Fundación » Ciencia e innovación » Cómplices del azar: de diseñar experimentos a seleccionar datos

Cómplices del azar: de diseñar experimentos a seleccionar datos

Un siglo separa la prueba de las tazas de té, nacida de un reto entre amigos en la estación experimental de Rothamsted, de los experimentos modernos. Lo que comenzó como una apuesta informal acabaría transformando la manera de hacer ciencia. El desafío, sin embargo, permanece intacto: distinguir los efectos reales de las simples fluctuaciones del azar.

Creado: 12.10.2026

Actualizado: 08.10.2026

Desde sus orígenes, podemos decir que la humanidad ha aprendido de tres maneras: haciendo, comparando y observando.

  • La experiencia acumulada permite reconocer qué funciona y qué no.
  • La comparación ayuda a decidir entre distintas alternativas.
  • La observación permite descubrir patrones en el mundo que nos rodea.

Estas formas de aprendizaje han impulsado buena parte del conocimiento humano, aunque todas se enfrentan a una misma dificultad: distinguir los efectos reales de las variaciones producidas por ese espíritu caprichoso que hemos convenido en llamar “azar”.

El diseño de experimentos introdujo una posibilidad diferente: no limitarnos a recoger experiencias o datos, sino decidir de antemano cómo obtenerlos para aprender mejor. A lo largo de este artículo recorreremos algunas de las ideas que hicieron posible este cambio. Partiremos de las primeras comparaciones y observaciones sistemáticas para llegar a la incorporación deliberada del azar, la elección de experimentos especialmente informativos y la selección de datos cuando la información es abundante. Diseñar experimentos y seleccionar datos responden así a una misma pregunta: ¿qué debemos observar para aprender lo máximo posible?

Primeras aproximaciones: hacer, comparar y observar

Mucho antes de que existiera el diseño de experimentos, la humanidad ya aprendía de la experiencia. Durante los siglos XVI y XVII, los barcos españoles transportaron cítricos y zumos en algunas de sus travesías, entre ellos el llamado “agrio de limón” (Ruiz García, 2022). Quienes los utilizaban no sabían que el escorbuto estaba causado por la falta de vitamina C, pero la práctica les había enseñado que esos alimentos ayudaban a prevenir la enfermedad. Era una forma de aprender haciendo, probando soluciones y conservando aquellas que parecían funcionar.

La experiencia acumulada ha sido esencial para el desarrollo humano, aunque tiene sus límites. Si una solución funciona unas veces y otras no, es difícil saber qué ha cambiado. El resultado puede depender de condiciones que no hemos tenido en cuenta o ser fruto del azar. La experiencia proporciona pistas valiosas, pero no siempre permite distinguir las causas verdaderas de las coincidencias.

Un paso más consiste en comparar para decidir. En 1747, a bordo del HMS Salisbury, James Lind distribuyó entre varios marineros enfermos de escorbuto diferentes remedios. Los dos que recibieron naranjas y limones mejoraron rápidamente. Probar varios tratamientos en condiciones parecidas permitió reconocer un efecto que habría sido más difícil de apreciar si cada remedio se hubiera utilizado en momentos o lugares distintos (Lind, 1753). La comparación organizaba la experiencia alrededor de una pregunta, aunque las diferencias entre personas y condiciones seguían dificultando la interpretación de los resultados.

También podemos aprender observando. No siempre es posible intervenir en la realidad, pero podemos recoger datos y buscar en ellos patrones. Durante el brote de cólera de Londres de 1854, John Snow situó sobre un mapa los lugares donde se habían producido las muertes. La concentración de casos alrededor de una fuente de agua aportó una pista clave sobre la propagación de la enfermedad (Snow, 1855). En esos mismos años, Florence Nightingale utilizó diagramas de área polar para mostrar que la mayoría de las muertes de soldados británicos durante la Guerra de Crimea se debían a enfermedades relacionadas con las malas condiciones sanitarias (Nightingale, 1859).

Hacer, comparar y observar son tres formas esenciales de aprender. La primera acumula experiencia, la segunda enfrenta alternativas y la tercera busca regularidades. El diseño de experimentos dará un paso adicional. En lugar de aceptar los datos tal como llegan, propondrá decidir cómo obtenerlos para que respondan mejor a nuestras preguntas.

Figura 1. Desde las lecciones aprendidas en los viajes oceánicos hasta los mapas epidemiológicos y los gráficos estadísticos, cada avance permitió revelar causas ocultas tras los fenómenos observados. Ilustración generada con inteligencia artificial, inspirada conceptualmente en la pintura El regreso a Sevilla de Juan Sebastián de Elcano tras la primera circunnavegación del mundo, de Elías Salaverría, 1919, en el mapa de la distribución de las muertes durante el brote de cólera de Broad Street de 1854, de John Snow y en el diagrama de áreas polares Diagram of the Causes of Mortality in the Army in the East, de Florence Nightingale, 1858.
Fuente de la primera referencia: Museo Naval de Madrid / Biblioteca Virtual de Defensa, copia digital bajo licencia CC BY 4.0. Las obras de John Snow y Florence Nightingale están identificadas como de dominio público.

