CAPITULO 4

DISEÑOS EN BLOQUES
[Link] AL AZAR.
[Link]ón

El diseño de experimentos busca lograr precisión en las conclusiones a mínimo costo. Este objetivo
se ve afectado por dos tipos de variabilidad en los datos: variabilidad controlable y variabilidad no
controlable por un diseño. La variabilidad no controlable se trata por medio de la aleatorización y la
variabilidad controlable se trata de acuerdo al principio de control local. Si un efecto de tratamiento
resulta impreciso debido a que el error experimental impide su captación el experimentador tiene a su
alcance dos vías de acción. Mendenhall (1971) llama a éstas hacer diseños reductores del ruido (error)
o incrementadores del volumen de la respuesta, partiendo de que el error experimental es como un
ruido que dificulta la captación del mensaje que proporciona el tratamiento. Para reducir el error se
cuenta con el bloqueo y el uso de covariables. El éxito de ambos mecanismos depende del
conocimiento adecuado del material experimental para formar grupos apropiados de unidades.

Ejemplo 4.1. Supongamos que se dispone de un terreno experimental en pendiente donde se intenta
probar cuatro variedades de un cultivo. El terreno se puede dividir en cuatro franjas al mismo nivel
que son razonablemente de igual fertilidad, humedad, etc. La respuesta esperada de las parcelas de
una franja dada difiere de la respuesta esperada en parcelas de las otras franjas, y se puede evitar que
esa variabilidad identificada integre el error. Para ello se considera a cada faja como un bloque y se
divide en cuatro parcelas que se adjudican al azar a cada variedad. La diferencia entre bloques
afectará igualmente a cada variedad y la comparación entre variedades es independiente (ortogonal
como se dice en la terminologa estadística) al efecto de los bloques. Si, por otro lado, las franjas de
terreno interaccionan con las variedades no pueden ser consideradas como bloques en el sentido en
que acá lo usamos.

Figura 4.1. Bloqueo de parcelas.

Ejemplo 4.2. Falconer (1960) cita un caso de interacción entre dos factores de clasificación. Dos
genotipos se prueban en dos ambientes A y B. Si el genotipo A es mejor en el ambiente 1 pero el B
 es mejor en el ambiente 2 se dice que hay una interacción genotipo-ambiente. Si eso no sucede se
considera que el genotipo y el ambiente son independientes y los ambientes actúan como bloques
en la evaluación de los genotipos.

Ejemplo 4.3. Cuando se cuenta con cerdos mellizos para probar una ración alimenticia resulta
conveniente sacar ventaja de las características del material experimental para reducir el error. Se
adjudica al azar un animal dentro de cada par para ser tratado y se deja al otro como testigo. El
diseño resultante en bloques de dos parcelas, se conoce como de parcelas apareadas.

A veces sucede que el material experimental parece homogéneo pero se prevee que habrá diferente
manejo, por lo que puede resultar de utilidad formar bloques por grupos de parcelas a aplicar manejo
similar.

Ejemplo 4.4. Si se quieren probar cinco raciones en vacas lecheras estabuladas no siempre se cuenta
con animales de parición en época similar. Se toman las cinco primeras paridas y se les adjudica al
azar un tratamiento a cada una. Tan pronto como se cuente con otras cinco se puede iniciar un
nuevo grupo y el efecto de la fecha de parición pasa a constituir el efecto de bloque.

Ejemplo 4.5. Cochran y Cox (1978) comentan con respecto al hecho de que a veces no se preveen
bloques al iniciarse el experimento. Si se prueban cinco productos para combatir a las malezas y se
mide el efecto por conteo de malezas, toda lluvia que caiga atrasa el trabajo, además el conteo
luego de una lluvia se verá afectado. En casos como este, al investigador le conviene contar todas
las parcelas de un grupo que incluya igual número de parcelas de cada tratamiento por día, y si se
presenta alguna distorsión, la puede aislar como efecto de bloque.

En cuanto a la forma del bloque y de las parcelas existen algunas pautas generales. Una de ellas es
la de formar bloques compactos, al ser las parcelas vecinas de rendimiento similar. En algunos casos
esa pauta debe dejarse de lado, como en el ejemplo 6.1 donde los bloques deben seguir las curvas de
nivel. Las parcelas, al contrario que los bloques, interesa que sean iguales de modo que generalmente
se tenderá al uso de parcelas alargadas y que, teniendo partes distintas, se lleven toda la
heterogeneidad. En caso del ejemplo 6.1 deberán hacerse siguiendo la pendiente y perpendiculares a los
bloques (Vase Li [1969]).

Ejemplo 4.6. Al hacer bloques con animales para evaluar el crecimiento, los bloques deben hacerse con
animales lo mas parecidos posible en un bloque. No debe buscarse la igualdad entre los bloques de
modo que "los promedios de todos los bloques sean iguales". Este objetivo se logra muchas veces
poniendo en un mismo bloque animales de distinto peso con lo que se incrementa el error
experimental.

122
[Link] para bloques al azar

El modelo para diseño en bloques al azar es: Y ij = µ + ßi + τj + εij ε~NID(0;σ2) donde se expresa
que cada observación, en particular la observación que está en el bloque i y bajo el tratamiento j, es la
suma de una media general µ; un efecto del bloque en el que se encuentra: ß i; un efecto del tratamiento
que se le aplica: τj y un error aleatorio: εij. Tomaremos como efecto del bloque la diferencia entre el
promedio del bloque y la media general ßi = µi - µ; de modo que la suma de los efectos de bloque es
nula Σßi = Σ(µi -µ)=0. Del mismo modo el efecto del tratamiento será la diferencia entre el promedio
de las parcelas sometidas a ése tratatamiento y la media general: τj = µ j -µ y Στj =0. El valor del error
que afecta a cada parcela proviene al azar de una población de errores con distribución normal, media
cero y varianza común sea cual sea el tratamiento o bloque en que actúe.

Las estimaciones de los parámetros del modelo que se obtienen por mínimos cuadrados son:
µ = Y.. = media general del conjunto de datos, τˆ j = t j = Y. j − Y.. , βˆ i = b i = Yi. − Y..
εˆ ij = e ij = Yij − Ŷij = Yij − ( Y.. + b i + t j ) = Yij − Y. j − Yi. + Y..

Ejemplo 4.8. Los siguientes datos provienen del experimento que se citó anteriormente:
Tratamientos 1 2 3 4 Ti Y bi
i.
Bloques I 37 20 41 25 123 30,75 0,75
II 31 16 44 22 113 28,25 -1,75
III 38 15 48 15 116 29,00 -1,00
IV 34 29 47 18 128 32,00 2,00
Total Tj 140 80 180 80 480
35 20 45 20 30
tj 5 -10 15 -10 0

El ajuste de los datos será µ = Y.. = 30, τˆ 1 = t 1 = Y1. − Y.. =35-30=5, t2=20-30=-10
t3=45-30=15 y t4=20-30=-10, de modo que ΣTj=0. Las estimaciones de los efectos de los bloques
serán β = b = Y − Y =30,75-30=0,75, b2=28,75-30=-1,75, b3=29-30=-1 y b4=32-30=+2
j j .j ..

y también así la suma de las estimaciones debe ser nula: Σbi=0

n
Σ bi= 0,75 +(-1,75)+(-1)+2=0
i=1
Finalmente cada Ŷ.. = Y.. + tj + bi  = Y − (Y + b + t ) = Y − Y − Y + Y
y ε ij = e ij = Yij − Yij ij .. j i ij .j i. ..

123
[Link]álisis de varianza para bloques al azar

De acuerdo al modelo Yij = Y.. + bi + tj + eij restando Y.. de ambos lados Yij - Y.. = bi + tj + eij
y elevando al cuadrado y sumando para todo i y todo j
2

∑ ∑ (Y
i j
ij − Y.. ) = kΣb2 + nΣt2 + ΣΣe2

y como ΣΣ(Yij- Y.. )2 =SC=suma de cuadrados total que mide la variación del conjunto de nk datos en
torno a la media general.
Σb2 =kΣ( Yi. - Y.. )2 = suma de cuadrados de los bloques o explicada por los bloques.
nΣt2 = nΣ ( Y. j - Y.. )2 = suma de cuadrados de los tratamientos o explicada por los tratamientos
ΣΣe2ij =ΣΣ(Yij - Ŷij )2 = suma de cuadrados del error o del residuo no explicada por el modelo.
Tenemos SC = SCB+SCT+SCE lo que se puede expresar en un cuadro de análisis de la varianza,
donde se muestran además las fórmulas usuales de cálculo abreviado.

FUENTE VARIACIÓN SUMAS CUADRADOS GRADOS LIBERTAD CUADRADO MEDIO F

∑ Ti2
Bloques n-1 SCB/GLB
− C
k
Tratamientos
∑ Tj2 k-1 SCT/GLT CMT/CME

− C
n
Error o residuo (n-1)(k-1) SCE/GLE
por diferencia
TOTAL nk-1
2
T
y C= ..

nk
480 2
Ejemplo 4.8 (Continuación). En el caso de los datos del ejemplo tenemos: C = = 14.400
4 x4
SC = 372 +...+182 - C = 2.040 y SCB = ΣT2i. / k - C = (1232 +1132 + 1162 +1282 )/4 - C = 34,5
SCT = Σ T.j2 - C = (142+802+1802+802)/4 - C = 1.800 y SCE = SC - SCB - SCT = 205,5 quedando el
análisis de varianza del siguiente modo:

FUENTE VARIACIÓN SUMAS CUADRADOS GRADOS LIBERTAD CUADRADO MEDIO F

Bloques 34,5 3 11,5
Tratamientos 1800,0 3 600 26,27
Error o residuo 205,5 9 22,83
TOTAL 2040,0 15
F0,95 = 3,86 y F0,99 = 6,99
Es interesante notar que si los datos no son ortogonales, la suma de cuadrados de tratamientos varía
según se incluyan o no bloques en el modelo. Esta característica resulta difícil de entender para
algunos, y es siempre difícil de valorar en el análisis. Por lo tanto, es muy aconsejable buscar la
ortogonalidad siempre que sea posible.

