DISENO CUADRO LATINO

Dr. Francisco Lara Ascencio

2016

Introducción

El diseño cuadrado latino, llamado también de doble agrupamiento ya que organiza los
tratamientos de dos diferentes maneras: hileras y columnas; donde cada hilera y columna
corresponde a una repetición. Los tratamientos se arreglan en bloques de dos sentidos y cada
tratamiento aparece una vez en cada hilera y columna.
En esta categoría se incorporan los diseños que utilizan dos sistemas de bloques
simultáneamente; aplicándose la técnica de doble bloqueo llamados diseño cuadro latino;
aquellos que utilizan tres y cuatro sistemas de bloques se denominan diseños de cuadrado
grecolatino y diseños de cuadrado hipergrecolatino.
Un diseño de cuadro latino es un diseño con un factor experimental y dos variables de
bloqueo, donde la muestra de los sujetos se estratifica en función de dos variables de
clasificación y posteriormente se aplican los distintos tratamientos dentro de cada bloque; en
consecuencia, se determinan tres dimensiones de variación; la primera relacionada con los
tratamientos aplicados y las otras dos, relacionadas con las filas y las columnas de una matriz
de doble entrada.

Este diseño se utiliza para conducir experimentos en condiciones heterogéneas donde las
propiedades cambian en dos direcciones como ocurre en la toma de muestras para análisis de
laboratorio, donde las condiciones cambian entre planta y planta (una dirección) y de hoja a
hoja por tamaño o posición en la misma planta (otra dirección).

Es importante citar que, independientemente de la disposición que adopte el cuadrado latino,

cada valor de la variable tratamiento debe aparecer una sola vez en cada fila y en cada
columna del cuadrado; además de cumplir con los requisitos siguientes a fin de garantizar su
correcta aplicación; estas son:
 El diseño debe ser equilibrado, caso contrario, el efecto de las variables de bloqueo
no permanece constante a lo largo de todos los tratamientos.
 Las interacciones no deben ejercer influencia significativa sobre la variable respuesta
ya que, el DCL no permite examinar las interacciones. De no cumplirse el requisito
anterior, lo conveniente sería elegir un diseño factorial, el cual resultas más idóneo.
  Las variables de bloqueo deben guardar una estrecha relación con la variable
dependiente, ya que la efectividad del diseño depende del grado de relación existente
entre las variables de bloqueo y la variable respuesta.
Algunos argumentos para su aplicación son: Suponga que se tiene un experimento agrícola
donde las unidades experimentales son parcelas, pero estas parcelas están ubicadas en
diferentes tipos de suelo y además tienen diferentes valores de pH, uno podría pensar en
realizar un diseño de bloques al azar usando cualquiera de estas dos características,
realizando bloques de acuerdo a los diferentes valores de pH o bloques que consideren los
diferentes tipos de suelo.

Otra alternativa, que como ya se habrán imaginado es la más adecuada, es hacer un “doble
bloqueo”, o sea bloques en dos direcciones, que consideren las dos fuentes de variación, a
este tipo de diseño se le denomina Cuadrado o Cuadro Latino, donde se tiene un conjunto de
“t” tratamientos y “t2” unidades experimentales, que son agrupadas por dos factores.
Otro escenario podría ser cuando se quiere experimentar con cinco raciones (A, B, C, D y
E)en cinco vacas y con cinco pastos distintos usados como pasturas; es este caso es
aconsejable que cada ración sea experimentada en cada una de las vacas y con cada uno de
los pastos.

Características
 Una de las características importantes es que este diseño se utiliza cuando la
variabilidad del material experimental en dos sentidos, es decir, existen
simultáneamente dos posibles fuentes de variabilidad o dos ´posibles factores de
confusión.

 Las unidades experimentales se distribuyen en grupos, bajo dos criterios de

homogeneidad dentro de la fila y dentro de la columna y heterogeneidad en otra
forma.
 Se construye al distribuir los tratamientos en un arreglo de hileras y columnas.
 En cada fila y en cada columna el número de unidades es igual al número de
tratamientos.
 Los tratamientos son asignados al azar en las unidades experimentales dentro de cada
fila y dentro de cada columna.
 Se tiene igual número de hileras y columnas.
 Cada hilera y columna constituyen una repetición completa de los tratamientos, es
decir, un bloque completo.
  El número de filas o columnas es igual al número de tratamientos.
 Un tratamiento cualquiera aparece representado una sola vez en la misma hilera o en
la misma columna.
 Siempre, el número total de unidades experimentales a utilizar es t2.
 La disposición de las hileras o columnas se realiza mediante un mecanismo aleatorio.

