ASPECTOS GENERALES

El Diseño de Experimentos tuvo su inicio teórico a partir de 1935 por Sir Ronald A. Fisher,
quién sentó la base de la teoría del Diseño Experimental y a la fecha se encuentra bastante
desarrollada y ampliada. Actualmente las aplicaciones son múltiples, especialmente en la
investigación de las ciencias naturales, ingeniería, laboratorios y casi todas las ramas de las
ciencias sociales.

La experimentación proporciona los datos experimentales, en contraste con los datos de la

observación; los datos de la observación se representan como su nombre indica por
observaciones de las unidades elementales de una población o de una muestra, y no deben ser
cambiados ni modificados por ningún intento de parte de un investigador en el curso de la
observación.

DISEÑO EXPERIMENTAL

Este término se utiliza para planear un experimento de manera que se pueda obtener la
información pertinente a un determinado problema que se investiga y así tomar decisiones
correctas.

Las técnicas de Diseño de Experimentos se basan en estudiar simultáneamente los efectos de

todos los factores de interés, son más eficaces y proporcionan mejores resultados con un
menor coste.

El diseño adecuado del experimento es una etapa fundamental de la experimentación, que

permite el suministro correcto de datos a posteriori, los que a su vez conducirán a un análisis
objetivo y con deducciones válidas del problema.

PROPÓSITO DE UN DISEÑO EXPERIMENTAL

Es proporcionar métodos que permitan obtener la mayor cantidad de información válida acerca
de una investigación, teniendo en cuenta el factor costo y el uso adecuado del material
disponible mediante métodos que permitan disminuir el error experimental.

PRINCIPIOS BÁSICOS AL PLANIFICAR UN EXPERIMENTO.

Existen tres principios que se deben tener en cuenta al planificar un experimento:

El principio de aleatorización.        Aleatorizar: Todos aquellos factores no controlados por

el experimentador en el diseño experimental y que pueden influir en los resultados serán
asignados al azar a las unidades experimentales.

El bloqueo.    Bloquear, es dividir o particionar las unidades experimentales en grupos llamados

bloques de modo que las observaciones realizadas en  cada bloque se realicen bajo
condiciones experimentales lo más parecidas  posibles.
A diferencia de lo que ocurre con los factores de tratamiento, el experimentador no está
interesado en investigar las posibles diferencias  de la respuesta entre los niveles de los
factores de bloque.

La factorización del diseño.            Diseño Factorial: Es la estrategia experimental que consiste

en cruzar los niveles de todos los factores tratamiento en todas las combinaciones  posibles.

TRATAMIENTO

Los tratamientos vienen a constituir los diferentes procedimientos, procesos, factores o

materiales y cuyos efectos van a ser medidos y comparados.
El tratamiento establece un conjunto de condiciones experimentales que deben imponerse a
una unidad experimental dentro de los confines del diseño seleccionado. Ejemplos: Dosis de
fertilizante, ración alimenticia, profundidad de sembrado en algunas plantas, distanciamiento
entre plantas, variedades de un cultivo.

TESTIGO

El testigo es el tratamiento de comparación adicional, que no debe faltar en un experimento;

por ejemplo, si se usan cinco tratamientos con fertilizante, el testigo puede ser aquel
tratamiento que no incluye fertilizante. La elección del tratamiento testigo es de gran
importancia en cualquier investigación, éste se constituye como referencial del experimento y
sirve para la comparación de los tratamientos en prueba.

UNIDAD EXPERIMENTAL 

La unidad experimental, es el objeto o espacio al cual se aplica el tratamiento y donde se mide

y analiza la variable que se investiga. En los experimentos pecuarios la unidad experimental
por lo general está conformada por un animal (cuyo, cerdo, pato, etc.), en los experimentos
forestales la unidad experimental en la mayoría de los casos está conformado por un árbol y en
la mayor parte de las pruebas de campo agrícolas, la unidad experimental es una parcela de
tierra en lugar de una planta individual; es en este último caso que con frecuencia se presenta
lo que se llama efecto de borde.

