Captulo 7

Diseos en cuadrados latinos

7.1.

Introduccin

En el modelo en bloques aleatorizados, que estudiamos en el captulo anterior,

considerbamos un factor principal y un factor de control o variable de bloque que introduciamos con el objeto de eliminar su inuencia en la variable respuesta y as reducir el
error experimental. En este captulo estudiaremos diseos que utilizan ms de una variable
de bloque para reducir el error experimental.
As, si se consideran simultneamente dos variables de bloque, un diseo completo en
bloques aleatorizados consistira en formar un bloque para cada combinacin de niveles
de dichas variables y despus aplicar todos los niveles del factor principal en cada uno
de los bloques obtenidos. Por ejemplo, supongamos un experimento en el que se quiere
estudiar el efecto de distintos tipos de semilla en el rendimiento del trigo y se considera que
en dicho rendimiento tambin pueden inuir los tipos de abonos e insecticidas empleados.
Para realizar dicho estudio, es posible utilizar un diseo completo en bloques aleatorizados,
donde el factor principal es el tipo de semilla y las variables de bloque los tipos de abono
e insecticida.
Un incoveniente que presentan a veces estos diseos es el de requerir excesivas unidades
experimentales para su realizacin. Un diseo en bloques completos con un factor principal
y dos factores de bloque, con K1, K2 y K3 niveles en cada uno de los factores, requiere
K1 K2 K3 unidades experimentales. En nuestro ejemplo, si el factor principal, tipo de
semilla, tiene 4 niveles, la primera variable de bloque, tipo de abono, 5 niveles, la segunda,
tipo de insecticida, 3 niveles, se necesitaran 4 5 3 = 60 unidades experimentales.
En un experimento puede haber diferentes causas, por ejemplo de ndole econmico,
que no permitan emplear demasiadas unidades experimentales, ante esta situacin se puede
recurrir a un tipo especial de diseos en bloques incompletos aleatorizados. La idea bsica
1

Diseos en cuadrados latinos

de estos diseos es la de fraccin; es decir, seleccionar una parte del diseo completo de
forma que, bajo ciertas hiptesis generales, permita estimar los efectos que interesan.
Uno de los diseos en bloques incompletos aleatorizados ms importante con dos factores de control es el modelo en cuadrado latino, dicho modelo requiere el mismo nmero
de niveles para los tres factores.
En general, para K niveles en cada uno de los factores, el diseo completo en bloques
aleatorizados utiliza K2 bloques, aplicndose en cada bloque los K niveles del factor
principal, resultando un total de K3 unidades experimentales. Los diseos en cuadrado
latino reducen el nmero de unidades experimentales a K2 utilizando los K2 bloques
del experimento, pero aplicando slo un tratamiento en cada bloque con una disposicin
especial. De esta forma, si K fuese 4, el diseo en bloques completos necesitara 43 =
64 observaciones, mientras que el diseo en cuadrado latino slo necesitara 42 = 16
observaciones.
En este captulo se van estudiar adems del diseo en cuadrado latino otros diseos
relacionados con l, como son los cuadrados greco-latinos que utilizan tres variables de
bloque y los cuadrados de Youden que se pueden considerar como una variante de los
cuadrados latinos, si bien tambin se pueden estudiar como bloques incompletos. En primer
lugar, estudiaremos el diseo en cuadrado latino.

7.2.

Diseos en cuadrados latinos

7.2.1.

Descripcin del modelo

Los diseos en cuadrados latinos son apropiados cuando es necesario controlar dos
fuentes de variabilidad. En dichos diseos el nmero de niveles del factor principal tiene
que coincidir con el nmero de niveles de las dos variables de bloque o factores secundarios
y adems hay que suponer que no existe interaccin entre ninguna pareja de factores.
Supongamos que el nmero de niveles de cada uno de los factores es K. E l diseo en
cuadrado latino utiliza K2 bloques, cada uno de estos bloques corresponde a una de las
posibles combinaciones de niveles de los dos factores de control. En cada bloque se aplica
un solo tratamiento de manera que cada tratamiento debe aparecer con cada uno de los
niveles de los dos factores de control.
Si consideramos una tabla de doble entrada donde las las y las columnas representan
cada uno de los dos factores de bloque y las celdillas los niveles del factor principal o
tratamientos, el requerimiento anterior supone que cada tratamiento debe aparecer una
vez y slo una en cada la y en cada columna.

