para representar a ambos factores en el nivel inferior.
 El efecto promedio de un factor se define como el cambio en la respuesta
producida por un cambio en el nivel de ese factor, promediado sobre los niveles del
otro factor.

Como se ilustra en la figura 3, las letras minúsculas (1), a, b y ab también se usan para
representar los totales de las n réplicas de las combinaciones de tratamientos
correspondientes. Ahora bien, el efecto de A en el nivel B es {a-(1)}/n. Mientras que el
nivel superior B es {ab-b}/n. Tomando el promedio de estas dos cantidades se obtiene:

1 1
A= { [ ab−b ] + [a−(1)] }= [ ab−a−b−(1 )]
2n 2n
El efecto promedio de B se determina a partir de su efecto en el nivel inferior de A (esto es,
{b-(1)}/n, y de su efecto en el nivel superior de A (que es igual a [ab-a]/n obteniéndose:

1
B= {[ ab−a ] + [b−( 1)] }= 1 [ ab+b-a−( 1)]
2n 2n
El efecto de la interacción AB se define como la diferencia promedio entre el efecto de A
en el nivel superior de B y su efecto en el nivel inferior de B, así:

Página 24 de 60
 1
AB= { [ ab−b ]− [ a−(1 )]}= 1 [ab+(1)−a−(b)]
2n 2n
Por otro lado, se puede definir AB como la diferencia promedio entre el efecto de B en el
nivel superior de A y el efecto de B en el nivel inferior de A.
Las fórmulas para los efectos de A, B y AB pueden deducirse por otro método. El efecto de
A puede hallarse como la diferencia en la respuesta promedio de las dos combinaciones
de tratamiento en la mitad derecha (que llamaremos Y A+, puesto que es la respuesta
promedio para las combinaciones de tratamientos a las que A que se encuentra en el nivel
alto) y las dos combinaciones de tratamientos en la mitad izquierda (o Y A). Esto es,

ab+a b+(1 )
= −
A=Y A+−Y A− 2n 2n
1
= [ ab+a−b−(1)]
2n
Este es exactamente el mismo resultado, el efecto de B se encuentra como la diferencia
entre el promedio de las dos combinaciones de tratamientos en la parte superior del
cuadrado ( Y B+) y el promedio de las dos combinaciones de tratamientos en la parte
inferior ( Y ), o
B-

ab+b a+(1 )
= −
B=Y B+−Y B− 2n 2n
1
= [ ab+b−a−(1)]
2n
Finalmente el efecto de interacción AB es el promedio de las combinaciones de tratamientos en la
diagonal de derecha a izquierda del cuadrado ab y (1) menos el promedio de las combinaciones
de tratamientos en la diagonal de izquierda a derecha (a y b), o

ab+(1) a+b 1
AB= − = [ ab+(1 )−a−b ]
2n 2n 2n

Página 25 de 60
Con los datos que aparecen en la figura 1, las estimaciones de los efectos promedio son:

1
A= (90+100−60−80 )=8.33
2(3)
1
B= (90+60−100−80 )=−5.00
2(3)
1
AB= (90+80−100−60 )=1.67
2(3)

El efecto de A (concentración de reactivo) es positivo; esto sugiere que al elevar A del nivel
bajo (15%) al nivel alto (25%) incrementará el rendimiento. El efecto de B (catalizador) es
negativo; esto sugiere que elevar la cantidad del catalizador agregada al proceso reducirá
el rendimiento. Al parecer, el efecto de interacciones es pequeño comparado con los dos
efectos principales.
En muchos experimentos que implican diseños 2K se examina la magnitud y la dirección de
los efectos de los factores para determinar cuáles variables es probable que sean
importantes. Por lo general puede emplearse el análisis de varianza para confirmar esta
interpretación. En el diseño 2k existen algunos métodos rápidos especiales para realizar
los cálculos del análisis de varianza.

