1
Diseño de Experimentos
1. Introducción
En la unidad anterior se introdujo el concepto de modelación estadística, presentando el
método de regresión para el análisis de la expresión de una variable “dependiente” como
función de otra llamada regresora. En los modelos de regresión la variable que explica la
variación de la variable de respuesta es de naturaleza cuantitativa. Sin embargo en muchos
problemas prácticos las variables explicativas son categóricas y conforman factores de
clasificación. Un ejemplo típico de ello es la variación de los rendimientos cuando parcelas
experimentales son sembradas con distintas variedades de un cultivo. En este caso la
variable explicativa es la variedad y se trata de una variable no cuantitativa. En estos casos,
el análisis de la variación en la variable de respuesta se aborda mediante el ajuste de un
modelo lineal de clasificación que se completa con el análisis de su varianza. De allí que
este método de análisis se conozca comúnmente como el método de Análisis de la Varianza
(ANOVA). Sin embargo, como vimos en el capítulo anterior, también en un modelo de
regresión se puede estudiar el origen de las fuentes de variación mediante la construcción
de un cuadro de análisis de la varianza.
El ANOVA es, probablemente, la herramienta de inferencia estadística más utilizada en
las investigaciones científico-técnicas en el campo de las ciencias biológicas en general y en
las agropecuarias en particular. El ANOVA es un método estadístico cuya finalidad es probar
hipótesis referidas a los parámetros de posición de dos o más poblaciones en estudio.
1.1. Definiciones útiles para el diseño de un experimento.
Algunas definiciones útiles para encarar un diseño experimental son:
• Diseño de experimentos: Un experimento es una acción planificada de observación y
análisis de la realidad, bajo condiciones controladas, con el objetivo de contrastar
hipótesis de investigación y generalizar las conclusiones a través de un proceso de
inferencia estadística (por ej. pruebas de hipótesis).
• Niveles y tratamientos: Los diferentes valores que se asignan a cada factor estudiado en
un diseño experimental se llaman . Una combinación de niveles de todos los
factores se llama . Por ejemplo, si en un experimento se controlan la
humedad y temperatura, y se decide probar cada uno en dos niveles, entonces cada
combinación de niveles (humedad – temperatura) es un tratamiento. En este caso habría
cuatro tratamientos, como se muestra en la tabla 1.1.
Nivel de Humedad Nivel de Temperatura Tratamiento
1 1 1
2 1 2
1 2 3
2 2 4
• Unidad experimental: la menor unidad del material experimental a la que se le aplica un
solo tratamiento y se le permite actuar en forma independiente, es decir que no se halle
influenciada por el efecto de otro tratamiento. Por ejemplo, en el área agronómica: un
novillo, una parcela, una hoja, una planta, etc.; en el área de la ingeniería: un circuito
electrónico, un trozo de cierto material, etc.; en el área de educación: un alumno, una
clase, etc.; en el área de la medicina: un cobayo, una persona, un órgano, una víscera,
etc..
2
• Unidad de muestreo (observacional): unidad sobre la que se mide el efecto del
tratamiento. Puede ser toda o parte de la unidad experimental. Por ejemplo, en el área
agronómica: interesa estudiar el efecto de varias dosis de un herbicida (cada dosis es un
tratamiento) sobre cierta variedad de soja, sembrada en parcelas compuestas de 5
hileras de 30 m (la parcela es la unidad experimental). Dado que en el ensayo hay
parcelas adyacentes con dosis diferentes, para que no se mida material con
superposición entre las dosis, se evalúa sólo el rendimiento de las tres hileras centrales
de cada parcela, dejando además sin analizar 50 cm en cada cabecera (la unidad
observacional es la subparcela de 3 hileras de 2 m), ver Figura 1.
Unidad experimental
Unidad observacional
Bordura
Figura 1. Unidad experimental y observacional.
