Diferencias en las medidas de diseño aleatorizados y
diseños de comparaciones pareadas.
Cesar De Las Salas Gutiérrez, Diana Pertuz Chamorro
Barranquilla, Atlántico
Universidad Simón Bolívar
Cesar1922_@hotmail.com, dianacarolp@hotmail.com
RESUMEN.
Con este artículo se pretende examinar los experimentos para
comparar dos condiciones (llamadas en ocasiones
tratamientos), a las cuales es común denominar experimentos
comparativos simples. El estudio lleva a revisar varios
conceptos básicos de la estadística, como variables aleatorias,
distribuciones probabilidad, muestras aleatorias,
distribuciones de muestreo y pruebas de hipótesis.
ABSTRACT.
This article aims to examine the experiments to compare two
conditions (sometimes called treatments), which are
commonly referred to as simple comparative experiments.
The study leads to review several basic concepts of statistics,
such as random variables, probability distributions, random
samples, sampling distributions and hypothesis tests.
I. INTRODUCCIÓN
El diseño de experimentos es una técnica que consiste en
realizar una serie de experimentos en los que se inducen
cambios deliberados en las variables de un proceso, de
manera que es posible observar e identificar las causas de los
cambios en las respuestas de salida. Con esta técnica se puede
conseguir, por ejemplo, mejorar el rendimiento de un proceso
y reducir su variabilidad o los costos de producción. Su
aplicación en la industria comprende campos como la
Química, la Mecánica, los materiales, la Ingeniería Industrial
o la Electrónica.
A pesar de que el diseño de experimentos se define como una
herramienta eficaz para mejorar y optimizar procesos y
productos, su aplicación no es muy habitual en las industrias.
Los ingenieros utilizan limitadamente las técnicas estadísticas
avanzadas para solucionar sus problemas, pues están
condicionados por no tener conocimientos estadísticos. En
consecuencia, es objeto de este articulo mostrar de una
manera sencilla, la metodología que seria recomendable
seguir para llevar a cabo un diseño de experimento.
II. METODOLOGIA PARA LA APLICACIÓN DEL
DISEÑO COMPLETAMENTE ALEATORIZADO
(DCA).
Este diseño es adecuado cuando se dispone para el
experimento de un total de N unidades y se han de investigar
K tratamientos (o niveles de los factores).
Es el más simple de los diseños, usado cuando se cuenta con
un material experimental homogéneo o sea con variabilidad
relativamente pequeña y uniformemente repartida.
En el que se puede estudiar cualquier número de tratamiento
(ya sean niveles de un solo factor o combinaciones de niveles
de varios factores). Se puede usar en toda clase experimento
(homogéneos): animales de una misma raza, camadas de un
mismo padre, prueba de invernadero, establos, personas de
una misma edad, otros y empleándose un buen número de
repeticiones.
1. ventajas del diseño DCA:
- El número de tratamientos y repeticiones no es limitado y
solo depende del número de unidades homogéneas
disponibles.
- El número de repeticiones puede variar en los diferentes
tratamientos (diseño no balanceado), aunque es referible tener
igual número (balanceado).
-El análisis estadístico es sencillo: comparación de mediadas
y análisis de varianza.
-La simplicidad del análisis persiste aun con la perdida de una
o más unidades experimentales o todo un tratamiento.
-El número de grados de libertad para estimar el error
experimental es máximo.
2.- Desventajas:
-Baja precisión y eficiencia cuando las unidades son
heterogéneas, hecho que lleva a sobrestimar a la varianza del
error de estimación.
-Requiere material experimental homogéneo.
3.- Usos:
-Útil cuando una porción grande de unidades pueden no
responder o pueden perderse.
-Si las unidades experimentales son uniformes, es el más
eficiente de los diseños.
-Útil en los experimentos donde hay limitación en el número
de unidades experimentales
4.- Aleatorización en el DCA.