Ventajas y desventajas

Ventajas
 Controla las fuentes de variación en las dos direcciones: hileras y columnas, es decir;
extrae del error experimental, la variación debida a tratamientos, hileras y columnas.
 Reduce el error experimental
 Permite controlar la heterogeneidad del material experimental en dos sentidos:
horizontal y vertical ya que, si se conocen dos fuentes de variabilidad de las unidades
experimentales y se puede hacer un “bloqueo” en dos direcciones, se va a poder hacer
una comparación más precisa de los tratamientos (se tiene más potencia) pues la
variación debida a las filas y las columnas es removida del error experimental.
 Permite estudiar un número reducido de tratamientos
 Permite toda vez que el experimento sea bien diseñado, controlar tres variables
simultáneamente.
 Es fácil de analizar, comparado con el diseño de bloques al azar, sólo se requiere de
una suma de cuadrados adicional.
 Cuando se tienen cuadrados pequeños (lo que implica pocos grados de libertad para
el error experimental) se pueden utilizar varios de estos cuadrados de poco tamaño y
realizar un análisis combinado de los mismos en algo que se llama cuadrados latinos
repetidos.

Desventajas
 El número de filas, columnas y tratamientos debe ser el mismo.
 Al haber muchos tratamientos el número de parcelas se incrementa por tanto es poco
práctico su manejo.
 Requiere de mayor precisión en el manejo, comparado con el DBA
 El error experimental se aumenta con el tamaño del cuadro.
  Los cuadros latinos 2*2, 3*3 y 4*4 no son sensible al análisis estadístico, ya que su
reducido número de grados de libertad no permite medir con exactitud la efectividad
de los tratamientos.
 El número de tratamientos, filas y columnas debe ser igual, a veces es difícil encontrar
unidades experimentales que permitan armar los bloques homogéneos en las dos
direcciones, más aún, si el número de tratamientos es grande.
 Los diseños pequeños tienen pocos grados de libertad para la estimación del error
experimental y a medida que el tamaño del diseño aumenta, es posible que no se tenga
homogeneidad al interior de cada bloque.
 No es un diseño adecuado si existe interacción entre los efectos de fila, columna y
tratamientos.
 Se pierden grados de libertad en el error experimental, sacrificando la precisión del
diseño experimental.
 Debido a que el número de hileras y columnas debe ser igual al de tratamientos, el
número de tratamientos es limitado.
 No es recomendable para estudiar un número elevado de tratamientos.

Condiciones para el montaje de un experimento en campo

 Dividir el área experimental en un número de unidades experimentales igual al

cuadrado del número de tratamientos.
 Formar hileras y columnas de unidades experimentales iguales al número de
repeticiones y tratamientos.
 Distribuir los tratamientos en forma tal que ninguno se repita en hileras ni en columna.
Para lograr cumplir esa restricción, se debe seguir el procedimiento establecido en la
aleatorización.

Aleatorización

Se parte de un cuadrado latino reducido, es decir, aquel en el cual la primera hilera y la

primera columna están dispuestas en orden alfabético. Al proceso anterior también se le llama
Cuadrado latino estándar y es definido como aquella disposición en la que tanto la primera
fila como la primera columna siguen el orden o la secuencia numérica natural.

El procedimiento para la aleatorización es el siguiente:

  Seleccionar un cuadrado latino reducido
 Permutar hileras aleatoriamente
 Permutar columnas aleatoriamente
 Asignar los tratamientos a las letras al azar

Suponga cuatro tratamientos (A, B, C y D), entonces, proceder a arreglar los tratamientos,
haciendo permutaciones horizontales o verticales. Al realizar las permutaciones horizontales
el arreglo es el siguiente: Seguido, se enumeran las hileras del cuadro anterior del 1 al 4 y
sortear. Suponga que con el sorteo estas quedan de la forma siguiente:

1 A B C D 4 B C D A
2 D A B C 1 A B C D
3 C D A B 3 C D A B
4 B C D A 2 D A B C

Posteriormente, numerar las columnas del 1 al 4 y luego sortear. A manera de ejemplo podría
quedar así:

1 2 3 4 1 4 3 2

B C D A B A D C

A B C D A D C B

C D A B C B A D

D A B C D C B A

Finalmente, se constituye en el cuadro final para la distribución de los tratamientos en campo

y las unidades experimentales deben ser numeradas siguiendo un sistema que facilite su
manejo.

