DISEÑO DE EXPERIMENTOS

CONCEPTOS GENERALES
¿Qué es el diseño de experimentos?

• Diseñar un experimento significa planear un

experimento de modo que reúna la información
pertinente al problema bajo investigación.
• El diseño de un experimento es la secuencia
completa de pasos tomados de antemano para
asegurar que los datos apropiados se obtendrán de
modo de modo que permitan un análisis objetivo que
conduzca a deducciones válidas con respecto al
problema establecido.
 Aspectos claves del diseño de
experimentos
• ¿Cómo se va a medir el efecto? ó ¿Cuáles son las
características a analizar?
• ¿Qué factores afectan las características que se van a
analizar?
• ¿Cuáles son los factores que se estudiaran en esta
investigación?
• ¿Cuántas veces deberá ejecutarse el experimento?
• ¿Cuál será la forma de análisis?
• ¿A partir de qué valores se considera importante el
efecto?
 Experimento
• Es el cambio sistemático y planificado en las condiciones de
operación (variables) de un proceso.
• El objetivo es medir el efecto en la variable de salida o
señal.
• Experimentar es hacer pruebas, pero no empíricamente,
sino en forma organizada y planeada.
 Unidad experimental
• Muestra de artículos que es necesario analizar para validar
la observación del experimento.
• Dependiendo del proceso, puede ser todo el universo de la
variable de salida o solo una muestra (si son muchas
unidades).
• La unidad experimental son piezas que se producen bajo las
mismas condiciones experimentales.
 Variables y Factores
• Condiciones o parámetros que intervienen a la entrada o
salida de un proceso.

Factores Controlables Variables de respuesta

ENTRADAS PROCESO SALIDAS

Factores No Controlables
Medición

• Llamaremos factores a las entradas y variables a las salidas

o señales.
 Variables y Factores
• Variable de Respuesta: característica de salida que nos
interesa mejorar/optimizar.
• Factor Controlable: entradas que se pueden fijar en un
nivel de operación y se puede cambiar este nivel
intencionalmente.
• Factor No Controlable o Ruido: entrada que interviene
en el proceso pero que NO se la puede fijar en un nivel
determinado, y sobre la cual existe incertidumbre de su
efecto.
• Factor Estudiado: entradas que se toman en cuenta para
realizar el experimento y que se las prueba en varios
niveles.
 Niveles

• Son los diferentes valores que se pueden dar

a un factor estudiado para ver su efecto.

• Deben poder ser medidos.

• Pueden ser discretos o continuos

 Tratamiento
• Un tratamiento es cada prueba o ensayo que se hace y que
contiene a los factores en un determinado nivel.
• Cada tratamiento puede ser probado más de una vez, y se
llaman réplicas o repeticiones.
• Si se cambia por lo menos un nivel en un factor, ya se
convierte en otro tratamiento diferente, pues ya cambió una
condición de los factores.
 Error Aleatorio
• La variabilidad siempre tiene dos componentes: uno debido
a causas controlables y otro debido a factores naturales o
aleatorios.

• El error aleatorio es una desviación no explicada, y es

intrínseca de los experimentos.

• Contiene al efecto de factores no estudiados, factores

incontrolables y al error experimental, producto de
pequeñas equivocaciones del experimentador.
 Error Aleatorio
• Durante el experimento es mejor que el error aleatorio sea
mínimo, caso contrario no sabremos si el error es producto
de manipular los factores estudiados (deseable) o producto
de factores incontrolables o de variación intrínseca (no
deseable).

• Si el error aleatorio es pequeño podemos asegurar que el

cambio en la variable de salida se debe a los factores
estudiados.
 Precisión y Exactitud
• Precisión es la similitud de una medición cuando se realiza
varias veces, es decir, la capacidad de repetición de las
medidas.

• Exactitud es la cercanía de una medición con el valor teórico

esperado.
 Principios básicos del diseño de
experimentos

La validez de un diseño experimental se basa en el

cumplimiento de tres principios:

1. Aleatorización
2. Repetición
3. Bloqueo o también llamado Control

Se debe cuidar de respetar estos tres principios en la medida

de lo posible.
 Aleatorización
• Los distintos tratamientos se corren o ejecutan en orden
aleatorio y con los recursos (operadores, materias primas,
etc.) seleccionados aleatoriamente.

