Diseño Cuadrado Latino (DCL)

Ya vimos que el diseño de bloques al azar, era el diseño apropiado cuando se conocía de
antemano alguna fuente de variabilidad adicional entre las unidades experimentales.
¿Pero qué pasa si se sabe de dos fuentes de variabilidad adicional que afectan el material
experimental?

Supongamos que se tiene un experimento agrícoladonde 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 o en sus dos criterios de clasificación, a los
que se llamara bloques por fila y bloques por columna, que consideren las dos fuentes de
variación, a este tipo de diseño se le denomina Cuadrado Latino, donde se tiene un conjunto
2
de “t” tratamientos y “t ” unidades experimentales, que son agrupadas por dos fuentes de
variabilidad.

El diseño de cuadrados latinos tuvo sus orígenes en experimentos agrícolas, donde se

tenían parcelas de terreno con gradientes de fertilidad en dos direcciones.

Criterios de bloqueo

Se tiene un experimento planeado en un diseño cuadrado latino, con cinco tratamientos,

identificados como: A, B, C, D y E, por lo que, se deben tener cinco filas y cinco columnas. La
localización de las parcelas en el área experimental se muestra en el siguiente croquis:
Para un diseño de cuadrados latinos “t*t”, se tienen “t” tratamientos que se asignan

aleatoriamente a “ t 2 ” unidades experimentales, de tal manera que cada tratamiento aparece

una sola vez en cada “fila” y en cada “columna”, a cada tratamiento se le designa con una
letra latina: A, B, C, etcétera, de ahí el nombre de cuadrado latino. En el croquis de los
gradientes de fertilidad, se podría evaluar entonces el efecto de cinco tratamientos (A; B; C; D
y E), que podrían estar dispuestos como se indica en el croquis.

VENTAJAS DEL DISEÑO DE CUADRADOS LATINOS

 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.
 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 DEL DISEÑO DE CUADRADOS LATINOS

 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.

Análisis Estadístico

A continuación se presentan una tabla de datos para un cuadrado latino 4 x 4:

Modelo Aditivo Lineal

yijk     i   j   k   ijk i  1,..., t j  1,..., t

k  1, 2,..., t

Donde:
 yijk : Unidad experimental observado por efecto del i-ésimo tratamiento, en la j-ésima fila y k-
ésima columna.

 : Es el efecto de la media general.

 i : Es el efecto del i-ésimo tratamiento.

 j : Es el efecto de la j-ésima fila.

 k : Es el efecto de la k-ésima columna.

 ijk : Es el efecto del error experimental en el i-ésimo tratamiento, j-ésima fila y k-ésima
columna.

t : Es el número de tratamientos, numero de filas y columnas.

Supuestos

 ijk ~ NID (0,  2 )

No existe interacción entre filas y tratamientos.
No existe interacción entre columnas y tratamientos.

Formulación de Hipótesis

Para tratamientos Para filas Para columnas

H0 : i  0 H0 :  j  0 H0 : k  0

H1 : Al menos un  i  0 H1 : Al menos un  j  0 H1 : Al menos un  k  0

Nivel de significancia

 = 5% ó 1%

Análisis de Varianza
Fuentes de Suma de Grados de Cuadrados Estadístico
Variación(FV) Libertad (gl)
Cuadrados (SC) Medios (CM) Prueba (Fc)
 SCTratam 
y 2
i ..

y...2
CM Tratam 
SCTratam CM Tratam
t t2 t 1 CM Error
Tratamientos t 1

SCFilas 
y 2
. j.

y...2
CM Filas 
SCFilas CM Filas
t t2 t 1 CM Error
Filas t 1

SCColumna 
y 2
.. k

y...2
CM Columnas 
SCColumnas CM Columnas
t t2 t 1 CM Error
Columnas t 1

Error SCError  SCTotal  SCTratam  SCFilas  SCColumnas CM Error 

SCError
experimental  1 t  2 
t 
 t 1 t  2

SCTotal   yijk
2

y...2 t 2 1
t2
Total

Problema 3: Un investigador quiere evaluar la productividad de cuatro variedades de aguacate

(palta) 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, utilizó un diseño de
cuadrado latino, las variedades son: A, B, C y D, los datos corresponden a la producción en
kg/parcela.

Disponibilidad Pendiente
de Nitrógeno
1 2 3 4

1 D 785 A 730 C 700 B 595

2 A 855 B 775 D 760 C 710

3 C 950 D 885 B 795 A 780

4 B 945 C 950 A 880 D 835

Realizar el análisis de estos datos.

Solución:

Variable dependiente : Producción en Kg. / parcela.

Tratamiento : Variedades de aguacate

Bloque Columna : Pendiente.

Bloque Fila : Disponibilidad de Nitrógeno

Unidad Experimental : Parcelas

Diseño : DCL.