7.2 Diseos en cuadrados latinos

Recibe el nombre de cuadrado latino de orden K a una disposicin en las y columnas

de K letras latinas, de tal forma que cada letra aparece una sola vez en cada la y en cada
columna.
A continuacin vamos a dar una forma simple de construccin de cuadrados latinos.
Se parte de una primera la con las letras latinas ordenadas alfabticamente
Fila 1

Columna 1
A

Columna 2 Columna 3
B
C

Columna k
K

Las sucesivas las se obtienen moviendo la primera letra de la la anterior a la ltima

posicin (construccin por permutacin cclica), el cuadrado as obtenido es un cuadrado
latino estndar. Un cuadrado latino se denomina estndar cuando las letras de la primera
la y la primera columna estn ordenadas alfabticamente. A parte de los cuadrados latinos
as obtenidos existen otros cuadrados latinos diferentes, estndares y no estndares. En el
Apndice B se muestran algunos cuadrados latinos estndares para los rdenes 3, 4, 5, 6,
7, 8 y 9.
E l procedimiento para construir un diseo en cuadrado latino es el siguiente:
1) Se elige aleatoriamente un cuadrado latino de los disponibles.
2) Se asigna aleatoriamente el orden de las las y columnas.
3) Se asignan aleatoriamente los tres factores a las las, columnas y letras, respectivamente.
Ilustremos este procedimiento con el ejemplo del rendimiento de la semilla de trigo. Al
plantear este experimento se pens que podra conseguirse mayor precisin si se controlaba
la variabilidad introducida por los tipos de abono e insecticida. E l instituto de experimentacin agrcola est interesado en estudiar 4 tipos de semilla de trigo, (s1, s2, s3, s4) y
decide realizar el experimento utilizando un diseo en cuadrado latino. Para ello selecciona
4 niveles para cada una de las variables de bloque: abono, (a1, a2, a3, a4), e insecticida,
(i1, i2, i3, i4).
La seleccin de uno de los cuadrados se hace al azar. Supongamos que el cuadrado
latino elegido es el siguiente
A
B
C
D

B
A
D
C

C
D
A
B

D
C
B
A

Diseos en cuadrados latinos

A continuacin, se asigna tambin al azar, el orden de las las y las columnas. Supongamos que el orden seleccionado para las las sea (2, 3, 1, 4), entonces el cuadrado latino
anterior se convierte en
B
C
A
D

A
D
B
C

D
A
C
B

C
B
D
A

Se vuelven a generar otros 4 nmeros aleatorios que se identican con el orden de las
columnas de este ltimo cuadrado. Supongamos que los nmeros obtenidos son (4, 3, 1,
2), obtenindose el siguiente cuadrado latino
C
B
D
A

D
A
C
B

B
C
A
D

A
D
B
C

Por ltimo, se asignan al azar las las, las columnas y las letras latinas a los tres
factores. Por ejemplo, supongamos que las las, las columnas y las letras se asignan,
respectivamente, a los tipos de insecticidas, semillas y abonos, de tal forma que el diseo
resultante es
Tabla 5-1.

Insecticidas
i1
i2
i3
i4

s1
a3
a2
a4
a1

Semillas
s2 s3
a4 a2
a1 a3
a3 a1
a2 a4

s4
a1
a4
a2
a3

Por convenio, se suele situar el factor principal, en este caso el tipo de semilla, en las
celdillas. Reordenando el diseo anterior se obtiene la siguiente tabla:

7.2 Diseos en cuadrados latinos

Tabla 5-2.

Insecticidas
i1
i2
i3
i4

a1
s4
s2
s3
s1

Abonos
a2 a3
s3 s1
s1 s3
s4 s2
s2 s4

a4
s2
s4
s1
s3

En resumen, podemos decir que un diseo en cuadrado latino tiene las siguientes caractersticas:
1o) Se controlan tres fuentes de variabilidad, un factor principal y dos factores de bloque.
2o) Cada uno de los factores tiene el mismo nmero de niveles, K.
3o) Cada nivel del factor principal aparece una vez en cada la y una vez en cada
columna.
4o) No hay interaccin entre los factores.