Diseñar para aprender

Esta idea comenzó a tomar forma durante la década de 1920 en la Estación Experimental de Rothamsted, en Inglaterra, donde Ronald A. Fisher desarrolló los principios que transformarían la experimentación científica y que reunió en 1935 en su libro The Design of Experiments (Fisher, 1935).

Uno de sus ejemplos más conocidos es el de la catadora de té. El relato se asocia con la bióloga Muriel Bristol, compañera de Fisher en Rothamsted, quien afirmaba que podía distinguir si se había vertido primero la leche o el té en una taza. Para poner a prueba esta capacidad no bastaba con ofrecerle una única taza. Si acertaba, podía haberlo hecho por casualidad. Fisher propuso preparar ocho tazas, cuatro de cada tipo, presentarlas en un orden elegido al azar y pedir a la catadora que las separase en dos grupos.

El ejemplo parece sencillo, pero contiene una idea profunda. El número de tazas, su preparación y el orden en que se presentaban debían decidirse antes de conocer el resultado. Además, el azar se introducía de forma deliberada para que el orden no favoreciera ninguna respuesta. Hay setenta formas posibles de elegir cuatro tazas entre ocho y solo una permite clasificarlas todas correctamente. Si la catadora no pudiera distinguirlas, la probabilidad de acertar por casualidad sería de una entre setenta, aproximadamente un 1.4%.

La aleatorización, es decir, la utilización deliberada del azar para asignar tratamientos o decidir el orden de las pruebas, se convirtió en uno de los principios fundamentales del diseño experimental. Junto con la repetición de las observaciones y la organización de condiciones comparables, permite distinguir la señal que buscamos del ruido que la rodea. La señal es el efecto que nos interesa. El ruido reúne las variaciones que pueden ocultarlo. Con Fisher, el azar dejó de ser solo un inconveniente y pasó a formar parte del método.

Para encontrar el origen de otra idea fundamental debemos retroceder hasta 1918. Ese año, la estadística danesa Kirstine Smith publicó un trabajo en el que se preguntaba cómo distribuir las observaciones para obtener resultados más precisos (Smith, 1918). Si observar cuesta tiempo o dinero y sólo podemos hacerlo un número limitado de veces, ¿dónde debemos observar para aprender lo máximo posible? Esta pregunta convirtió a Smith en una de las precursoras del diseño óptimo de experimentos.

Podemos imaginar que queremos conocer la forma de una carretera, pero solo podemos medir su altura en unos pocos lugares. Si concentramos las mediciones en un tramo pequeño, conoceremos muy bien esa zona, pero sabremos poco sobre el resto. Si elegimos mejor los puntos, podremos reconstruir la forma general con menos mediciones. Smith llevó esta idea al terreno matemático y estudió cómo elegir las observaciones que reducen más la incertidumbre.

Aquí aparece una dificultad. Para decidir cuáles son las observaciones más informativas necesitamos alguna idea previa sobre la relación que queremos estudiar, pero esa relación es precisamente lo que el experimento intenta descubrir. Una posible solución consiste en comenzar con una aproximación inicial y revisar el diseño a medida que obtenemos información. El experimento se convierte así en un proceso de aprendizaje: observar, actualizar lo que sabemos y decidir cuál debe ser la siguiente observación.

Figura 2. La retícula de colores se transforma en parcelas agrícolas organizadas para representar cómo el diseño de experimentos permite decidir de antemano dónde, cuándo y cómo observar. Ilustración generada con inteligencia artificial, inspirada conceptualmente en la vidriera conmemorativa de Ronald A. Fisher en Gonville and Caius College, que representa un cuadrado latino de 7 × 7, y en la fotografía aérea Rothamsted Research Farm from the air. Referencias fotográficas: Schutz, CC BY-SA 2.5; Thomas Nugent, CC BY-SA 2.0.

Diseñar para mejorar

El estadístico George Box explicó que llegó a la estadística casi por accidente. Durante la Segunda Guerra Mundial trabajaba como químico en una instalación experimental británica. Necesitaba analizar unos resultados muy variables, pero no había ningún estadístico disponible. Tuvo que aprender por su cuenta y acabó diseñando y analizando cientos de experimentos. Años después resumiría este recorrido en su autobiografía, titulada de forma significativa An Accidental Statistician (Box, 2013).