En el área ganadera, se está estudiando un nuevo método de alimentación (tratamiento)
y se lo aplica a un corral con 20 novillos (unidad experimental), la ganancia de peso se
mide sólo en 5 novillos de ese corral (cada uno de los 5 novillos es una unidad de
muestreo). En este caso, los novillos se eligen en forma aleatoria.
• Error aleatorio y error experimental: El es la medida de la variación que
existe entre unidades experimentales igualmente tratadas. Mide el fracaso de llegar a
resultados idénticos con dos o más unidades experimentales con igual tratamiento.
Refleja:
· errores de experimentación,
· errores de observación,
· errores de medición,
· variación del material experimental, etc..
·
Siempre que se realiza un estudio experimental, parte de la variabilidad observada no
se podrá explicar por los factores estudiados. Esto es, siempre habrá un remanente de
variabilidad que se debe a causas comunes o aleatorias, que generan la variabilidad
natural del proceso. Esta variabilidad constituye el llamado , que no es
error en el sentido de equivocación, sino variabilidad no explicada. Por ejemplo, dos
parcelas sembradas con cierta variedad de soja tratadas con la misma dosis de herbicida
es muy improbable que produzcan exactamente el mismo rendimiento, aunque no haya
errores de experimentación ni errores de medición, debido generalmente a variaciones de
suelo, de fertilidad de las semillas, etc.. Sin embargo, el error aleatorio también absorberá
todos los errores (ahora sí en el sentido de equivocación) que el experimentador comete
durante los experimentos, y si éstos son graves, más que error aleatorio hablaremos de
, y de predominar éste, la detección de cuáles de los factores
estudiados tiene un efecto real sobre la respuesta será difícil, si no es que imposible.
3
Cuando se corre un diseño experimental es importante que la variabilidad de la
respuesta observada se deba principalmente a los factores estudiados y en menor
medida al error aleatorio, y además que este error sea efectivamente aleatorio. Cuando la
variabilidad observada se debe a factores no estudiados o a error no aleatorio, no se
podrá distinguir cuál es el verdadero efecto que tienen los factores estudiados, con lo que
el experimento resultaría inútil. De aquí la importancia de no dejar variar libremente a
ningún factor que pueda influir de manera significativa sobre el comportamiento de la
respuesta (principio de bloqueo)
1.2. Principios básicos del diseño experimental.
Los tres principios básicos del diseño experimental son:
• Repetición: el ensayo debiera ser conducido de manera de disponer de dos o más
unidades experimentales tratadas con el mismo tratamiento. Cada una de estas unidades
experimentales es una repetición. No se consideran repeticiones a dos o más mediciones
de una misma unidad experimental.
La obtención de repeticiones permite, por un lado, calcular una estimación del error
aleatorio, que es la unidad de medición básica para determinar si las diferencias
observadas entre tratamientos son estadísticamente importantes o significativas; es decir
si esas diferencias se deben al azar o son importantes con relación al error aleatorio.
Cuando no se hacen repeticiones no hay manera de estimar la variabilidad natural o error
aleatorio y esto dificulta la construcción de estadísticas realistas en el análisis de los
datos.
En segundo lugar, el uso de repeticiones permite al experimentador calcular una
estimación más precisa del efecto de un tratamiento medido a través de la media (o
promedio, Y ) de sus repeticiones (r ); pues la variabilidad de la media es igual a la
variabilidad de las observaciones (error aleatorio, σ2) dividido el número de repeticiones (
Var ( Y ) = σ2 / r ).
• Aleatorización: es la piedra fundamental subyacente al uso de métodos estadísticos en
diseño de experimentos. Se entiende por aleatorización el hecho de que tanto la
asignación de los tratamientos al material experimental como el orden en que se
obtengan las repeticiones se determinen en forma aleatoria, es decir por algún medio de
selección en el cual no intervenga la subjetividad (por ejemplo, una tabla de números
aleatorios). Los métodos estadísticos requieren que las observaciones o sus errores (ej.:
el rendimiento de las parcelas sembradas con soja) sean variables aleatorias
independientes y la aleatorización conjuntamente con un manejo independiente del
material experimental (ej.: el uso de borduras en las parcelas) hacen este supuesto
válido.