124
[Link] particular de dos tratamientos: Parcelas apareadas.

Cuando el bloque está integrado por solamente dos parcelas se habla de parcelas apareadas, y
constituye un caso digno de destacarse entre los diseño en bloques, ya que el efecto de los tratamientos
puede ser probado mediante la prueba F o la t sin ninguna diferencia, debido a que ambas coinciden
exactamente. Este tipo de resultados revelan la generalidad de la prueba F y el hecho de que la t es un
caso particular de ella.
Ejemplo 4.9. Analizaremos mediante ambas técnicas la diferencia entre las medias de dos muestras
dadas abajo. En el ejemplo 1.16 (seccion [Link]) se analizo la diferencia entre las medias
considerandolas observaciones apareadas y usando la variable diferencia.

Muestra 1 Muestra 2 d d2
161,30 149,64 11,66 135,96
148,26 163,30 -15,04 226,20
142,99 152,68 -9,69 93,90
184,47 161,64 22,83 521,21
146,69 157,69 -11.00 121,00
164,11 146,08 18,03 325,08
162,31 170,04 -7,73 59,75
171,22 173,27 -2,05 4,20
170,08 146,70 23,38 546,62
161,27 157,89

d− µ d
t (8) = =0,65 (ns)
σˆ d

FUENTE VARIACIÓN SUMAS CUADRADOS GRADOS LIBERTAD CUADRADO MEDIO F

Bloques 51.34222 1 51.34222 0,43
Tratamientos 1264.33000 8 158.04125 1,31
Error o residuo 965.46778 8 120.68347
TOTAL 2281.14000 17

con lo que se comprueba que el resultado es el mismo ya que 0,652 = 0,43.

125
[Link] DE SAS

El ejemplo 4.8 analizado en el SAS seria:

DATA cuatro8;
INPUT b t y @@;
CARDS;
1 1 37 1 2 20 1 3 41 1 4 25
2 1 31 2 2 16 2 3 44 2 4 22
3 1 38 3 2 15 3 3 48 3 4 15
4 1 34 4 2 29 4 3 47 4 4 18
PROC ANOVA;
CLASS b t;
MODEL y=b t;
MEANS t/LSD LINES;
RUN;

la salida sería:
Analysis of Variance Procedure
Class Level Information
Class Levels Values
B 4 1 2 3 4
T 4 1 2 3 4
Number of observations in data set = 16
Analysis of Variance Procedure
Sum of Mean
Source DF Squares Square F Value Pr > F
Model 6 1834.5000000 305.7500000 13.39 0.0005
Error 9 205.5000000 22.8333333
Corrected Total 15 2040.0000000
R-Square C.V. Root MSE Y Mean
0.899265 15.928079 4.7784237 30.00000000
Analysis of Variance Procedure

Dependent Variable: Y

Source DF Anova SS Mean Square F Value Pr > F

B 3 34.500000 11.500000 0.50 0.6892
T 3 1800.000000 600.000000 26.28 0.0001

el análisis de varianza esta de acuerdo a lo visto en la pagina 169.

La salida para la parte de separacion de medias es:

Analysis of Variance Procedure
T tests (LSD) for variable: Y
NOTE: This test controls the type I comparisonwise error rate
not the experimentwise error rate.
Alpha= 0.05 df= 9 MSE= 22.83333
Critical Value of T= 2.26
Least Significant Difference= 7.6435
Means with the same letter are not significantly different.
T Grouping Mean N T
A 45.000 4 3
B 35.000 4 1
C 20.000 4 2
C 20.000 4 4

126
Un segundo ejemplo corrido en el SAS es:

DATA uno;
INPUT trat $ n p b rend;
CARDS;
0-0 0 0 1 161.3
60-0 60 0 1 148.2
120-0 120 0 1 142.9
0-80 0 80 1 184.4
60-80 60 80 1 146.6
120-80 120 80 1 164.1
0-160 0 160 1 162.3
60-160 60 160 1 171.2
120-160 120 160 1 170.0
0-0 0 0 2 149.6
60-0 60 0 2 163.3
120-0 120 0 2 152.6
0-80 0 80 2 161.6
60-80 60 80 2 157.6
120-80 120 80 2 146.0
0-160 0 160 2 170.0
60-160 60 160 2 173.2
120-160 120 160 2 146.7
;
* Esta parte compara el PROC ANOVA con el PROC GLM;
PROC ANOVA;
CLASS trat b;
MODEL rend=b trat;
RUN;
PROC GLM;
CLASS trat b;
MODEL rend=b trat;
RUN;

Analysis of Variance Procedure - Class Level Information

Class Levels Values

TRT 9 0-0 0-160 0-80 120-0 120-160 120-80 60-0 60-160 60-80
B 2 1 2
Number of observations in data set = 18
Analysis of Variance Procedure - Dependent Variable: REND
Sum of Mean
Source DF Squares Square F Value Pr > F
Model 9 1315.67222 146.18580 1.21 0.3988
Error 8 965.46778 120.68347
Corrected Total 17 2281.14000
R-Square C.V. Root MSE REND Mean
0.576761 6.886086 10.9856 159.53333
Source DF Anova SS Mean Square F Value Pr > F
B 1 51.34222 51.34222 0.43 0.5325
TRT 8 1264.33000 158.04125 1.31 0.3560

127
 General Linear Models Procedure
Class Level Information
Class Levels Values
TRT 9 0-0 0-160 0-80 120-0 120-160 120-80 60-0 60-160 60-80
B 2 1 2
Number of observations in data set = 18
Sum of Mean
Source DF Squares Square F Value Pr > F
Model 9 1315.67222 146.18580 1.21 0.3988
Error 8 965.46778 120.68347
Corrected Total 17 2281.14000
R-Square C.V. Root MSE REND Mean
0.576761 6.886086 10.9856 159.53333
Source DF Type I SS Mean Square F Value Pr > F
B 1 51.34222 51.34222 0.43 0.5325
TRT 8 1264.33000 158.04125 1.31 0.3560
Source DF Type III SS Mean Square F Value Pr > F
B 1 51.34222 51.34222 0.43 0.5325
TRT 8 1264.33000 158.04125 1.31 0.3560

[Link] del diseño.

El diseño en bloques al azar reduce el error al identificar y aislar variación experimental. No

obstante cuando el experimentador diseña su ensayo se le presenta a menudo la duda de formar o no
bloques si el factor presenta variación.

Ejemplo 4.10. Conversaciones con dos investigadores." Quiero probar 3 tratamientos. Tomamos 24
vacas, las ordenamos por producción de leche, porcentaje de grasa, número de lactancias y peso
del animal. Luego las dividimos en grupos de 3 (*). Se elige una vaca de cada uno de los 8 grupos
y se forman de ese modo 3 grupos de 8. Cada vaca es un bloque." Hay varios problemas
semánticos en eso. Si al nivel del asterisco (*) les llamamos bloques se nos simplifican las
definiciones. Dentro de cada bloque se adjudica una vaca a cada tratamiento. Se puede decir aun
peor:"ordenamos las 24 vacas, hacemos grupos con una de las tres primeras, otra del siguiente trio,
etc. A cada bloque (de 8 vacas) lo sometemos a un tratamiento." Pues bien, ese grupo de 8 vacas
no es un bloque sino el conjunto de vacas sometidas a un tratamiento. El bloque tiene que tener (en
general) tantas unidades experimentales como tratamientos, esas unidades son parecidas (lo mas
parecidas posibles), dentro de cada bloque se adjudican al azar los animales a cada tratatamiento.
Otra observación: cuidado con decir "se hace un grupo y se le somete al tratamiento A". Con decir
no hay problema, pero que no se trate a los animales sometidos al tratamiento A todos juntos, sino
i) todos (los 24 animales) juntos o ii) juntos por bloques (de 3 vacas). En caso contrario puede
haber un efecto sistemático que afecte a las 8 vacas del tratamiento A y que no afecte a las de los
otros tratamientos.

Vale la pena insistir en que las unidades experimentales de un bloque deben ser (todo lo posible)
iguales y tratadas igual.
Ejemplo 4.7. Los siguientes datos son de un ensayo en lechería diseñado en la EEMAC. Se contaba con
el número de vacas mostrado y se querían probar 3 tratamientos. Se decidió pues hacer bloques de 3
vacas. De acuerdo al criterio del experimentador el factor a considerar en primer lugar (el factor mas
importante) era la lactación. Por lo tanto se dividió a los animales en los de primera lactancia, los de
segunda y los de tercera y más. El siguente criterio en orden de prioridad era el mes de lactancia. El
tercer criterio para bloquear fue la producción promedio en la semana anterior al ensayo. Los
valores de la tabla estan en orden decreciente de produccion. Como habia 6 vacas de primera
lactancia se decidió hacer dos bloques pese a que una de ellas era de segundo mes de producción.

