En la mejora de plantas, los Ensayos Multi-Entorno (MET) evalúan genotipos candidatos en diversas condiciones, lo que resulta costoso financieramente debido a las extensas pruebas de campo. Las pruebas escasas abordan este desafío al evaluar algunos genotipos en entornos seleccionados, permitiendo una gama más amplia de entornos sin aumentar significativamente los costos. Este enfoque integra información genómica para ajustar los datos fenotípicos, lo que lleva a estimaciones más precisas de los efectos genéticos. Se han explorado varios métodos de pruebas escasas para optimizar el uso de recursos. Este estudio empleó un Diseño de Bloques Incompletos (IBD) para asignar líneas a entornos, asegurando que no todas las líneas fueran probadas en cada entorno. Comparamos el IBD con la asignación aleatoria de líneas, manteniendo un número constante de entornos por línea en ambos métodos. El objetivo principal fue estimar el rendimiento de grano de las líneas utilizando Valores Genómicos de Cría Estimados (GEBVs) calculados a través de seis métodos de Predictor Lineal No Sesgado Genómico (GBLUP). En los primeros cinco métodos, los valores faltantes fueron predichos antes del ajuste entre entornos; en el sexto, el ajuste se realizó directamente. Usando el modelo GBLUP bayesiano, analizamos el rendimiento del genotipo bajo tanto IBD como asignación aleatoria. Los resultados indican que calcular GEBVs para una población objetivo de entornos (TPE) utilizando datos fenotípicos y de marcadores disponibles es efectivo para la selección. El método IBD mostró un rendimiento superior con menos variabilidad en comparación con la asignación aleatoria. Estos hallazgos sugieren que el uso de diseños IBD puede mejorar la precisión y eficiencia de la selección, y que la predicción de líneas faltantes antes del ajuste puede no necesariamente mejorar los resultados de selección.