Echavarría, Hernán – Diseño de Cuadrados Latinos 1 de 12

Diseño de Cuadrados Latinos (DCL)

Preparó: Hernán Echavarría Sánchez

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 4
Bloques “Columna”

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 C D B
B D A C
C A B D
D B C 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 3 de 12

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

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 4 de 12

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 GL Suma de cuadrados Cuadrados medios FC

Tratamientos t-1 T = ∑Y2i../t -TC SCT= T/ (t - 1) CM ttos

CM Error

Filas t-1 F = ∑ Y2.j. /t -TC SCF= F / (t - 1)

Columnas t-1 C = ∑ Y2..k /t -TC SCC= C / (t - 1)

Error (t-1)(t-2) E =Tot - T - F - C SCE= E / (t-1)(t-2)

Total t2 - 1 Tot =∑∑ y2ijk -TC

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

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 Pendiente Y.j.

1 2 3 4
1 D A C B
785 730 700 595
2 A B D C
855 775 760 710
3 C D B A
950 885 795 780
4 B C A D
945 950 880 835
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 GL S de C CM FC P value
Tratamientos 3 5556.25000 1852.08333 98.78 < 0.005
Nitrógeno 3 92518.75000 30839.58333
(Filas)
Pendiente 3 52556.25000 17518.75000
(Columnas)
Error 6 112.5000 18.7500
Total 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 6 de 12

SUPUESTOS EN UN DISEÑO DE CUADRADOS LATINOS

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:

Tabla de Anova
F de V GL Suma de cuadrados Cuadrados medios FC
Tratamientos t - 1 T = ∑Y2i../mt -TC SCT= T/ (t - 1) CM ttos

CMError
2
Filas t-1 F=∑Y .j. /mt -TC SCF= F / (t - 1)

Columnas mt - 1 C = ∑ Y2..k /t -TC SCC= C / (mt - 1)

Error (t-1)(mt-2) E =Tot - T - F - C SCE= E / (t-1)(mt-2)

Total m(t2 )- 1 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 10 de 12

/*Validación de Normalidad*/
proc univariate data= out normal;
var resid;
run; quit;

The GLM Procedure

Class Level Information
Class Levels Values

fila 4 1 2 3 4
col 4 1 2 3 4
Tto 4 A B C D

Number of observations 16

The GLM Procedure

Dependent Variable: respuesta

Sum of
Source DF Squares Mean Square F Value Pr > F
Model 9 150631.2500 16736.8056 892.63 <.0001
Error 6 112.5000 18.7500
Corrected Total 15 150743.7500

R-Square Coeff Var Root MSE respuesta Mean

0.999254 0.535824 4.330127 808.1250

Source DF Type III SS Mean Square F Value Pr > F

fila 3 92518.75000 30839.58333 1644.78 <.0001
col 3 52556.25000 17518.75000 934.33 <.0001
Tto 3 5556.25000 1852.08333 98.78 <.0001
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 0.05
Error Degrees of Freedom 6
Error Mean Square 18.75
Critical Value of Studentized Range 4.89559
Minimum Significant Difference 10.599

Means with the same letter are not significantly different.

Tukey Grouping Mean N Tto

A 827.500 4 C

B 816.250 4 D
B
B 811.250 4 A

C 777.500 4 B
Echavarría, Hernán – Diseño de Cuadrados Latinos 11 de 12

The GLM Procedure

Dependent Variable: respuesta

Contrast DF Contrast SS Mean Square F Value Pr > F

t1 vs t2 1 2278.125000 2278.125000 121.50 <.0001
t1 vs t2 y t3 1 204.166667 204.166667 10.89 0.0164
t1 y t2 vs t3 y t4 1 3025.000000 3025.000000 161.33 <.0001

Tests for Normality

Test --Statistic--- -----p Value------

Shapiro-Wilk W 0.898539 Pr < W 0.0762

Kolmogorov-Smirnov D 0.238462 Pr > D 0.0162
Cramer-von Mises W-Sq 0.126157 Pr > W-Sq 0.0453
Anderson-Darling A-Sq 0.728773 Pr > A-Sq 0.0464

*** AQUÍ COMIENZA LA SALIDA DEL PROCEDIMIENTO MIXED ***

The Mixed Procedure

Class Level Information

Class Levels Values

fila 4 1 2 3 4
col 4 1 2 3 4
Tto 4 A B C D

Covariance Parameter
Estimates

Cov Parm Estimate

fila 7705.21
col 4375.00
Residual 18.7500

Type 3 Tests of Fixed Effects

Num Den
Effect DF DF F Value Pr > F
Tto 3 6 98.78 <.0001

Least Squares Means

Standard
Effect Tto Estimate Error DF t Value Pr > |t|

Tto A 811.25 54.9976 5.59 14.75 <.0001

Tto B 777.50 54.9976 5.59 14.14 <.0001
Tto C 827.50 54.9976 5.59 15.05 <.0001
Tto D 816.25 54.9976 5.59 14.84 <.0001
Echavarría, Hernán – Diseño de Cuadrados Latinos 12 de 12

Differences of Least Squares Means

Standard
Effect Tto _Tto Estimate Error DF t Value Pr > |t| Adjustment Adj P

Tto A B 33.7500 3.0619 6 11.02 <.0001 Tukey-Kramer 0.0001

Tto A C -16.2500 3.0619 6 -5.31 0.0018 Tukey-Kramer 0.0073
Tto A D -5.0000 3.0619 6 -1.63 0.1536 Tukey-Kramer 0.4289
Tto B C -50.0000 3.0619 6 -16.33 <.0001 Tukey-Kramer <.0001
Tto B D -38.7500 3.0619 6 -12.66 <.0001 Tukey-Kramer <.0001
Tto C D 11.2500 3.0619 6 3.67 0.0104 Tukey-Kramer 0.0392

Tests for Normality

Test --Statistic--- -----p Value------

Shapiro-Wilk W 0.982918 Pr < W 0.9825

Kolmogorov-Smirnov D 0.080959 Pr > D >0.1500
Cramer-von Mises W-Sq 0.016432 Pr > W-Sq >0.2500
Anderson-Darling A-Sq 0.127746 Pr > A-Sq >0.2500