128
ENSAYO DE SUPLEMENTACION DE INVIERNO
***************************************************
* PROMEDIO *
NO * PV LACT MES PRODal20M 22al28 *BLOQUE
***************************************************
527 * 430 1 2 17.2 18.2 * I
614 * 475 1 1 16.0 16.8 * I
622 * 360 1 1 17.1 16.2 * I
617 * 439 1 1 16.8 16.1 * II
654 * 370 1 1 17.2 15.7 * II
605 * 505 1 1 12.6 14.6 * II
451 * 450 2 1 19.5 20.3 * III
506 * 442 2 1 19.5 20.1 * III
553 * 440 2 2 20.0 19.9 * III
427 * 498 2 1 19.6 19.7 * IV
418 * 500 2 1 20.7 19.3 * IV
537 * 432 2 1 17.5 18.3 * IV
505 * 434 2 2 19.4 17.7 * V
507 * 448 2 2 18.4 17.7 * V
439 * 470 2 1 16.1 16.7 * V
346 * 506 3 1 19.9 20.9 * VI
941 * 466 7 2 20.6 20.3 * VI
904 * 516 5 1 21.6 20.1 * VI
329 * 556 3 2 19.3 19.8 * VII
307 * 470 4 1 19.3 19.6 * VII
450 * 520 3 2 17.5 18.4 * VII
908 * 488 6 2 14.4 16.9 * VIII
950 * 542 7 1 17.3 16.8 * VIII
226 * 520 4 2 17.1 16.4 * VIII
727 * 520 8 5 14.5 15.1 * IX
833 * 540 7 7 14.8 14.5 * IX
210 * 477 4 5 13.5 13.3 * IX
543 * 463 1 5 14.7 12.5 * X
651 * 430 1 8 13.7 13.7 * X
409 508 2 7 13.2 13.1 X
542 * 429 1 5 17.0 16.2 * XI
429 * 467 2 8 14.1 16.2 * XI
445 * 460 2 6 16.5 15.2 * XI
Del mismo modo se tuvo que obviar el criterio en los bloques III, IV y V. Si se dejaba las tres
vacas de segundo mes de parición en el bloque V se inclua una de producción muy superior a las otras
dos. El investigador optó por darle preferencia a la producción por sobre la etapa de la lactancia.
En los bloques VI a VIII se manejaron las lactancias medias y etapas iniciales de lactancia. En el
bloque IX se usaron las vacas de edad y lactancias avanzadas. En los X y XI las vacas nuevas de
lactancia avanzada, también acá se dio preferencia a la producción por sobre la decisión de mantener
vacas de segundo mes de lactancia juntas. Una de las razones invocadas por el investigador para no
confiar tanto en el criterio mes de lactancia, fué el hecho de que un indicador mas exacto de la etapa de
la lactancia en que se encontraba el animal hubiera sido dias de lactancia pero se no se contaba con ese
dato a mano
125 * 510 6 1 16.2 14.5 *
944 * 484 6 1 16 16.4 * NO
338 * 510 2 8 12.2 12.1 *SECAR
534 * 480 2 1 15.3 16.4 *
621 * 410 1 1 9.6 13.7 *
510 * 450 2 5 12.6 12.1 *

129
 515 * 445 2 7 12 11.2 *
Las vacas que se muestran en último lugar no se usaron. Se considero que aportaban mas variabilidad
que precisión al ensayo al no tener con quien colocarlas en un mismo bloque.

El sorteo se hizo del siguiente modo: se adjudico un número al azar a cada vaca. Luego se las ordenó
dentro de cada bloque por ese número al azar. Las que estaban en el primer lugar se destinaron al
tratamiento A, las del segundo al B y las del tercero al C. Las vacas ordenadas por tratamiento y bloque
estan en la siguiente tabla.
ENSAYO DE SUPLEMENTACION DE INVIERNO. Situacion final.
***************************************************
* PROMEDIO *
NO * PV LACT MES PRODal20M 22al28 *BLOQUE
***************************************************
527 * 430 1 2 17.2 18.2 * I A
605 * 505 1 1 12.6 14.6 * II A
506 * 442 2 1 19.5 20.1 * III A
537 * 432 2 1 17.5 18.3 * IV A
950 * 542 7 1 17.3 16.8 * IX A
439 * 470 2 1 16.1 16.7 * V A
346 * 506 3 1 19.9 20.9 * VII A
307 * 470 4 1 19.3 19.6 * VIII A
727 * 520 8 5 14.5 15.1 * X A
651 * 430 1 8 13.7 13.7 * XI A
542 * 429 1 5 17 16.2 * XII A

622 * 360 1 1 17.1 16.2 * I B

654 * 370 1 1 17.2 15.7 * II B
451 * 450 2 1 19.5 20.3 * III B
418 * 500 2 1 20.7 19.3 * IV B
226 * 520 4 2 17.1 16.4 * IX B
507 * 448 2 2 18.4 17.7 * V B
904 * 516 5 1 21.6 20.1 * VII B
450 * 520 3 2 17.5 18.4 * VIII B
210 * 477 4 5 13.5 13.3 * X B
543 * 463 1 5 14.7 12.5 * XI B
445 * 460 2 6 16.5 15.2 * XII B

614 * 475 1 1 16 16.8 * I C

617 * 439 1 1 16.8 16.1 * II C
553 * 440 2 2 20 19.9 * III C
427 * 498 2 1 19.6 19.7 * IV C
908 * 488 6 2 14.4 16.9 * IX C
505 * 434 2 2 19.4 17.7 * V C
941 * 466 7 2 20.6 20.3 * VII C
329 * 556 3 2 19.3 19.8 * VIII C
833 * 540 7 7 14.8 14.5 * X C
409 508 2 7 13.2 13.1 XI C
429 * 467 2 8 14.1 16.2 * XII C

En la tabla se agregó la producción en otro período y el peso vivo para tener mas elementos de juicio en
la decisión de si los bloques estaban bien hechos.

130
 [Link]ÑO EN CUADRADO LATINO
[Link] y usos del Cuadrado Latino.

Se presenta a veces la situación de que existen dos razones diferentes para formar bloques,
teniéndose bloques en dos sentidos o factores.
Ejemplo 4.11. Supóngase en el caso del Ejemplo 4.1 que además de la pendiente E-W, existiera otra
N-S.
En situaciones como ésta se usa el diseño en Cuadrado Latino que contempla la formación de
bloques en dos sentidos, se les suele llamar bloques fila y bloques columna o filas y columnas
directamente. Los tratamientos deben ubicarse de tal modo que se presenten una sola vez en cada fila y
cada columna. Esta condición lleva a que los Cuadrados Latinos tengan siempre tantas filas como
columnas como tratamientos. La construcción del diseño asegura de este modo que los efectos de los
tratamientos pueden estimarse independientemente de los efectos de las filas y las columnas. Daremos
otras aplicaciones del diseño a través de ejemplos.

Ejemplo 4.12. Cochran y Cox (1978) destacan la utilidad del diseño en investigación preliminar de
fuentes de variación, y presentan ejemplo de como en condiciones comunes y corrientes se pueden
evaluar efectos desconocidos: Se considera que la música afectaba a la producción en una fábrica,
y se analizó el efecto simultáneo de cuatro programas de radio y un testigo sin radio y el da de la
semana, en una experiencia que duró cinco semanas realizada según el siguiente diseño:

SEMANA Lunes Martes Miércoles Jueves Viernes

1 1 5 4 3 2
2 2 1 5 4 3
3 3 2 1 5 4
4 4 3 2 1 5
5 5 4 3 2 1

Ejemplo 4.13. Otra utilización muy importante del diseño en Cuadrado Latino es en experiencias con
animales, a menudo con vacas lecheras. Supóngase que se desea analizar el efecto de tres sistemas
de alimentación en vacas lecheras. La adjudicación al azar de los tratamientos a las vacas no dará
buen resultado si la variación entre vacas es importante. Generalmente en estos casos no se
detectan diferencias significativas entre tratamientos . Se puede considerar a cada vaca como un
bloque, y alimentarla sucesivamente con los tres métodos. En ese caso se presenta el problema de
que luego de un pico la vaca disminuye su producción a lo largo de la lactancia. Si a un tratamiento
le tocan en varias vacas al final de la lactancia se verá perjudicado en la comparación. Con estos
elementos, un diseño adecuado para probar tres tratamientos con tres vacas puede ser el siguiente:
ETAPA DE LA LACTACION
VACA 1 2 3
1 A B C
2 C A B
3 B C A
donde las letras identifican a los tres tratamientos.

Ejemplo 4.14. Si en el caso del ejemplo 4.1 la pendiente fuera uniforme en un sentido solo, pero el
campo experimental fuera de forma alargada y con parcelas perpendiculares al gradiente de
fertilidad, se pueden tomar bloques de cuatro parcelas y dentro de ellos considerar como columnas
131
 a la posición dentro del bloque. Cada tratamiento estará una vez en cada fila y en cada columna
como se ve en el dibujo:

A B C D D A B C C D A B B C A D
Bloques < 1 > < 2 > < 3 > < 4 >
Figura 4.2. Uso de Cuadrado Latino para controlar el gradiente en un solo sentido.

Ejemplo 4.10. (continuación) Notemos también que con la ordenación propuesta por Barretto y
Montossi se puede pensar en un Cuadrado Latino del tipo presentado por Cochran y Cox (1957): se
ordenan los animales en bloques (llamémosles bloques-fila) de 3, pero dentro de cada bloque-fila
se ordenan de 1 a 3, se forman bloques-columna con las primeras de cada bloque-fila, otro con las
segundas y un último con las terceras. Se adjudican los tratamientos de modo que le toque una
vaca de cada bloque-fila y de cada bloque- columna en un Cuadrado Latino.

132
[Link] y análisis para Cuadrado Latino.

El modelo para el diseño en Cuadrado Latino es totalmente similar al de Bloques al Azar contemplando
dos tipos de bloques: Yijh = µ + βi + κh + τj + εijh ε~ NID (0;σ²)
es decir que la observación ijh es la suma de una media general, un efecto de la fila i, un efecto de la
columna h, un efecto del tratamiento j y un error proveniente de una población de errores con media
cero, varianza constante y distribución normal. Los estimadores dados por el método de los mínimos
cuadrados como siempre son:
µˆ = Y
βˆ i = Yi. − Y..
κ̂ k = Y..k − Y..
τ̂ . j. = Y. j. − Y..
eijh = Yijk − Ŷijk

Y el análisis de varianza de acuerdo al modelo es: SC = SCF + SCC + SCT + SCE. Estos
resultados se presentan en forma de cuadro donde se usan las fórmulas abreviadas de cálculo. Nótese
que, a pesar de indicar a cada observación con tres subíndices, se utiliza solamente una doble
sumatoria. En el cuadro puede verse además que filas, tratamientos y columnas tiene igual número de
grados de libertad, debido a la característica del diseño de tener tantas filas y columnas como
tratamientos.

FUENTE VARIACIÓN SUMAS CUADRADOS GRADOS CUADRADO F

LIBERTAD MEDIO
Filas
Y..k − Y..
Columnas n-1 SCB/GLB
∑ T i
2

− C
Tratamientos n k-1 SCT/GLT CMT/CME

por diferencia
Error o residuo (n-1)(k-1) SCE/GLE
TOTAL nk-1

133
[Link]ón del Cuadrado Latino.

