Echavarría, Hernán – Diseño de Cuadrados Latinos Diseño de Cuadrados Latinos (DCL) Preparó: Hernán Echavarría Sánchez

1 de 12

Ya vimos que el diseño de bloques al azar, era el diseño apropiado cuando se conocía de antemano algún factor que fuera fuente de variabilidad entre las unidades experimentales. ¿Pero qué pasa si se sabe de dos factores o fuentes de variabilidad que afectan el material experimental? Supongamos 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 Latino, donde se tiene un conjunto de “t” tratamientos y “t2” unidades experimentales, que son agrupadas por dos factores. El diseño de cuadrados latinos tuvo sus orígenes en experimentos agrícolas, donde se tenían parcelas de terreno con gradientes de fertilidad en dos direcciones, tal como aparece en el siguiente gráfico. Gradiente 1 → Gradiente 2 ↓ Bloques “Fila” 1 2 3 4 1 2 3 Bloques “Columna” 4

En realidad este tipo de ensayos con dos gradientes de fertilidad son poco comunes, pero el uso de este diseño no se limita a esta situación, se ha utilizado en otras áreas diferentes a la agricultura, tales como la biología, estudio de mercados, procesos industriales, entre otros. Se debe tener en cuenta que un diseño de cuadrados latinos no requiere que las unidades experimentales estén distribuidas físicamente en un cuadrado como tal, de hecho, esta situación sólo se presenta en un caso como el de los dos gradientes de fertilidad mencionado anteriormente. Para un diseño de cuadrados latinos “t*t”, se tienen “t” tratamientos que se asignan aleatoriamente a “t2” 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 ejemplo de los gradientes de fertilidad, se podría evaluar entonces el

Echavarría, Hernán – Diseño de Cuadrados Latinos

2 de 12

efecto de cuatro tratamientos (A, B, C y D), que podrían estar dispuestos de la siguiente manera: A B C D B C D A C D A B D A B C

A un cuadrado latino como el anterior, donde las letras en la primera fila y la primera columna están organizadas alfabéticamente, se le llama cuadrado latino estándar. Importante: En este diseño, la asignación aleatoria de los tratamientos a las unidades experimentales, se hace a través de la aleatorización de un cuadrado del tamaño t*t requerido, veamos los pasos recomendados: PASOS PARA OBTENER UN CUADRADO LATINO ALEATORIZADO 1. Partir de un cuadrado latino estándar del tamaño requerido: Supongamos que necesitamos un cuadrado 4*4 y arbitrariamente hemos seleccionado el planteado anteriormente, donde se observa el orden alfabético de las letras en la primera fila y la primera columna; 2. Aleatorizar todas las columnas del cuadrado elegido: Para este efecto existen tablas de permutaciones o simplemente se elige un orden aleatorio (con ayuda de la calculadora o de tablas de números aleatorios) de las “t” columnas; para este caso, con ayuda de la calculadora se encontraron los valores: 1,3,4. • 1: Quiere decir que la primera columna permanece como estaba. • 3: Entonces, la que antes era la tercera columna, ahora pasa a ser la segunda. • 4: La que inicialmente era la cuarta columna, ahora pasa a ser la tercera, por descarte, entonces, la que originalmente era la segunda columna, ahora pasa a ser la cuarta, con lo que el cuadrado quedaría: A B C D C D A B D A B C B C D A

3. Aleatorizar todas las filas del cuadrado encontrado: Nuevamente, con ayuda de la calculadora, el orden aleatorio encontrado fue: 3, 4, 1. • 3: La que en el último cuadrado era la tercera fila, ahora pasa a ser la primera. • 4: La que era la cuarta fila, ahora se convierte en la segunda. • 1: La primera fila debe ser ahora la tercera y por descarte, la segunda fila pasa a ser la cuarta, quedando el siguiente cuadrado, que sería el definitivo:

Echavarría, Hernán – Diseño de Cuadrados Latinos C D A B A B C D B C D A D A B C

3 de 12

4. Asignar aleatoriamente los tratamientos a las letras. 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. MODELO LINEAL En este caso el modelo sería:

• •

• •

Yijk = µ + τi + fj + ck + εijk

Donde:

Yijk es la lectura del tratamiento i-ésimo en la fila j-esima y en la k-ésima columna µ es el promedio poblacional de la variable respuesta τi es el efecto del tratamiento “i”, con i = 1,2,.....,t fj es el efecto de la fila ‘j”, con j = 1,2,.....,t ck es el efecto de la columna “k”, con k = 1,2,.....,t εijk es el error asociado con la lectura del i-ésimo tratamiento en la fila j-esima y en
la k-ésima columna.

