Cuadrado Latino

1
DISEO CUADRADO LATINO : DCL

El agrupamiento de las unidades experimentales en dos direcciones (filas y columnas) y la

asignacin de los tratamientos al azar en las unidades, de tal forma que en cada fila y en cada
columna se encuentren todos los tratamientos constituye un diseo cuadrado latino.
Caractersticas:
1. Las u.e. se distribuyen en grupos , bajo dos criterios de homogeneidad dentro de la fila y dentro
de la columna y heterogeneidad en otra forma.
2. En cada fila y en cada columna, el nmero de unidades
es igual al nmero de tratamientos.
3. Los tratamientos son asignados al azar en las unidades
experimentales dentro de cada fila y dentro de cada columna.
4. El nmero de filas = nmero de columnas = nmero de tratamientos.
5. Los anlisis estadsticos T-student, Duncan, Tuckey y en
pruebas de contraste se procede como el diseo completo al azar y el diseo de bloques. La
desviacin estandar de la diferencia de promedios y la desviacin estandar del promedio, estn en
funcin del cuadrado medio del error experimental.
El nombre de cuadrado Latino se debe a R.A. Fisher [The Arrangement of Field Experiments, J.
Ministry Agric., 33: 503-513 (1926)]. Las primeras Aplicaciones fueron en el campo agronmico,
especialmente en los casos de suelos con tendencias en fertilidad en dos direcciones.
Formacin de cuadrados latinos
Suponga 4 tratamientos A,B,C y D, con estos tratamientos se pueden formar 4 cuadros diferentes
llamadas tpicas o estandar (en la primera fila y en la primera columna se tiene la misma
distribucin).

A B C D
B A D C
C D B A
D C A B

A B C D
B C D A
C D A B
D A B C

A B C D
B D A C
C A D B
D C B A

A B C D
B A D C
C D A B
D C B A

De cada cuadro se obtienen 144 formas diferente, en total se tienen 576 cuadros diferentes.

F.de Mendiburu /

3/24/2007

Cuadrado Latino

La siguiente tabla permite relacionar el numero de cuadros en funcin del tamao.

Tamao Nro de
Nm total

del
formas Valor de de cuadrados
cuadrado tpica n!(n-1)! diferentes

3 x 3
1
12
12

4 x 4
4
144
576

5 x 5
56
2880
161280

6 x 6 9408
86400
812851200

n = tamao del cuadro.

Asignacin de tratamientos.
Los tratamientos deben asignarse empleando uno de los cuadros de los posibles, es decir si son
cuatro tratamientos, escoger entre los 576 posibles.
Modelo estadstico.
Cada observacin del experimento es expresado como una relacin lineal de los efectos
involucrados ( tratamiento, fila y columna ), as:

Y ij(k) = + F i + C j + (k) + error ij(k)

i,j,k=1,2,...,n

= efecto medio (parmetro del modelo)

F i = efecto de la fila i
C j = efecto de la columna j

(k) = efecto del tratamiento k

error ij(k) = error experimental de la u.e. i,j
Yij(k) = Observacin en la unidad experimental
El subndice (k) indica que tratamiento k fue aplicado en la u.e.
El modelo esta compuesto por n2 ecuaciones, una para cada observacin.
Estimacin de parmetros.
El nmero de parmetros a estimar es igual a 3n+1 y la estimacin puede resolverse por mnimos
cuadrados del error, mxima verosimilitud u otro mtodo, en nuestro caso se utilizara el mtodo de
mnimos cuadrados del error.

La funcin a minimizar es:

F.de Mendiburu /

3/24/2007

Cuadrado Latino

error

= ( Y ij(k) - - F i - C j - (k) )
ij(k)

La solucin constituye el conjunto de estimadores de los parmetros del modelo, dado por:

( , F i ,C j ,k ) para i,j,k = 1,2,...,n

El sistema de ecuaciones que darn solucin constituyen las ecuaciones normales, para tener una
nica solucin, se agregan al sistema las siguientes restricciones:

F i = 0 ; C j = 0 ; i = 0
La solucin son los estimadores mnimos cuadrticos:

= Y ..
F i = Y i. - Y ..
C = Y .j - Y ..
(k) = Y (k) - overlineY ..
y el error en cada u.e. es:

Error ij(k) = Y ij(k) - Y i. - Y .j - Y (k) + 2 Y ..