Los cuadrados latinos no se aleatorizan como un bloques al azar debido a la estructura requerida. La
técnica usual es elegir un cuadrado latino de una tabla como la que proporcionan Cochran y Cox (1978)
y luego sortear cual es el tratamiento 1, cual es el 2, y asi sucesivamente. Adicionalmente, se aconseja
aleatorizar el orden de las columnas y de las filas, debido a que variando el orden de filas o columnas el
cuadrado no pierde su condición de latino. Los cuadrados vienen en las tablas en formas de cuadrados
estandarizados, es decir cuadrados latinos en los que la primera columna y la primera fila están
ordenadas A,B,C, etc.

Ciertos autores alertan sobre la presencia de situaciones sistemáticas como la siguiente:

A B C D E
D E A B C
B C D E A <-- Norte
E A B C D
C D E A B
Nótese que si la variedad E fuera de alto porte puede estar siempre sombreando a la D, excepto en la
fila 4. El problema es darse cuenta, y la solución es estar alerta contra este tipo de situaciones.

Ejemplo 4.14. En el siguiente cuadro se muestra un ejemplo de Cuadrado Latino.

N 43 NP 61 (1) 35 P 21

NP 51 P 32 N 28 (1) 37

(1) 23 N 7 P 1 NP 60

P 19 (1) 24 NP 48 N 21

El análisis de varianza obtenido es el siguiente:

FUENTE VARIACIÓN SUMAS CUADRADOS GRADOS LIBERTAD CUADRADO MEDIO F
Columnas 120 3 40,00 1,04
Filas 1512 3 504,00 13,09
Tratamientos 1853 3 617,67 16,04
Error 231 6 38,50
TOTAL 3716 15

134
4.2.5. Uso del SAS.

Basado en la característica de SAS de trabajar con el modelo que se le proporciona, el análisis de un

Cuadrado Latino es tan facil como el de un bloques al azar. La única caracteristica consiste en
proporcionarle un modelo de tres vias, tratamientos bloques-fila y bloque-columnas:

DATA cuatro15;
INPUT f c t $ rend;
CARDS;
1 1 N 43
1 2 NP 61
1 3 (1) 35
1 4 P 21
2 1 NP 51
2 2 P 32
2 3 N 28
2 4 (1) 37
3 1 (1) 23
3 2 N 7
3 3 P 1
3 4 NP 29
4 1 P 19
4 2 (1) 24
4 3 NP 48
4 4 N 21
PROC ANOVA;
CLASS f c t;
MODEL rend=f c t;
MEANS t;
RUN;
PROC GLM;
CLASS f c t;
MODEL rend=f c t;
MEANS t/LSD LINES;
CONTRAST 'N' t -1 -1 +1 +1;
CONTRAST 'T' t -1 +1 -1 +1;
CONTRAST 'INTERACCION' t +1 -1 -1 +1;
RUN;

El análisis se corre con el ANOVA y el GLM a los efectos de mostrar las diferencias y similitudes, la
mas importante de las cuales es la disponibilidad de contrastes en el GLM.

135
 Analysis of Variance Procedure
Class Level Information
Class Levels Values
F 4 1 2 3 4
C 4 1 2 3 4
T 4 (1) N NP P
Number of observations in data set = 16
Sum of Mean
Source DF Squares Square F Value Pr > F
Model 9 3485.0000000 387.2222222 10.06 0.0055
Error 6 231.0000000 38.5000000
Corrected Total 15 3716.0000000
R-Square C.V. Root MSE REND Mean
0.937836 20.682789 6.2048368 30.00000000
Source DF Anova SS Mean Square F Value Pr > F
F 3 1512.000000 504.000000 13.09 0.0048
C 3 120.000000 40.000000 1.04 0.4404
T 3 1853.000000 617.666667 16.04 0.0029
Level of -------------REND-------------
T N Mean SD
(1) 4 29.7500000 7.2743843
N 4 24.7500000 14.9749791
NP 4 47.2500000 13.3759735
P 4 18.2500000 12.8419884
La salida del GLM se muestra a continuación:
General Linear Models Procedure
Class Level Information
Class Levels Values
F 4 1 2 3 4
C 4 1 2 3 4
T 4 (1) N NP P
Number of observations in data set = 16
Sum of Mean
Source DF Squares Square F Value Pr > F
Model 9 3485.0000000 387.2222222 10.06 0.0055
Error 6 231.0000000 38.5000000
Corrected Total 15 3716.0000000
R-Square C.V. Root MSE REND Mean
0.937836 20.682789 6.2048368 30.00000000
Source DF Type I SS Mean Square F Value Pr > F
F 3 1512.000000 504.000000 13.09 0.0048
C 3 120.000000 40.000000 1.04 0.4404
T 3 1853.000000 617.666667 16.04 0.0029

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

F 3 1512.000000 504.000000 13.09 0.0048
C 3 120.000000 40.000000 1.04 0.4404
T 3 1853.000000 617.666667 16.04 0.0029
T tests (LSD) for variable: REND
NOTE: This test controls the type I comparisonwise error rate
not the experimentwise error rate. Alpha= 0.05 df= 6 MSE= 38.5
Critical Value of T= 2.45 Least Significant Difference= 10.736
Means with the same letter are not significantly different.
T Grouping Mean N T
A 47.250 4 NP

B 29.750 4 (1)
B
C B 24.750 4 N
C
C 18.250 4 P
Contrast DF Contrast SS Mean Square F Value Pr > F
N 1 121.0000000 121.0000000 3.14 0.1266
T 1 1156.0000000 1156.0000000 30.03 0.0015
INTERACCION 1 576.0000000 576.0000000 14.96 0.0083
Recordemos que, según lo visto en la sección 3.3, la comparación de todos contra todos no es lo
indicado en un experimento factorial.

136
[Link] de Cuadrados Latinos.

Dada la rigidez que posee el diseño en Cuadrado Latino se utiliza en general solamente para
experimentos que involucren 4 a 8 tratamientos. Se trata de evitar que los tratamientos sean pocos o
demasiados. Si los tratamientos son muy pocos los grados de libertad del error serán insuficientes, y si
los tratamientos son muchos, resulta difícil de trabajar con el diseño. Si se tienen tres tratamientos
(supongamos tres períodos en cada lactancia en vacas lecheras) se puede superar la situación de falta de
grados de libertad repitiendo el experimento entero, con lo que se forman las llamadas cadenas de
Cuadrados Latinos:
Cuadrado 1 Cuadrado 2
Vaca 1 2 3 1 2 3
1 A B C A B C
2 B C A C A B
3 C A B B C A

El análisisde varianzacorrespondienteserá:
Fuentes de Variación G. Libertad G. Libertad
Entre cuadrados 1 2
Vacas dentro de cuadrados 4 6
Tratamientos 2 2
Filas 2 2
Error 8 14
TOTAL 17 26
Los grados de libertad entre vacas que son 5, se han descompuesto en grados de libertad entre
cuadrados (1) más grados de libertad de las columnas (vacas) dentro de cuadrados que quedan en 4.
También se podría separar el efecto de “filas-dentro-de-cuadrados” con dos grados de libertad, de la
manera que lo hicimos arriba la interacción entre filas y cuadrados está en el error. Se pueden hacer
tantos cuadrados como queramos (o podamos). La última columna del cuadro muestra la situación si
hiciéramos una cadena de 3 cuadrados latinos. Si siguieramos la regla de tener al menos 10 o 12 grados
de libertad necesitaríamos una cadena de 3 cuadrados latinos como mínimo para lograrlo.

El modelo matemático para lograr ese análisis de varianza será:

Y = µ + Cadena + Vaca(Cadena) + Tratamiento + Período + ε
Donde, como siempre, Y es la variable de interés, µ es la constante (o media) y ε es el error.

En una situación como esta el investigador se pregunta por que la vaca 2 tiene que estar al lado de la 1.
Supongamos que las vacas fueron tomadas en grupos de 3 animales semejantes. Si eso no sucede
conviene aleatorizar el orden de las vacas y tenemos un diseño en retrocruzamiento (cross over o
change over):
Vaca 1 2 3 1 2 3
1 A B C A B C
2 B C A C A B
3 C A B B C A

137
[Link] Over y diseños relacionados.
Si tenemos dos tratamientos para ser aplicados a doce vacas, podemos intentar una cadena de 6
cuadrados latinos:
Cuadrado 1 2 3 4 5 6
Vaca 1 2 3 4 5 6 7 8 9 10 11 12
Período I B A A B A B B A B A A B
Período II A B B A B A A B A B B A
El diseño Change Over, o Cross Over como también se le dice, para un caso como el anterior
consiste en adjudicar al azar los tratamientos a los animales, solamente exigiendo que a la mitad de
ellos se le aplique el tratamiento A en primer lugar y a la otra mitad el B en primer lugar. No se exige
en cambio, que si la vaca 1 le tocó la secuencia BA a la 2 le toque la secuencia AB, como lo hace la
cadena de Cuadrados Latinos que vimos arriba. Es decir que, mediante sorteo, se puede lograr un
diseño como éste:
Vaca 1 2 3 4 5 6 7 8 9 10 11 12
Período I B B A B A A A A B B B A
Período II A A B A B B B B A A A B
Reiteramos la idea anterior de que la utilización del diseño en change over debe hacerse en los
casos en que efectivamente no haya diferencia esperada entre los cuadrados, es decir siempre que se
considere que los cuadrados no son fuente de variación.
El análisis de un diseño change over como el mencionado se presenta abajo comparado al de una
serie de seis Cuadrados Latinos:
SERIES DE CUADRADOS CHANGE OVER
Fuentes de Variación G. Libertad Fuentes de Variación
Entre cuadrados 5
Columnas (dentro de 6 11 Entre columnas
cuadrados) 1 1 Tratamientos
Tratamientos 6 1 Filas (Total)
Filas (dentro de cuadrados) 5 10 Error
Error
TOTAL 23 TOTAL

El análisis es pues muy similar en ambos casos, pero si se cumple la situación de que la única
diferencia entre cuadrados está dada por el azar, los grados de libertad entre cuadrados se incorporan al
error ventajosamente. El análisis de éste tipo de diseño puede hacerse por la t de Student, como lo
revela el hecho de que la F tiene un solo grado de libertad en el numerador.