Echavarría, Hernán – Diseño de Cuadrados Latinos ANÁLISIS DE VARIANZA Para realizar el análisis de varianza se requieren los siguientes términos: Y... = ∑∑ Yijk = Gran total Yi.. = Total del tratamiento “i” Y.j. = ∑ Yijk = Total de la fila “j” Y..k = ∑ Yijk = Total de la columna “k” Tabla de Anova F de V Tratamientos Filas Columnas Error Total Donde : F de V : Fuente de Variación GL : Grados de libertad t : Número de tratamientos = Número de filas = Número de columnas TC : Término de corrección = Y2... / t2 GL t-1 t-1 t-1 (t-1)(t-2) t2 - 1 Suma de cuadrados Cuadrados medios SCT= T/ (t - 1) T = ∑Y2i../t -TC F = ∑ Y2.j. /t -TC C = ∑ Y2..k /t -TC E =Tot - T - F - C Tot =∑∑ y2ijk -TC SCF= F / (t - 1) SCC= C / (t - 1) SCE= E / (t-1)(t-2)

4 de 12

FC

CM CM

ttos

Error

Nota 1: Así como en el diseño de bloques al azar, el efecto de los bloques no se evaluaba, en el diseño de cuadrados latinos, los efectos de filas y columnas tampoco se evalúan, pues por diseño se espera que existan diferencias entre ellas. Nota 2: Los grados de libertad del error también se pueden calcular como la diferencia entre los grados de libertad totales y los grados de libertad de las otras fuentes de variación (tratamiento, filas y columnas). EJERCICIO: Aquí deben plantear un experimento que ustedes consideren se debe evaluar bajo un diseño de cuadrados latinos, como siempre, deben indicar, quién es el factor con sus niveles, la unidad experimental, la variable respuesta y quienes son las fuentes de variación “filas” y “columnas”. Deben hacer la aleatorización del cuadrado latino, luego van a suponer los datos de la variable respuesta y los deben analizar con el alfa que deseen.

Echavarría, Hernán – Diseño de Cuadrados Latinos

5 de 12

EJEMPLO: Un investigador quiere evaluar la productividad de cuatro 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, utilizó un diseño de cuadrado latino, las variedades son: A, B, C y D, los datos corresponden a la producción en kg/parcela. Disponibilidad de Nitrógeno 1 2 3 4 Y.. k Aquí el juego de hipótesis a probar sería: Ho = µA = µB = µC = µD Ha = µi ≠ µj para cualquier “i” diferente de “j”. El análisis de varianza queda: (Tarea: Verificarlo) F de V Tratamientos Nitrógeno (Filas) Pendiente (Columnas) Error Total GL S de C CM FC P value 3 5556.25000 1852.08333 98.78 < 0.005 3 92518.75000 30839.58333 3 52556.25000 17518.75000 Pendiente 1 2 3 D A C 785 730 700 A B D 855 775 760 C D B 950 885 795 B C A 945 950 880 Y.j. 4 B 595 C 710 A 780 D 835

6 112.5000 18.7500 15 150743.7500

A partir de la cuál se rechaza la hipótesis nula y se concluye que existen por lo menos dos variedades de aguacate con diferentes niveles de producción, para evaluar entre quienes está la diferencia debe realizarse una prueba de comparación de medias, esto te queda de tarea.

Echavarría, Hernán – Diseño de Cuadrados Latinos SUPUESTOS EN UN DISEÑO DE CUADRADOS LATINOS

6 de 12

Para que el análisis de varianza en un diseño de cuadrados latinos tenga validez, deben cumplirse los mismos supuestos mencionados para el diseño de bloques al azar: Normalidad, Homocedasticidad e Independencia; adicionalmente debe cumplirse el supuesto de aditividad entre filas, columnas y tratamientos, es decir, no debe haber interacción entre los mismos. Respecto a la normalidad y la independencia, el procedimiento es el mismo que en el caso de un diseño completamente al azar y de un diseño en bloques al azar, la normalidad se evaluará con ayuda del programa SAS y la prueba de Shapiro – Wilk y la independencia se garantizará con la asignación aleatoria de los tratamientos a las unidades experimentales. En el caso del supuesto de homocedasticidad, para el diseño de cuadrados latinos se presenta el mismo problema de índole computacional que habíamos mencionado para el diseño de bloques al azar, pues los programas estadísticos actuales son incapaces de evaluar el supuesto en cualquier diseño diferente al completamente al azar, razón por la cual se debe asumir que el supuesto se cumple. DISEÑOS “CROSS-OVER” Un diseño muy parecido al de cuadrados latinos, es el diseño “cross-over” o “change-over” o de intercambio, donde por poca disponibilidad de unidades experimentales, cada unidad experimental recibe en diferentes momentos de tiempo todos los tratamientos a evaluar; esta situación en el contexto agropecuario rara vez se presenta con material vegetal por lo que prácticamente se limita a ensayos donde las unidades experimentales son animales. Un esquema de un diseño “cross-over” es el siguiente: Período de Tiempo Unidades Experimentales 1 2 3 4 1 T1 T3 T4 T2 2 T3 T4 T2 T1 3 T2 T1 T3 T4 4 T4 T2 T1 T3 Las unidades experimentales se podrían considerar efectos “columna” y los períodos de tiempo se consideran como efectos “fila”, por lo que nuevamente se está en presencia de un doble “bloqueo” y cada unidad experimental recibe en orden aleatorio todos los tratamientos; aquí es importante señalar que debido al uso repetido de la misma unidad experimental con diferentes tratamientos, debe existir absoluta certeza de la No Existencia de efectos residuales de los