7.2.2.

Planteamiento del modelo

En un diseo en cuadrado latino intervienen los siguientes factores: un factor principal y dos factores secundarios o variables de bloque. Se supone que no existe interaccin
entre esos tres factores. As el modelo empleado es un modelo adtivo.
Si consideramos que los tres factores son de efectos jos, el modelo estadstico para
este diseo es:
yij( h) = + i + j + h + +uij( h)

i = 1, 2 . . . , K
j = 1, 2 . . . , K
,
h = 1, 2 . . . , K

(7.1)

donde
yij( h) representa la observacin correspondiente a la i-sima la, j-sima columna y
h-sima letra latina.
es la media global.
i es el efecto producido por el i-simo nivel del factor la. Dichos efectos estn
sujetos a la restriccin i i = 0.

Diseos en cuadrados latinos

j es el efecto producido por el j-simo nivel del factor columna. Dichos efectos estn
sujetos a la restriccin j j = 0.
h es el efecto producido por la h-sima letra latina. Dichos efectos estn sujetos a
la restriccin h h = 0.
uij( h) son variables aleatorias independientes con distribucin N (0, )
La notacin yij( h) indica que los niveles i y j determinan la letra latina para un cuadrado latino especicado. As, en la situacin de referencia, Tabla 5-2, si i = 2 y j = 1,
automticamente h = 2 (semilla 2). Es decir, el subndice h toma valores que dependen de la celdilla (i, j). De esta forma, utilizando la notacin yij( h) , el cuadrado latino
correspondiente a la situacin de referencia es
y11(4)
y21(2)
y31(3)
y41(1)

y12(3)
y22(1)
y32(4)
y42(2)

y13(1)
y23(3)
y33(2)
y43(4)

y14(2)
y24(4)
y34(1)
y44(3)

A continuacin se muestra la notacin que se va a utilizar en estos diseos

N = K2 es el nmero total de observaciones.
E l total y la media global
y... =

yij(.)

y ... =

y...
K2

(7.2)

yij( .)

y i.. =

yi..
K

(7.3)

yij( .)

y . j. =

y. j.
K

(7.4)

i,j

E l total y la media por la

yi.. =

K
j=1

E l total y la media por columna

y. j . =

K
i =1

donde la notacin yij( .) indica que consideramos la observacin correspondiente a la

celdilla (i, j) independientemente de la letra latina que le corresponda.

7.2 Diseos en cuadrados latinos

E l total y la media para cada letra latina.

y ..h =

yij( h)

y..h =
i,j

y..h
K

(7.5)

donde y..h se obtiene sumando las K observaciones en las que el tratamiento se ha

jado al nivel h.

7.2.3.

Estimacin de los parmetros del modelo

2.4.1 Estimacin por mxima verosimilitud

Se construye la funcin de verosimilitud asociada a la muestra para las N = K2
observaciones

2 N2

L(, i , j, h , ) = (2 )

exp

2
2

yij( h) i j h

(7.6)

N
N
1
2
ln(2) ln( ) 2
2
2
2

yij( h) i j h

i =1 j=1

ln L
=
i

1
2

ln L
=
j

1
2

ln L
=
h

1
2

1
2

yij( .) i j h

(7.8)

i =1 j=1

yij( .) i j h

i = 1, , K

(7.9)

yij(.) i j h

j = 1, , K

(7.10)

j=1
K
i =1
K

i =1 j=1

yij( h) i j h

(7.7)

se calculan las correspondientes derivadas parciales

ln L
=

i =1 j=1

se determina el logaritmo de dicha funcin

ln( L(, i , j, h , 2)) =

h = 1, , K

(7.11)

Diseos en cuadrados latinos

ln L
N
1
= 2+
2
2
2(2) 2

yij( .) i j h

i =1 j=1

Igualando a cero estas derivadas parciales, se obtiene un sistema de ecuaciones que

proporciona los estimadores mximo verosmiles. Dichos estimadores vienen dados por las
expresiones
yij( .)
i

=
i =

1
K

1
j =
K
h =

= y ... ,

K2
K

(7.12)

yij( .) = yi.. y ...