El maestro C. C. Li (1969) explica inigualablemente los detalles del análisis, Federer (1973)
describe los diseños change over en la página 122 y de los secuenciales en la página 127.

138
[Link] Greco-Latino y otros cuadrados.

Otro diseño similar a los que venimos estudiando es el diseño en Cuadrado Grecolatino.

Ejemplo 4.16. Supongamos que se dispone de 16 cerdos para probar cuatro raciones alimenticias.
Los cerdos provienen de cuatro camadas distintas, y se dispone de cuatro establos diferentes para
ubicarlos durante el ensayo. Como se piensa que ambos factores inciden en las ganancias de peso se
proyecta utilizar el diseño en Cuadrado Latino, pero se observa que el peso de los animales es
variable dentro de cada camada, aún cuando parecidos para los cerdos de igual posición en las
distintas camadas. Es decir, parece aconsejable tomar el orden de peso del animal como otro factor
de variación, formando un bloque con los más pesados en cada camada, otro con los que siguen, etc.
El diseño resultante, que contempla bloques en tres sentidos, es un cuadrado grecolatino:
Camada Establo 1 2 3 4
1 Aα Bγ Cδ Dβ
2 Bβ Aδ Dγ Cα
3 Cγ Dα Aβ Bδ
4 Dδ Cβ Bα Aγ

El análisis de varianza será:

Fuentes de Variación G. Libertad
Entre camadas 3
Entre establos 3
Tratamientos latinos 3
Tratamientos griegos 3
Error 3
TOTAL 15
El modelo matemático será:
Y = µ + Camada + Establo + Tratamiento latino + Tratamiento griego + ε

139
Diseños Row-and-Column. Existen otros diseños que utilizan mas de dos alfabetos y que reciben
nombres de cuadrados hiper-greco-latinos, cuadrados mágicos, etc. Federer (1973) describe los diseños
Rectángulo Latino en la página 123, Cubo Latino en la página 127 y Cuadrado Mágico en la página
125. Los ingleses hablan de diseños Row-and-column como una categoría que abarca todas estas,
veremos algo de eso luego de introducir las ideas de los bloques incompletos.

140
 4.3. BLOQUES INCOMPLETOS
[Link]ón a los bloques incompletos

Los diseños en bloques al azar y cuadrados latinos gozan de las ventajas de ortogonalidad y
simplicidad de análisis. Es muy común, en la comparación de variedades y otros problemas en los que
se comparan muchos tratamientos. Al aumentar el número de tratamientos aumenta el tamaño necesario
del bloque y por lo tanto su heterogeneidad. Este tipo de situaciones llevó a la necesidad de introducir
bloques incompletos. Los bloques incompletos se recomiendan a partir de las 15 variedades. Como
estos diseños se usan generalmente en la comparación de variedades vamos a simbolizar el número de
tratamientos por V.

CLASES DE DISEÑOS EN BLOQUES INCOMPLETOS. Cochran & Cox (1952) y Pimentel

Gomes (1990) clasfican a los diseños en bloques incompletos en:
Tipo I. Se pueden agrupar en repeticiones. Si los bloques se pueden agrupar en repeticiones el diseño se
dice "resolvable”, en caso contrario "no-resolvable".
Tipo II. Se pueden agrupar en grupos de repeticiones.
Tipo III: No se pueden agrupar en repeticiones.
Supongamos que las variedades a comparar son 6:
Bloque
I A B C
II D E F
III A E F
IV B C D
En el segundo caso los bloque I y II forman una repetición del experimento, los bloques III y IV
forman una segunda.

Ejemplo 4.18. Los datos siguientes son de 4 tratamientos en 4 bloques de tamaño 3. Debido al tamaño
de los bloques no caben todos los tratamientos. La idea básica es dejar afuera de cada bloque un
tratamiento diferente, el tratamiento 1 quedó afuera del bloque 1, el 2 en el bloque 2, etc.
Trat 1 Trat 2 Trat 3 Trat 4
1 xx xx xx
Bloque 2 xx xx xx
3 xx xx xx
4 xx xx xx
Luego se aleatorizan el orden de los bloques y la situación queda así:
Trat 1 Trat 2 Trat 3 Trat 4 Total
Bloque 1 74 74 76 224
2 75 76 76 227
3 68 69 73 208
4 72 73 76 221

Este caso es balanceado, es decir todas las comparaciones entre tratamientos tienen igual precisión.

141
ALGUNOS CONCEPTOS: BALANCE. Si se mide el número de veces que cada par de
tratamientos se presenta en un mismo bloque (llamémosle λ) y el ese valor es igual para todos los pares
de tratamientos el diseño se dice balanceado (el diseño se llama BIB – bloque incompleto balanceado).
Si eso no es así el diseño es desbalanceado. Hay diseños parcialmente balanceados (PBIB) cuando
algunos tratamientos se presentan con otros λ1 veces y con otros mas λ2 veces. Supongamos que
tenemos 7 variedades a comparar en bloques de tamaño 3:
Bloques
I A B C
II D E F
III G A B
IV C D E
V F G A
VI B C D
VII E F G
Hacer los bloques no es fácil. El diseño en bloques completos al azar prevee que todos los
tratamientos están en todos los bloques. Muchas veces formamos bloques de tamaño menor que el
número de tratamientos que tenemos. Entonces nos encontramos con que tenemos que usar bloques
incompletos, es decir que no todos los tratamientos están en todos los bloques.

Tipo 1. Si tenemos 6 variedades en bloques de tamaño 3

Tipo 3. Si tenemos 7 variedades en bloques de tamaño 3
Tipo 1 Tipo 2 Tipo 3
ABC ABC
DEF DEF
AEF GAB
BCD CDE
FGA
BCD
EFG
Notemos que el factor clave pasa a ser el tamaño de los bloques, el investigador forma bloques del
tamaño que el material experimental le permite.

Ejemplo4.19.
↓Trat/B→ 1 2 3 4 5 6 7 8
1 52 43 114 34
2 10 78 80 130
3 103 187 298 263
4 215 164 257 227
5 27 122 120 153
6 26 78 56 89
7 95 55 65 139
8 154 150 265 254

142
[Link]álisi.
s

[Link] hablabaasí:
Análisis como bloques completos. Si el diseño es resolvable (como en el caso de los látices) se puede
analizar como bloques completos. Esto no es recomendable‚ ya que estamos perdiendo información.
Además el experimentador generalmente forma (como debe ser) los bloques como parcelas de igual
respuesta y por tanto las repeticiones no tienen efecto. La única razón de este procedimiento es
convencer al investigador de usar bloques incompletos: se el diseño es resolvable entonces el
investigador no arriesga nada con usarlo.
Análisis intrabloques. El modelo para los bloques al azar es: Yij = µ + bi + tj + eij sean los
bloques completos o incompletos. Si tenemos repeticiones podemos escribir:
Yijk = µ + bi(k) + Rk + tj + eijk.
O caso mas frecuente es que los efectos de los tratameentos sean fijos. El análisis intra-bloques asume
que los efectos de los bloques son también fijos i. La estimación de los efectos de los tratamientos
procura entonces obtener el BLUE que se obtiene con el PROC GLM de SAS. Las medias ajustadas de
los libros de estadística experimental son las "LS means" de SAS. Las varianzas de los contrastes son
complicadas. Para la prueba t o MDS el numero diferente de repeticiones‚ hace que el SAS calcule un
p-value para cada contraste lo cual hace muy complicada la interpretación. Con estas salvedades y el
tener cuidado con la descomposición de la Suma de Cuadrados de los Tratamientos, permiten asegurar
que el análisis con GLM puede ser hecho bien. La eficiencia de los BI puede ser interesante de estudiar.
Análisis con recuperación de la información inter-bloques. Antiguamente se hablaba mucho de este
procedimiento, mientras que hoy se piensa mejor en términos de proponer un modelo con efectos de los
bloques aleatorios. La técnica tradicional consistía en obtener estimadores inter-bloques y combinarlos
con los estimadores intra-bloques en una estimación mas eficiente.
Ahora.
La técnica actual es usar el Proc Mixed. Recordemos que el GLM usa mínimos cuadrados y el Mixed
usa máxima verosimilitud.

i
Muchas personas, entre las que me incluyo, encuentran que eso es muy raro de ocurrir.
143
[Link].

Para ilustrar la construcción de un Lattice partamos de la siguiente estructura cuadrada:

A B C
D E F
G H I
las filas del cuadrado generan los bloques de la repetición 1.

1 A B C
2 D E F
3 G H I
Las columnas generan bloques de la repetición 2 y las diagonales de la repetición 3.
4 A D G 7 A D I
5 B E H 8 B E H
6 C F II 9 C F G

Falta de balance de Lattice Simple o Triple. Cada par de variedades no aparecen juntas en un mismo
bloque el mismo número de veces. En el Lattice Triple 3 x 3 que estamos analizando se observa la
siguiente situación:
Par Concurrencia Par Concurrencia
A,B 1 B,C 1
A,C 1 B,D 0
A,D 1 B,E 1
A,E 1 B,F 1
A,F 0 B,G 1
A,G 1 B,H 1
A,H 0 B,I 0
A,I 1
Estos diseños entran en la categoría de no-ortogonales.

Ejemplo(pg213).16 variedadesen látice4x4 con 3 repeticiones.

Repetición1 Bloque 1 1 2,0 2 2,9 3 2,2 4
3,9
2 5 2,3 6 2,5 7 1,4 8
1,7
3 9 1,6 10 3,0 11 1,5 12
2,1
4 13 2,3 14 3,4 15 2,0 16
2,8
Repetición2 5 1 2,2 5 2,3 9 2,7 13
1,4
6 2 3,1 6 2,8 10 2,6 14
2,8
7 3 3,1 7 2,9 11 2,5 15
2,4
8 4 4,0 8 2,8 12 2,7 16
1,5
144
 Repetición3 9 1 3,0 6 2,9 11 2,6 16
3,1
10 2 1,8 5 1,9 12 2,9 15
2,5
11 3 1,7 8 2,0 9 1,4 14
2,3
12 4 4,4 7 3,7 10 3,3 13
2,2
proc mixed;classr b trt;modely=trt;random r b(r);lsmeans trt/pdiff;run;

145
[Link]ños alpha.