Restricciones
Un tratamiento cualquiera debe estar solamente una vez en una columna.
Un tratamiento cualquiera debe estar solamente una vez en una fila.
Modelo estadístico

Supóngase que se tiene una serie de dos tablas para un diseño en cuadro latino 4*4. Estas
tablas en ningún momento modifican el croquis de campo. La primera tabla corresponde a la
información correspondiente a columnas e hileras respectivamente y la segunda agrupa la
información relacionada con los tratamientos, sumando todas las veces que se repitió cada
tratamiento, obteniéndose así el valor total de Y..k como se indica a continuación.

FILAS COLUMNAS TOTAL DE

FILAS
1 2 3 4
1 Y11K Y12K Y13K Y14K Y1..
2 Y21K Y22K Y23K Y24K Y2..
3 Y31K Y32K Y33K Y34K Y3..
4 Y41K Y42K Y43K Y44K Y4..
TOTAL DE Y.1. Y.2. Y.3. Y.4. Y..
COLUMNAS (Gran total)

TRATAMIENTOS
1 2 3 4
1 Yij1 Yij2 Yij3 Yij4
2 Yij1 Yij2 Yij3 Yij4
3 Yij1 Yij2 Yij3 Yij4
4 Yij1 Yij2 Yij3 Yij4
TOTAL DE Y..1 Y..2 Y..3 Y..4
TRATAMIENTOS
Media de tratamientos Y..1 Y..2 Y..3 Y..4

Y...
Media _ general  Y 
t2

Por tanto el modelo estadístico esta dado por el modelo lineal siguiente:

i = 1,2,3,……..t
Yijk  m+Hi +C j +Tk + Єijk j = 1,2,3,……….t
k = 1,2,3,……….t
t=h=c
Donde:
Yijk= es el valor observado correspondiente al k-ésimo tratamiento en la i-ésima fila con la
j-ésima columna.

µ= Es el efecto sobre la media general de la variable respuesta

Hi= es el efecto de la i-ésima fila o hilera en la variable dependiente.
Cj= El efecto de la j-ésima columna en la variable dependiente.
Tk= Es el efecto del k-ésimo tratamiento en la variable dependiente.
Єijk= Error experimental asociado a la variable respuesta.

Donde: y no existe interacción entre filas y tratamientos como tampoco entre

NID 0
columnas y tratamientos.
εijk ~ ( , σ2

Análisis de varianza

Con base en el modelo anterior, el análisis de varianza queda estructurado según las fuentes
de variación que involucran a filas o hileras, columnas y tratamientos respectivamente.

Fuente de Grados Suma de cuadrados Cuadrado F Calculada F de tablas

variación de (SC) medio (Fc) 0.05 0.01
(FV) libertad (CM)
(GL)
t
y..2k ( y...)2 SCtrat CM trat GLtrat

Tratam. t-1
 2 FGL
k 1 t t GLtrat CM error error

t 2
yi.. ( y...) 2 SChilera CM hilera GLhilera

Hileras t-1 FGL
 2 error
i 1 t t GLhilera CM error
2
( y...) 2 SCcolumna CM columna
FGLGLerrorcolumna
t y
Columnas t-1

j 1 t
. j.

t2 GLcolumna CM error
Error Exp. (t-1)(t-2) ≠ SCerror
GLerror
t t t
( y...)2
Total T2-1
 y
i 1 j 1 k 1
2
ijk 
t2
Planteamiento de Hipótesis y regla de decisión

Ho= T1=t2=t3…….t
τ
Ho= todos los tratamientos producen el mismo efecto

H a  i  j  ti  t j
Ha= Al menos el efecto de un tratamiento es diferente al de los demás.

Ho= H1= H2= H3….Ht

Ho= Todas las hileras producen el mismo efecto
H a  i  j  Hi  H j
Ha= Al menos el efecto de una fila es diferente al de los demás.

