En la práctica experimental avanzada, nos enfrentamos a una pregunta central: ¿Qué ocurre cuando existen dos fuentes sistemáticas de variación que deben controlarse simultáneamente? Como ingenieros e investigadores, no podemos ignorar estas variables, pues “ensucian” la medición del efecto real de nuestros tratamientos.
Para resolver esto, recurrimos al principio del Doble Bloqueo (o doble control local). Este concepto, formalizado en su aplicación agronómica por R.A. Fisher en 1926, permite aislar la variabilidad proveniente de dos direcciones perpendiculares. Observemos cómo estas dimensiones de ruido se manifiestan en la ingeniería:
Operador y Turno: La variabilidad intrínseca de la destreza manual de distintos técnicos combinada con el factor fatiga o condiciones ambientales de diferentes horarios de trabajo.
Pendiente y Fertilidad del suelo: Dos gradientes geográficos independientes que afectan el rendimiento; ignorar uno de ellos invalidaría cualquier conclusión sobre el cultivo.
Lote y Temperatura: La heterogeneidad química entre diferentes lotes de materia prima y las fluctuaciones térmicas durante el procesamiento.
La solución estructural a este problema de variabilidad multidimensional es el Diseño en Cuadro Latino (DCL).
El DCL es un diseño robusto donde las unidades experimentales se agrupan en dos direcciones (filas y columnas). Su esencia radica en que cada tratamiento aparece exactamente una vez en cada fila y en cada columna.
Siguiendo la doctrina de Mendiburu, debemos observar cuatro características fundamentales:
Representación de un Cuadro Estándar (4x4)
Para un experimento con 4 tratamientos (A, B, C, D), una configuración típica se vería así:
| Columna 1 | Columna 2 | Columna 3 | Columna 4 |
|---|---|---|---|
| Fila 1 | A | B | C |
| Fila 2 | B | C | D |
| Fila 3 | C | D | A |
| Fila 4 | D | A | B |
El concepto de Azar Restringido: Es un error común de los estudiantes pensar que solo existe una forma de organizar el cuadro. Para un tamaño de 4x4, existen 576 cuadros diferentes. Como investigadores, debemos seleccionar uno de estos cuadros posibles al azar para garantizar la validez estadística del diseño.
Como académicos, debemos aplicar con rigor la identidad fundamental del DCL: el número de filas debe ser igual al número de columnas y al número de tratamientos. Esta restricción es la que permite controlar dos fuentes externas sin necesidad de incrementar exponencialmente el número de unidades experimentales.
[!CAUTION] Nota para el Estudiante: La Trampa de los Grados de Libertad Aunque el DCL es elegante, tiene una limitación crítica de tamaño. Se recomienda su uso para experimentos de entre 5 y 12 tratamientos. ¿Por qué? Si utilizamos un cuadro de 3x3, los grados de libertad del error serían apenas (3-1)(3-2) = 2. Con tan pocos grados de libertad, el experimento carece de potencia estadística para detectar diferencias reales, convirtiéndose en un esfuerzo inútil.
El comportamiento de cada observación en un DCL se describe mediante el siguiente modelo lineal, que descompone el valor medido en sus componentes de origen:
\[Y_{ijk} = \mu + \tau_i + \rho_j + \gamma_k + \varepsilon_{ijk}\]
Donde se asume estrictamente que el error sigue una distribución normal: _{ijk} N(0, ^2).
Símbolo Significado Conceptual Fuente de Variación (ANOVA)
\(Y_{ijk}\) Observación: Valor medido en la unidad experimental. Total
\(\mu\) Media General: El promedio global del experimento. Constante
\(\tau_i\) Efecto del Tratamiento: Impacto neto del factor bajo estudio. Tratamientos
\(\rho_j\) Efecto de Fila: Variabilidad de la primera fuente de bloqueo. Filas
\(\gamma_k\) Efecto de Columna: Variabilidad de la segunda fuente de bloqueo. Columnas
\(\varepsilon_{ijk}\) Error Experimental: Variación residual no explicada. Error
Insight Clave: El DCL “limpia” el error experimental al extraer sistemáticamente la varianza de las filas y las columnas. Si estas fuentes de variación son grandes, el error residual se reduce, aumentando la sensibilidad del diseño para detectar el efecto de _i.