En las décadas del 30 y 40 era importante la facilidad de construcción y análisis de los diseños. La falta
de flexibilidad para disponer de diseños en bloques incompletos resolvables para cualquier número de
variedades era una limitante sensible en el trabajo. Patterson & Williams en 1976, introducen los α-
Lattices o diseños Alpha, que son una generalización de los Lattices originales de Yates y que
proporcionan una gran flexibilidad

V=24; k=4; s=6 _V=26; k1=5; k2=4; s=6

Bloque Rep Bloque Rep

1 1
2 2
3 3
4 4
5 5
6 6

La flexibilidad se obtuvo a un precio: la calidad de los α-Lattices es despareja.

Cómo elegir el tamaño de un diseño Alpha. Llamamos α(0,1) al diseño en el cual algunos de los
tratamientos están juntos una vez y otros cero veces. Del mismo modo, llamamos α(0,1,2) al diseño en
el cual algunos tratamientos están juntos 0 veces, otros 1 vez y otros 2 veces. Resulta claro que un
diseño α (0, 1) es mejor que uno (0, 1, 2) y debe ser preferido siempre que es posible.

Condición necesaria para la existencia de un α (0, 1): k ≤ s. González (1991) da algunas reglas:
1. Si el número de tratamientos es mayor de 15, usar bloques incompletos, ya sean Lattices de
Yates o α-Lattices.
2. Es conveniente que el número de repeticiones sea mayor a 3: r ≥ 3
3. Tamaño del bloque igual o ligeramente menor que la raíz del numero de trat: k ≤ √v
4. Una vez decididos v, r, k, se puede elegir el diseño usando Alphagen

Cómo construir un α-Lattice con tamaños de bloque diferentes, usando Alphagen.

Ejemplo: v = 26 5 x 5 < 26 < 5 x 6

Bloque Rep
1
2
3
4
5
6

146
[Link] de los diseños en bloques.

El factor de eficiencia (EF) es el resultado de dividir: (a) la varianza promedio con que un diseño en
bloques completos estimaría las diferencias entre variedades, por (b) la varianza promedio con que el
diseño en bloques incompletos estimaría esas diferencias. Si el cuadrado medio del error fuera el
mismo en ambos casos el factor de eficiencia estará entre cero y uno: 0 < EF < 1

Eficiencia relativa a) la variancia promedio de las diferencias entre variedades, en el análisis que ignora
los bloques incompletos, y toma las replicaciones como bloques completos, dividida por b)la variancia
promedio de dichas diferencias en el análisis de bloques incompletos (incluyendo la recuperación de
información inter-bloque).

Cálculo de la EFICIENCIA RELATIVA del Lattice Simple 5x5 Ejemplo de Cochran & Cox
Delineamento SED Promedio
Bloques incompletos 4,15
Bloques completos 5,48
Eficiencia relativa =(5,48/4,15)2 = 1,74. Hubo un 74% de ganancia en eficiencia.

Ganancia en eficiencia. Normalmente la ganancia en eficiencia por el uso de los diseños en bloques
incompletos es sensible. Patterson & Hunter (1983) reportan que, en 244 ensayos de cereales en el
Reino Unido entre 1975 y 1982, la mediana de la eficiencia relativa fue de 1.23. En el programa de
maíz de CIMMYT el uso de los α-Lattices desde 1985, en ensayos con más de 200 entradas ha
mostrado una eficiencia relativa de entre el 100% y el 200%. El programa de trigo de CIMMYT, con el
uso de los α-Lattices desde 1988, en ensayos de 100 a 400 entradas con riego ha logrado eficiencias
relativas de entre 100% y 132%.

Cómo calcular el factor de eficiencia (HMEF) de cualquier diseño en bloques incompletos resolvable
usando REML
1. Modelo con todos los factores fijos (para que no haya recuperación de inf. inter-bloque).
'fixed' Rep+[Link]+Varied.
2. Datos de rendimiento ficticios, sin ninguno repetido.
3. r' = 2α2/(SED)2
HMEF = r'/r
Cálculo de la Eficiencia Relativa (HMEF) de un diseño alpha para comparar v = 26 variedades. El
diseño tiene r = 3 replicaciones, cada una de las cuales contiene dos bloques de 5 parcelas y cuatro
bloques de 4 parcelas.
v = 26; r = 2; k1 = 5; k2 = 4; s = 6

HMEF = r'/r
r' = 2_2/(SED)2
r=3
r' = 2 x 10-7/(0.000298)2 = 2.252
HMEF = 2.252/3 = 0.75

147
Auditoría retrospectiva del uso de bloques incompletos Cómo predecir el valor de diseños en
bloques incompletos mediante la técnica conocida como post-blocking (Ainsley [1985], Ainsley,
Paterson & Patterson [1987]).

Cualquier experimento en BLOQUES COMPLETOS puede, es decir que es válido, ser

analizado superponiéndole BLOQUES INCOMPLETOS sobre la disposición resultante de la
aleatorización de los bloques completos, y haciendo como que los bloques incompletos fueron
planificados desde el inicio.

Ejemplo 4.17. Rendimientos por parcela (t/h) en un ensayo en bloques al azar con 16 variedades
M L P O K B E I
1.11 1.18 1.06 1.08 0.98 0.95 1.04 1.00
F J D A C H G N
1.07 1.10 1.02 0.98 1.06 1.07 1.12 1.08
A C G O H P L M
0.96 1.05 1.13 1.06 1.02 1.00 1.09 1.02
I E J K D F N B
0.96 1.04 1.06 1.07 1.07 1.01 1.07 1.10
O H M F E C P A
0.95 0.93 1.01 0.98 1.04 1.00 1.04 0.97
I N B D K G J L
0.92 1.00 1.00 1.05 1.06 1.14 1.14 1.18

Ensayo de 16 variedades en tres bloques al azar. Estimación (conservativa) de la ganancia en

eficiencia que hubiéramos obtenido si hubiéramos usado bloques incompletos: Eficiencia de bloques
incompleto relativa a bloques completos: = (0,0366/0,0314)2 = 1,36. Esto quiere decir que, para
obtener, usando bloques completos, la misma precisión que hubiéramos obtenido usando bloques
incompletos, hubiéramos precisado un 36% más de repeticiones 3 x 1.36 = 4.08. Es decir que
hubiéramos precisado 4 bloques en lugar de 3.

Ensayo de cebada - La Estanzuela 1990. 24 variedades en bloques al azar con 4 repeticiones.

Parcelas de 1.20 x 5.00m.
Repetición
Bloque 1 Bloque 2 Bloque 3 Bloque 4 Bloque 5
5 parcelas 5 parcelas 5 parcelas 5 parcelas 4 parcelas

Estimación (conservadora) de la ganancia en eficiencia que hubiéramos obtenido de haber usado

bloques incompletos en lugar de bloques completos: Eficiencia relativa = (0,344/0,317) 2 = 1,18. Para
obtener, usando bloques completos, la misma precisión que hubiéramos obtenido usando bloques
incompletos, en lugar de 4 repeticiones (bloques completos), hubiéramos precisado 4 x 1,18 = 4,72, es
decir, 5 repeticiones.

148
4.3.9. Otros Diseños en Bloques Incompletos.

Yates (1940) introduce los Lattice Squares, que son diseños en bloques incompletos que usan
dos sistemas de bloqueo para eliminar la heterogeneidad en dos direcciones. En estos Lattices, también
el número v debe ser un cuadrado perfecto, y requieren un número alto de replicaciones. Los "Lattice
squares" de Yates son diseños en Filas-y-Columnas, en bloques incompletos.
Patterson & Robinson (1989) presentan un catálogo de diseños en filas y columnas con 25 ≤ v ≤
100 y r = 2. Luego Patterson desarrolló un programa (RCX) que genera diseños eficientes en filas y
columnas, para 16≤ v ≤ 400 y r = 2.
TABLA 3. Clasificación de los principales diseños
One grouping Two groupings
Bloques Bloques aleatorizados Cuadrados latinos
completos
Simple
Resolvable Square Lattice square
Lattice
Triple
Simple
Bloques Rectang.
incompletos Lattice
Triple
α-Lattice Row-and-colum designs

Lattices aumentados.
Pimentel Gomes & Viegas (1978)ii recomendaban cosas como esta: partiendo de un diseño en látice

1 2 3 A
4 5 6 A
7 8 9 A
1 4 7 A
2 5 8 A
3 6 9 A

La idea que ellos manejan es que este diseño disminuye la varianza entre las medias ajustadas de los
tratamientos.
Oliveira & Barbin (1990)iii se entusiasman y agregan dos tratamientos comunes en cada bloque.
Evidentemente estamos en un caso de latices grandes, donde se comparan muchos tratamientos.
Finalmente podemos considerar que se pueden poner diferentes tratamientos en un bloque con la única
condición de que haya tratamientos comunes en todos los bloques. Esa situación se parece a un grupo
de experimentos en los cuales hay tratamientos comunes testigos. La veremos al final del libro.

