El Diseño Completamente al Azar (DCA) es la piedra angular del diseño experimental y el mejor punto de partida para tus estudiantes.

He estructurado este contenido pensando en un enfoque agronómico y agroindustrial, de modo que puedas copiar y pegar estos bloques directamente en tu Google Colab.

📘 Cuaderno 1: Diseño Completamente al Azar (DCA)

a) Introducción Teórica al DCA

El Diseño Completamente al Azar (DCA) es el diseño experimental más simple. Se utiliza cuando las unidades experimentales (por ejemplo, parcelas de tierra, lotes de semillas, o muestras de un producto agroindustrial) son homogéneas. En este diseño, los tratamientos se asignan a las unidades experimentales de forma completamente aleatoria, sin restricciones.

El Modelo Estadístico Lineal: \[y_{ij} = \mu + \tau_i + \epsilon_{ij}\]

Donde: * \(y_{ij}\): Es la respuesta observada en la \(j\)-ésima repetición del \(i\)-ésimo tratamiento (ej. rendimiento en toneladas por hectárea). * \(\mu\): Es la media general de todos los datos. * \(\tau_i\): Es el efecto del \(i\)-ésimo tratamiento. * \(\epsilon_{ij}\): Es el error experimental aleatorio asociado a esa observación.

Tabla ANOVA (Análisis de Varianza):

Fuente de Variación Grados de Libertad (GL) Suma de Cuadrados (SC) Cuadrado Medio (CM) F calculado
Tratamientos \(t - 1\) \(SCTr\) \(CMTr = \frac{SCTr}{t-1}\) \(\frac{CMTr}{CME}\)
Error \(N - t\) \(SCE\) \(CME = \frac{SCE}{N-t}\)
Total \(N - 1\) \(SCT\)

(Nota: \(t\) = número de tratamientos, \(N\) = número total de observaciones).

b) Miniguía: Solución Manual (Papel y Lápiz)

Para que los estudiantes comprendan de dónde salen los números del software, dales estos pasos para resolver un ejercicio pequeño a mano:

  1. Calcular Totales: Suma los valores de cada tratamiento para obtener \(Y_{i.}\) y suma todos los datos del experimento para obtener el gran total \(Y_{..}\).
  2. Factor de Corrección (FC): \[FC = \frac{Y_{..}^2}{N}\]
  3. Suma de Cuadrados Total (SCT): Eleva al cuadrado cada observación individual, súmalas todas y resta el FC. \[SCT = \sum \sum y_{ij}^2 - FC\]
  4. Suma de Cuadrados de Tratamientos (SCTr): Eleva al cuadrado el total de cada tratamiento, divide por el número de repeticiones de ese tratamiento (\(r\)) y suma esos resultados. Al final, resta el FC. \[SCTr = \sum \frac{Y_{i.}^2}{r} - FC\]
  5. Suma de Cuadrados del Error (SCE): \[SCE = SCT - SCTr\]
  6. Calcular los Cuadrados Medios (CM) y el estadístico F: Usando las fórmulas de la tabla ANOVA superior.
  7. Conclusión: Compara tu F calculado con el F crítico de la tabla de distribución F de Fisher (usando un nivel de significancia \(\alpha\), usualmente 0.05). Si \(F_{cal} > F_{crit}\), hay diferencias significativas entre los tratamientos.

c) Exploración de Datos (EDA) en R

Antes de correr el ANOVA, es vital que el estudiante observe los datos. Utilizaremos el conjunto de datos data1 que viene incluido en easyanova, el cual simula respuestas bajo distintos tratamientos.