(7.13)

yij( .) = y. j. y ...

(7.14)

j=1
K
i =1

1
K

i,j

yij( h) = y..h y ... .

(7.15)

Se puede comprobar fcilmente que estos estimadores verican

j =

i =
i

h = 0 .
h

Finalmente, sustituyendo , i , j y h en la ltima ecuacin de (7.11) e igualando a

cero, obtenemos el estimador de mxima verosimilitud para la varianza
2 =

1
N

i,j

yij( .) i j h

(7.16)

Residuos
Los residuos en este modelo adoptan la expresin
eij( h) = yij( h) yij( h) = yij( h) i j h =
yij( h) y i.. y . j. y ..h + 2
y .. .
Se verica que los residuos suman cero por las, columnas y para cada letra

(7.17)

7.2 Diseos en cuadrados latinos

eij( .) = 0

i = 1, , K

eij( .) = 0

j = 1, , K

eij( h) = 0
i

h = 1, , K

Por tanto el nmero de grados de libertad de los residuos es (K 1)(K 2). En efecto
K2 (K + (K 1) + (K 1)) = K2 3K + 2 = (K 1)(K 2) .
Se comprueba que el estimador insesgado de la varianza poblacional es la suma de los
cuadrados de los residuos dividida por sus grados de libertad, es decir
K

2 = S R2 =

7.2.4.

yij( h) yij( h)

i =1 j=1

(K 1)(K 2)

i =1 j=1

e2ij( h)
.

(K 1)(K 2)

(7.18)

Descomposicin de la variabilidad

Siguiendo el mismo procedimiento que en modelo en bloques aleatorizados, se

comprueba que la ecuacin bsica del anlisis de la varianza es
K

(yij( h) y... ) 2 = K

i =1 j=1

( y i.. y ...
)2 + K

i =1
K

( y . j. y ...

) 2 + K( y ..h y ...

j=1

) 2+

h=1

y
y
y
y
(yij( h) i.. . j. ..h + 2 ... ) 2

i =1 j=1

que simblicamente se puede escribir

(7.19)

S C T = SCF + SCC + SCL + SCR ,

denominando por esas siglas los trminos en el orden en que guran en la ecuacin (7.19)
y que reciben los siguientes nombres
1) S C T , suma total de cuadrados.

10

Diseos en cuadrados latinos

2) SCF , suma de cuadrados debida al efecto la.

3) SCC, suma de cuadrados debida al efecto columna.
4) SCL, suma de cuadrados debida a la letra latina.
5) SCR, suma de cuadrados del error.
Basndonos en estas sumas de cuadrados se construyen los correspondientes cuadrados
medios que denotamos por S T2 , S F2 , S C2, S L2 y S R2 o bien por CM T , CMF , CMC, CML
y CMR o CME.
Siguiendo el mismo razonamiento que en la subseccin ?? del Captulo 1, se demuestra
que los valores esperados de los cuadrados medios correspondientes a las las, columnas,
letras latinas y residual son, respectivamente:
K

E(CMF ) = E(S F2 ) = 2 + K

2i

i =1

K1
K

E(CMC) =

E(S C2)

= + K

(7.20)

j=1

K1
E(CML) =

E(S L2 ) =

E(CMR) = E(S R2) =

2 + K

h=1

K1

Por lo tanto,
a) Se verica que S R2 = SCR/(K 1)(K 2) es un estimador insesgado de la varianza
poblacional 2.
b) Puede observarse que bajo el supuesto de que cada una de las hiptesis
H 0 :

i = 0,

H 0 : j = 0,

H 0 : h = 0, h

(7.21)

7.2 Diseos en cuadrados latinos

11

sea cierta, el correspondiente sumando de E(CMF ) es nulo y por tanto S F2, S C2 y