Y i.
Y .j
Y (k)

: Promedio de la fila i
: Promedio de la columna j
: Promedio del tratamiento k

Sumas de cuadrados
A partir del modelo estimado, la suma de cuadrados del total es descompuesto en suma de
cuadrados de tratamientos, filas, columnas y error experimental:

2
2
2
2
2
( Y ij(k) - ) = F + C + + error
i
j
(k)
ij(k)
+ dobles productos

( Y ij(k) - )2
2
F
i
2
C
j

F.de Mendiburu /

: Suma de cuadrados del total

: Suma de cuadrados de filas
: Suma de cuadrados de columnas

3/24/2007

Cuadrado Latino

2
: Suma de cuadrados de tratamientos

(k)
2
: Suma de cuadrados del error
error
ij(k)
Los dobles productos son iguales a cero.
Ejercicio. Probar las siguientes identidades:

i. ..
i
n n2
2 2
Y Y
2
.j
..
SC Columna: nC =
- 2
j
n n
SC Fila : nF =

Aplicacin:
"Evaluacin del sistema de riego por exudacin utilizando cuatro variedades de meln, bajo
modalidad de siembra, SIMPLE HILERA.". Se desea probar el comportamiento de tres variedades
hbridas de meln y uno estndar. (Tesis).- autor Alberto ngeles L.
Variedades:

V1 : Hbrido Mission
V2 : Hbrido Mark.
V3 : Hbrido Topfligth.
V4 : Hbrido Hales Best Jumbo.

Hiptesis : Ho : Efecto de variedades de melon en estudio es nulo.

H1 : Al menos dos variedades tienen efectos distintos.
Datos: Rendimiento en Kgs. por parcela.

F1
F2
F3
F4

C1
45
29
37
38

C2
50
53
41
40

Solucion:
C1
F1
45
F2
29
F3
37
F4
38
Yi.
149
V1
189

F.de Mendiburu /

C3
43
41
41
35

C2
50
53
41
40
184
V2
169

C4
35
63
63
41

F1
F2
F3
F4

C3
43
41
41
35
160
V3
197

C4
35
63
63
41
202
V4
140

C1
V1
V4
V2
V3

C2
V2
V3
V4
V1

C3
V3
V2
V1
V4

C4
V4
V1
V3
V2

Y.j
173
186
182
154
695
695

3/24/2007

Cuadrado Latino

Estimacion de parametros :
: 695/16 = 43.4375
1 : 189/4 43.4375 = 3.81 ; 2 : -1.18 ; 3 : 7.57 ; 4 : -8.4375
c1 : 149/4 43.4375 =-6.1875 ;c2 : 2.5625 ; c3 : -3.4375 ; c4 : 7.0625
f1 : 173/4 43.4375 = -0.1875 ; f2 : 3.0625 ; f3 : 2.0625 ; f4 : -4.9375
CALCULO DE SUMAS DE CUADRADOS
Termino de correccin TC = 695 /16 = 30189.1
SC(Total) = 45 + 50 + . . . 41 - TC = 1359.9375
SC(Filas) = (173 + + 154 ) / 4 - TC = 152.18750
SC(Columna) = ( 149 + + 202 ) / 4 TC = 426.18750
SC(Melon) = ( 189 + + 140 ) / 4 TC = 483.68750
SC(error) = SC(total) SC(filas) SC(columnas) = 297.8750
Promedio = 695 /16 = 43.438
CM (error) = SC(error) / [(t-1)(t-2)] = 49.6458
CV = Raiz (CM error) *100 / Promedio = 16.2 %
Analisis de Variancia:
Fuente

Gl

S.C.