La toma de decisiones se basa en la partición de la varianza total. Para un cuadro de tamaño k, la estructura es la siguiente:
| Fuente de Variación | Suma de Cuadrados (SC) | Grados de Libertad (gl) | Cuadrado Medio (CM) | F_{calc} |
|---|---|---|---|---|
| Tratamientos | SCTrat | \(k - 1\) | \(CMTrat = \frac{SCTrat}{k-1}\) | \(\frac{CMTrat}{CME}\) |
| Filas | SCFila | \(k - 1\) | \(CMFila = \frac{SCFila}{k-1}\) | \(\frac{CMFila}{CME}\) |
| Columnas | SCCol | \(k - 1\) | \(CMCol = \frac{SCCol}{k-1}\) | \(\frac{CMCol}{CME}\) |
| Error | SCE | \((k - 1)(k - 2)\) | \(CME = \frac{SCE}{(k-1)(k-2)}\) | |
| Total | SCT | \(k^2 - 1\) |
Para validar la calidad del experimento en campo o laboratorio, el investigador debe calcular el Coeficiente de Variación (CV):
\[CV = \frac{\sqrt{CME}}{\bar{Y}} \times 100\]
Un CV bajo (típicamente < 20% en agronomía o < 5% en procesos industriales controlados) indica un experimento preciso.
Un error de principiante es bloquear por bloquear. El DCL tiene un precio estadístico: cada vez que añadimos una dimensión de bloqueo (filas o columnas), sacrificamos grados de libertad del error. Si el efecto de las filas o columnas no es significativo (p-valor alto), usted ha desperdiciado potencia estadística. El diseño solo es eficiente si la reducción en la Suma de Cuadrados del Error (SCE) compensa la pérdida de grados de libertad.
Para una selección estratégica del diseño, considere estas tres distinciones clave:
Dimensiones de Control: El DBCA es un diseño de un solo gradiente (un bloqueo), mientras que el DCL es obligatorio cuando existen dos gradientes de variabilidad identificables y perpendiculares.
Rigidez Estructural: El DBCA permite cualquier número de repeticiones; el DCL es rígido, exigiendo que las repeticiones sean exactamente iguales al número de tratamientos.
Eficiencia de Recursos: El DCL actúa como un equivalente a un Factorial Fraccionado en términos de eficiencia. Permite evaluar k tratamientos con solo k^2 unidades experimentales, logrando una precisión que otros diseños solo alcanzarían con muchas más muestras.
En conclusión, el Diseño en Cuadro Latino es una herramienta de precisión quirúrgica. Su capacidad para aislar dos fuentes de ruido simultáneamente lo convierte en el diseño predilecto para optimizar recursos en condiciones de alta heterogeneidad, siempre que el investigador respete su innegociable simetría y entienda el compromiso entre control y grados de libertad.
El Diseño en Cuadro Latino (DCL) es una estrategia experimental que permite controlar simultáneamente dos fuentes de variabilidad externa (bloques) que no son de interés directo, pero que pueden enmascarar el efecto real de los tratamientos.
La regla de oro del DCL es geométrica y estricta: el agrupamiento de las unidades experimentales se hace en dos direcciones (filas y columnas), y cada tratamiento debe aparecer exactamente una vez en cada fila y una vez en cada columna. Por ende, el número de filas, columnas y tratamientos siempre es el mismo (\(k\)).
Ingeniería Agrícola: Evaluar el rendimiento de diferentes genotipos de un cultivo en un terreno que presenta un gradiente de fertilidad de Norte a Sur (filas) y un gradiente de retención de humedad de Este a Oeste (columnas).
Ingeniería Agroindustrial: Probar la eficiencia de diferentes métodos de extracción de aceites esenciales, donde los turnos de trabajo (mañana, tarde, noche) son las columnas, y los lotes de materia prima provenientes de distintas fincas son las filas.
Ingeniería Civil: Analizar la resistencia a la compresión de distintas mezclas de concreto estructural, bloqueando la variabilidad generada por el operario de la mezcladora (filas) y la estación de curado (columnas).