• Favorece al supuesto de independencia de los errores no

controlables.

• Reparte por igual el error aleatorio o ruido en todos los

tratamientos, evitando que un tratamiento esté más
“cargado de error” que otro.
 Repetición
• Es hacer varias réplicas, es decir correr más de una vez el
mismo tratamiento, con las condiciones más parecidas
posibles.
• Permite distinguir qué parte de la variabilidad se debe a
error aleatorio y qué parte a error por efecto de factores
estudiados.
• Réplica es volver a hacer todo el experimento de nuevo
desde cero.
• Repetir aumenta la confiabilidad de datos.
 Bloqueo o Control
• Implica la consideración o no de todos los factores que
pueden afectar la variable de respuesta.
• Bloquear es tratar de que cada nivel de un factor se pruebe
con todos los niveles de los otros factores, es decir evitar
probar solo un nivel de un factor con varios niveles de los
demás factores porque entonces no se puede concluir sobre
ese factor.
 Etapas de un diseño de
experimentos.
1. Enunciado o planteamiento del problema.
2. Formulación de hipótesis.
3. Proposición de la técnica experimental y el diseño.
4. Examen de sucesos posibles y referencias en que se
basan las razones para la indagación que asegure
que el experimento proporcionará la información
requerida y en la extensión adecuada.
5. Consideración de los posibles resultados desde el
punto de vista de los procedimientos estadísticos
que se aplicarán y para asegurar que se satisfagan
las condiciones necesarias para que sean válidos
estos procedimientos.
 Etapas de un diseño de
experimentos.
6. Ejecución del experimento.
7. Aplicación de las técnicas estadísticas a los
resultados experimentales.
8. Extracción de conclusiones con medidas de la
confiabilidad de las estimaciones generadas. Deberá
darse cuidadosa consideración a la validez de las
conclusiones para la población de objetos o eventos
a la cual se van a aplicar.
9. Valoración de la investigación completa y
contrastación con otras investigaciones del mismo
problema o similares.
DISEÑOS DE BLOQUE
 CONCEPTOS BASICOS
• La Inferencia Estadística enseña como comparar dos
tratamientos o condiciones.

• Si se quiere comparar varios tratamientos sistemáticamente

se debe utilizar el Análisis de Varianza (Anova).

• El Anova se utiliza para uno o más factores, por lo que su

estudio se divide en Anova para 1 factor y Anova factorial.
 CONCEPTOS BASICOS

Factor A Factor B

nivel A2 nivel B2
nivel A1

nivel A3 nivel B1
nivel A4
Anova Factorial

Anova 1 Factor
Inferencia Estadística
 CONCEPTOS BASICOS
• Lo más común en la práctica es que se tenga más de un
factor y varios niveles para ser analizados.

• Se realiza el Anova de 1 factor cuando se puede controlar los

demás y se trata de establecer el efecto solo de ese factor.

• Se trata entonces de experimentar con varios niveles de un

mismo factor para determinar cual nivel mejora la variable
de respuesta.
 CONCEPTOS BASICOS
• Para el Anova con 1 factor, cada nivel es un tratamiento a
experimentar.

• El objetivo normalmente es comparar los tratamientos en

cuanto a sus medias poblacionales:

• Para compararlos se usa el mismo método de la Inferencia,

es decir plantear hipótesis.

trat1  trat2  trat3  trat4

 HIPOTESIS
• Se plantean las hipótesis nula y alternativa:
Ho : 1   2  3   4

H A : i   j para un i diferente de j

• Ho es la hipótesis nula.
• HA es la hipótesis alternativa.
• Si se prueba Ho, entonces todos los tratamientos dieron el
mismo impacto en la variable de salida, por tanto ese factor
no es significativo sobre la respuesta.
 HIPOTESIS
• Si se descarta la hipótesis nula y se acepta la alternativa,
quiere decir que al cambiar niveles también cambió la
variable de salida, por tanto el factor sí afecta a la
respuesta.

• Se requiere encontrar una estrategia para probar las

hipótesis, y esa justamente es el Análisis de Varianza.

• No confundir Análisis de Varianza con comparar medias. El

Anova es la metodología para comparar las medias.
 FACTORES DE BLOQUE
• Se les llama así a los factores que intervienen de alguna
manera en el experimento pero no son de interés
estudiarlos.