Echavarría, Hernán – Diseño de Cuadrados Latinos

7 de 12

tratamientos, si no es así, entonces debe utilizarse un período de descanso entre cada par de períodos consecutivos. Aquí siempre el número de períodos de tiempo será igual al número de tratamientos, pero no existe restricción respecto al número de unidades experimentales, se podrían tener más unidades experimentales (una especie de Rectángulo latino) pero siempre el número total de unidades experimentales deberá ser un número múltiplo del número de tratamientos, de tal manera que en cada período de tiempo, cada tratamiento aparezca el mismo número de veces. El modelo a plantear y el análisis de los datos es igual que en el diseño de cuadrado latino. RECTANGULOS LATINOS Una opción cuando se tienen cuadrados latinos pequeños y por lo tanto pocos grados de libertad para el error, es aumentar ya sea el número de filas o el de columnas (pero sólo una de las dos) de tal manera que se llegue a un “Rectángulo latino t*mt” donde, como ya se dijo antes, “m”debe ser un entero positivo mayor de 1, para que cada tratamiento aparezca el mismo número de veces en cada fila y en cada columna, el siguiente es un ejemplo de un rectángulo 3*6: A C C B B A C B A C A B B A B A C C En este caso el modelo sería:

Yijk = µ + τi + fj + ck + εijk

Que es igual al de la página 3, con una única diferencia: k = 1,2,....., mt; en el ejemplo anterior, m = 2. La tabla de análisis de varianza quedaría: F de V GL Tratamientos t - 1 Filas Columnas Error Total t-1 mt - 1 (t-1)(mt-2) m(t2 )- 1 Tabla de Anova Suma de cuadrados Cuadrados medios SCT= T/ (t - 1) T = ∑Y2i../mt -TC F=∑Y
2 .j. /mt

FC

CM CM

ttos

Error

-TC

SCF= F / (t - 1) SCC= C / (mt - 1) SCE= E / (t-1)(mt-2)

C = ∑ Y2..k /t -TC E =Tot - T - F - C Tot =∑∑ y2ijk -TC

TC : Término de corrección = Y2... / mt2

Echavarría, Hernán – Diseño de Cuadrados Latinos

8 de 12

CUADRADOS LATINOS REPETIDOS Otra alternativa cuando se tienen pocos grados de libertad para el error experimental, debido al tamaño pequeño del cuadrado latino, es realizar repeticiones de dicho cuadrado, utilizando material experimental diferente cada vez. El análisis de este tipo de diseños lo debés leer del libro de diseño de experimentos de Montgomery.

REFERENCIAS MONTGOMERY, Douglas C. Diseño y Análisis de Experimentos. 3 ed. México, D.F.: Iberoamericana, 1991. 589 p. LENTNER M. And BISHOP T. Experimental design and analysis. Blacksburg: Valley Book Company, 1986. 565 p.

Echavarría, Hernán – Diseño de Cuadrados Latinos

9 de 12

PROGRAMA EN S.A.S PARA UN DISEÑO DE CUADRADOS LATINOS.
dm log"clear;output;clear;"continue; data cuadrado; input fila col Tto$ respuesta; cards; 1 1 D 785 1 2 A 730 1 3 C 700 1 4 B 595 2 1 A 855 2 2 B 775 2 3 D 760 2 4 C 710 3 1 C 950 3 2 D 885 3 3 B 795 3 4 A 780 4 1 B 945 4 2 C 950 4 3 A 880 4 4 D 835 ; /* Primero aparece la opción con el procedimiento GLM*/ proc GLM; class fila col Tto; model respuesta = fila col Tto/ss3; means Tto / tukey; /*Los siguientes son ejemplos de contrastes*/ contrast "t1 vs t2" Tto 1 -1; contrast "t1 vs t2 y t3" Tto 2 -1 -1; contrast "t1 y t2 vs t3 y t4" Tto 1 1 -1 -1; output out=validacion residual=residuales; run;quit; /*Validación de Normalidad*/ proc univariate data= validacion normal; var residuales; run;quit; /* Esta sería la opción con el procedimiento MIXED, que es la opción más recomendable pues las filas y columnas casi siempre serán efectos aleatorios, y a diferencia del GLM, el procedimiento MIXED siempre va a realizar bien todos los cálculos, ya sea que hayan valores perdidos o no*/ proc mixed data=cuadrado; class fila col tto; model respuesta=tto/ddfm=satterth outpm=out;; random fila col; lsmeans Tto / adjust=tukey;run;quit;