ii
Pimentel Gomes, F. & Viegas, G. P. Experiments in square lattice with a common treatment in all blocks. Revista
Agricultura, Piracicaba, 53:35-43, 1978.
iii
Oliveira, A. C. & Barbin, D. Experimentos en reticulados cuadrados. Pesquisa Agropecuaria Brasileira, Brasilia, 23(7):
717-723
149
Historia. Yates en 1936 introduce los Lattices cuadrados donde el tamaño del bloque es igual a la raíz
cuadrado del número de tratamientos. Si el numero de repeticiones es 2 se habla de Lattices simples, si
es 3 de Lattices triples. Harshbarger en 1949 introduce los Lattices rectangulares, caracterizados porque
el número de tratamientos es de la forma: V = k (k+1). Los Lattices de Yates y Harshbarger son
óptimos en el sentido de que son los mejores diseños disponibles para esas condiciones.
TABLA 4. Evolución de los diseños aleatorizados.
1910 Se introduce la replicación en la investigación agrícola
1919 Fisher ingresa a Rothamsted
1920's Fisher introduce la aleatorizacion los diseños en bloques aleatorizados y el diseño en
Cuadrado Latino
1936 Yates introduce los diseños en Square Lattice
1940 Yates introduce los Lattice Square
1949 Harshbarger introduce los diseños en Lattice Rectangular
1976 Patterson & Williams introducen los α-designs
1978 Patterson, Williams & Hunter construyen un catalogo de diseños alpha altamente
eficientes.
1984 Patterson & Paterson desarrollan un algoritmo disponible para mainframes y minis, el
cual automáticamente genera diseños α con alto nivel de factor de eficiencia
1987 El algoritmo se hace disponible para IBM PC's y compatibles
1988 Patterson & Robinson construyen un catalogo de diseños row-and-column muy
eficientes.
Tesisy teoríasdelpresentetrabajo.
[Link] importantees elmodelo(y no elnombre deldiseño).
-Diseños que no tienen nombre (como es el caso del librode Anderson,1995,o la investigación
de SCHATCH,1996)tienenmodelo.
-El SAS (y elGENSTAT)requierenelmodelo,y la tendenciaa trabajarasíes creciente(elM-STAT
no es así).
-Dos latticesjuntosya no son un lattice.
-Está ganando importanciasielmodeloes mixto o no.
2. En la recuperaciónde la información inter-bloqueslo importantees el método de estimación
de los σ 2b .
-El procedimientode estimación de los BLUE’ses unanimidad (GLS=MM),la estimación de las σ 2
b

no lo es.
-Los σ 2b pueden ser consideradoscomponentesde varianza, eso forma partede una visiónde la
realidadque no es única.
[Link] mixto,esa es la cuestión.
-La duda de la visión clásica de recuperar o no la información inter-bloques no es tan
[Link] losbloquesson aleatorioslo mejor (elBLUE) es la conjuntay no la intra-bloques.
Si los σ son determinadosnulos,os bloquespueden ser ignorados.
2
b

-Ahora podemos trabajarasí:siel modelo es fijouse mínimos cuadrados,si el modelo es mixto

use MM, y elresultadoconcuerdacon Yates.
[Link] nuevo softwarehacen realizablesdiseñosque antesno lo eran.
-El diseño de Oliveira& Barbin (1989) es un ejemplo de caso que puede ser analizado con el
Proc Mixed.
-Los casosparticularespueden ser más fácilesde deducira partirde lasMM.
-El nuevo limitede análisisparece ser la conexió[Link] desconexos no pueden ser analizados
conjuntamente.(Paralosdiseñosellimitees la eficiencia.)
150
5. De losbloquesincompletosa losgrupos de experimentoses un [Link] nueva mentalidades:
estimadoresde dos diferentesestratosde informaciónque se ponderan adecuadamente.

Comparaciónentrelosmétodos clásicoy modernoiv.

Método clásico(Yates,1940;Pimentel Método dos modelosmixtos
Gomes,1991) Henderson (1984),SAS (1992)
[Link] dos formas de análisis:intra- [Link] bloquespueden ser considerados
bloques y con recuperación de la fijoso [Link] lo tanto,elmodelo
informacióninter-bloques. es fijoo [Link] procedimientoque
debe ser utilizadoes consecuenciade
esto.
2. Si los bloques son fijos el análisis2. Si los bloques son fijos,el análisis
adecuado es intra-bloques adecuado es con elGLM.
3. Si los bloques son aleatorios tienen 3. Si losbloquesson aleatoriosel modelo
informaciónsobreos tratamientos. es mixto, entonces las ecuaciones MM
proveen el BLUE (la mejor solución, la
otraes inaceptable)
4. El parámetro importante es [Link] punto clavees estimar σ 2b
σ e2
a= .
σ e2 + kσ 2b
5. El método de estimación de varianzas [Link]étodos de estimaciónde
mas utilizado puede ser considerado varianzascomo ML (máxima
método 3 de Henderson. verosimilitud)y REML pueden ser
mejores.
6. Las medias de los tratamientosdeben 6. Los BLUEs de los tratamientos en los
ser corregidas. modelos mixtos, corresponden con las
mediascorregidastradicionales.
[Link] resultadosson aproximados 7. El grado de aproximación de los
resultados es bastante [Link]
resultadosexactos(Ofversten,1993) pero
son complejos.

iv
Asumimos que los tratamientos también son fijos
151
 [Link] DE COVARIANZA
[Link] básica del análisis de covarianza.

Por análisis de covarianza se entiende generalmente a la técnica para corregir los resultados de una
variable de interés por la influencia de otra, llamada la covariable. Supongamos que se compara el peso
de dos razas de animales, puede suceder que los animales tengan diferentes edades e interesa comparar
los pesos a igualdad de edades. Es decir que se debe estimar el peso que tendrán los animales a una
determinada edad y efectuar la comparación de esos pesos. Puede haber, por lo tanto, una discusión
acerca de a que edad se llevan todos los pesos. Una solución a veces tomada es llevar a todos los
animales "a peso promedio". Esa solución a su vez esta condicionada a la media de ese grupo de
animales. Otra postura es llevar a una edad arbitraria, por ejemplo 180 días (6 meses). Esta última es la
actitud tomada generalmente en mejoramiento animal, pero la primera tiene cierto preferencia por tener
mejor precisión en un ensayo determinado.

La idea básica del ajuste de valores se puede ver en la figura que sigue:

Y|
|
6+ 1
|
|
|
|
5+ A' 1
| A' A'
| A'
|
| B B
4+ B B
|
|
|
| A
3+ A A 1 B' B'
| A B' B'
|
|
|
2+ 1
|
---+--------------+--------------+--------------+--------------+--
3 5 7 9 11

Figura 4.3. Corrección por covariables.

152
Los animales de la raza A son más livianos que los de la raza B, pero observando las edades (X) se
puede determinar que son mas jóvenes. Los valores reales son los marcados con las letras y los valores
corregidos por peso son los indicados con primas (apostrofes). En cierto modo los valores corregidos
son los que se hubieran obtenido si hubiesen tenido la edad promedio (o una edad dada de antemano).
En este caso, cuando se corrige por el efecto de la edad se observa que en realidad los animales de la
raza A son más pesados (para su edad digamos) que los de la raza B.

Un ejemplo muy común en producción vegetal, puede ser cuando el rendimiento de un cultivo para dos
variedades deba compararse, pero se lograron diferente número de plantas en cada una de las dos
variedades y se intenta una comparación que no esté afectada por el número de plantas.

Del punto de vista de los modelos lineales el análisis de covarianza no es mas que una aplicación de la
regresión. En realidad toda variable cuantitativa que pueda afectar a la variable de interés puede ser
llamada covariable. Generalmente se usa la expresión análisis de covarianza para el uso de regresión
especialmente destinado a corregir los valores por una covariable.

4.4.2. Enfoque clásico.

El enfoque clásico como lo muestran Snedecor (1988) y Steel y Torrie (1983) es analizar los
resultados por medio de suma de cuadrados y un nuevo concepto similar que es la suma de productos.
Se construye una cantidad similar a la suma de cuadrados que es la suma de productos y se trabaja con
la línea del error. Por lo tanto el análisis tendrá diferencias según el diseño sea parcelas al azar, bloques
al azar, cuadrado latino o experimentos factoriales. El análisis asume que se esta trabajando con la
regresión "del error" es decir la respuesta a la regresión dentro de cada tratamiento.
El enfoque clásico del análisis de covarianza llevaba a largos y laboriosos cálculos. Por este motivo, no
se hacia en general uso de regresiones curvilíneas o multivariadas.

153
4.4.3. Enfoque de modelos lineales.

Un enfoque tipo modelos lineales puede verse en Freund (1988) o Draper y Smith (1988). La idea
puede resumirse en los siguientes términos. Para cada tratamiento se puede ajustar una recta de
regresión peso contra edad (o rendimiento contra número de plantas):
Y = B0i + B1i X + E

Se puede ajustar una recta única peso contra edad (rendimiento por número de plantas en el ejemplo de
producción vegetal):
Y = B0 + B 1 X + E

Se puede ajustar una recta promedio de las rectas de cada tratamiento

Y = B0i + B1i X + E

Se puede ver que esa recta promedio es la que se obtiene de ajustar una recta de regresión con las
sumas de cuadrados y de productos del error. Esta es la recta usada para el ajuste.
Aparte de la mayor información que normalmente se puede sacar del enfoque por modelos lineales se
vuelve bastante fácil utilizar regresiones cuadráticas y dos o mas covariables, que el enfoque clásico no
permite hacer con facilidad.

4.4.4. Ajuste de medias.

Según el enfoque clásico el tema del ajuste de medias se visualiza con mas facilidad, mientras que
en el otro caso no es tan así. Un poco mal acostumbrados por el enfoque clásico muchos investigadores
quieren tener las medias corregidas, perdiendo un poco de vista que el valor de esa corrección es
relativo. Según el enfoque GLM se habla de LSmeans o medias mínimo-cuadráticas.

[Link] del análisis de covarianza.

Generalmente se considera que el análisis de covarianza se justifica si se obtiene una regresión

significativa contra la covariable. También se puede observar la disminución del error que se obtiene
con el uso de la covariable. En el caso de que el factor de bloque sea una variable cuantitativa se
presenta la opción de usar bloques o covarianza. La filosofía de los bloques es considerar que todas las
unidades experimentales son iguales, por lo tanto algunos autores argumentan que el análisis de
covarianza describe mejor muchas situaciones. Otros dicen que se puede bloquear y, adicionalmente,
usar covariable para remover la variabilidad remanente. También se presentan situaciones donde hay
mas de un factor de bloqueo (como puede ser el caso de duda si bloquear animales por peso o por
estado) y se opta por bloquear por un factor y usar el otro como covariable.