Además, al aleatorizar adecuadamente el experimento, se eliminan sesgos, es decir,
se promedia el efecto de factores extraños no controlables que pudieran estar presentes.
Por ejemplo, es prácticamente imposible que los suelos de las distintas parcelas sean
completamente homogéneos, si se asignara sistemáticamente un tratamiento al mejor
suelo y se detectaran diferencias de este tratamiento con respecto a algún otro, no
sabríamos si es debido al efecto del tratamiento o al suelo; al aleatorizar los tratamientos
a las parcelas le damos la oportunidad de cancelar esas diferencias incorporándolas al
error aleatorio.
• Control local o bloqueo: técnica que permite controlar fuentes de variación conocidas,
disminuyendo el error aleatorio e incrementando, en consecuencia, la precisión de las
comparaciones entre las medias de los tratamientos. Un bloque es una porción del
material experimental que es más homogénea que el total. Por ejemplo, si al realizar una
experiencia a campo, se conoce que hay un gradiente de fertilidad en sentido norte - sur,
éste se lo puede controlar eliminándolo del error aleatorio, mediante la construcción de
4
franjas (bloque) perpendiculares al gradiente; en consecuencia, dentro de cada bloque se
obtienen parcelas más homogéneas que entre bloques, permitiendo allí la comparación
entre tratamientos sin que se presente confusión entre el efecto de los mismos y el del
gradiente de fertilidad. La aleatorización de los tratamientos a las parcelas (unidades
experimentales) debe efectuarse, cuando hay bloqueo, dentro de cada bloque.
1.3. Etapas en el diseño de un experimento.
Al diseñar y analizar un experimento, desde un enfoque estadístico, se requiere una idea
clara sobre lo qué se va a estudiar, cómo se van a recopilar los datos y una idea, al menos,
general de cómo se van a analizar. A continuación se ofrece una posible guía a seguir.
• PLANEACIÓN
1. Elección de factores y niveles: No se trata de que el experimentador tenga que
saber cuáles son los factores que influyen, puesto que precisamente para eso
es el experimento, pero sí que utilice toda la información disponible al respecto para
elegir los factores (tratamientos) a emplear en el experimento, intervalos de variación y
los niveles de los factores.
2. Selección de la(s) variable(s) respuesta(s): al seleccionar la respuesta, o variable
dependiente, se debe estar seguro de que realmente proporcione información útil del
proceso bajo estudio. El error de medición es un factor importante que seguramente
incrementará el error aleatorio; si el error de medición es grande sólo puede esperarse
que el experimento permita detectar diferencias grandes entre los efectos de los
tratamientos involucrados. Cuanto más pequeñas sean las diferencias entre factores
que interesa detectar, mayor debe ser el número de repeticiones, siempre tratando de
mantener el error aleatorio lo más bajo posible.
3. Elección del diseño experimental: si se han seguido los pasos anteriores, este paso
es relativamente fácil. Para elegir el diseño es necesario conocer el grado de
heterogeneidad del material experimental, para determinar si es o no necesario
separarlo en bloques homogéneos; y, dependiendo de la variabilidad del mismo
determinar el número de repeticiones necesarias para detectar las diferencias entre
tratamientos que son de interés para el investigador, tomando en cuenta el tiempo,
costo y la precisión deseada.
4. Organizar el trabajo experimental: Con base en el diseño seleccionado, organizar y
planear con detalle el trabajo experimental, por ejemplo las personas que van a
intervenir, la forma operativa en que se harán las cosas, etcétera.
5. Realización del experimento: al realizar el experimento es importante asegurar que
se cumpla al pie de la letra con el diseño planificado. Y en caso de algún imprevisto no
contemplado, señalar la persona a la que se reportaría y lo que se haría. O si existiera
errores en el procedimiento (ej.: pérdida de repeticiones) pueden llevar a la necesidad
de un análisis estadístico mucho más sofisticado.