Ho= C1= C2= C3….Ct

Ho= Todas las columnas producen el mismo efecto
H a  i  j  Ci  C j
Ha= Al menos el efecto de una columna es diferente al de los demás.
Regla de decisión

FCal ,columnas  FGL

GLcolumna
error
,  0.05;0.01
FCal , Hileras  FGL
GLhilera
error
,  0.05;0.01
FCal ,tratamientos  FGL
GLtrat
,  0.05;0.01
Se rechaza la Ho si error

FCal ,columnas  FGL

GLcolumna
error
,  0.05;0.01
FCal , Hileras  FGL
GLhilera
error
,  0.05;0.01
FCal ,tratamientos  FGL
GLtrat
,  0.05;0.01
Se acepta la Ha si error
El valor crítico de la F tabulada se ubica en la tabla de F de Fisher & Snedecor, considerando
los grados de libertad de tratamientos (GLtrat.), los grados de libertad del error (GLerror) y
un determinado nivel de significancia (∞)(0.05, 0.01).

Ejemplo de aplicación e interpretación

En un experimento sobre evaluación de variedades de caña de azúcar realizado en Brasil.

Fueron utilizadas las variedades Co-290, Co-421, Co-419, POJ-2878 (D) y CP-3613 (E),
dispuestas en cuadrado latino de tamaño 5*5. Las producciones de caña en kilogramos por
parcela son dadas en la tabla siguiente:

Yi..
D 432 A 518 B 458 C 583 E 331 2322
C 724 E 478 A 524 B 550 D 400 2676
E 489 B 384 C 556 D 297 A 420 2146
B 494 D 500 E 313 A 486 C 501 2294
A 515 C 660 D 438 E 394 B 318 2325
Y.j. 2654 2540 2289 2310 1970 11763

Cuadro auxiliar para tratamientos.

VARIEDAD TOTAL DE MEDIA

TRATAMIENTO TRATAMIENTO
Y..k Y..k
Co-290 (A) 2463 492.6
Co-421 (B) 2204 440.8
Co-419 (C) 3024 604.8
POJ-2878 (D) 2067 413.4
CP-3613 (E) 2005 401.0
11763 2352.6

Calculo de las sumatorias de cuadrados.

(2463)2  (2204)2  (3024)2  (2067)2  (2005)2 (11763)2
SCtrat .    137,488.2
5 25
 (2322) 2  (2676) 2  (2146) 2  (2294) 2  (2325) 2 (11763) 2
SC filas    30,480.64
5 25

(2654) 2  (2540) 2  (2289) 2  (2310) 2  (1970) 2 (11763) 2

SCcolumna    55,640.64
5 25
(11763) 2
SCtotal  (432)  (518)  (458)  .........(394)  (318) 
2 2 2 2 2
 257,724.24
25

SCerror= SCtotal-SCtrat.-SCfilas-SCcoluma

SCerror=257.724-137.488-30.480-55.640= 34.116.34,114.72

Estructura del ANVA

Fuente de Grados de Suma de Cuadrado F F de tablas

variación libertad Cuadrados medio Calculada (Ftabulada)
(FV) (GL) (SC) (CM) (Fcal) 0.05 0.01
Variedades 4 137488.24 34372.06 12.09** 3.26 5.41
Filas 4 30480.64 7620.16 2.680ns 3.26 5.41
Columnas 4 55640.64 13910.16 4.892ns 3.26 5.41
Error 12 34114.72 2842.89
Total 24 257724.24

Conclusión: de acuerdo con los resultados del análisis de varianza, se concluye que las
variedades presentan efectos diferentes altamente significativos (∞= 0.01) en cuanto a la
producción de caña de azúcar, por tanto, es recomendable realizar una prueba de comparación
de medias.
Comparación de medias Duncan

Ordenar las medias de mayor a menor

Variedad MEDIA Grupo Duncan
CO-419 604.80 A
C0-290 492.60 B
C0-421 440.80 B
POJ-2878 413.40 B
CP-3613 401.00 B
Determinar el límite de significancia (q), el error estándar del promedio (Sx) y el límite
mínimo significativo (Ws).