FACTORES Y SUS NIVELES

Se denomina factor tratamiento a cualquier variable cuyo posible efecto sobre los datos desea
ser investigado. Los niveles de un factor tratamiento serán los tipos o grados específicos del
factor que se utilizarán en el experimento. Los factores tratamiento pueden ser cualitativos o
cuantitativos.

Como ejemplo de factores cualitativos y sus niveles respectivos son los siguientes: proveedor,
diferentes proveedores de una materia prima, tipo de máquina (diferentes tipos o marcas de
máquinas), trabajador (los trabajadores encargados de hacer una tarea), tipo de procesador
( los procesadores de los que se quiere comparar su velocidad de ejecución) y   de
factores cuantitativos son: tamaño de memoria (diferentes tamaños de memoria de
ordenadores), droga (distintas cantidades de la droga), la temperatura (conjuntos de
temperaturas seleccionadas en unos rangos de interés).

Cuando en un experimento se trabaja con más de un factor, cada observación es una medida

en las condiciones determinadas por la combinación de niveles de los distintos factores
tratamiento. Los diseños en que existen observaciones de todas las posibles combinaciones de
niveles (tratamiento) se denominan experimentos factoriales.

REPETICIÓN

Viene a ser la reproducción o réplica del experimento básico (asignación de un tratamiento a

una unidad experimental). Las principales razones por las cuales es deseable la repetición son:
Primero por que proporciona una estimación del error experimental, siendo tal estimación
confiable a medida que aumenta el número de repeticiones, y segundo permite estimaciones
más precisas del tratamiento en estudio.

VARIABLE RESPUESTA O VARIABLE DE INTERÉS

Es el dato que se recoge del experimento, el cual es de interés para el investigador y que sirve
para evaluar los tratamientos, por lo que es importante precisar de antemano cuál será esta
variable y en qué unidades se medirá.

FUENTE DE VARIACIÓN
Una fuente de variación es cualquier “cosa” que pueda generar variabilidad en la respuesta. Se
distinguen dos tipos: aquellas cuyo efecto sobre la respuesta es de particular interés para el
experimentador (factores tratamiento) y aquellas que no son de interés directo pero que se
contemplan en el diseño para reducir la variabilidad no planificada (factores “guisante”).

ANÁLISIS DE LA VARIANZA

Es una técnica estadística que sirve para analizar la variación total de los resultados
experimentales de un diseño en particular, descomponiéndolo en fuentes de variación
independientes atribuibles a cada uno de los efectos en que constituye el diseño experimental.

PRUEBAS DE COMPARACIÓN DE MEDIAS

Es propósito de todo investigador que realiza un análisis de variancia de un experimento en

particular, realizar la prueba sobre el efecto de los tratamientos en estudio, para ello hace uso
de la prueba F el cual indicará si los efectos de todos los tratamientos son iguales o diferentes;
en caso de aceptar la hipótesis de que todos los tratamientos no tienen el mismo efecto,
entonces es necesario realizar pruebas de comparación de promedios a fin de saber entre que
tratamientos hay diferencias, y para esto es necesario realizar pruebas de comparación
múltiple.

HIPÓTESIS ESTADÍSTICA

Es el supuesto que el investigador hace sobre el valor de un parámetro (constante que

caracteriza a una población) el cual puede ser validado mediante una prueba estadística. En
muchas investigaciones al realizar un análisis estadístico se utiliza el ANOVA (ANDEVA) de un
diseño experimental, la hipótesis a probar es si los tratamientos tienen el mismo efecto sobre la
variable que se estudia, es así como se tienen la hipótesis planteada (Ho) e hipótesis alterna
(Ha):

Ho: ti = 0 (Los i tratamientos tienen el mismo efecto sobre la variable en estudio)

Ha: ti ¹0 (No todos los tratamientos tienen el mismo efecto sobre la variable en estudio)

Al probar la hipótesis estadística el investigador está propenso a cometer los siguientes tipos
de errores:

Error Tipo I: Se comete cuando se rechaza la hipótesis que se plantea, siendo esta hipótesis
falsa; la magnitud de este error es fijado por el investigador y constituye el “nivel de
significación de la prueba”; usualmente los valores usados como nivel de significación son 0.10;
0.05 o 0.01.