Página 26 de 60
Página 27 de 60
Página 28 de 60
Ejercicio 1:

Página 29 de 60
Ejercicio 2: En la fabricación de placas de madera aglomerada, se utiliza viruta combinada con
resina de urea-formaldehido. Una característica deseable del producto terminado, es su rigidez. Se
piensa que hay dos factores que inciden en esta característica, y que pueden controlarse. Uno es
el tipo de resina, y el otro es el granulado de la viruta. Se diseña un experimento en que los dos
factores tienen dos niveles. La respuesta es la fuerza necesaria para que una placa, de
dimensiones determinadas, sufra una deformación de 5 milímetros. La siguiente tabla resume los
factores y niveles del experimento:

Página 30 de 60
Página 31 de 60
Se crea la tabla de respuestas:

La fila Verificación contiene las sumas de ambas columnas. Sirve como una comprobación parcial,
pues debe ser igual a la suma de todas las respuestas. La fila Neto contiene el valor absoluto de la
suma de los valores de la fila Total por los respectivos de la fila Factor. La fila divisor se obtiene
contando todos los números que hay en la columna respectiva. La fila Efecto contiene el cociente
entre el Neto y el Divisor respectivo. Los Rangos indican el orden de cada efecto, de mayor a
menor.

Ejercicio 2:

Página 32 de 60
Figura 2.5- Proceso de secado de sanitarios y moldes.

Página 33 de 60
Página 34 de 60
 Conclusión

Los diseños factoriales a dos niveles poseen una gran cantidad de

beneficios lo cual lo hace un diseño optimo a elegir para el estudio
de la interacción de los factores con más de un nivel en el resultado
final de un experimento y evaluar el grado de confiabilidad para
poder aceptar o rechazar una hipótesis y tomar una decisión con
dicha información.
Es un diseño sencillo de realizar desde el punto de vista
matemático, pero en su ámbito practico tiende a aumentar el
número de factores en una gran rapidez, lo cual aumenta el
número de observaciones a realizar.

Página 35 de 60
5.4 Diseño de cuadrados latino.
Un diseño 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 renglón y
columna. El diseño cuadrado latino se usa para eliminar dos fuentes de variabilidad
problemáticas; en otras palabras, permite analizar sistemáticamente por bloques en dos
direcciones. A continuación, se presentan algunos ejemplos de cuadrados latinos. 
En donde: 
Kjiy= observación correspondiente al i-ésimo renglón, la k-ésima columna y el j-ésimo
tratamiento 
Μ= la media general 
Iα= es el i-ésimo efecto de renglón 
Jτ= es el j-ésimo efecto de tratamiento 
Kβ= es el k-ésimo efecto de la columna 
Kjiε= es el error aleatorio 

El modelo es completamente aditivo, en otras palabras, no existe interacción entre los

renglones, las columnas y los tratamientos. Sólo dos de los subíndices i, j y k se requieren
para especificar una observación en particular porque únicamente hay una observación en
cada celda.

El análisis de varianza consiste en descomponer la suma total de cuadrados de las

observaciones en sus componentes de renglón, columna, tratamiento y error 
Cuyos grados de libertad.

Bajo la suposición de que el error aleatorio se distribuye en forma normal e

independiente, cada una de las sumas de cuadrados es al dividir entre, variables aleatorias
independientes con distribución ji-cuadrada.
El diseño de cuadrado latino se utiliza para eliminar dos fuentes de variación. El arreglo en
el diseño de cuadrado cada tratamiento debe estar una sola vez en cada fila y columna.
Las filas y las columnas deben formar un cuadrado y esto lo determina el número de
tratamientos (Cuadro 1).
Un ejemplo de esto en experimentos agrícolas pudiera ser cuando se tiene una pendiente
en dos direcciones. (En una loma).
En el caso de experimentos en producción animal se utiliza el cuadrado Latino Cross Over.