Cada observación dentro de un experimento DCL se expresa como una combinación lineal de efectos aditivos:
\[Y_{ijk} = \mu + \tau_i + \rho_j + \gamma_k + \varepsilon_{ijk}\]
Donde: * \(Y_{ijk}\): Observación en la \(j\)-ésima fila y \(k\)-ésima columna, sometida al tratamiento \(i\). * \(\mu\): Media general del experimento. * \(\tau_i\): Efecto del \(i\)-ésimo tratamiento. * \(\rho_j\): Efecto de la \(j\)-ésima fila. * \(\gamma_k\): Efecto de la \(k\)-ésima columna. * \(\varepsilon_{ijk}\): Error experimental aleatorio, asumiendo \(\varepsilon_{ijk} \sim N(0, \sigma^2)\).
Para descomponer la varianza, primero calculamos el Término de Corrección (\(TC\)):
\[TC = \frac{Y_{..}^2}{k^2}\]
(Donde \(Y_{..}\) es la gran suma total de todas las observaciones y \(k\) es el número de tratamientos).
Las Sumas de Cuadrados (SC) se calculan así: 1. Suma de Cuadrados Total (SCT): \[SCT = \sum \sum Y_{ijk}^2 - TC\] 2. Suma de Cuadrados de Filas (SCF): \[SCF = \frac{\sum Y_{j.}^2}{k} - TC\] 3. Suma de Cuadrados de Columnas (SCC): \[SCC = \frac{\sum Y_{.k}^2}{k} - TC\] 4. Suma de Cuadrados de Tratamientos (SCTrat): \[SCTrat = \frac{\sum Y_{i.}^2}{k} - TC\] 5. Suma de Cuadrados del Error (SCE): Obtenida por diferencia. \[SCE = SCT - SCF - SCC - SCTrat\]
Se realizó un experimento para evaluar un sistema de riego por exudación utilizando cuatro variedades (híbridos) de melón en siembra de simple hilera. Se desea determinar si existen diferencias significativas en el rendimiento (kg por parcela) entre las variedades.
Tratamientos (\(k=4\)): V1 (Mission), V2 (Mark), V3 (Topflight), V4 (Hales Best Jumbo).
Se configuró un Cuadro Latino \(4 \times 4\) para controlar la variabilidad espacial del campo.
| C1 | C2 | C3 | C4 | Totales Fila (\(Y_{j.}\)) | |
|---|---|---|---|---|---|
| F1 | 45 (V1) | 50 (V2) | 43 (V3) | 35 (V4) | 173 |
| F2 | 29 (V4) | 53 (V3) | 41 (V2) | 63 (V1) | 186 |
| F3 | 37 (V2) | 41 (V4) | 41 (V1) | 63 (V3) | 182 |
| F4 | 38 (V3) | 40 (V1) | 35 (V4) | 41 (V2) | 154 |
| Tot. Col (\(Y_{.k}\)) | 149 | 184 | 160 | 202 | Gran Total = 695 |
1. Término de Corrección (TC):
\[TC = \frac{695^2}{16} = 30189.0625\]
2. Suma de Cuadrados Total (SCT):
\[SCT = (45^2 + 50^2 + ... + 41^2) - 30189.0625 = 31549 - 30189.0625 = 1359.9375\]
3. Suma de Cuadrados de Filas (SCF):
\[SCF = \frac{173^2 + 186^2 + 182^2 + 154^2}{4} - 30189.0625 = 152.1875\]
4. Suma de Cuadrados de Columnas (SCC):
\[SCC = \frac{149^2 + 184^2 + 160^2 + 202^2}{4} - 30189.0625 = 426.1875\]
5. Suma de Cuadrados de Tratamientos (SCTrat):
\[SCTrat = \frac{189^2 + 169^2 + 197^2 + 140^2}{4} - 30189.0625 = 483.6875\]
6. Suma de Cuadrados del Error (SCE):
\[SCE = 1359.9375 - 152.1875 - 426.1875 - 483.6875 = 297.8750\]
(Calcular los Cuadrados Medios dividiendo cada SC entre sus grados de libertad, y \(F_c\) dividiendo cada CM entre el CM Error).
| Fuente | SC | gl | CM | \(F_c\) |
|---|---|---|---|---|
| Filas | 152.1875 | 3 | 50.7291 | 1.02 |
| Columnas | 426.1875 | 3 | 142.0625 | 2.86 |
| Tratamiento (Melón) | 483.6875 | 3 | 161.2291 | 3.25 |
| Error | 297.8750 | 6 | 49.6458 | |
| Total | 1359.9375 | 15 |
Ejecuta el siguiente bloque para modelar el Cuadro Latino usando las librerías especializadas.
