DISEÑO DE EXPERIMENTOS EN� R
21 DE JULIO DE 2026
LIC. EN GENÉTICA Y MG. EN BIOINFORMÁTICA ANDREA PEÑAS BALLESTEROS
(CITNOBA / INTA-EEA PERGAMINO / UNNOBA)
Análisis estadístico de los datos
Visualización de datos
Análisis estadístico de los datos
ESTADISTICA DESCRIPTIVA
ALEATORIZACIÓN
VERIFICACIÓN DE SUPUESTOS
Y MÁS…
REGRESIÓN
ANALISIS DE VARIANZAS
Visualización de datos
HISTOGRAMAS
DIAGRAMAS DE DISPERSIÓN
BOXPLOTS
GRÁFICOS DE BARRAS
MOMENTOS CLAVE PARA EL DISEÑO DE EXPERIMENTOS
Antes
Durante
Después
¿Cuáles son las características a analizar? ¿Qué factores afectan esas características? ¿Qué variables debo medir?
¿Cuál es mi población o muestra?
¿Cuál es mi hipótesis?¿Qué estoy prediciendo que sucederá en el experimento?
¿Cuál es mi objetivo? ¿Qué pregunta de investigación estoy tratando de responder?
¿Cómo diseñaré el experimento? ¿Cómo recopilaré, registraré, gestionaré y analizaré los datos? ¿Cómo minimizaré sesgos y factores de confusión?
¿Cuáles son los aspectos éticos y de seguridad?¿Necesito aprobaciones o permisos? ¿Hay riesgos potenciales?
¿Cuál es mi cronograma? ¿Cómo gestionaré el tiempo?
¿Cómo garantizaré la reproducibilidad y la validez interna y externa?
ANTES DE REALIZAR MI EXPERIMENTO
¿Cuáles son los posibles resultados y como los comunicaré? ¿Cómo lidiaré con resultados inesperados?
¿Cómo manejaré la logística? ¿Cuál es mi plan de contingencia?
¿Qué recursos necesito?¿Cuál es mi presupuesto?¿Qué equipo y tecnología necesito?
¿Cómo realizaré pruebas piloto?
¿Cómo documentaré las condiciones ambientales? ¿Cómo evaluaré el impacto ambiental?
ANTES DE REALIZAR MI EXPERIMENTO
ANTES DE REALIZAR MI EXPERIMENTO
Aleatorización
Repetición
ANTES DE REALIZAR MI EXPERIMENTO
Repetición
¿Qué?
¿Por qué?
NO
Dos o más UE bajo el mismo tratamiento
Si las diferencias observadas entre tratamientos son estadísticamente significativas
No se consideran repeticiones a dos o más mediciones de una misma UE
ANTES DE REALIZAR MI EXPERIMENTO
Repetición
Biológica
Son mediciones repetidas de la misma muestra biológica. Su objetivo es evaluar la precisión o reproducibilidad del método de medición, no la variabilidad biológica.
Son muestras independientes que representan la variabilidad biológica real de la población que estás estudiando.
Cada repetición biológica proviene de una unidad experimental diferente.
Técnica
ANTES DE REALIZAR MI EXPERIMENTO
Aleatorización
Repetición
ANTES DE REALIZAR MI EXPERIMENTO
DCA
DBCA
DBICA
DF
Diseño Completamente Aleatorizado
Diseño en Bloques Completamente Aleatorizado
Aleatorización
Otros
Diseño en Bloques Incompletos Completamente Aleatorizados
Diseño Factorial
Diseño en Parcelas Divididas
Diseño en Cuadrados Latinos
DISEÑO COMPLETAMENTE ALEATORIZADO
DCA
UE HOMOGÉNEAS
design.crd(trt, r, serie = 2, seed = 0, kinds ="Super-Duper", randomization=T)
Vector con los niveles del factor
Cantidad de repeticiones
Número de las UE a asignar toma valores: 1=11,12,13,.; 2=101,102,103,.;
3=1001,1002,1003,.
Valor de la semilla para iniciar la aleatorización
Método de aleatorización.
Posibles: "Wichmann-Hill","Marsaglia-Multicarry","Super-Duper","Mersenne-Twister","KnuthTAOCP", "user-supplied", "Knuth TAOCP-2002","default"
Argumentos
TRUE: para aleatorizar los tratamientos
FALSE: asignación no aleatoria
DISEÑO EN BLOQUES COMPLETAMENTE ALEATORIZADO
DBCA
UE HETEROGÉNEAS
design.rcbd(trt, r, serie = 2, seed = 0, kinds ="default", first=T, continue=T, randomization=T )
Vector con los niveles del factor
Cantidad de bloques
Número de las UE a asignar toma valores: 1=11,12,13,.; 2=101,102,103,.;
3=1001,1002,1003,.
Valor de la semilla para iniciar la aleatorización
Método de aleatorización.