Página 36 de 60
Ejemplo.
Se desea evaluar el efecto de cuatro dietas en la digestibilidad aparente de la materia seca
en bovinos. Si se tienen solo cuatro animales (Es común en estudios de fisiología
digestiva), se puede distribuir los tratamientos en cada animal y se realizan varios
períodos.
Si son cuatro dietas sería cuatro períodos, en los cuales los tratamientos a probar son
utilizados por cada animal en diferentes períodos. En este caso los animales pueden ser
utilizados como filas (primera fuente de variación) y los períodos como columnas (segunda
fuente de variación). Este tipo de diseño se denomina cuadrado latino 4 x 4, pues son
cuatro tratamientos y cuatro períodos. El nombre lo reciben según el numero de
tratamientos que deben siempre formar un cuadrado, si fuesen cinco tratamientos serían
cinco períodos por lo tanto, será un cuadrado latino 5 x 5.
Se pueden hacer experimentos utilizando doble cuadrado latino, que se conoce también
como cuadrado latino repetido. Por ejemplo, si se van a probar dos dietas (A y B) y se
tienen solamente cuatro animales, para aumentar el número de repeticiones se realizan
dos cuadrados latinos simultáneos en los cuales a dos animales se les pone la dieta A y a
dos animales la dieta B en el primer período, en el segundo periodo se invierten los
tratamientos a los animales con dieta A se le pone la B y a los que estaban con B se les
pone la dieta A. Este es un diseño en cuadrado latino 2 x 2. Dos tratamientos dos y dos
períodos. En este caso tratamientos y períodos deben de formar un cuadrado
Cuadro 1: Algunos ejemplos de cuadrados latinos.
Cuadrado latino 4 x 4 Cuadrado latino 5 x 5

A B D C A D B E C
B C A D D A C B E
C D B A C B E D A
D A C B B E A C D
E C D A B
Una vez que se ha seleccionado el diseño, sea este DCA, BC o cuadrado latino.
Dependiendo del objetivo de la investigación, a los tratamientos se les realizan arreglos en
las unidades experimentales. Es lo que se conoce como arreglos factoriales.
Por ejemplo:
Se quiere probar la respuesta en producción de maíz NB-6 y NBS a dos tipos de
fertilizantes nitrogenados urea y nitrato de amonio, utilizando cuatro niveles de
utilización., 0 kg. 50 kg, 100 kg, y 150 kg.

Página 37 de 60
Si las unidades experimentales son homogéneas se utilizará un DCA con arreglo factorial 2
x 2 x 4. Es decir, se evaluarán, 2 factores principales (variedades de maíz), dos factores
secundarios o de efectos aleatorios (Tipo de fertilizante y sus niveles) que son cuatro
niveles.
En este caso si se quieren tener cinco repeticiones por tratamiento, el número de
unidades experimentales será igual a multiplicar: 2 x 2 x 4 x 5 = 80 unidades
experimentales.
Puede ser que para este mismo estudio en otras condiciones se requiera remover un
efecto perturbador como puede ser el efecto de la pendiente ó efecto de sombra o
cualquier otro efecto. En cualquiera de estos casos se realizará un BCA con arreglo
factorial, 2 x 2 x 4.
En este caso si se quieren tener cinco repeticiones por tratamiento, el número de
unidades experimentales será igual a multiplicar: 2 x 2 x 4 x 5 = 80 unidades
experimentales.
En estudios con animales también se aplican estos arreglos.
Si se desea evaluar el efecto de la raza en la ganancia de peso en ovinos alimentados con
dos diferentes fuentes de proteína (harina de soya y harina de maní) con diferentes
niveles de inclusión (0, 10, 20, y 30 % en la dieta. Si se tienen tres razas de ovejas
(Pelibuey, Katadin y Black Belly). En el caso de que las unidades sean homogéneas (misma
edad, mismo peso, mismo sexo). Entonces se utilizará un DCA con arreglo factorial 3 x 2 x
4. Es decir, tres factores principales (razas) y dos factores secundarios o de efectos
aleatorios (las dos harinas con sus diferentes niveles de inclusión). El número de unidades
experimentales necesarias si se quieren tener cinco repeticiones será: 3 x 2 x 4 x 5 = 120
unidades experimentales.
En caso de que no se tenga solo hembras o solo machos para hacer el ensayo y hay una
combinación de hembras y machos, entonces el diseño será un BCA (bloquear por sexo)
con arreglo factorial 3 x 2 x 4.
Muchas veces el diseño de campo de un BCA en estudios con animales no es importante,
pues la posición de la unidad experimental dentro de cada bloque no afecta los
tratamientos, muchas veces se utiliza para efectos de análisis y mover el efecto del
bloque.
En este ejemplo se puede explicar otra variante, en el caso que el objetivo de la
investigación cambie y no interese el efecto de la raza sino, solamente evaluar el efecto
de las dos harinas proteicas sobre la ganancia de peso en ovinos. Si se tienen el mismo
tipo de animales al no interesar el efecto raza. Entonces el diseño a utilizar es un BCA y ya
el arreglo factorial no es importante, pues interesa solo evaluar el efecto de las harinas, Se