import pandas as pd
import statsmodels.api as sm
from statsmodels.formula.api import ols
# 1. Estructuramos los datos
datos = {
'fila': ['F1','F1','F1','F1', 'F2','F2','F2','F2', 'F3','F3','F3','F3', 'F4','F4','F4','F4'],
'columna': ['C1','C2','C3','C4', 'C1','C2','C3','C4', 'C1','C2','C3','C4', 'C1','C2','C3','C4'],
'variedad': ['V1','V2','V3','V4', 'V4','V3','V2','V1', 'V2','V4','V1','V3', 'V3','V1','V4','V2'],
'rendimiento': [45, 50, 43, 35, 29, 53, 41, 63, 37, 41, 41, 63, 38, 40, 35, 41]
}
df = pd.DataFrame(datos)
# Convertimos explícitamente a categorías para que el modelo reconozca los factores
df['fila'] = df['fila'].astype('category')
df['columna'] = df['columna'].astype('category')
df['variedad'] = df['variedad'].astype('category')
# 2. Ajuste del modelo lineal
modelo = ols('rendimiento ~ C(fila) + C(columna) + C(variedad)', data=df).fit()
# 3. Generación de la tabla ANOVA
anova_table = sm.stats.anova_lm(modelo, typ=2)
print("Tabla ANOVA (Diseño Cuadro Latino):\n")
print(anova_table)easyanova)
🔵Abre una celda de código R en tu Colab para realizar el mismo
procedimiento, aprovechando la potencia de easyanova.
# Instalación y carga del paquete
# install.packages("easyanova")
library(easyanova)
# 1. Definición de vectores (Deben estar como factores)
fila <- as.factor(rep(c("F1", "F2", "F3", "F4"), each=4))
columna <- as.factor(rep(c("C1", "C2", "C3", "C4"), times=4))
variedad <- as.factor(c("V1","V2","V3","V4", "V4","V3","V2","V1", "V2","V4","V1","V3", "V3","V1","V4","V2"))
rendimiento <- c(45, 50, 43, 35, 29, 53, 41, 63, 37, 41, 41, 63, 38, 40, 35, 41)
# Creamos el dataframe.
# IMPORTANTE para easyanova: El orden en DCL debe ser: tratamiento, fila, columna, respuesta.
# (Nota: ea1 es flexible si especificamos correctamente, pero ordenaremos estándar)
datos_R <- data.frame(variedad, fila, columna, rendimiento)
# --- MÉTODO 1: R BASE ---
cat("--- ANOVA CON R BASE ---\n")
modelo_base <- aov(rendimiento ~ fila + columna + variedad, data=datos_R)
print(summary(modelo_base))
# --- MÉTODO 2: EASYANOVA ---
cat("\n--- ANÁLISIS CON EASYANOVA ---\n")
# El design = 3 especifica "Latin Square Design"
# Necesita que la primera columna sea el tratamiento, la segunda la fila, la tercera la columna y la cuarta la variable.
resultados_ea <- ea1(datos_R, design = 3)
# Mostrar la tabla de análisis de varianza generada por easyanova
print(resultados_ea$`Analysis of variance`)
# easyanova calcula automáticamente la comparación de medias (LSD o Tukey)
print(resultados_ea$`Means`)Al observar los resultados tanto de tus cálculos a mano como de las
salidas de Python (PR(>F)) y R (Pr(>F)),
encontrarás lo siguiente:
P-valor del Tratamiento (Variedad): \(0.1022\)
Regla de Decisión: Si el P-valor \(> 0.05\), fallamos en rechazar la Hipótesis Nula (\(H_0\)).
Conclusión Ingenieril: Con un \(95\%\) de confianza, no existe evidencia estadística para afirmar que el rendimiento varíe en función del híbrido de melón plantado bajo este sistema de riego.
Análisis Crítico: Aunque el promedio de la variedad V3 es notablemente superior al de la V4, el Cuadro Latino de \(4 \times 4\) nos deja con apenas 6 grados de libertad para el error. Esto reduce la potencia de la prueba. En el diseño de campo real, si sospechamos que una diferencia de esta magnitud es materialmente importante para la agroindustria, la recomendación sería replicar el cuadro latino o aumentar el tamaño del diseño para obtener un error estadístico más representativo y capaz de detectar diferencias más finas.