FILA
COLUMNA
MELON
Error
Total

3
3
3
6
15

152.1875
426.1875
483.6875
297.8750
1359.9375

C.M.
50.7291
142.0625
161.2291
49.6458

Fc
1.02
2.86
3.25

Pr > F

0.4466
0.1264
0.1022

Se acepta la Hp, a un riesgo de rechazar la Hp de 0.05

Por lo tanto, no existe diferencias en el rendimiento de las variedades de melon tratadas con el
sistema de riego por exudacin.
El coeficiente de variacion es de 16% aceptable para evaluacin en campo.
El rendimiento promedio del melon en condiciones experimentales resulto 43.3 kilos por parcela
experimental.
El rendimiento por hibrido fue el siguiente :
V1 : Hbrido Mission 47.3 kilos
V2 : Hbrido Mark. = 42.3 kilos
V3 : Hbrido Topfligth. 49.3 kilos
V4 : Hbrido Hales Best Jumbo. = 35.0 kilos

F.de Mendiburu /

3/24/2007

Cuadrado Latino

Segn los resultados experimentales no existen diferencias estadsticas entre las variedades ; las
diferencias se dan a un riesgo mayor de 0.10, esto significa que muy posible existen diferencias
pero en este experimento no fue posible detectar por los pocos grados de libertad para el error, lo
recomendable cuando se prueba un testigo, se recomienda tener mas repeticiones, en un cuadrado
latino pequeo, lo recomendable es doblar el numero de parcelas del testigo ; esto significa tener
en forma ficticia 5 variedades en 5 filas y 5 columnas y los grados de libertad para el error serian
4x3 = 12. En el analisis de variancia se realiza en forma normal, y para las pruebas estadsticas
utilizar contrastes o dunnett. Si son pocos los tratamientos y hay inseguridad en el resultados,
realizar el ajuste de bonferroni u otro ajuste de probabilidades (ver ejmplos de agricolae)
Ejemplo : Suponga en este caso que la variedad V4 se dobla en el experimento y se identifica como
(V4 y V5), entonces un plan podria ser :

F1
F2
F3
F4
F5

C1
V1
V4
V2
V3
V5

C2
V2
V3
V4
V5
V1

C3
V3
V2
V5
V1
V4

C4
V4
V5
V1
V2
V3

C5
V5
V1
V3
V4
V2

El Analisis de variancia tendra las siguientes fuentes y grados de libertad :

Fila
Columna
Melon
Error
Total

4
4
4
12
24

Como los tratamiento V4 y V5 son los mismos, entonces la suma de cuadrados de Melon debe ser
descompuesta en :
Melon
V4, V5 vs V1, V2, V3
V4 vs V5
Entre V1, V2 , V3

4
1
1
2

Supuestamente no debe haber diferencia estadistica entre V4 y V5.

Para el ejercicio de este proceso, suponga los siguientes totales de Variedades para el ejemplo
V1
189

V2
169

V3
197

V4
140

V5
145

Y(k)
840

SC(Meln) = (189 + + 145) / 5 - 840 / 25 = 519.2

SC(V4, V5 vs V1, V2, V3) = (189+169+197) / 15 + (140+145) / 10 - 840 / 25 = 433.5
SC(V4 vs V5) = 140 / 5 + 145 / 5 - (140 + 145 ) / 10 = 2.5
SC(V1, V2 , V3) = (189 +169 +197 ) / 5 - (189+169+197) / 15 = 83.2
Este ultimo resultado puede ser obtenido por diferencia del total de SC(Meln)
519.2 (433.5 + 2.5 ) = 83.2

F.de Mendiburu /

3/24/2007

Cuadrado Latino

Para estos calculos tambien puede utilizar los contrastes ortogonales.

V1
V4,V5 vs demas 2
V4 vs V5
0
189

V2
2
0
169

V3
2
0
197

V4
-3
1
140

V5
-3
-1
145

Suma
255
-5
840

Numerador Denominador SC
65025
150
433.5
25
10
2.5

Procedimiento R para el experimento de hibridos de Meln (datos de la tesis).