Página 38 de 60
tendrá entonces dos tratamientos con los mismos cuatro niveles de inclusión (0 %, 10 %,
20 % y 30 %) y por lo tanto el número de unidades experimentales varía. Si se quieren
tener las mismas cinco repeticiones, entonces la cantidad de unidades experimentales
será: 2 x 4 x 5 = 40 unidades experimentales (dos harinas por cuatro niveles por cinco
repeticiones). Obsérvese como cambia el número de unidades experimentales de 120 a
40, al cambiar el objetivo de la investigación, puesto que también cambia el arreglo de los
tratamientos.

Ejercicio 1: Para estudiar el efecto de la iluminación (A=natural, B=muy fuerte, C=escasa)

en la velocidad de lectura se realiza un experimento que consiste en contar el número de
palabras leídas en un minuto para distintos tipos de papel (b=blanco, c=en color,
s=satinado) y diferente tipografía (g=letra grande, p=letra pequeña, n=normal).
Obteniéndose los resultados expuestos en la siguiente tabla:

El modelo matemático-estadístico a ajustar es:

Donde el factor fila a representa al factor tipo de letra, el factor columna b representa al
factor tipo de papel y el factor letra (cuadrado latino) g representa el factor iluminación.
Es un modelo con tres factores, cada uno de los cuales tiene tres niveles, se supone que
no existen interacciones entre los factores y puede resolverse con solo 32 = 9
observaciones por medio del diseño fraccional de cuadrado latino.

Se calculan las medias:

Página 39 de 60
Se calculan las predicciones:

Se calculan los residuos:

Se calculan las sumas de los cuadrados:

Página 40 de 60
Se calculan los coeficientes de determinación:

Se obtiene la tabla ANOVA:

Se deducen los siguientes contrastes a partir de la tabla ANOVA:

Se rechaza para niveles de a > 0'031 (por ejemplo, a = 0'05) la hipótesis nula de no
influencia del factor tipo de letra.
Para el factor de tipo de papel se deducen los siguientes contrastes:

Página 41 de 60
Se acepta para niveles de a < 0'066 (por ejemplo, a = 0'05) la hipótesis nula de no
influencia del factor tipo de papel.
Para el factor de tipo de iluminación se deducen los siguientes contrastes:

Se rechaza para niveles de a > 0'004 (por ejemplo, a = 0'05) la hipótesis nula de no
influencia del factor tipo de iluminación.

Ejercicio 2: Se tiene un experimento para observar el rendimiento de 5 variedades de

garbanzo (A, B, C, D, E). Las filas fueron definidas como niveles de riesgo. Cm3/Parcela.
Las columnas fueron definidas como gradiente de fertilidad del suelo.