Terminada la guerra, el diseño de experimentos encontró en la industria un campo natural de aplicación. Allí no bastaba con saber si una materia prima, una temperatura o un tiempo de fabricación influían en el resultado. Era necesario encontrar las condiciones que permitieran mejorar un producto sin multiplicar el número de pruebas. En este contexto, Box y el químico K. B. Wilson desarrollaron métodos para avanzar paso a paso hacia mejores condiciones de funcionamiento en los procesos industriales (Box y Wilson, 1951). Su trabajo sentó las bases de una forma de experimentación orientada a buscar las condiciones que producen el mejor resultado.

Pensemos en algo tan sencillo como preparar un bizcocho. Queremos conseguir la mayor esponjosidad posible y sospechamos que depende de tres factores: la cantidad de levadura, la temperatura del horno y el tiempo de cocción. Una estrategia habitual sería cambiar primero la levadura mientras mantenemos todo lo demás igual. Después elegiríamos la mejor cantidad y probaríamos distintas temperaturas. Finalmente variaríamos el tiempo. El procedimiento parece razonable, pero exige muchas pruebas y cada decisión depende de las anteriores.

El diseño de experimentos propone organizar las pruebas de otro modo. Podemos escoger dos valores para cada factor, por ejemplo, poca o mucha levadura, temperatura baja o alta y tiempo corto o largo. Con ocho bizcochos cubrimos todas las combinaciones posibles. Al comparar los resultados podemos estimar de forma ordenada cuánto cambia la esponjosidad cuando modificamos cada factor. No nos limitamos a probar recetas. Construimos un pequeño mapa que nos indica en qué dirección debemos avanzar para mejorar el bizcocho.

Esta forma de experimentar se extendió a procesos químicos, fabricación, ingeniería y desarrollo de productos. Autores como Box, Wilson, Hunter, Montgomery y Wu contribuyeron, junto con muchos otros, a desarrollar, sistematizar y difundir estos métodos. Sus trabajos comparten una idea sencilla: experimentar mejor no significa necesariamente experimentar más, sino elegir pruebas que nos enseñen más. Los manuales modernos presentan precisamente el diseño experimental como una herramienta para mejorar productos y procesos mediante la optimización de su calidad y rendimiento (Box et al., 2008; Montgomery 2019; Wu y Hamada 2021).

Figura 3. Tres factores y dos posibilidades para cada uno dan lugar a un diseño factorial 23, formado por ocho recetas planificadas. Compararlas permite estudiar simultáneamente los efectos de la levadura, la temperatura y el tiempo de cocción, así como sus interacciones, y ayuda a encontrar una receta mejor. Créditos: Imagen generada por inteligencia artificial.

Nuevos retos del diseño

No existe un diseño que sea el mejor en todas las situaciones. Todo depende de lo que queramos aprender. Podemos buscar la mayor cantidad de información, reducir el número de pruebas, controlar un riesgo o limitar el tiempo y los recursos necesarios. Diseñar consiste en elegir un objetivo y decidir qué observaciones nos ayudan mejor a alcanzarlo.

En un ensayo clínico, por ejemplo, se comparan tratamientos para conocer su eficacia y sus posibles riesgos. Imaginemos un medicamento que puede administrarse en dos dosis. La dosis alta podría mejorar la respuesta, pero también aumentar los efectos adversos. Si solo buscamos la mayor respuesta media, podríamos favorecer esa dosis. Si queremos controlar el riesgo, la decisión puede ser diferente. Además, un tratamiento que funciona bien para el conjunto de los pacientes no tiene por qué ser el mejor para cada uno de ellos. La edad, el sexo, las características genéticas, el estado de la enfermedad u otros factores pueden modificar la respuesta. La medicina personalizada trata de aprovechar estas diferencias para adaptar el tratamiento a cada paciente o a grupos de pacientes con características similares. El diseño debe permitir reconocer esas diferencias sin prolongar innecesariamente el estudio de opciones que los datos van mostrando como poco prometedoras.

La misma necesidad de elegir aparece en los experimentos computacionales. Una simulación no consume materiales ni expone pacientes, pero tampoco es gratuita. Algunos modelos del clima, la combustión de un motor o la resistencia de una estructura pueden necesitar horas o días de cálculo. Si existen miles de combinaciones posibles, ejecutarlas todas puede resultar inviable. El diseño permite seleccionar las simulaciones que mejor representan el conjunto y que más información aportan sobre el fenómeno estudiado.

Algo parecido ocurre en inteligencia artificial. Disponer de millones de observaciones no significa que todas sean igual de útiles. Entrenar un modelo con conjuntos de datos cada vez mayores requiere tiempo, capacidad de cálculo y energía. El submuestreo busca seleccionar una parte de esos datos para construir modelos con un rendimiento similar, pero más ligeros y menos costosos de entrenar (Cia-Mina, López-Fidalgo y Wong, 2025). No se trata simplemente de eliminar observaciones al azar. El reto es conservar los ejemplos que contienen la información necesaria, sin perder grupos poco frecuentes o casos importantes.

