Echavarra, Hernn Diseo de Cuadrados Latinos Diseo de Cuadrados Latinos (DCL) Prepar: Hernn Echavarra Snchez

1 de 12

Ya vimos que el diseo de bloques al azar, era el diseo apropiado cuando se conoca de antemano algn factor que fuera fuente de variabilidad entre las unidades experimentales. Pero qu pasa si se sabe de dos factores o fuentes de variabilidad que afectan el material experimental? Supongamos que se tiene un experimento agrcola donde las unidades experimentales son parcelas, pero estas parcelas estn ubicadas en diferentes tipos de suelo y adems tienen diferentes valores de pH, uno podra pensar en realizar un diseo de bloques al azar usando cualquiera de estas dos caractersticas: 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 habrn imaginado es la ms adecuada, es hacer un doble bloqueo, o sea bloques en dos direcciones, que consideren las dos fuentes de variacin, a este tipo de diseo se le denomina Cuadrado Latino, donde se tiene un conjunto de t tratamientos y t2 unidades experimentales, que son agrupadas por dos factores. El diseo de cuadrados latinos tuvo sus orgenes en experimentos agrcolas, donde se tenan parcelas de terreno con gradientes de fertilidad en dos direcciones, tal como aparece en el siguiente grfico. 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 diseo no se limita a esta situacin, se ha utilizado en otras reas diferentes a la agricultura, tales como la biologa, estudio de mercados, procesos industriales, entre otros. Se debe tener en cuenta que un diseo de cuadrados latinos no requiere que las unidades experimentales estn distribuidas fsicamente en un cuadrado como tal, de hecho, esta situacin slo se presenta en un caso como el de los dos gradientes de fertilidad mencionado anteriormente. Para un diseo 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, etctera, de ah el nombre de cuadrado latino. En el ejemplo de los gradientes de fertilidad, se podra evaluar entonces el

Echavarra, Hernn Diseo de Cuadrados Latinos

2 de 12

efecto de cuatro tratamientos (A, B, C y D), que podran 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 estn organizadas alfabticamente, se le llama cuadrado latino estndar. Importante: En este diseo, la asignacin aleatoria de los tratamientos a las unidades experimentales, se hace a travs de la aleatorizacin de un cuadrado del tamao t*t requerido, veamos los pasos recomendados: PASOS PARA OBTENER UN CUADRADO LATINO ALEATORIZADO 1. Partir de un cuadrado latino estndar del tamao requerido: Supongamos que necesitamos un cuadrado 4*4 y arbitrariamente hemos seleccionado el planteado anteriormente, donde se observa el orden alfabtico 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 nmeros 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 quedara: 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 ltimo 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 sera el definitivo:

Echavarra, Hernn Diseo 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 DISEO 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 comparacin ms precisa de los tratamientos (se tiene ms potencia) pues la variacin debida a las filas y las columnas es removida del error experimental. Es fcil de analizar, comparado con el diseo de bloques al azar, slo se requiere de una suma de cuadrados adicional. Cuando se tienen cuadrados pequeos (lo que implica pocos grados de libertad para el error experimental) se pueden utilizar varios de estos cuadrados de poco tamao y realizar un anlisis combinado de los mismos en algo que se llama cuadrados latinos repetidos. DESVENTAJAS DEL DISEO DE CUADRADOS LATINOS El nmero de tratamientos, filas y columnas debe ser igual, a veces es difcil encontrar unidades experimentales que permitan armar los bloques homogneos en las dos direcciones, ms an, si el nmero de tratamientos es grande. Los diseos pequeos tienen pocos grados de libertad para la estimacin del error experimental y a medida que el tamao del diseo aumenta, es posible que no se tenga homogeneidad al interior de cada bloque. No es un diseo adecuado si existe interaccin entre los efectos de fila, columna y tratamientos. MODELO LINEAL En este caso el modelo sera:

Yijk = + i + fj + ck + ijk

Donde:

Yijk es la lectura del tratamiento i-simo en la fila j-esima y en la k-sima columna es el promedio poblacional de la variable respuesta i 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 ijk es el error asociado con la lectura del i-simo tratamiento en la fila j-esima y en
la k-sima columna.

Echavarra, Hernn Diseo de Cuadrados Latinos ANLISIS DE VARIANZA Para realizar el anlisis de varianza se requieren los siguientes trminos: 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 Variacin GL : Grados de libertad t : Nmero de tratamientos = Nmero de filas = Nmero de columnas TC : Trmino de correccin = 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: As como en el diseo de bloques al azar, el efecto de los bloques no se evaluaba, en el diseo de cuadrados latinos, los efectos de filas y columnas tampoco se evalan, pues por diseo se espera que existan diferencias entre ellas. Nota 2: Los grados de libertad del error tambin se pueden calcular como la diferencia entre los grados de libertad totales y los grados de libertad de las otras fuentes de variacin (tratamiento, filas y columnas). EJERCICIO: Aqu deben plantear un experimento que ustedes consideren se debe evaluar bajo un diseo de cuadrados latinos, como siempre, deben indicar, quin es el factor con sus niveles, la unidad experimental, la variable respuesta y quienes son las fuentes de variacin filas y columnas. Deben hacer la aleatorizacin del cuadrado latino, luego van a suponer los datos de la variable respuesta y los deben analizar con el alfa que deseen.