Echavarría, Hernán – Diseño de Cuadrados Latinos
/*Validación de Normalidad*/ proc univariate data= out normal; var resid; run; quit;
The GLM Procedure Class Level Information Class Levels Values fila col Tto 4 4 4 1 2 3 4 1 2 3 4 A B C D 16

10 de 12

Number of observations

The GLM Procedure Dependent Variable: respuesta Source Model Error Corrected Total R-Square 0.999254 Source fila col Tto DF 9 6 15 Sum of Squares 150631.2500 112.5000 150743.7500 Root MSE 4.330127 Mean Square 16736.8056 18.7500 F Value 892.63 Pr > F <.0001

Coeff Var 0.535824 DF 3 3 3

respuesta Mean 808.1250 F Value 1644.78 934.33 98.78 Pr > F <.0001 <.0001 <.0001

Type III SS Mean Square 92518.75000 30839.58333 52556.25000 17518.75000 5556.25000 1852.08333 The GLM Procedure

Tukey's Studentized Range (HSD) Test for respuesta NOTE: This test controls the Type I experimentwise error rate, but it generally has a higher Type II error rate than REGWQ. Alpha Error Degrees of Freedom Error Mean Square Critical Value of Studentized Range Minimum Significant Difference 0.05 6 18.75 4.89559 10.599

Means with the same letter are not significantly different. Tukey Grouping A B B B C Mean 827.500 816.250 811.250 777.500 N 4 4 4 4 Tto C D A B

Echavarría, Hernán – Diseño de Cuadrados Latinos
The GLM Procedure Dependent Variable: respuesta Contrast t1 vs t2 t1 vs t2 y t3 t1 y t2 vs t3 y t4 DF 1 1 1 Contrast SS 2278.125000 204.166667 3025.000000 Tests for Normality Test Shapiro-Wilk Kolmogorov-Smirnov Cramer-von Mises Anderson-Darling --Statistic--W D W-Sq A-Sq 0.898539 0.238462 0.126157 0.728773 -----p Value-----Pr Pr Pr Pr < > > > W D W-Sq A-Sq 0.0762 0.0162 0.0453 0.0464 Mean Square 2278.125000 204.166667 3025.000000 F Value 121.50 10.89 161.33

11 de 12

Pr > F <.0001 0.0164 <.0001

*** AQUÍ COMIENZA LA SALIDA DEL PROCEDIMIENTO MIXED *** The Mixed Procedure Class Level Information Class fila col Tto Levels 4 4 4 Values 1 2 3 4 1 2 3 4 A B C D

Covariance Parameter Estimates Cov Parm fila col Residual Estimate 7705.21 4375.00 18.7500

Type 3 Tests of Fixed Effects Num DF 3 Den DF 6

Effect Tto

F Value 98.78

Pr > F <.0001

Effect Tto Tto Tto Tto

Tto A B C D

Least Squares Means Standard Estimate Error DF 811.25 777.50 827.50 816.25 54.9976 54.9976 54.9976 54.9976 5.59 5.59 5.59 5.59

t Value 14.75 14.14 15.05 14.84

Pr > |t| <.0001 <.0001 <.0001 <.0001

Echavarría, Hernán – Diseño de Cuadrados Latinos
Differences of Least Squares Means
Standard Error 3.0619 3.0619 3.0619 3.0619 3.0619 3.0619

12 de 12

Effect Tto Tto Tto Tto Tto Tto

Tto A A A B B C

_Tto B C D C D D

Estimate 33.7500 -16.2500 -5.0000 -50.0000 -38.7500 11.2500

DF 6 6 6 6 6 6

t Value 11.02 -5.31 -1.63 -16.33 -12.66 3.67

Pr > |t| <.0001 0.0018 0.1536 <.0001 <.0001 0.0104

Adjustment Tukey-Kramer Tukey-Kramer Tukey-Kramer Tukey-Kramer Tukey-Kramer Tukey-Kramer

Adj P 0.0001 0.0073 0.4289 <.0001 <.0001 0.0392

Tests for Normality Test Shapiro-Wilk Kolmogorov-Smirnov Cramer-von Mises Anderson-Darling --Statistic--W D W-Sq A-Sq 0.982918 0.080959 0.016432 0.127746 -----p Value-----Pr Pr Pr Pr < > > > W D W-Sq A-Sq 0.9825 >0.1500 >0.2500 >0.2500

Sign up to vote on this title
UsefulNot useful