Error tipo II: Se comete cuando se acepta la hipótesis que se plantea, siendo esta hipótesis
falsa; la magnitud de este error no se puede fijar, pero si es posible minimizar utilizando un
tamaño adecuado de muestra.

COEFICIENTE DE VARIABILIDAD

Es una medida de variabilidad relativa (sin unidades de medida) cuyo uso es para cuantificar en
términos porcentuales la variabilidad de las unidades experimentales frente a la aplicación de
un determinado tratamiento. En experimentación no controlada (condiciones de campo) se
considera que un coeficiente de variabilidad mayor a 35% es elevado por lo que se debe tener
especial cuidado en las interpretaciones y conclusiones; en condiciones controladas
(laboratorio) se considera un coeficiente de variabilidad mayor como elevado. La expresión
estimada del coeficiente de variabilidad es:

 CV = RAIZ(CME) / Y
  

TÉRMINOS UTILIZADOS

Unidad experimental: son los objetos, individuos, intervalos de espacio o tiempo sobre los que
se experimenta.

Variable de interés o respuesta: es la variable que se desea estudiar y controlar su variabilidad.

Factor: son las variables independientes que pueden influir en la variabilidad de la variable de

interés.

Niveles: cada uno de los resultados de un factor. Según sean elegidos por el experimentador o
elegidos al azar de una amplia población se denominan factores de efectos fijos o factores
de efectos aleatorios.

Tratamiento: es una combinación específica de los niveles de los factores en estudio.

Observación experimental: es cada medición de la variable respuesta.

Tamaño del Experimento: es el número total de observaciones recogidas en el diseño.

Diseño Equilibrado o Balanceado: es aquel en el que todos los tratamientos son asignados a un
número igual de unidades experimentales.

DISEÑO COMPLETAMENTE ALEATORIZADO

En el Diseño de Experimentos al Completo Azar, el experimentador asigna las unidades

experimentales a los tratamientos al azar, con la única restricción del número de observaciones
que se tomarán en cada tratamiento. Es el más sencillo y se origina por la asignación aleatoria
de tratamientos a un conjunto de unidades experimentales.

Para aleatorizar una tabla de números aleatorios resulta conveniente para elegir las unidades
experimentales que recibirá cada tratamiento. Si cada tratamiento ha de repetirse cuatro veces,
los primeros cuatro números aleatorios obtenidos se asignarán al tratamiento A, los siguientes
cuatro números aleatorios al tratamiento B, y así sucesivamente.

El diseño al completo azar se utiliza cuando las condiciones del sitio o lugar experimental son
totalmente homogéneas

Ventajes:
a)                  Su sencillez (estadístico fácil). Aun cuando el dato de algunos tratamientos se haya perdido, o
rechacen por alguna causa el método de análisis sigue siendo sencillo. La pérdida relativa de
información debida a los datos faltantes, es de menos importancia que en cualquier otro
sistema.
b)                 La flexibilidad. Puede utilizarse cualquier número de tratamientos y repeticiones y pueden
variar a voluntad del investigador el número de repeticiones de un tratamiento a otro, pero no
es recomendable sino existe una buena razón. Todo el material experimental disponible puede
usarse, lo cual es una ventaja en experimentos preliminares pequeños donde el material
experimental de que se dispone es escaso.
c)                  El número de grados de libertad es máximo en comparación con otros modelos, el modelo
estadístico sigue siendo fácil aun cuando se pierdan unidades experimentales.
d)                 Aun cuando el dato de algún tratamiento se haya perdido, o rechacen por alguna causa el
método de análisis sigue siendo sencillo

Desventajas:
a)                  La principal estriba en su grado de precisión, algún otro diseño suele ser capaz de estimar el
error estándar por unidad experimental (error experimental) con un mayor grado de precisión
b)                 No siempre puede garantizarse condiciones de homogeneidad. No se asegura, ninguna forma
para aseverar que las unidades reciben un tratamiento similar a aquellas que reciben otro
tratamiento, toda la variación que existe entre las unidades pasa a formar parte del error
experimental.