Los tratamientos se distribuyen en las unidades
experimentales en forma completamente aleatorizada, para
que todos tengan iguales condiciones y de este modo
permitan estimar válidamente el error experimental.
Una vez definidos, numero de tratamientos y número de
unidades experimentales disponibles se hace hacia la
asignación por cualquiera de los siguientes métodos:
a) usando fichas de lotería.
b) usando tablas de números aleatorios.
c) usando tarjetas o boletas numeradas, en este caso del 1 a 20
sacándolas al azar de una caja o bolsa.
5.- Método de análisis – Modelo estadístico.
El modelo estadístico que describe las respuestas de N
observaciones es:
Yij = µ + ī īj + Eij
𝑖 = 1,2 … 𝑟
𝑗 = 1,2 … 𝑡
Donde rj = número de repeticiones del tratamiento j-esimo,
t= número de tratamientos Yij = es la observación (i , j).
µ, Es un parámetro común a todos los tratamientos y
corresponde a la media total de la población.
īj, Es un parámetro único debido al tratamiento j-simo.
Eij Es la componente del error aleatorio.
III. METODOLOGIA PARA LA APLICACIÓN DEL
DISEÑO DE COMPARACIONES PAREADAS.
Una de las hipótesis sobre las que habitualmente se
fundamentan las pruebas estadísticas de comparación de
grupos es que las observaciones pertenecientes a cada una de
las muestras son independientes entre si, no guardan relación;
siendo precisamente ese uno de los objetivos de la
aleatorización (elección aleatoria de los sujetos o unidades
observación, asignación aleatoria del tratamiento a cada
paciente, etc.). Sin embargo, la falta de independencia entre
las observaciones de los grupos puede ser una característica
de diseño del estudio para buscar fundamentalmente una
mayor eficiencia del contraste estadístico al disminuir la
variabilidad. En otras ocasiones con este tipo de diseño
pareado lo que se busca es dar una mayor validez a las
inferencias obtenidas, controlando o eliminando la influencia
de variables extrañas cuyo efecto ya es conocido o
sospechoso, y no se desea que intervenga en el estudio actual
pudiendo enmascarar el efecto del tratamiento o de la variable
de interés.
1. Pruebas pareadas para variables cuantitativas.
Si estamos comparando un resultado cuantitativo en dos
grupos de datos, a partir de muestras extraídas de forma
aleatoria de una población normal, siendo 𝒏𝑨 el tamaño de la
primera muestra y 𝒏𝑩 el de la segunda, la cantidad:
(YB − YA ) − (µB − µA )
𝒕=
𝟏 𝟏
𝑺√ n + n
A B
Donde YB − YA son las medias muéstrales, µB − µA las
correspondientes medias poblacionales, S la desviación típica
maestral conjunta, se distribuye como una t de Student con
nA + nB -2 grados de libertad, proporcionándonos una
referencia probabilística con la que juzgar si el valor
observado de diferencia de medias nos permite mantener la
hipótesis planteada, que será habitualmente la hipótesis de
igualdad de las medias (por ejemplo, igualdad de efecto de los
tratamientos), o lo que es lo mismo nos permite verificar si es
razonable admitir que nA − nB = 0 a la luz de los datos
obtenidos en nuestro experimento.
Las comparaciones pareadas superan varios problemas de las
escalas tradicionales de orden de rango. En primer lugar, a
las personas les resulta más fácil elegir o seleccionar un
aspecto de una serie de dos, que clasificar un gran conjunto
de datos. En segundo, se superó el problema de sesgo del
orden: en el ordenamiento de aspectos o de preguntas no hay
un patrón que cree una fuente de sesgo.
En el lado negativo, debido a que se evalúan todos los pares
posibles el número de comparaciones pareadas se incrementa
geométricamente a medida que el número de objetos que se
van a evaluar crece aritméticamente. Por consiguiente, el
número de objetos que se van a evaluar debe ser bastante el de apoyar relaciones causa efecto, que tendrán que ser
reducido para impedir que el entrevistado se fatigue. verificadas mediante estudios analíticos con un mayor poder
en la escala de causalidad