154
[Link]álisis de covarianza en el SAS.

Un programa SAS para el análisis de covarianza seria:

DATA cuatro20;
TITLE 'Análisis de covarianza';
INPUT t x y @@;
CARDS;
1 5 3 1 9 5 1 11 6 1 3 2
2 4 5 2 7 6 2 0 2 2 8 7
2 10 8 2 2 3 2 12 9 2 5 8
3 8 7 3 7 6 3 3 4
3 2 3 3 8 6 3 2 4
PROC GLM;
CLASS t;
MODEL y=t x/SOLUTION;
RUN;
Este programa ajusta efectos de tratamientos y regresión con X.

PROC GLM;
CLASS t;
MODEL y=t x t*x/SOLUTION;
OUTPUT OUT=salida1 P=ygorro R=desvios;
RUN;
Este otro ajusta además por una posible interacción entre tratamientos y la covariable, si esa interacción
es significativa quiere decir que las regresiones no son iguales para los diferentes tratamientos.

Si las regresiones no son iguales se debe ajustar una regresión por tratamiento, del siguiente modo:

PROC SORT; b y t;
PROC PLOT; b y t;
PLOT y*x=t;
TITLE2 'Peso VS Edad por tratamiento';
PLOT ygorro*x;
RUN;

y la salida es:

155
ANALISIS DE COVARIANZA

General Linear Models Procedure

Class Level Information
Class Levels Values
T 3 1 2 3
Number of observations in data set = 18
Dependent Variable: Y
Sum of Mean
Source DF Squares Square F Value Pr > F
Model 3 67.8585859 22.6195286 34.23 0.0001
Error 14 9.2525253 0.6608947
Corrected Total 17 77.1111111
R-Square C.V. Root MSE Y Mean
0.880010 15.56721 0.81295 5.2222222
Source DF Type I SS Mean Square F Value Pr > F
T 2 11.1111111 5.5555556 8.41 0.0040
X 1 56.7474747 56.7474747 85.86 0.0001

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

T 2 17.3485443 8.6742721 13.13 0.0006
X 1 56.7474747 56.7474747 85.86 0.0001
T for H0: Pr > |T| Std Error of
Parameter Estimate Parameter=0 Estimate
INTERCEPT 2.323232323 B 5.28 0.0001 0.43999478
T 1 -2.070707071 B -3.85 0.0018 0.53733061
2 0.464646465 B 1.05 0.3118 0.44283044
3 0.000000000 B . . .
X 0.535353535 9.27 0.0001 0.05777414
NOTE: The X'X matrix has been found to be singular and a generalized inverse was used to solve
the normal equations. Estimates followed by the letter 'B' are biased, and are not unique
estimators of the parameters.

ANALISIS DE COVARIANZA
General Linear Models Procedure
Class Level Information
Class Levels Values
T 3 1 2 3
Number of observations in data set = 18
Sum of Mean
Source DF Squares Square F Value Pr > F
Model 5 68.0409357 13.6081871 18.00 0.0001
Error 12 9.0701754 0.7558480
Corrected Total 17 77.1111111
R-Square C.V. Root MSE Y Mean
0.882375 16.64799 0.86940 5.2222222
Source DF Type I SS Mean Square F Value Pr > F
T 2 11.1111111 5.5555556 7.35 0.0082
X 1 56.7474747 56.7474747 75.08 0.0001
X*T 2 0.1823498 0.0911749 0.12 0.8874
Source DF Type III SS Mean Square F Value Pr > F
T 2 2.4915571 1.2457785 1.65 0.2331
X 1 43.1507138 43.1507138 57.09 0.0001
X*T 2 0.1823498 0.0911749 0.12 0.8874
T for H0: Pr > |T| Std Error of
Parameter Estimate Parameter=0 Estimate
INTERCEPT 2.500000000 B 3.35 0.0057 0.74527426
T 1 -2.000000000 B -1.55 0.1477 1.29240452
2 0.131578947 B 0.14 0.8913 0.94265770
3 0.000000000 B . . .
X 0.500000000 B 3.81 0.0025 0.13106625
X*T 1 -0.000000000 B -0.00 1.0000 0.18993304
2 0.061403509 B 0.40 0.6977 0.15430038
3 0.000000000 B . . .
NOTE: The X'X matrix has been found to be singular and a generalized inverse was used to solve
the normal equations. Estimates followed by the letter 'B' are biased, and are not unique
estimators of the parameters.

156
 ANALISIS DE COVARIANZA
General Linear Models Procedure - Class Level Information
Class Levels Values
T 3 1 2 3
Number of observations in data set = 18
Dependent Variable: Y
Sum of Mean
Source DF Squares Square F Value Pr > F
Model 5 68.0409357 13.6081871 18.00 0.0001
Error 12 9.0701754 0.7558480
Corrected Total 17 77.1111111
R-Square C.V. Root MSE Y Mean
0.882375 16.64799 0.86940 5.2222222
Source DF Type I SS Mean Square F Value Pr > F
T 2 11.1111111 5.5555556 7.35 0.0082
X 1 56.7474747 56.7474747 75.08 0.0001
X*T 2 0.1823498 0.0911749 0.12 0.8874

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

T 2 2.4915571 1.2457785 1.65 0.2331
X 1 43.1507138 43.1507138 57.09 0.0001
X*T 2 0.1823498 0.0911749 0.12 0.8874

T for H0: Pr > |T| Std Error of

Parameter Estimate Parameter=0 Estimate
INTERCEPT 2.500000000 B 3.35 0.0057 0.74527426
T 1 -2.000000000 B -1.55 0.1477 1.29240452
2 0.131578947 B 0.14 0.8913 0.94265770
3 0.000000000 B . . .
X 0.500000000 B 3.81 0.0025 0.13106625
X*T 1 -0.000000000 B -0.00 1.0000 0.18993304
2 0.061403509 B 0.40 0.6977 0.15430038
3 0.000000000 B . . .

NOTE: The X'X matrix has been found to be singular and a generalized
inverse was used to solve the normal equations. Estimates followed
by the letter 'B' are biased, and are not unique estimators of the
parameters.

La interacción tratamiento por covariable no es significativa, es decir que se puede sostener que los
diferentes tratamientos responden igual al peso inicial, se puede ajustar una única regresión.

157
ANALISISDE COVARIANZA

PESO VS EDAD POR TRATAMIENTO

-------------T=1
----------------------------
----
Plotof Y*X. Symbolisvalueof T.
Plotof YGORRO*X. Symbolused is'.'.
Y| 10 + 7.0 +
| Y | 3
6 + . Y|
1 | |
| 9 + 6.5 +
| 2 .
| | |
5 + | |
1 . 6.0 +
| 8 + 2 3 3
| 2 |
| | |
4+ | . 5.5+
| 7+ 2 |
| | |
| | . 5.0+
3+ 1 6+ 2 |
| | |
| | . 4.5+
| 5+ 2 |
2+ 1 | . |
| | 4.0+ 3 3
---+-------------- 4+ |
+--------------+--------------+-- | . |
-------------+-- | 3.5+ .
3 5 7 3+ 2 |
9 11 X |. NOTE:4 obs hidden.
| |
NOTE:4 obs hidden. 2+ 2 3.0+ 3
---+----+----+----+----+---- ---+----------+----------
+----+----+----+----+----+----+-- +----------+----------+----------
---+-- -+----------+--
0 1 2 3 4 5 6 7 8 2 3 4 5 6
9 10 11 X 7 8X

158
OTROS CASOS DE ANALISIS DE COVARIANZA.
COMO QUIEN VA Y COMO QUIEN VIENE

EL CASO DEL PESO AL NACER DE LOS NIÑOS. El modelo es Y = µ + S + EG + S*EG + ε,

donde Y es el peso al nacer de los bebés, s es el efecto del sexo del bebé, eg es la edad gestacional
(tiempo desde la concepción al nacimiento), s*eg es la interacción y ε es el error. En un enfoque clásico
de análisis de covarianza la variable cuantitativa (la edad gestacional) es una molestia para comparar
los niveles de la variable cualitativa (el sexo en este caso). Po lo tanto se corrige por edad para obtener
el peso al nacer de cada sexo. Pero en este caso el investigador en realidad lo que quiere hacer es
modelar la situación, ambas variables son igualmente importantes, ni se menciona que es un análisis de
covarianza. Sin embargo el modelo tiene variables cuantitativas y cualitativas.

EL CASO DE LAS PASTURAS. Saldanha & Saravia estudian la relación entre cantidad de agua
disponible (X1), cantidad de agua demandada (X2) y crecimiento de las pasturas en 3 diferentes suelos y
para las 4 estaciones. Entonces hacen una regresión para cada una de las 12 combinaciones de suelos y
estaciones. Pero si queremos un modelo para todas las situaciones tenemos:
Y = µ + S + E + S*E + X1 + X2 + ε
Suponiendo que procedemos al reves: el investigador ajusta el modelo completo y observa
interacciones significativas, al margen que puede proceder de otra manera en realidad lo que le interesa
es para cada combinación de suelo y estación (que reaccionen igual – es decir que no interactúen) saber
cual es la relación entre la tasa de crecimiento de la pastura con X1 y X2.

EL CASO DE LA DENSIDAD DE POBLACIÓN. En una investigación se intentó medir la densidad

de población. Cuando se observaron las poblaciones obtenidas se vió que no coincidían con lo
intentado y se propuso un análisis de covarianza. En ese caso parece mejor hacer una regresión (con el
número de plantas implantadas como predictora) que un análisis de covarianza propiamente dicho (es
decir considerar al número de plantas una variable independiente que afectó la situación).

COVARIANZA VS. BLOQUES. Muchos investigadores se plantean el dilema de si debe usar

bloques o hacer un análisis de covarianza, como en el ejemplo 4.1 de este capítulo. Recordemos las
propiedades.

CUANDO LA COVARIABLE ES AFECTADA POR LOS TRATAMIENTOS. En ese caso

recomendamos una estrategia del tipo coeficientes de paso.

la ASO DE

159