S L2 son estimadores insesgados de 2.
Sin embargo, hay que notar que si existen diferencias entre las medias de las las, las
columnas o letras latinas, el respectivo valor esperado del cuadrado medio es mayor que
2.
De todo esto podemos deducir que:
1o) Un contraste para vericar la hiptesis nula de igualdad de medias de las las puede
efectuarse comparando S F2 y S R2 .
2o) Un contraste para vericar la hiptesis nula de igualdad de medias de las columnas
puede efectuarse comparando S C2 y S R2 .
3o) Un contraste para vericar la hiptesis nula de igualdad de medias de las letras
latinas puede efectuarse comparando S L2 y S R2.
Siguiendo el mismo razonamiento que en los modelos anteriores se puede demostrar
que bajo las hiptesis nulas (7.21), se verica que
SCF
2

2K1

SCC
2

2K1

SCL
2

2K1

SCR
2

2(K1)(K2)

y estas distribuciones son independientes entre s.

Notamos que

SCR
2

2(K1)( K2) sean o no ciertas las hiptesis nulas dadas en (7.21).

Los estadsticos de contrastes:

SCF/2
2
FS
K1
=
F =
2
S CR/ 2
SR
(K 1)(K 2)

(7.22)

12

Diseos en cuadrados latinos

SCC/ 2
2
CS
K1
=
F =
2
S CR/ 2
SR
(K 1)(K 2)

(7.23)

SCL/2
S L2
K1
=
,
F =
2
S CR/ 2
SR
(K 1)(K 2)

(7.24)

siguen distribuciones F de Snedecor con K 1 y (K 1)(K 2) grados de libertad cada uno.

Y se rechaz H 0, al nivel de signicacin , cuando el valor experimental del respectivo
estadstico sea mayor que el valor crtico de la distribucin F con K 1 y (K 1)(K 2)
grados de libertad.
Para una mayor sencillez en el clculo se utilizan las expresiones abreviadas de S C T ,
SCF , SCC , SCL, y SCR, que se dan a continuacin
SCT =

i =1 j=1

SCF =

SCC =

SCL =

1
K
1
K
1
K

2y...
yij2 (.)
K2

2
yi..

i =1
K

y.2j.

j=1
K

2
y..h

h=1

y2...
K2

(7.26)

y2...

(7.27)

K2
y2...

K2

(7.25)

(7.28)

La suma de cuadrados del error se obtiene por diferencia

SCR = S C T SCF SCC SCL .

La tabla ANOVA correspondiente a este modelo es:

(7.29)

7.2 Diseos en cuadrados latinos

13

Tabla 5-3. Tabla ANOVA para el modelo de cuadrado latino

Fuentes de
variacin

Suma de
cuadrados
K

E . la

K
K
K
h=1

Residual

Fexp

K1

S F2

S F2 / S 2R

K1

SC

S C/ S R

K1

SL

S L/ S R

(K 1)(K 2)

2
SR

K2 1

S T2

( y. j. y ... )

j
K

E . letra lat.

Cuadrados
medios

( yi.. y ... )

i
K

E . columna

Grados de
libertad

( y..h y ... )

S C T SCF
SCC SCL
K

yij( .) y ...

TOTA L
i

Alternativamente, utilizando las expresiones abreviadas de SC T , SCF , SCC, SCL y

SCR, dadas en (7.25)-(7.29), la Tabla ANOVA se puede presentar como
Tabla 5-4. Forma prctica de la tabla ANOVA para
el modelo de cuadrado latino
Fuentes de
variacin
E . la
E . columna
E . letra lat.
Residual

Suma de
cuadrados
1
K
1
K

y...2
K2
y...2
y2. j . 2
K
y2i..