Crear el archivo melon.txt con NOTEPAD y almacenar en su folder de trabajo.
fila columna melon rdto
1 1
V1
45
1 2
V2
50
1 3
V3
43
1 4
V4
35
2 1
V4
29
2 2
V3
53
2 3
V2
41
2 4
V1
63
3 1
V2
37
3 2
V4
41
3 3
V1
41
3 4
V3
63
4 1
V3
38
4 2
V1
40
4 3
V4
35
4 4
V2
41
Ingresar al programa R y ubicarse en su folder de trabajo.
Ejecutar las siguientes instrucciones en el ambiente R.
rm(list=ls())
datos <- read.table("melon.txt",header=TRUE)
datos[,1] <- as.factor(datos[,1])
datos[,2] <- as.factor(datos[,2])
datos[,3] <- as.factor(datos[,3])
modelo <-aov(rdto ~ fila + columna + melon,data=datos)
modelo
Call:
aov(formula = rdto ~ fila + columna + melon, data = datos)
Terms:

fila columna
melon Residuals
Sum of Squares 152.1875 426.1875 483.6875 297.8750
Deg. of Freedom
3
3
3
6
Residual standard error: 7.04598
Estimated effects may be unbalanced
> anova(modelo)
Analysis of Variance Table
F.de Mendiburu /

3/24/2007

Cuadrado Latino

Response: rdto
Df Sum Sq Mean Sq F value Pr(>F)
fila
3 152.19
50.73 1.0218 0.4466
columna
3 426.19 142.06 2.8615 0.1264
melon
3 483.69 161.23 3.2476 0.1022
Residuals 6 297.88
49.65
cv<-cv.model(modelo)
cv
[1] 16.22096
En el caso de encontrar diferencias siginifcativas, puede realizar las comparaciones muliples de
tratamientos con las funciones de agricolae.
library(agricolae)
gl<- 6
cm<- 49.65
attach(datos)
# Caso LSD con t-students en grupos.
compara <- LSD.test(rdto, melon, gl,cm, alpha=0.05)
Study:
LSD t Test for rdto

......
Alpha
0.050000
Error Degrees of Freedom 6.000000
Error Mean Square
49.650000
Critical Value of t
2.446912
Treatment Means
melon rdto std.err replication
1
V1 47.25 5.359960
4
2
V2 42.25 2.750000
4
3
V3 49.25 5.543389
4
4
V4 35.00 2.449490
4
Least Significant Difference 12.19166
Means with the same letter are not significantly different.
Groups, Treatments and means
a
V3
49.25
a
V1
47.25
ab
V2
42.25
b
V4
35
Una apariencia de diferencia entre tratamientos.
Para hallar las probabilidades de diferencia, se realiza la comparacion
sin grupos.
# Caso LSD con t-students sin grupos.
compara <- LSD.test(rdto, melon, gl,cm, alpha=0.05, group=FALSE)

F.de Mendiburu /

3/24/2007

Cuadrado Latino

LSD t Test for rdto

......
Alpha
0.050000
Error Degrees of Freedom 6.000000
Error Mean Square
49.650000
Critical Value of t
2.446912
Treatment Means
melon rdto std.err replication
1
V1 47.25 5.359960
4
2
V2 42.25 2.750000
4
3
V3 49.25 5.543389
4
4
V4 35.00 2.449490
4
Comparison between treatments means
1
2
3
4
5
6

tr.i tr.j diff pvalue

1
2 5.00 0.3544
1
3 2.00 0.7020
1
4 12.25 0.0492
2
3 7.00 0.2096
2
4 7.25 0.1958
3
4 14.25 0.0288

Para un conclusin correcta, se realiza el ajuste de bonferroni.