¿Por qué aleatorizar?

Para transformar la variabilidad sistemática no planificada en variabilidad no planificada o ruido

aleatorio; en otros términos: prevenir contra la introducción de sesgos en el experimento. La
aleatorización evita la dependencia entre observaciones y valida muchos de los procedimientos
estadísticos más comunes.

¿Cuándo puede ser apropiada la aleatorización?

La aleatorización puede ser apropiada si:

a)                  El material experimental es homogéneo.

b)                  Donde es probable que una parte apreciable de las unidades se destruyan o no respondan
c)                  En experimentos pequeños en donde la mayor precisión de otros diseños no compensa la
pérdida de grados de libertad del error.

PROCEDIMIENTO DE ANÁLISIS

Procedimiento

a.                  Determinar el número de unidades experimentales (n) y numerarlas. Es posible obtener “n” al

multiplicar el número de tratamientos por el número de repeticiones n = (t * r).
b.                  Asignar el número de unidades experimentales a cada tratamiento utilizando una tabla de
números aleatorios o bien cualquier otra herramienta que sirva para el mismo propósito. Por
ejemplo, si cada tratamiento ha de repetirse cuatro veces, los primeros cuatro números
aleatorios obtenidos se asignarán al tratamiento A, los siguientes cuatro números aleatorios al
tratamiento B, y así sucesivamente.
c.                  Una vez hecha la distribución anterior (liberal b) se numeran las unidades experimentales y se
localizan los tratamientos de acuerdo al número que les corresponde y se obtiene así la
distribución de campo.

Modelo Estadístico

Yin =   µ + ti   + sij  

En donde:
 Yin            Variable respuesta de la ij-esima unidad experimental
µ                Efecto de la media general
ti               Efecto del i-esimo tratamiento
εij              Efecto del error experimental asociado a la i-esima unidad experimental
           
Análisis de Varianza
 Hipótesis Nula Ho:          ti = 0 (Los i tratamientos tienen el mismo efecto sobre la variable en
estudio)

Hipótesis Alterna Ha:     ti ¹0 (No todos los tratamientos tienen el mismo efecto sobre la
variable en estudio, al menos uno produce un resultado distinto)

Tabla de Datos

Repeticiones Yi.
Tratamientos
1 2 3 4 r
1 Y11 Y12 Y12 .  .  . Y1r Y1 .
2 Y21 Y22 Y23 .  .  . Y2r Y2 .
3 Y31 Y32 Y33 .  .  . Y3r Y3 .
. . . . .  .  . . .
. . . . .  .  . . .
. . . . .  .  . . .
r Yt1 Yt2 Yt3 .  .  . Ytr Y . .

Supuestos

Los supuestos que validan el análisis varianza son:

a.       Los errores son independientes

b.      Los errores están normalmente distribuidos con media cero y varianza constante
c.       Existe homogeneidad de varianza entre los tratamientos.

Fuentes de variación y grados de libertad.

Para el análisis de varianza se construye una tabla de análisis de varianza y se completan los
datos.  Existen sólo dos fuentes de variación en el diseño completamente aleatorio:  entre
unidades experimentales dentro de un tratamiento, la cual denominamos error experimental y 
aquella entre medias de tratamiento.

Tabla de Análisis de Varianza

Fuentes Grados Ft
Suma de Cuadrados
de de Fc Calculada Requerida
Cuadrados Medios
Variación Libertad
Tratamien- t-1 ∑[(Y2../r Sctrat/gltotal Scmedios/Cmerror
tos Y2..)/(tr)]
Error t ( r – 1) Sctotal - SCtrat Scerror/glerror
Total t r -1 ∑∑[ (Yij- Y2..)/
(tr) ]

Los grados de libertad son uno menos que el número de observaciones para cada fuente de
variación.

