alt=Diseño compuesto|miniaturadeimagen|391x391px|Ejemplo de diseño de tres factores (variables) basado en un modelo geométrico. El diseño experimental o diseño de experimentos, se refiere al proceso previo de planificación de un experimento con la finalidad de recopilar los datos adecuados, que posteriormente tratados de forma adecuada, permitan extraer conclusiones válidas y objetivas. Para alcanzar estos objetivos y con el fin de que las conclusiones no estén sometidas a sesgo alguno, es muy conveniente e importante que el tratamiento de los datos obtenidos a partir del diseño sea llevado a cabo mediante métodos estadísticos. En realidad, cuando el problema involucra datos sujetos a errores experimentales, cosa muy habitual, la metodología estadística es el único enfoque objetivo para el análisis.
En su forma más simple, mediante el diseño experimental se busca predecir el resultado final de un experimento introduciendo un cambio en las precondiciones experimentales (p. e., temperatura, presión, etc.), representadas por una o más variables independientes, también conocidas como factores. De la elección adecuada de estos factores y de la magnitud de los mismos depende el resultado final del experimento. Este resultado recibe el nombre de "variable de respuesta" o respuesta experimental. El diseño experimental también puede buscar e identificar aquellas variables de control que deben mantenerse constantes para evitar que factores externos afecten a los resultados. Por consiguiente, el diseño experimental implica no solo la selección de variables independientes, dependientes y de control adecuadas, sino también la planificación de la ejecución del experimento en condiciones estadísticamente óptimas, dadas las limitaciones de los recursos disponibles.
El diseño experimental encuentra aplicaciones en la industria, la agricultura, la mercadotecnia, la medicina, la ecología, las ciencias de la conducta, etc. constituyendo una fase esencial en el desarrollo de un estudio experimental.
Introducción histórica Los investigadores realizan experimentos en prácticamente todos los campos de investigación científica o técnica, con la finalidad de descubrir algo sobre un proceso o sistema en particular. Literalmente, un experimento es una prueba o más foralmente, un conjunto de pruebas en las que se realizan cambios intencionados en las variables de entrada (factores) de un proceso o sistema para poder observar e identificar las razones de los cambios que puedan observarse en la respuesta de salida (respuesta experimental). Cualquiera de estos experimentos requieren de una planificación previa y dependiendo de cómo se realice esta, el resultado final puede variar en gran medida. Un experimento con un buen diseño y un modelo adecuado no solo proporciona más información, sino que también permite lograr condiciones experimentales óptimas, mientras que un experimento con un diseño fallido puede proporcionar información muy deficiente.
En sentido amplio, un diseño experimental no es más que un plan para descubrir o probar conexiones causales, siendo el experimento la ejecución de dicho plan. En un sentido más restringido, el diseño experimental incluye la idea de que el investigador provoca un fenómeno en lugar de esperar a que ocurra. Por consiguiente, es posible conjeturar que ya el hombre primitivo realizaba experimentos sobre la base de un plan. Ello le permitió, por ejemplo, diferenciar las plantas medicinales de las venenosas, establecer el método más efectivo para cazar animales o introducir mejoras en sus herramientas. Sin embargo, estos experimentos, en su mayoría, no se basaban en un estudio sistemático de las condiciones experimentales, como establece el principio del diseño experimental, sino, más bien en ensayos de prueba y error en los que rara vez se modificaba más de una variable. Este tipo de pruebas basadas en ensayo y error no suelen ser muy eficaces, aunque no quiere ello decir que no puedan terminar en importantes mejoras tecnológicas o del conocimiento, pues de hecho se han venido utilizado desde los albores de la humanidad con mayor o menor éxito. Lo que ocurre es que a menudo redundan en un consumo de tiempo y de inversión económica alto, pues no siempre las mejoras entre dos pruebas son apreciables, pudiendo darse el caso de que en algunas ocasiones los resultados de verificación sean incluso peor, lo que obliga al experimentador a volver hacia atrás y en casos extremos a replantear nuevamente el proceso de optimización. Es a partir del Renacimiento cuando comienzan a sentarse las bases lógicas de lo que luego será el razonamiento experimental, apareciendo las primeras sistematizaciones relevantes sobre procedimientos experimentales; es decir, con la aparición del método científico.
El empleo de la metodología estadística en la experimentación científica y técnica empezó a utilizarse en el , siendo el filósofo-científico Charles S. Peirce quien desarrolló una teoría de la inferencia estadística en "Ilustraciones de la lógica de la ciencia" (1877-1878) y "Teoría de la inferencia probable" (1883), dos publicaciones que enfatizaron la importancia de la inferencia basada en la aleatorización en estadística. Peirce también realizó diseños ciegos de medidas repetidas para evaluar su capacidad para discriminar pesos. Este experimento de Peirce inspiró a otros investigadores en psicología y educación, quienes desarrollaron una tradición de investigación de experimentos aleatorios en laboratorios y libros de texto especializados en el . Durante el y comienzos del se sentaron las bases de las herramientas estadísticas para el diseño y optimización de los experimentos. Joseph Diaz Gergonne sugirió un diseño pionero para la optimización mediante modelos de regresión polinómica en 1815 y el mismo Peirce también contribuyó con la primera publicación sobre un diseño óptimo para modelos de regresión en 1876. Ya, en el , en 1918, la matemática danesa Kirstine Smith publicó diseños de optimización mediante modelos polinomios de grado seis (y menores) por lo que se considera a esta científica la creadora del campo del diseño óptimo de experimentos.