• ANÁLISIS
Deben emplearse métodos estadísticos para analizar los datos, de modo que los
resultados y conclusiones sean objetivos. Si el experimento se diseñó correctamente y se
realizó conforme al diseño, los métodos estadísticos que se requieren no son complicados.
Existen buenos paquetes de software estadístico (ej.: SAS, SPSS, R, STATISTICA,
INFOSTAT, etc.) para el análisis de los datos y, sobre todo para el empleo de métodos
5
gráficos, ya sean exploratorios (ej.: gráficos de tallos y hojas, gráfico de la caja, gráficos
cuantil vs. cuantil, etc.) o para la interpretación de la información obtenida.
Los métodos estadísticos no permiten determinar si una conclusión es verdadera o falsa,
sino asignar una probabilidad de error conocida a esa conclusión. Las técnicas estadísticas
conjuntamente con un buen conocimiento técnico del problema y el sentido común suelen
llevar a conclusiones razonables.
• INTERPRETACIÓN
Aquí se debe ir más allá del análisis estadístico formal, y se debe analizar con detalle lo
que ha pasado con el experimento, desde contrastar las conjeturas iniciales con los
resultados del experimento, hasta observar los nuevos aprendizajes que sobre el proceso se
lograron, verificar supuestos y elegir el tratamiento ganador.
• CONCLUSIONES FINALES
Para concluir el proyecto se recomienda decidir qué medidas implementar para
generalizar el resultado del estudio y para garantizar que las mejoras se mantengan. En esta
etapa pueden ser de utilidad los métodos gráficos para la difusión de los logros obtenidos.
1.4. Algunas consideraciones prácticas sobre el uso de métodos estadísticos
Es importante tener en cuenta que aunque el uso de las metodologías estadísticas por lo
general ayuda a hacer más eficiente el proceso de investigación, es necesario reconocer que
las metodologías estadísticas por sí solas no garantizan investigaciones exitosas, por ello es
importante considerar los siguientes puntos:
El conocimiento no estadístico es vital. Para utilizar los métodos estadísticos en general y
los diseños de experimentos en particular, antes que todo se requiere que el experimentador
tenga un buen nivel de conocimiento técnico y práctico sobre el fenómeno o proceso que
estudia, de tal forma que pueda vislumbrar con cierta facilidad cuáles son los aspectos clave
del fenómeno y pueda plantear conjeturas precisas, vislumbrar el tipo de relación entre las
variables de respuesta y los factores del proceso. Todo esto ayudará a seleccionar mejor los
factores y sus niveles, así como el diseño que es mejor aplicar. Además ese conocimiento
permitirá sacarle un provecho real al análisis estadístico de los resultados y sacar conclusiones,
generando aprendizajes y soluciones.
Reconocer la diferencia entre significancia estadística e importancia práctica. En ocasiones
un experimentador puede concluir que dos tratamientos son diferentes estadísticamente. Pero
que tales diferencias, aunque sean significativas, no representan una diferencia que en la
práctica sea digna de consideración. En otras palabras, nunca perder de vista el objetivo último
de un experimento a la hora de tomar decisiones.
Apostarle más a la experimentación secuencial que a un experimento único y definitivo. En
ocasiones los experimentadores novatos pretenden en una sola fase de experimentación
contestar todos sus interrogantes sobre un proceso o fenómeno en particular. Sin embargo,
esto puede llevar a experimentos extensos que consuman demasiados recursos y que retarde
la generación de resultados. Por ello es importante considerar como alternativa diferentes fases
de experimentación en forma secuencial, en los cuáles se alcance paulatinamente mayor
precisión en los conocimientos y soluciones. La experimentación secuencial en cada fase sigue
una estrategia bien definida y pensada; y, por tanto, en cada fase se obtienen resultados y
conclusiones importantes que permitan generar soluciones y conocimiento más refinado para
plantear de mejor manera la siguiente fase de experimentación.