Hipótesis nula ( H0 ): “no hay diferencias entre muestras”. REFERENCIAS:

A=B.
https://victoryepes.blogs.upv.es/2013/04/27/diseno-
Hipótesis alternativa ( HA ): “si hay diferencias entre completamente-al-azar-y-anova/
muestras”. A҂B
https://www.alceingenieria.net/bioestadistica/pareadas.pdf
2. Formula estadística.
1 2
[|𝑣𝑎𝑙𝑜𝑟𝑜𝑏𝑠𝑒𝑟𝑣𝑎𝑑𝑜𝐴 −𝑣𝑎𝑙𝑜𝑟_𝑒𝑠𝑝𝑒𝑟𝑎𝑑𝑜|− ]
1 2
[|𝑣𝑎𝑙𝑜𝑟𝑜𝑏𝑠𝑒𝑟𝑣𝑎𝑑𝑜𝐵 −𝑣𝑎𝑙𝑜𝑟_𝑒𝑠𝑝𝑒𝑟𝑎𝑑𝑜|− ]
https://es.slideshare.net/ruthsalinasc/presentacin-mtodos-
𝑥2 = 2
+ 2
diferencias
𝑣𝑎𝑙𝑜𝑟 𝑒𝑠𝑝𝑒𝑟𝑎𝑑𝑜 𝑣𝑎𝑙𝑜𝑟 𝑒𝑠𝑝𝑒𝑟𝑎𝑑𝑜

http://analiticas08.blogspot.com/2008/11/prueba-de-
Dónde: comparacion-pareada.html
https://es.scribd.com/document/126827479/DISENO-CON-
valor observado: número de muestras diferentes. DATOS-PAREADOS-docx
https://www.fisterra.com/mbe/investiga/noParametricos/noPa
Valor esperado: es el 50% de las respuestas dadas, porque la rametricos.asp
probabilidad de acierto es de ½
Altman DG. Practical Statistics for Medical Research.
London: Chapman & Hall, 1991. [Índice]
3. Formula de evaluación sensorial.
Armitage P, Berry G. Estadística para la investigación
[(E − F) − 1] 2 biomédica. 3ª ed. Barcelona: Doyma; 1997.
𝑥2 =
n Milton JS., Tsokos JO. Estadística para biología y ciencias de
la salud. 3ª ed. Madrid: Interamericana McGraw Hill; 2007.
Dónde:
Pértega Díaz S, Pita Fernández S. Métodos paramétricos para
E: éxitos o aciertos (el evaluador encuentra la diferencia). la comparación de dos medias. T de Student. Cad Aten
F: fracasos o errores (el evaluador no encuentra la Primaria 2001; 8. 37-41. [Texto completo]
diferencia).
n: número de juicios emitidos por el panel de evaluadores. Pértega Díaz S, Pita Fernández S. La distribución normal.
Cad Aten Primaria 2001; 8: 268-274. [Texto completo]

4. Paneles de evaluación sensorial. http://dta.utalca.cl/estadistica/ejercicios/interpretar/Metodos/

apunte2.pdf
Los paneles de evaluación sensorial se agrupan en tres tipos:
paneles de expertos altamente adiestrados, paneles de http://www.juntadeandalucia.es/averroes/centros-
laboratorio (jueces entrenados) y paneles de consumidores tic/14002996/helvia/aula/archivos/repositorio/250/295/html/e
(utiliza un numero grande de jueces no entrenados). stadistica/diseno.htm
Los dos primeros se utilizan en control de calidad en el
desarrollo de nuevos productos. Los paneles de http://dm.udc.es/asignaturas/estadistica2/sec3_7.html
consumidores se utilizan más para determinar la reacción del
consumidor hacia el producto. https://www.youtube.com/watch?v=noAfbyCxtd8

CONCLUSION: https://www.psicologia-online.com › PIR › Psicología

experimental
En este ensayo se han descrito las diversas alternativas y1.
variantes de los diseños de casos y controles, cuya elección2. http://jpadilla.docentes.upbbga.edu.co/Dise%C3%B1o_de_Ex
depende del tipo de información disponible y del perimentos/10-
conocimiento metodológico y analítico, así como de la Dise%C3%B1o%20de%20bloques%20completos%20%20Al
imaginación e intuición del investigador para plantear un eatorizados.pdf
diseño de estudio y dar una respuesta válida a la pregunta de
la investigación. A este respecto es necesario destacar que si https://forum.wordreference.com
las variables en estudio son dependientes del tiempo, los
diseños de estudio anidados pueden resultar ideales. www.ub.edu/deia/archivos/090323151323_D._Experimentale
Finalmente, podemos mencionar que los estudios de casos y s_Tema_5.ppt
controles, igual que otros estudios observacionales, están
sujetos a la acción de diferentes sesgos, por lo que no tienen
como principal objetivo el de generalizar sus hallazgos, sino