Posibles: "Wichmann-Hill","Marsaglia-Multicarry","Super-Duper","Mersenne-Twister","KnuthTAOCP", "user-supplied", "Knuth TAOCP-2002","default"
Argumentos
TRUE: para aleatorizar los tratamientos
FALSE: asignación no aleatoria
Continuar la numeración de las parcelas
Aleatorizar la primera asignación
DISEÑO EN BLOQUES COMPLETAMENTE ALEATORIZADO
DBCA
UE HETEROGÉNEAS
DISEÑO EN BLOQUES INCOMPLETOS COMPLETAMENTE ALEATORIZADOS
DBICA
Si el diseño resulta ser en bloques incompletos ya que los bloques no tienen tamaño suficiente para hacer una repetición de cada tratamiento, se puede calcular el número mínimo de bloques para que cada tratamiento esté las veces deseadas
design.bib(trt, k, r=4, serie = 2, seed = 0, kinds = "Super-Duper", maxRep=20, randomization=T)
Vector con los niveles de los tratamientos
Tamaño del bloque
Número de las UE a asignar toma valores: 1=11,12,13,.; 2=101,102,103,.;
3=1001,1002,1003,.
Valor de la semilla para iniciar la aleatorización
Método de aleatorización.
Posibles: "Wichmann-Hill","Marsaglia-Multicarry","Super-Duper","Mersenne-Twister","KnuthTAOCP", "user-supplied", "Knuth TAOCP-2002","default"
Argumentos
TRUE: para aleatorizar los tratamientos
FALSE: asignación no aleatoria
Repetición máxima
Cantidad de repeticiones
DISEÑO FACTORIAL
DF
Para estudiar dos factores en un mismo experimento. Se puede aleatorizar la asignación de los tratamientos a las UE o a los bloques si el diseño fuera en bloques.
design.ab(niveles, r, serie = 2, design="crd", seed = 0, kinds = "Super-Duper",first=T,randomization=T)
Vector numérico que indica los niveles de cada factor
Número de las UE a asignar toma valores: 1=11,12,13,.; 2=101,102,103,.;
3=1001,1002,1003,.
Valor de la semilla para iniciar la aleatorización
Método de aleatorización.
Posibles: "Wichmann-Hill","Marsaglia-Multicarry","Super-Duper","Mersenne-Twister","KnuthTAOCP", "user-supplied", "Knuth TAOCP-2002","default"
Argumentos
TRUE: para aleatorizar los tratamientos
FALSE: asignación no aleatoria
Cantidad de repeticiones
Aleatorizar la primera asignación
Tipo de diseño (DCA:"crd",
DBCA:"rcbd",Cuadrado Latino:"lsd")
DISEÑO EN PARCELAS DIVIDIDAS
DPD
Cuando el diseño que se desea realizar es en Parcelas Divididas, es posible indicar los niveles de cada factor, y aleatorizar la asignación de las parcelas y subparcelas.
DISEÑO EN PARCELAS DIVIDIDAS
DPD
Cuando el diseño que se desea realizar es en Parcelas Divididas, es posible indicar los niveles de cada factor, y aleatorizar la asignación de las parcelas y subparcelas.
design.split(trt1, trt2,r=NULL, design=c("rcbd","crd","lsd"), serie = 2, seed = 0, kinds = "Super-Duper", first=TRUE,randomization=TRUE)
Factor en la parcela mayor
Número de las UE a asignar toma valores: 1=11,12,13,.; 2=101,102,103,.;
3=1001,1002,1003,.
Valor de la semilla para iniciar la aleatorización
Método de aleatorización.
Posibles: "Wichmann-Hill","Marsaglia-Multicarry","Super-Duper","Mersenne-Twister","KnuthTAOCP", "user-supplied", "Knuth TAOCP-2002","default"
Argumentos
TRUE: para aleatorizar los tratamientos
FALSE: asignación no aleatoria
Cantidad de repeticiones
Aleatorizar la primera asignación
Tipo de diseño (DCA:"crd",
DBCA:"rcbd",Cuadrado Latino:"lsd")
Factor en la sub-parcela
MOMENTOS CLAVE PARA EL DISEÑO DE EXPERIMENTOS
Antes
Durante
Después
HACIENDO MI EXPERIMENTO
Organización
Usuarios
Instrumental
Nomenclatura
Trazabilidad
Tratamientos
Contaminaciones
Concentración
Toma de muestras
Tiempos
HACIENDO MI EXPERIMENTO
Mantenimiento de registros en tiempo real
Supervisión constante
Control de factores externos
Seguridad y ética continua
Adaptación a cambios inesperados
Registros precisos de tiempo
Comunicación en equipo
Revisión de procedimientos
Consultar
Aprender de las situaciones/resultados negativos
Atención constante a los detalles
Supervisión continua
Capacidad de adaptarse a situaciones cambiantes
MOMENTOS CLAVE PARA EL DISEÑO DE EXPERIMENTOS
Antes
Durante
Después
ESTADÍSTICA DESCRIPTIVA
DESPUÉS DE REALIZAR MI EXPERIMENTO
ESTADISTICA DESCRIPTIVA
VERIFICACIÓN DE SUPUESTOS
ANALISIS DE VARIANZAS (ANOVA)
REGRESIÓN
COMPARACIONES MULTIPLES
Base en R
summary()
length()
plot()
library(dplyr)
is.na()
library(ggplot2)
ggplot()
VERIFICACIÓN DE SUPUESTOS
VERIFICACIÓN DE SUPUESTOS
Aplicando la función plot() al objeto modelo se obtienen 4 gráficos de diagnóstico comúnmente utilizados en la verificación de supuestos
lwd
lty
Valores ajustados versus residuos para verificar el supuesto de variancia constante
QQ-plot para verificar el supuesto de normalidad de los errores
par(mfrow=c(2,2),mar=c(4,4,3,1)) ; plot(modelo)
Para verificar la normalidad de los residuos mediante una prueba de hipótesis, el paquete básico de R cuenta con la función shapiro.test ()
shapiro.test(modelo$residuals)
Prueba de normalidad de Shapiro-Wilks
Prueba de homogeneidad de variancias de Bartlett
bartlett.test(modelo$residuals ~ BD$variable)
¿QUE PASA SI MIS DATOS NO CUMPLEN CON LOS SUPUESTOS?