• Son factores “secundarios” que hay que considerarlos porque

SÍ causan influencia.

• El considerarlos en el experimento es tener control sobre

ellos, o sea fijarles en distintos niveles conocidos con lo cual
evaluamos su efecto.
 FACTORES DE BLOQUE
• En el ejemplo del banco, factores de bloque pueden ser: día
de la semana en que solicita el crédito, período del mes
(comienzo o final), asesor que atiende al cliente, entre otros.

• De acuerdo a la cantidad de factores de bloque, se clasifican

los tipos de diseños experimentales de 1 factor.

• Se han identificado metodologías para manejar hasta 3

factores de bloque.
 TIPOS DE DISEÑOS DE BLOQUE
• Diseño Completamente al Azar DCA: 0 bloques.

• Diseño en Bloques Completos al Azar DBCA: 1 bloque.

• Diseño en Cuadro Latino: 2 bloques.

• Diseño en Cuadro Greco-latino: 3 bloques.

 MODELO ESTADISTICO
La variable de salida se encuentra estadísticamente
determinada por el modelo:

     
variable de media efecto o error error
salida del aleatorio
tratamiento

La respuesta está afectada por dos tipos de variabilidad:

efecto de tratamiento y error aleatorio.
 MODELO ESTADISTICO
• La media es la misma para todos los tratamientos, el error
aleatorio debe ser mínimo, por lo tanto el término que
interesa analizar en DDE es el efecto de tratamiento.

• El efecto de tratamiento se divide en varios términos de

acuerdo al número de bloques, que implican justamente la
interacción de cada bloque.
 MODELO ESTADISTICO
• Si la variable de salida cambia su valor entre cada
tratamiento se espera que sea debido solo al efecto de
tratamiento.

• El modelo no considera a la interacción entre bloques, la cual

en la práctica suele ser pequeño, por lo que el modelo se
ajusta adecuadamente a la práctica.
DISEÑOS FACTORIALES
 CONCEPTOS
• Como se ha visto, el Diseño Factorial depende de:
– número de factores: k
– número de niveles por factor: a, b, c,...
– número de réplicas: n
• El total de tratamientos o puntos experimentales es N=
k(axbx...)xn
• Una vez que se conoce el número de factores k, se
determina el número de niveles por factor y luego el
número de réplicas.
 CONCEPTOS
1. Conocer el número de factores k:
Para esto es necesario conocer el proceso, haber
experimentado fallas, saber las mediciones
trascendentales, en definitiva estar adentrado en el
proceso. Entonces se puede realizar una descripción del
proceso y determinar los factores que pueden influir sobre
él. Al comienzo se pueden tener muchos, por lo que habrá
que ir seleccionando los más importantes.
 CONCEPTOS
2. Determinar el número de niveles:
Este factor se determina en base a dos consideraciones:
el número de factores y la probabilidad o no de que la
influencia del factor no sea lineal sino de grado superior
(ej: cuadrática). Si hay muchos factores se escogen
pocos niveles. Si hay la posibilidad de curvatura, se deben
fijar al menos 3 niveles.
 CONCEPTOS
3. Determinar el número de réplicas:
Esto depende del número de factores y niveles que se
tenga y del grado de confiabilidad que se pretende. A
más factores y niveles, menos réplicas se pueden realizar
por practicidad. Si se quiere dotar de mayor confiabilidad
a los resultados se puede aumentar el número de réplicas,
a costa de un mayor consumo de recursos.
 CONCEPTOS
• Al hablar de experimentos factoriales, los casos más
frecuentes son los de probar si el factor incide o no en la
variable de salida, para lo cual cada factor se experimenta
con 2 ó 3 niveles.
• Si se trata de hallar el punto óptimo, los experimentos se
realizan con varios niveles dentro del rango para cada
factor.
• Lo conveniente es tratar de mantener el mismo número de
niveles para los factores.
 CONCEPTOS
• Los experimentos factoriales más frecuentes en el sector
industrial/empresarial son:
2k: 2 niveles para los k factores.
3k: 3 niveles para los k factores.
• Estos diseños ayudan a probar varios factores con tan solo
2 niveles (lineales) o 3 niveles (curvatura).
 DISEÑO FACTORIAL 22
• Cada réplica es un arreglo de 2x2=4 tratamientos.
• En cada réplica con factores A y B se tienen los siguientes
tratamientos:

A B A B A B A B A B Yates
Trat. 1 bajo bajo A1 B1 - - 0 0 -1 -1 (1)
Trat. 2 alto bajo A2 B1 + - 1 0 +1 -1 a
Trat. 3 bajo alto A1 B2 - + 0 1 -1 +1 b
Trat. 4 alto alto A2 B2 + + 1 1 +1 +1 ab
 DISEÑO FACTORIAL 22
• Para Diseño Factorial también se realiza el Anova para
determinar los efectos de los factores.
• Efecto es el cambio en el valor de la variable de salida,
debido a un cambio en el factor.
• Para el Diseño 22 se analizan tres efectos: dos principales
A y B y uno de interacción doble AB.
• El cálculo de los 3 efectos se hacen en base a la notación
de Yates, por facilidad.
 ANOVA PARA DISEÑO
FACTORIAL 22
• Si un efecto es distinto de cero, no necesariamente es
significativo.
• Para hallar las SC se debe calcular el contraste.
• El contraste es una combinación lineal cuya suma de
coeficientes Ci es cero.
Contraste A = [a+ab-b-(1)]
Contraste B = [b+ab-a-(1)]
Contraste AB = [ab+(1)-a-b]
 ANOVA PARA DISEÑO
FACTORIAL 22
Proceso para llegar al Anova:

CONTRASTES

EFECTOS

SUMAS DE CUADRADOS

ANOVA
 HIPOTESIS PARA DISEÑO
FACTORIAL 22
Se pretende probar las hipótesis:
Ho: Efecto A=0
Ho: Efecto B=0
Ho: Efecto AB=0
En la tabla Anova se puede comprobar si tienen efecto o no
los factores o la interacción de ellos.
 DISEÑO FACTORIAL 23
• Este es un diseño que tiene 3 factores y 2 niveles en cada
factor, con n réplicas.
• Cada réplica está compuesta por 8 tratamientos:

A B C A B C A B C Yates
Trat. 1 bajo bajo bajo - - - -1 -1 -1 (1)
Trat. 2 alto bajo bajo + - - +1 -1 -1 a
Trat. 3 bajo alto bajo - + - -1 +1 -1 b
Trat. 4 alto alto bajo + + - +1 +1 -1 ab
Trat. 5 bajo bajo alto - - + -1 -1 +1 c
Trat. 6 alto bajo alto + - + +1 -1 +1 ac
Trat. 7 bajo alto alto - + + -1 +1 +1 bc
Trat. 8 alto alto alto + + + +1 +1 +1 abc
 DISEÑO FACTORIAL 23
• El proceso para llegar al Anova es el mismo que el anterior:
determinar contrastes, hallar efectos, hallar sumas de
cuadrados y finalmente calcular la tabla de Anova.
• Para este diseño se requieren al menos dos repeticiones
(n≥2), porque sino el error tendría cero grados de libertad
y eso es imposible para la tabla Anova.
 DISEÑO GENERAL 2K

• Para el Diseño Factorial 2k, se sigue el mismo

procedimiento que hemos visto.
• Al aumentar factores, aumenta
considerablemente las operaciones necesarias,
para lo cual se hace necesario utilizar un
software específico.
• Sin embargo, en la práctica es conveniente
analizar hasta 5 factores a la vez, para ello se
seleccionan a los más influyentes.
 DISEÑO GENERAL 2K

• Al utilizar diseño 2k estamos suponiendo que el

factor no presenta curvatura. Si se sospecha
de curvatura, es decir variación cuadrática en el
rango de análisis, habrá que usar un diseño 3k
• Como regla empírica, no es conveniente realizar
más de 32 corridas, por lo que si se tienen 5
factores se harán máximo 1 réplica.
• Como se había dicho el objetivo de los diseños
2k es conocer al proceso, determinando como
se comportan cada uno de los factores.
 DISEÑO GENERAL 2K

• Una vez que se tenga mejor estudiado al

proceso y se hayan seleccionado los factores
significativos, se harán experimentos solo con
ellos aumentando los niveles de prueba para
que se logre encontrar un punto óptimo.