En todos estos ámbitos cambia el objetivo y cambia el coste. A veces elegimos pacientes, otras veces simulaciones y otras, observaciones dentro de enormes bases de datos. Sin embargo, la pregunta sigue siendo la misma: ¿qué datos necesitamos para aprender lo suficiente sin tener que observarlo todo?

Figura 4. Diseñar ante los nuevos retos: seleccionar tratamientos y grupos de pacientes, elegir las simulaciones más informativas y trabajar con una parte representativa de grandes conjuntos de datos. En medicina personalizada, experimentación computacional e inteligencia artificial, aprender mejor no siempre exige observarlo todo. Créditos: Imagen generada por inteligencia artificial.

Pensar antes de actuar

El análisis empieza cuando ya tenemos los datos. El diseño empieza antes, cuando decidimos qué datos necesitamos y cómo vamos a obtenerlos. No tiene que ser perfecto, pero sí meditado. El éxito de un análisis depende en buena medida de las decisiones tomadas antes de observar los resultados. Más datos no siempre significan más conocimiento. A veces, observarlo todo aumenta el ruido y hace más difícil reconocer lo importante. Seguiremos haciendo, comparando y observando, ese es el proceso del aprendizaje. Sin embargo, el diseño añade la posibilidad de decidir cómo hacerlo. Aquel espíritu caprichoso que llamamos “azar” no desaparece, pero podemos aprender a convertirlo en nuestro cómplice.

Para quienes deseen profundizar en los temas tratados en este artículo, una síntesis moderna puede encontrarse en el libro Optimal Experimental Design: A Concise Introduction for Researchers (López-Fidalgo, 2023), que recoge muchas de las ideas con las que los autores iniciaron su trayectoria investigadora en diseño de experimentos.

Mariano Amo Salas

Mariano Amo Salas

Catedrático de Estadística e Investigación Operativa en la Universidad de Castilla-La Mancha
Víctor M. Casero-Alonso

Víctor M. Casero-Alonso

Doctor por la Universidad de Castilla-La Mancha. Licenciado en Ciencias Matemáticas
Sergio Pozuelo Campos

Sergio Pozuelo Campos

Doctor por la Universidad de Castilla-La Mancha. Graduado en Matemáticas.
Licesio J. Rodríguez Aragón

Licesio J. Rodríguez Aragón

Doctor por la Universidad de Castilla-La Mancha, Licenciado en Matemáticas por la Universidad de Salamanca

Artículos relacionados

Las baterías también tienen una vida… ¡o dos!

Las baterías también tienen una vida… ¡o dos!

Dos baterías idénticas pueden envejecer de forma muy distinta según cómo se utilicen. La conducción, los hábitos de recarga y las condiciones ambientales dejan una huella en su estado de salud. Desde la Universidad Carlos III de Madrid se estudia cómo interpretar esa historia para encontrar nuevas oportunidades de reutilización y darles una segunda vida.

Lucía Gauchía Babé

Siete telescopios, una sola luz: la linterna fotónica que quiere cambiar cómo se construyen los observatorios

Siete telescopios, una sola luz: la linterna fotónica que quiere cambiar cómo se construyen los observatorios

Un equipo del IAA-CSIC ha creado una linterna fotónica que reúne en una sola salida la luz de siete fibras ópticas conservando más del 90%. Un paso hacia observatorios modulares formados por varios telescopios pequeños.

Pablo Donato Pablos Rivera

El arte matemático de cortar sin desperdiciar: del rollo de acero a la caja de cartón

El arte matemático de cortar sin desperdiciar: del rollo de acero a la caja de cartón

Antes de que una máquina dé el primer corte al acero del electrodoméstico que acabas de comprar o al cartón del paquete que vas a recibir en casa, algunos algoritmos ya han librado una batalla silenciosa contra el desperdicio.

Francisco Javier Martín Campo, Antonio Alonso Ayuso, Micael Gallego Carrillo, María Sierra Paradinas, Óscar Soto Sánchez, Paula Terán Viadero

La ventana engañosa: por qué el viento de un exoplaneta no cuenta toda la verdad sobre su atmósfera

La ventana engañosa: por qué el viento de un exoplaneta no cuenta toda la verdad sobre su atmósfera

Un viento planetario pobre en helio no implica un planeta pobre en helio. Un estudio del IAA-CSIC muestra que el gas que escapa de un exoplaneta puede tener una composición muy distinta a la de las capas profundas de su atmósfera.

Pablo Donato Pablos Rivera