Sin embargo, el gran pionero del diseño experimental estadístico, visto desde un punto de vista más general, fue Ronald A. Fisher, considerado como el padre del diseño experimental. A la lista de los pioneros de su uso hay que añadir los de Frank Yates, W.G. Cochran y George Edward Box. Muchas de las aplicaciones originarias del diseño experimental estuvieron relacionadas con la agricultura y la biología, disciplinas de las que procede parte de la terminología propia de dicha técnica. Las aplicaciones a la industria textil comenzaron en la década de 1930 en Inglaterra y se popularizaron y extendieron a las industrias química y manufacturera de Europa y EE. UU. tras la II Guerra Mundial. Es de notar su uso actual en la industria de la electrónica y los semiconductores.
Fisher Durante la década de 1920 y comienzo de la de 1930, el biólogo y estadístico inglés Ronald Fisher fue el responsable del análisis de datos y estudio estadístico de la Rothamsted Agricultural Experimental Station, en las proximidades de Londres y mediante el estudio de los datos obtenidos, se percató de que ciertas fallas en la forma en que se había realizado el experimento, generaban resultados que a menudo dificultaban su posterior evaluación y análisis. Interactuando con científicos e investigadores de diversos campos, desarrolló las ideas que condujeron a los principios básicos del diseño experimental: aleatorización, replicación y manejo en bloques. Fischer introdujo sistemáticamente el pensamiento estadístico y los principios de la investigación experimental, incluyendo el concepto de diseño factorial y el análisis de varianza. Sus libros The Arrangement of Field Experiments (1926) y The Design of Experiments (1935), publicados en sucesivas ediciones durante gran parte del , tuvieron una profunda influencia en el uso de la estadística en la experimentación científica.
Principios de Fisher Buena parte de su obra pionera trató de las aplicaciones agrícolas de sus métodos de estadística. Por ejemplo, describió cómo probar la hipótesis de la catadora de té. Estos métodos estadísticos se han adaptado tanto a las ciencias experimentales como a las ciencias sociales y se usan todavía, de forma amplia y profusa en múltiples campos de la ingeniería y de la industria que se difieren del diseño y análisis de experimentos de computación.
Comparación En algunos campos de estudio no es posible tener medidas independientes que conectan a una norma de metrología trazable. Comparaciones entre tratamientos se valen mucho más y normalmente se las prefieran. A menudo se compara con un control científico o tratamiento tradicional que actúa como un punto de referencia.
Aleatorización Aleatorización es el proceso de asignar individuos al azar a grupos o a grupos distintos en un experimento. La asignación aleatoria a grupos (o condiciones adentro de un grupo) distingue a rigorosos verdaderos experimentos de un estudio observacional o cuasi-experimental.Creswell, J.W. (2008). Educational research: Planning, conducting, and evaluating quantitative and qualitative research (3rd). Upper Saddle River, NJ: Prentice Hall. 2008, p. 300. ISBN 0-13-613550-1 Existe un cuerpo extensivo de teoría matemática que explora las consecuencias de asignar las unidades de tratamiento por medio de algún método aleatorio como las tablas de números aleatorios, o el uso de aparatos aleatorios como naipes o dados. Asignar unidades de tratamiento aleatoriamente tiende a mitigar los factor de confusión, los cuales hacen que los efectos que no son por tratamientos parecer como sí fuesen resultados del tratamiento. Los riesgos que se asocian con una asignación aleatoria (como tener un desbalance serio en una característica clave entre un grupo en tratamiento y un grupo de control) se calculan y así se las dirigen a un nivel más bajo y aceptable por el hecho de usar bastantes unidades de experimentación. Se pueden generalizar los resultados de un experimento de las unidades de experimentación a una población estadística de unidades pero solo si las unidades de experimentación son un muestreo de la población más grande; el error probable de tal extrapolación depende del tamaño de la muestra, entre otras cosas.
Réplica estadística Normalmente se sujetan medidas a la variación y la incertidumbre de medidas significa que se las repiten y con experimentos enteros se los replican para ayudar a identificar los fuentes de la variación, por poder estimar los efectos verdaderos de tratamientos, por fortalecer su fiabilidad y su validez, y por agregar al conocimiento del tópico. Sin embargo, necesita el cumplimiento de ciertas condiciones antes que la réplica se comience: la cuestión de investigación original se ha publicado en una revista de revisión por pares o citado ampliamente, el investigador es independiente del experimento original, el investigador debe primero intentar replicar los resultados del experimento original usando la data original, y el resumen debe decir que el estudio es una réplica que intente seguir en los pasos del original en lo más estricto posible.
Prueba F de Fisher Se utiliza para las comparaciones de los componentes de la desviación total. Por ejemplo, en una forma, o el ensayo ANOVA de un solo factor, la significación estadística es probada para comparando la estadística de la prueba de F
donde: Número de tratamientos: , I Total de casos: , nTa F-distribución con el del I-1, secundario< del > n< T> /sub grados de libertad. Usar la F-distribución es un candidato natural porque la estadística de la prueba es el cociente de dos sumas malas de los cuadrados que tienen a distribución del chi-cuadrado.
Principios básicos y pautas en el diseño experimental