Regla de Decisión

Rechazar la hipótesis Ho. Si  Fc > Ft (Gltrat, Gl error, α )

Aceptar la Hipótesis   Ha. Si  Fc < Ft (Gltrat, Gl error,  α )

Ft = Valor tabular .
Coeficiente de Variación

Se puede considerar como medida relativa de la variación que no es posible controlar en el

experimento (error experimental), por costumbre se utiliza como que se controló
adecuadamente el error cuanto el coeficiente de variación es menor de 20.

El coeficiente de variación se calcula por medio de la fórmula siguiente:

CV =  ( Raiz(CM) /  Y.. )*100

 

Y.. = Y.. / tr

EJEMPLO
Una empresa agropecuaria produce papa canchan re es importante que se produzca
papá de calidad para mejorar los ingresos en la empresa, actualmente se está
obteniendo bajos ingresos por lo cual el gerente ha decidido realizar un experimento
aleatorio ya utilizando 4 hectáreas de cultivo aplicando diferentes abonamientos con
cuatro repeticiones para comprobar cuántos quintales de papá obtiene y cual abono es
más rentable, para ello se aplicó un diseño experimental completamente al azar.

ABONOS
REPETICIONES A B C D
1 148 250 190 170
2 200 210 180 190
3 215 250 195 200
4 210 230 200 180

Abono A: molimax para sierra

Abono B: organico

Abono C: diamónico

Abono D: molimax

DESARROLLO DEL EJEMPLO EN EL PROGRAMA R STUDIO

library(readr)

centeno<-read.table("datos.txt",header = T, sep = "")

centeno

summary(centeno)

names(centeno)<-c("abonos","quintales")
names(centeno)

attach(centeno)

abonos<-as.factor(abonos)

class(abonos)

m<-aov(quintales~abonos)

anova(m)

favstats(~quintales | abonos, data = centeno)

model.tables(m,type= 'means')

anova(m)$`Pr(>F)`[1]

library(viridis)

library(ggplot2)

library(agricolae)

library(gridExtra)

ggplot(data=centeno, aes(y=quintales, x=abonos, fill=abonos)) +

geom_boxplot()+

theme_light()

shapiro.test(residuals(m))

bartlett.test(quintales~abonos, data=centeno)

pairwise.t.test(quintales, abonos,p.adj="none")

Fuente: elaboración propia

Fuente: elaboración propia

Interpretación

Del experimento realizado se obtuvo un mínimo de 148 quintales y un máximo de 250

quintales de producción de para canchan

Del experimento realizado el promedio que se obtuvo es de 201 quintales aproximadamente

Fuente: elaboración propia

Ho=las medias de los abonos son iguales

H1=al menos una media es diferente

Interpretación

Según el análisis el cuadro de Anova aceptamos la hipótesis nula, nuestro P valor es menor al
5%.

Por ello se concluye que no existen diferencias significativas entre los abonos
Fuente: elaboración propia

Interpretación

Según el análisis el abono B (orgánico) es quien tiene mayor producción

Fuente: elaboración propia

Interpretación

Según el gráfico se observa que el abono B (orgánico) tiene mayor producción y es más
rentable
 Fuente: elaboración propia

Interpretación

De acuerdo a la prueba de chápiro los datos se distribuyen normalmente y de acuerdo a la

prueba de bartlett los abonos tienen homogeneidad de varianzas

Fuente: elaboración propia

Conclusiones

El abono orgánico es el mejor en producción de papa canchan según de diseño experimental

realizado y los resultados obtenidos del análisis en el programa estadístico R Studio

Bibliografía.

http://reyesestadistica.blogspot.com/2011/07/diseno-de-experimentos-al-completo-azar.html

1.         Cochran&Cox (William G. Cochran y Gertrude M Cox), Diseños experimentales, Editorial Trillas,
S. A. México, D F edición 1965
2.         Métodos Estadísticos para la investigación en la Agricultura.
3.         Internet