Transformación/Normalización
Modelos lineales generalizados/
Modelos Mixtos
Modelos lineales generales con heterogeneidad de varianza
COMPARACIONES MULTIPLES
FISHER LSD.TEST (AGRICOLAE)
LSD
Test Mínima Diferencia Significativa(LSD) de Fisher.
LSD.test(y, trt, DFerror, MSerror, alpha = 0.05,p.adj=c("none","holm","hommel", "hochberg","bonferroni", "BH", "BY", "fdr"),group=TRUE,main = NULL,console=FALSE)
Tabla ANOVA con información
Grados de libertad del error
T sólo muestra las medias por tratamientos
F muestra las
comparaciones
Título
Argumentos
Constante o vector de tratamientos
Lógico, TRUE: imprime el resultado
Cuadrado medio del error
TUKEY HSD.TEST (AGRICOLAE)
TUKEY-HSD
Comparaciones múltiples según el método de Tukey.
HSD.test(y, trt, DFerror, MSerror, alpha = 0.05, group=TRUE,main = NULL,console=FALSE)
Tabla ANOVA con información
Grados de libertad del error
T sólo muestra las medias por tratamientos
F muestra las
comparaciones
Título
Argumentos
Constante o vector de tratamientos
Lógico, TRUE: imprime el resultado
Cuadrado medio del error
TUKEY HSD(BASE)
TUKEY-HSD
Comparaciones múltiples según el método de Tukey.
TukeyHSD(y, which, ordered=F, conf.level=0.95, ...)
Tabla ANOVA con información
Valor lógico que indica si se desea ordenar de forma ascendente las diferencias
Nivel de confianza a utilizar
Argumentos
Factor o tratamientos para los cuales se desean comparar las medias.
Si no se especifica nada, lo hace para todos los términos
DISEÑO DE EXPERIMENTOS�
DCA
DBCA
FACTORIAL
ANALISIS �DE �VARIANZA
Variable respuesta/dependiente
Media
general
Efecto del tratamiento
Error estándar
aov(Variable respuesta ~ Tratamiento, data=BD)
DCA
Variable respuesta/dependiente
Media
general
Efecto del tratamiento
Error estándar
aov(Variable respuesta ~ bloque + tratamiento, data=BD)
DBCA
Efecto del bloque
Variable respuesta/dependiente
Media
general
Efecto del tratamiento 2
Error estándar
aov(Variable respuesta ~ Tratamiento 1*Tratamiento 2, data=BD)
DF
Efecto del tratamiento 1
Efecto de la interacción entre tratamiento 1 y 2
REGRESIÓN
lm
Ajustar modelos lineales cuyos errores siguen una distribución Normal
lm(formula, data, subset, weights, na.action, method = “qr”, model =TRUE, x = FALSE, y = FALSE, qr = TRUE, singular.ok = TRUE, contrasts = NULL, offset, . . . )
Fórmula correspondiente al modelo que se desea ajustar
Opcional para indicar de dónde provienen las variables
Indica cómo tratar con valores faltantes. La opción na.omit
permite eliminar de la estimación del modelo todas las filas que tengan
al menos un dato faltante, mientras que na.fail conduce a que no se
estime el modelo en el caso de hallarse valores faltantes
Argumentos
REGRESIÓN LINEAL SIMPLE
lm(BD$Variable respuesta~BD$Variable regresora)
Regresión lineal simple
REGRESIÓN CON VARIABLE CATEGÓRICA
lm(Variable respuesta~Variable regresora +Variable regresora categorica,data=BD)
Regresión con variable categórica
REGRESIÓN LINEAL MULTIPLE
lm(Variable respuesta~Variable regresora 1 +Variable regresora 2 + Variable regresora 3,data=BD)
Regresión múltiple
MUCHAS GRACIAS