# Instalar el paquete si no está instalado (descomentar la siguiente línea)
# install.packages("easyanova")
library(easyanova)

# Cargar el dataset de ejemplo para DCA
data(data1)

# Ver las primeras filas
head(data1)

# Estadísticas descriptivas básicas
summary(data1)

# Visualización: Boxplot para observar la dispersión y medianas
boxplot(data1[,2] ~ data1[,1], 
        col = c("lightgreen", "lightblue", "salmon", "wheat"),
        main = "Rendimiento por Tipo de Tratamiento (EDA)",
        xlab = "Tratamiento",
        ylab = "Respuesta Observada")

Propósito pedagógico: Pregunta a tus alumnos si, a simple vista en el gráfico de cajas, parece que algún tratamiento supera a los demás. El ANOVA confirmará si esa percepción visual es estadísticamente real o producto del azar.

d) Plantilla de Código R: Solución con easyanova

La ventaja de easyanova es que con una sola línea de código hace el ANOVA, la prueba de comparación de medias y verifica los supuestos.

# Ejecutar el DCA (design = 1 corresponde a Diseño Completamente al Azar)
# La función ea1 devuelve una lista con varios resultados (ANOVA, medias, residuos, etc.)
resultado_dca <- ea1(data1, design = 1)

# Imprimir los resultados completos
print(resultado_dca)

e) Prompts Sugeridos para tus Estudiantes

Pide a tus estudiantes que copien la salida generada por easyanova en su entorno de R y me hagan las siguientes preguntas para ayudarles a interpretar los resultados agronómicos:

  1. “Hola. Te comparto esta salida de la función ea1 de R. Basándote en el valor p (p-value) de la tabla ANOVA, ¿existe evidencia estadística para afirmar que los tratamientos tienen efectos diferentes sobre el cultivo?”
  2. “En los resultados, easyanova incluyó una prueba de medias (como Tukey o Scott-Knott). Explicame con palabras sencillas qué grupos de letras se formaron y cuál tratamiento me recomendarías aplicar a gran escala en mi proyecto agroindustrial.”
  3. “El output muestra unas pruebas de normalidad y homogeneidad de varianzas aplicadas a los residuos (Shapiro-Wilk y Bartlett). ¿Se cumplieron los supuestos del modelo según estos valores p? ¿Qué significa esto para la validez de mi experimento?”

f) Plantillas Alternativas: Python y Julia

Para enriquecer sus habilidades en programación computacional, aquí están los scripts equivalentes en otros lenguajes.

En Python (Usando statsmodels y seaborn):

import pandas as pd
import seaborn as sns
import matplotlib.pyplot as plt
import statsmodels.api as sm
from statsmodels.formula.api import ols

# Simulación de un dataset similar a data1
data = {'Tratamiento': ['T1']*5 + ['T2']*5 + ['T3']*5 + ['T4']*5,
        'Respuesta': [23, 25, 22, 24, 26, 30, 32, 29, 31, 28, 15, 17, 14, 16, 18, 20, 22, 19, 21, 23]}
df = pd.DataFrame(data)

# EDA: Boxplot
sns.boxplot(x='Tratamiento', y='Respuesta', data=df)
plt.title('EDA: Rendimiento por Tratamiento')
plt.show()

# Ajuste del modelo lineal y tabla ANOVA
modelo = ols('Respuesta ~ C(Tratamiento)', data=df).fit()
tabla_anova = sm.stats.anova_lm(modelo, typ=2)
print("\n--- Tabla ANOVA ---")
print(tabla_anova)

En Julia (Usando DataFrames, GLM y ANOVA):

using DataFrames, GLM, HypothesisTests

# Creación de un DataFrame simulado
df = DataFrame(
    Tratamiento = repeat(["T1", "T2", "T3", "T4"], inner = 5),
    Respuesta = [23, 25, 22, 24, 26, 30, 32, 29, 31, 28, 15, 17, 14, 16, 18, 20, 22, 19, 21, 23]
)

# Convertir la columna Tratamiento a variable categórica
df.Tratamiento = categorical(df.Tratamiento)

# Ajuste del modelo lineal
modelo = lm(@formula(Respuesta ~ Tratamiento), df)

# Generación de la tabla ANOVA (requiere paquete adicional estadístico estándar)
# En Julia básico, podemos examinar el modelo ajustado
println("--- Resumen del Modelo ---")
println(modelo)