Modelo aditivo lineal

yijk     i   j   k   ijk

yijk : Producción de aguacate por parcela por efecto de la i-ésima variedad, en la j-ésima
disponibilidad de nitrógeno y k-ésima pendiente.

 : Es el efecto de la media general.

 i : Es el efecto de la i-ésima variedad.

 j : Es el efecto de la j-ésima disponibilidad de nitrógeno.

 k : Es el efecto de la k-ésima pendiente.

 ijk : Es el efecto del error experimental en la i-ésima variedad, j-ésima disponibilidad de

nitrógeno y k-ésima pendiente.
Vista de variables: Definición de variables

Vista de datos: Ingreso de la data

Supuestos Necesarios

Prueba de Homogeneidad

Presionar Univariante, resulta la Figura siguiente

Pasar producción a variable dependiente y Variedades a factores fijos. Luego presionar
opciones y señalar prueba de homogeneidad, como se visualiza en la siguiente figura:

Presionar Continuar y Aceptar, resulta:

Contraste de Levene sobre la igualdad de las varianzas errora

Variable dependiente: Producción

F gl1 gl2 Sig.

2,003 3 12 ,167

Contrasta la hipótesis nula de que la varianza error de la variable

dependiente es igual a lo largo de todos los grupos.

a. Diseño: Intersección + Variedades

Como se puede apreciar en la Figura la Sig, p = 0,167 > 0,05, lo cual significa que acepta la
hipótesis nula H 0 , indicando que existe homogeneidad a lo largo del proceso de
experimentación.

Prueba de Normalidad
 Presionar K-S 1 muestra las figuras

Luego presionar Aceptar, resulta:

Prueba de Kolmogorov-Smirnov para una muestra

Variedad A Variedad B Variedad C Variedad D

N 4 4 4 4

Media 811,25 777,50 827,50 816,25

Parámetros normalesa,b
Desviación típica 68,845 143,382 141,510 55,434

Absoluta ,237 ,243 ,307 ,214

Diferencias más extremas Positiva ,175 ,201 ,297 ,214

Negativa -,237 -,243 -,307 -,155

Z de Kolmogorov-Smirnov ,475 ,486 ,613 ,427

Sig. asintót. (bilateral) ,978 ,972 ,846 ,993

a. La distribución de contraste es la Normal.

b. Se han calculado a partir de los datos.

Como se puede apreciar en la Figura anterior la Sig. p = 0.978 > 0,05, p = 0.972>0,05, p =
0.846>0,05 y p = 0,993>0,05 para las variedades A, B, C y D. Esto significa que la producción de
aguacate en cada una de las variedades se distribuye aproximadamente en forma normal.

Construir el Análisis de Varianza

Formulación de Hipótesis

Para Variedades de Aguacate Para Disponibilidad de Nitrógeno (filas)

H0 : i  0 H0 :  j  0

H1 : Al menos un  i  0 H1 : Al menos un  j  0

Para Pendiente (columnas)

H0 : k  0

H1 : Al menos un  k  0

Nivel de significancia

 = 5%

Análisis de varianza

Analizar/Modelo Lineal General/Univariante/Modelo

 Continuar y Aceptar, resulta

El ANOVA

Pruebas de los efectos inter-sujetos

Variable dependiente: Producción

Origen Suma de cuadrados gl Media cuadrática F Sig.

tipo III

Modelo corregido 150631,250a 9 16736,806 892,630 ,000

Intersección 10449056,250 1 10449056,250 557283,000 ,000

Variedades 5556,250 3 1852,083 98,778 ,000

BloqColumna 52556,250 3 17518,750 934,333 ,000

BloqFila 92518,750 3 30839,583 1644,778 ,000

Error 112,500 6 18,750

Total 10599800,000 16

Total corregida 150743,750 15

a. R cuadrado = ,999 (R cuadrado corregida = ,998)

Decisión:

Dado que la Sig, p = 0,000 <  =0,05 se decide rechazar la H 0 . Esto significa que la
producción promedio entre las variedades de aguacate es significativamente diferente.
Dicho de otro modo la producción por cada variedad de aguacate son evidencia
suficiente para concluir que al menos una variedad es significativamente diferente en
promedio.

Pruebas de comparaciones múltiples o Post Hoc:

Luego ACEPTAR, resulta la Tabla:
 Producción de aguacate en Kg./parcela

Variedad de Aguacate Subconjunto

N 1 2 3
DHS de Tukey dimension1
B 4 777,50
A 4 811,25
D 4 816,25
C 4 827,50
Sig. 1,000 ,429 1,000
Duncan dimension1
B 4 777,50
A 4 811,25
D 4 816,25
C 4 827,50
Sig. 1,000 ,154 1,000

Aplicando la prueba de Tukey se determina que las medias de producción diferente son:

 A  B B  D B  C  A  C D  C

Bueno la variedad que genera mayor producción de aguacate por parcela es la “C”