1
y...2
y2..h 2
K h
K
S C T SCF
SCC SCL

TOTAL
i

2
yij(
.)

y...
K2

Grados de
libertad

Cuadrados
medios

K1

SF

SF / SR

K1

SC

S C/ S R

K1

SL

S L/ S R

(K 1)(K 2)

2
SR

K2 1

S T2

Fexp
2

14

Diseos en cuadrados latinos

Coeciente de determinacin
A continuacin denimos el coeciente de determinacin R2
R2 =

SCF + SCC + SCL

,
SCT

donde, denotamos:
R2 al cociente entre la variabilidad explicada por las las y la variabilidad total, es
SCF
decir: R2 =
SCT
R2 al cociente entre la variabilidad explicada por las columnas y la variabilidad total,
SCC
es decir: R2 =
SCT
R2 al cociente entre la variabilidad explicada por las letras latinas y la variabilidad
SCL
.
total, es decir: R2 =
SCT
Entonces el coeciente de determinacin tambin lo podemos expresar como

R2 = R2 + R + R ,

siendo R2, R2 y R2 los coecientes de determinacin parciales asociados a las las, columnas y letras latinas, respectivamente.

7.2.5.

Ejemplo numrico

A n de ilustrar el anlisis de la varianza de los diseos en cuadrado latino, consideremos la situacin de referencia, en la que se ha realizado el experimento con la aleatorizacin correspondiente y hemos designado por las letras (A, B, C, D) a los tratamientos.
As, el cuadrado latino resultante junto con las observaciones obtenidas, dan lugar al Ejemplo 5-1, que se muestra en la siguiente tabla, a la que se han aadido las las y columnas
necesarias para su resolucin.

7.2 Diseos en cuadrados latinos

15

Tabla 5-5 Datos para el ejemplo 5-1

Abonos
a1

a2

a3

a4

y. j .
y.2j .
2
yij(
.)

Insecticidas
i2
i3
B
8
4
C
16
18
A
12
12
D
13
16
49
50
2401
2500
633
740

i1
D

15

18

14
54
2916
794

yi..

2
yi..

22

484

23

72

5184

10

52

2704

14
50
2500
834

57
203
10317
3001

3249
11621

i4
A
D
B
C

Tabla 5-6
Letra latina
A
B
C
D

Observaciones
3 16 12 14
4 15 10 13
7 18 12 14
8 23 18 16

y2..h
2025
1764
2601
4225
10615

y..h
45
42
51
65
203

Las sumas de cuadrados necesarias para el anlisis de la varianza se calculan como

sigue:
44

SCT =

yij2 ( .)

i =1 j=1

SCF =

SCC =

1
K

= 3001

K2

2
yi..

i =1

2y...

4
j=1

y2...
K2

y.2j .

y2...
K2

11621

4
10317
4

42 2
203
42 2
203

= 425,4375

= 329,6875

42 2
203

= 3,6875

16

Diseos en cuadrados latinos

SCL =

1
K

2
y..h

h=1

y2...
10615
=
2
K

42 2
203

= 78,1875

4
y la suma de cuadrados del error se obtiene por diferencia

SCR = S C T SCF SCC SCL = 13,875 .

La tabla ANOVA correspondiente a este modelo es
Tabla 5-7. Anlisis de la varianza para los datos del Ejemplo 5-1
Fuentes de
variacin
E . la (Abonos)
E . colum. (Insect.)
E . trat. (Semillas)
Residual
TOTA L

Suma de
cuadrados
329.6875
3.6875
78.1875
13.8750
425.4375

Grados de
libertad
3
3
3
6
15

Cuadrados
medios
109.89583
1.22917
26.06250
2.31250

Fexp
47.523
0.532
11.270

% Explicado
77.49 %
0.87 %
18.38 %
96.74 %

Si realizamos el contraste al 5 % y comparamos los valores de las Fexp con el valor de

la F terica (F0,05;3,6 = 4,7571), se concluye que son signicativos los efectos de los abonos
y semillas, pero no lo son los efectos de los insecticidas.
Observamos, en la columna correspondiente al % explicado, que el coeciente de determinacin del modelo es R2 = 0,9674, siendo el efecto ms importante el referente al tipo
de abono que explica un 77.49 % de la variabilidad presente en el experimento.

Bibliografa utilizada
Garca Leal, J. & Lara Porras, A.M. (1998). Diseo Estadstico de Experimentos.
Anlisis de la Varianza. Grupo Editorial Universitario.
Lara Porras, A.M. (2000). Diseo Estadstico de Experimentos, Anlisis de la Varianza y Temas Relacionados: Tratamiento Informtico mediante SPSS Proyecto Sur
de Ediciones.