Página 42 de 60
Página 43 de 60
Ejercicio 3: Un investigador quiere evaluar la productividad de 4 variedades de aguacate y
decide realizar el ensayo en un terreno que posee un gradiente de pendiente de oriente a
occidente y, además, diferencias en la disponibilidad de nitrógeno de norte a sur, para
controlar los efectos de la pendiente y la disponibilidad de nitrógeno, utilizo un diseño de
cuadrado latino, las variedades son: A, B, C, D (los datos corresponden a la producción en
kg por parcela)

Página 44 de 60
Página 45 de 60
 Conclusión

El modelo del diseño de cuadrado latino se basa en aprovechar la

simetría del experimento factorial seleccionando un conjunto de
condiciones experimentales con la condición de que cada nivel de
un factor aparezca una vez con cada uno de los niveles de los otros
factores.
Este diseño es especialmente usado para estudiar un factor-
tratamiento con K niveles y con dos factores-bloque de K bloques
cada uno, una de sus ventajas principales es su facilidad de analizar
a comparación de los otros diseños de los cuales se trató
anteriormente.

Página 46 de 60
5.5 Diseños de cuadrados grecolatinos.

Consideremos un cuadrado latino p × 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.
El diseño cuadrado greco-latino puede utilizarse para controlar sistemáticamente tres
fuentes extrañas de variabilidad. En otras palabras, se usa para hacer un análisis por
bloques en tres direcciones. El diseño permite analizar cuatro factores (renglón columna,
letra griega y letra latina), cada uno con p niveles, usando solamente p2 ensayos. Los
cuadrados grecolatinos existen para toda excepto para p = 6.

En donde: 
lkjiy la observación que corresponde al renglón i, la columna k, la letra latina j y la letra
griega k. 
μ= La media general 
iθ= Es el efecto del i-ésimo renglón 
jτ= Es el j-ésimo efecto de tratamiento de las letras latinas 
kω= Es el k-ésimo efecto de tratamiento de las letras griegas 
lψ= Es el efecto de la columna l 
lkjiε= Es la componente del error aleatorio
Sólo dos de los cuatro subíndices son necesarios para identificar completamente cualquier
observación. 

El análisis 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 renglón, 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 hipótesis 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.

DISEÑO CUADRADO GRECOLATINO

En los arreglos por bloques, se pueden analizar 4 factores, introduciendo un cuarto factor
o bloque en un diseño cuadrado latino, siguiendo las mismas reglas utilizadas para

Página 47 de 60
introducir un tercer factor en un diseño cuadrado de dos factores. A este cuarto factor o
bloque se le denomina componente griego, ya que se utilizan letras griegas para
identificar sus niveles, a la adición de un diseño cuadrado latino y un cuarto factor, se le
llama Diseño Cuadrado Greco-Latino.
Características:
      * Es un diseño con cuatro factores a k niveles
      * Se asume que no hay interacciones
      * Requiere k2 observaciones
      * El diseño factorial completo requiere k4
      * Cada nivel de un factor aparece una vez con cada nivel de los otros factores
      * Superposición de dos cuadrados latinos
      * Cada letra griega aparece una vez en cada fila, en cada columna y una con cada letra
latina

¿EN QUÉ CONSISTE?

El diseño cuadrado grecolatino se puede considerar una extensión del diseño de
cuadrados latinos que permite estudiar un factor
y 3 variables bloque con sólo I2 observaciones (siempre que el factor y las variables
bloque tengan todos I niveles). Se considera un cuadrado latino de dimensión (I × I) y se
superpone sobre él otro cuadrado con los tratamientos denotados por letras griegas. Se
dice que son ortogonales cuando cada letra griega aparece combinada con una letra latina
una y sólo una vez en cada fila y columna. A1, 

Por ejemplo:
Se pueden construir cuadrados greco—latinos en diseños completamente cruzados para I
> 3, salvo para I = 6, porque en este caso sólo existe un cuadrado latino.

¿DÓNDE SE USA?
Se ha utilizado en áreas diferentes a la agricultura, la cual es su principal aplicación. Estas
son la biología, estudio de mercados, procesos industriales, entre otros.

