Diseño de experimentos

Planificación cuantitativa de experimentos para aislar variables, estimar efectos y evaluar incertidumbre.

Contexto conceptual

Un experimento útil no consiste solo en medir muchas veces. Consiste en decidir qué cambia, qué permanece controlado y qué observación permitirá distinguir un efecto real del ruido. En este leaf, la $x$ se modifica de forma planificada y la $y$ se mide bajo condiciones comparables. Las réplicas, el orden de ejecución y el rango elegido determinan si el resultado será interpretable. El objetivo no es obtener una recta bonita, sino estimar el $\beta_{1}$ con una $u_ybar$ que permita juzgar si la tendencia es físicamente resoluble. Un buen diseño convierte una pregunta vaga en una comparación cuantitativa y falsable.

🟢 Nivel esencial

El diseño de experimentos organiza la toma de datos para separar el efecto buscado de variaciones accidentales.

Se eligen varios niveles de $x$, se mide en cada uno la $y$ y se repite el procedimiento un número suficiente de veces. Las repeticiones permiten obtener una $y_bar$ y observar cuánto fluctúan los resultados. Si la media cambia de forma sistemática al variar la entrada, puede existir un efecto. Sin embargo, ese cambio solo es interpretable cuando el protocolo mantiene constantes las demás condiciones. La pendiente asociada al $\beta_{1}$ resume cuánto responde el sistema por unidad de cambio. Los $\epsilon$ muestran lo que el modelo no explica. Así, el diseño no elimina la incertidumbre, pero la hace visible, cuantificable y útil para decidir. Aleatorizar el orden en que se ejecutan los distintos niveles evita que una deriva temporal del sistema, como el calentamiento del equipo, se confunda sistemáticamente con el efecto que realmente se quiere medir.

🔵 Nivel formal

Fórmulas básicas

El modelo lineal separa nivel basal, efecto y variación no explicada:

Modelo lineal de respuesta

La $y$ se interpreta como combinación del $\beta_{0}$, del producto entre $\beta_{1}$ y $x$, y del $\epsilon$. El $\beta_{1}$ tiene unidades de respuesta por unidad de entrada. Su signo indica si la respuesta aumenta o disminuye con el tratamiento.

Para cada nivel experimental, las réplicas se resumen mediante:

Media de réplicas

Preguntas reales del alumno

¿Más datos siempre mejoran el experimento? Solo si aportan información independiente y cubren el rango relevante. Repetir muchas veces una mala condición no corrige un diseño pobre.

¿Una pendiente positiva prueba causalidad? No. El $\beta_{1}$ sugiere asociación bajo el modelo, pero la causalidad requiere control de variables de confusión y protocolo estable.

¿Por qué no basta con una medición por nivel? Porque no permite distinguir bien variabilidad aleatoria de tendencia física.

¿Qué significa que las barras se solapen? No decide por sí solo si existe efecto. Debe analizarse el ajuste completo y la incertidumbre del $\beta_{1}$.

¿Puedo forzar el $\beta_{0}$ a cero? Solo si existe una razón física y metrológica sólida. Forzarlo por estética puede sesgar la pendiente.

Síntesis final

Diseñar un experimento es construir una comparación que pueda separar efecto, ruido y sesgo. La $x$ debe cubrir un rango informativo, la $y$ debe medirse con protocolo estable y el $\beta_{1}$ debe comunicarse junto con incertidumbre, unidades y límites. La gráfica y los $\epsilon$ son parte del razonamiento, no decoración.