# Caso LSD con el ajuste de bonferroni sin grupos.
compara <- LSD.test(rdto, melon, gl,cm, alpha=0.05,
p.adj="bonferroni")

group=FALSE,

LSD t Test for rdto

P value adjustment method: bonferroni
......
Alpha
0.050000
Error Degrees of Freedom 6.000000
Error Mean Square
49.650000
Critical Value of t
3.862991
Treatment Means
melon rdto std.err replication
1
V1 47.25 5.359960
4
2
V2 42.25 2.750000
4
3
V3 49.25 5.543389
4
4
V4 35.00 2.449490
4
Comparison between treatments means
tr.i tr.j diff pvalue
1
1
2 5.00 1.0000
2
1
3 2.00 1.0000
3
1
4 12.25 0.2952
4
2
3 7.00 1.0000
5
2
4 7.25 1.0000
6
3
4 14.25 0.1728
Conclusin: No hay diferencias entre las variedades de Merlon
F.de Mendiburu /

3/24/2007

Cuadrado Latino

10

Para una evaluacion simulada de esta tesis, suponiendo que se realiza otro experimento en
igualdad de condiciones con los siguientes datos experimentales:
Crear datos2:
fila columna melon rdto
1
1
V1
44
1
2
V2
40
1
3
V3
48
1
4
V4
41
2
1
V4
45
2
2
V3
36
2
3
V2
30
2
4
V1
33
3
1
V2
50
3
2
V4
45
3
3
V1
45
3
4
V3
53
4
1
V3
57
4
2
V1
50
4
3
V4
31
4
4
V2
37
Grabar con el nombre melon2.txt
datos2 <- read.table("melon2.txt",header=TRUE)
datos2[,1] <- as.factor(datos2[,1])
datos2[,2] <- as.factor(datos2[,2])
datos2[,3] <- as.factor(datos2[,3])
modelo2 <-aov(rdto ~ fila + columna + melon,data=datos2)
anova(modelo2)
Analysis of Variance Table
Response: rdto
Df Sum Sq Mean Sq F value Pr(>F)
fila
3 308.187 102.729 3.2124 0.1042
columna
3 240.687 80.229 2.5088 0.1557
melon
3 201.688 67.229 2.1023 0.2014
Residuals 6 191.875 31.979
Como se puede observar un resultado similar al experimento real.
Realizando un anlisis combinado de los ANVAS.
Error = error1 + error2
Columna = columna1 + columna2
Filas = filas1 + filas2
Dado que son efectos anidados por cuadro, podemos tener con R los
siguientes resultados:
set1 <- data.frame(cuadro=1, datos)
set2 <- data.frame(cuadro=2, datos2)
setJunto <- rbind(set1,set2)
F.de Mendiburu /

3/24/2007

Cuadrado Latino

11

# el modelo:
general <- lm(rdto ~ cuadro + fila%in%cuadro + columna%in%cuadro +
melon+melon:cuadro,setJunto)
anova(general)
Analysis of Variance Table
Response: rdto

Df Sum Sq Mean Sq F value Pr(>F)

cuadro
1
3.12
3.12 0.0766 0.78671
melon
3 572.75 190.92 4.6779 0.02185 *
cuadro:fila
6 460.38
76.73 1.8800 0.16577
cuadro:columna 6 666.88 111.15 2.7233 0.06594 .
cuadro:melon
3 112.62
37.54 0.9199 0.46064
Residuals
12 489.75
40.81
--Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
Analisis comparativo de tratamientos.
Utilizando agricolae.
gl<- df.residual(general)
cm<- deviance(general)/gl
attach(setJunto)
# Caso LSD con t-students en grupos.
compara <- LSD.test(rdto, melon, gl,cm, alpha=0.05, p.adj=bonferroni)
LSD t Test for rdto
P value adjustment method: bonferroni
......
Alpha
0.050000
Error Degrees of Freedom 12.000000
Error Mean Square
40.812500
Critical Value of t
3.152681
Treatment Means
melon
rdto std.err replication
1
V1 45.125 3.090524
8
2
V2 40.750 2.373590
8
3
V3 48.875 3.324355
8
4
V4 37.750 2.169184
8
Least Significant Difference 10.07040
Means with the same letter are not significantly different.
Groups, Treatments and means
a
V3
48.875
ab
V1
45.125
ab
V2
40.75
b
V4
37.75

F.de Mendiburu /

3/24/2007