DIFERENCIA ENTRE CUADRADO LATINO Y UN CUADRADO GRECOLATINO

* La principal diferencia entre un diseño de cuadrados latinos y otro de cuadrado
grecolatinos, y es que el segundo es distinto del primero por la inclusión de una cuarta
fuente de variabilidad como es el bloque grecolatino. 
Un cuadrado latino de lado n contiene en cada fila una y una sola vez los números del 1 al
n, de forma que en ningún caso se repite el mismo número en una columna

Página 48 de 60
Un cuadrado grecolatino es más exigente. Está formado por parejas de objetos o números
de forma que las formaciones constituidas por los primeros elementos de cada par
formen un cuadrado latino, y también la formada por los segundos elementos.

Ejercicio 1: Un experimentador opina que las líneas de ensamble son fuentes de variación
al momento de reproducir la fórmula para la elaboración de dinamita.

Página 49 de 60
Página 50 de 60
Ejercicio 2: El rendimiento de un proceso químico se midió utilizando 5 lotes de materia
prima, 5 concentraciones de ácido, 5 tiempos de procesamiento (A, B, C, D, E) y 5
concentraciones del catalizador.
Analizar los datos del experimento (utilizar a=0.05) y sacar conclusiones.

Página 51 de 60
Página 52 de 60
Página 53 de 60
Ejercicio 3: Un experimentador, desea probar que efecto tienen el factor lote de materia
prima y el operador que prepara la dinamita, en la explosividad de la misma. También
desea bloquear el arreglo con las formula que se utiliza para preparar la dinamita, para
esto se considera el bloque formula como su factor y también desea considerar la línea de
ensamble en su diseño ya que sospecha que esta son fuentes de variación.
Para esto decide usar un arreglo cuadrado Greco-Latino, el cual se muestra a
continuación.

Página 54 de 60
Página 55 de 60
Página 56 de 60
Página 57 de 60
 Conclusión

El modelo de cuadrado greco-latino es considerado como una

extensión del cuadrado latino, ya que en este se incluye una tercera
variable de control o variable de bloque, en este modelo al igual
que el anterior, todos los factores deben tener el mismo número de
niveles K y el número de observaciones necesarias seguirá siendo
K2.
Este diseño es una fracción del diseño completo en bloques
aleatorios con un factor principal y 3 factores secundarios los cuales
requerirán observaciones.

Página 58 de 60
5.6 Aplicaciones.
Un diseño experimental es aplicable para cualquier experimento que pretenda:

 Determinar las principales causas de la variación de una respuesta.

 Encontrar las condiciones experimentales con las que se consigue un valor extremo
en la variable de interés o respuesta.
 Comparar las respuestas en diferentes niveles de observación de variables
controladas.
 Obtener un modelo estadístico-matemático que permita hacer predicciones de
respuestas futuras.

Página 59 de 60
 Bibliografía

Douglas C., M. (2004). Diseño y análisis de experimentos. 2nd ed. México D.F.: EDITORIAL LIMUSA
S.A. de C.V.

Gutiérrez Pulido, H. and Vara Salazar, R. (2012). Análisis y diseño de experimentos. 2nd ed.
México, D.F.: McGraw-Hill Interamericana.

http://dm.udc.es/asignaturas/estadistica2/documentos-pdf/Practica_3_2006.pdf
http://colposfesz.galeon.com/disenos/teoria/dbcta/prog-dba.htm
http://halweb.uc3m.es/esp/Personal/personas/mcasas/esp/disenio/disenio.html
https://docplayer.es/10487946-Practicas-y-problemas-de-diseno-de-experimentos.html
http://dm.udc.es/asignaturas/estadistica2/secprac_2_3.html
http://www.jorgegalbiati.cl/enero_07/VariaCompleto.pdf
http://halweb.uc3m.es/esp/Personal/personas/jmmarin/esp/Disenno/tema3DE.pdf
http://dm.udc.es/asignaturas/estadistica2/secprac_3_2_3.html

Página 60 de 60