Echavarra, Hernn Diseo 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 adems, diferencias en la disponibilidad de Nitrgeno de norte a sur, para controlar los efectos de la pendiente y la disponibilidad de Nitrgeno, utiliz un diseo de cuadrado latino, las variedades son: A, B, C y D, los datos corresponden a la produccin en kg/parcela. Disponibilidad de Nitrgeno 1 2 3 4 Y.. k Aqu el juego de hiptesis a probar sera: Ho = A = B = C = D Ha = i j para cualquier i diferente de j. El anlisis de varianza queda: (Tarea: Verificarlo) F de V Tratamientos Nitrgeno (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 cul se rechaza la hiptesis nula y se concluye que existen por lo menos dos variedades de aguacate con diferentes niveles de produccin, para evaluar entre quienes est la diferencia debe realizarse una prueba de comparacin de medias, esto te queda de tarea.

Echavarra, Hernn Diseo de Cuadrados Latinos SUPUESTOS EN UN DISEO DE CUADRADOS LATINOS

6 de 12

Para que el anlisis de varianza en un diseo de cuadrados latinos tenga validez, deben cumplirse los mismos supuestos mencionados para el diseo 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 interaccin entre los mismos. Respecto a la normalidad y la independencia, el procedimiento es el mismo que en el caso de un diseo completamente al azar y de un diseo en bloques al azar, la normalidad se evaluar con ayuda del programa SAS y la prueba de Shapiro Wilk y la independencia se garantizar con la asignacin aleatoria de los tratamientos a las unidades experimentales. En el caso del supuesto de homocedasticidad, para el diseo de cuadrados latinos se presenta el mismo problema de ndole computacional que habamos mencionado para el diseo de bloques al azar, pues los programas estadsticos actuales son incapaces de evaluar el supuesto en cualquier diseo diferente al completamente al azar, razn por la cual se debe asumir que el supuesto se cumple. DISEOS CROSS-OVER Un diseo muy parecido al de cuadrados latinos, es el diseo 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 situacin en el contexto agropecuario rara vez se presenta con material vegetal por lo que prcticamente se limita a ensayos donde las unidades experimentales son animales. Un esquema de un diseo cross-over es el siguiente: Perodo 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 podran considerar efectos columna y los perodos de tiempo se consideran como efectos fila, por lo que nuevamente se est en presencia de un doble bloqueo y cada unidad experimental recibe en orden aleatorio todos los tratamientos; aqu es importante sealar 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

Echavarra, Hernn Diseo de Cuadrados Latinos

7 de 12

tratamientos, si no es as, entonces debe utilizarse un perodo de descanso entre cada par de perodos consecutivos. Aqu siempre el nmero de perodos de tiempo ser igual al nmero de tratamientos, pero no existe restriccin respecto al nmero de unidades experimentales, se podran tener ms unidades experimentales (una especie de Rectngulo latino) pero siempre el nmero total de unidades experimentales deber ser un nmero mltiplo del nmero de tratamientos, de tal manera que en cada perodo de tiempo, cada tratamiento aparezca el mismo nmero de veces. El modelo a plantear y el anlisis de los datos es igual que en el diseo de cuadrado latino. RECTANGULOS LATINOS Una opcin cuando se tienen cuadrados latinos pequeos y por lo tanto pocos grados de libertad para el error, es aumentar ya sea el nmero de filas o el de columnas (pero slo una de las dos) de tal manera que se llegue a un Rectngulo latino t*mt donde, como ya se dijo antes, mdebe ser un entero positivo mayor de 1, para que cada tratamiento aparezca el mismo nmero de veces en cada fila y en cada columna, el siguiente es un ejemplo de un rectngulo 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 sera:

Yijk = + i + fj + ck + ijk

Que es igual al de la pgina 3, con una nica diferencia: k = 1,2,....., mt; en el ejemplo anterior, m = 2. La tabla de anlisis de varianza quedara: 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 : Trmino de correccin = Y2... / mt2

Echavarra, Hernn Diseo de Cuadrados Latinos

8 de 12

CUADRADOS LATINOS REPETIDOS Otra alternativa cuando se tienen pocos grados de libertad para el error experimental, debido al tamao pequeo del cuadrado latino, es realizar repeticiones de dicho cuadrado, utilizando material experimental diferente cada vez. El anlisis de este tipo de diseos lo debs leer del libro de diseo de experimentos de Montgomery.

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

Echavarra, Hernn Diseo de Cuadrados Latinos

9 de 12

PROGRAMA EN S.A.S PARA UN DISEO 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 opcin 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; /*Validacin de Normalidad*/ proc univariate data= validacion normal; var residuales; run;quit; /* Esta sera la opcin con el procedimiento MIXED, que es la opcin ms recomendable pues las filas y columnas casi siempre sern efectos aleatorios, y a diferencia del GLM, el procedimiento MIXED siempre va a realizar bien todos los clculos, 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;

Echavarra, Hernn Diseo de Cuadrados Latinos

/*Validacin 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

Echavarra, Hernn Diseo 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

*** AQU 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

Echavarra, Hernn Diseo 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