2.843
Ws´'   23.84
5

S MEDIAS COMPARADAS
2 3 4 5
q 3.08 3.23 3.33 3.36
Sx 23.84
Ws 73.42 77.00 79.39 80.10

Representar la comparación de medias

CO-419 C0-290 C0-421 POJ-2878 CP-3613

604.80 492.60 440.80 413.40 401.00
CP-3613 203.80 91.6 39.8 12.4 0
401.00 80.10 79.39 77.00 73.42
POJ-2878 191.4 79.2 27.4 0
413.40 79.39 77.00 73.42
C0-421 164 51.8 0
440.80 77.00 73.42
C0-290 112.2 0
492.60 73.42
CO-419 0
604.80

Conclusión: de acuerdo al análisis de varianza se concluye que las variedades producen

efectos diferenciados en cuanto a la producción de caña de azúcar; y según la comparación
de medias Duncan es la variedad c0-419 la mejor, superando significativamente a las demás.
En el resto de variedades no se mostraron diferencias estadísticas comparativas; por lo que
para la zona del bajo lempa y en consecuencia a los productores cañeros, se les recomienda
la variedad C0-419, respetando el manejo agronómico que para ella se plantea.
Estimación de datos u observaciones perdidas

Al igual que en el diseño de bloques completos al azar, en el diseño de cuadro latino se

pueden calcular datos perdidos, para ello y según los casos, se aplican las fórmulas siguientes:

Cuando se tiene una unidad experimental perdida, se utiliza la ecuación:

t ( H  C  T )  2G
Yijk 
(t  1)(t  2)

Donde:
t = número de tratamientos
H = Total de valores observados para la fila que contiene la unidad faltante.
C = Total de valores observados para la columna que contiene la unidad faltante.
T = total del tratamiento que contiene la unidad faltante.
G = Gran total de valores observados.

Recordar que al momento de realizar el ANVA para

experimentos con datos faltantes, se debe restar un (1)
grado de libertad del total y del error, por cada uno de
ellos

Cuando faltan dos datos

Se parte de obtener una estimativa inicial para uno de los datos.

Luego se debe suponer que solo hay un dato faltante y se estima aplicando la ecuación,
modificando lo relativo al gran total, producto del primer estimativo.
Se ignora la primera estimación, se modifica el gran total y se aplica la ecuación.
Se repite el segundo paso, usando la nueva estimación.
Se repite el tercer paso, hasta lograr las estimaciones definitivas.

Recordar que al momento de realizar el ANVA para experimentos con dos datos
faltantes, se deben restar dos (2) grados de libertad del total y del error, por cada
uno de ellos
Existe otra forma de calcular los datos faltantes, estas son:
Dos datos faltantes en el mismo tratamiento, pero en hileras y columnas diferentes:

(t  1)Q1  Q2 (t  1)Q2  Q1
X1  X2 
t (t  2) 2 t (t  2)2
Q1= t(R+C+T)-2G Q2= t(R+C+T)-2G

R1 y C1: totales de la hilera y la columna donde falta X1

R2 y C2: totales de la hilera y la columna donde falta X2
T12 : total del tratamiento donde faltan X1 y X2

Dos datos faltantes en la misma hilera, pero en columna y tratamientos diferentes:

(t  1)Q1  Q2 (t  1)Q2  Q1
X1  X2 
t (t  2) 2 t (t  2)2
Q1= t(T1+C1+R12)-2G Q2= t(T2+C2+R12)-2G

T1 y C1: totales de tratamientos y las columnas donde falta X1

T2 y C2: totales de la hilera y la columna donde falta X2
R12 : total de la hilera donde faltan X1 y X2.

Dos datos faltantes en la misma columna, pero en hileras y tratamientos diferentes:

(t  1)Q1  Q2 (t  1)Q2  Q1
X1  X2 
t (t  2) 2 t (t  2)2
Q1= t(T1+R1+C12)-2G Q2= t(T2+R2+C12)-2G

T1, T2,R1 y R2: ya están definidas

C12 : Total de la columna donde faltan X1 y X2.

Dos datos faltantes en diferentes tratamiento, hilera y columna:

 fQ1  Q2 fQ2  2Q1
X1  X2 
f 2 4 f 2 4

f  (t  1)(t  2)
Q1  t (T1  R1  C1 )  2G
Q2  t (T2  R2  C2 )  2G
Una vez calculado los datos, éstos se sustituyen en el cuadro de datos para proceder al
desarrollo del ANVA.