Directrices para el diseo de experimentos

Para utilizar el enfoque estadstico en el diseo y anlisis de un experimento, es necesario que todos los
involucrados en el experimento para tener una idea clara de antemano de lo que exactamente se va a
estudiar, cmo se recogen los datos, y por lo menos una comprensin cualitativa de cmo estos datos se
van a analizar. Un esquema del procedimiento recomendado se muestra en la Tabla 1.1. Ahora nos
damos una breve discusin de este esquema y elaboramos sobre algunos de los puntos clave, para ms
detalles, vase Coleman y Montgomery (1993), y las referencias en l. El material de texto suplementario
para este captulo tambin es til.
1.

El reconocimiento y declaracin del problema: Esto puede parecer un punto bastante obvio,
pero en la prctica muchas veces no es fcil darse cuenta de que existe un problema que
requiere experimentacin, ni es fcil de desarrollar una declaracin clara y generalmente
aceptada de este problema. Es necesario desarrollar todas las ideas sobre los objetivos del
experimento. Por lo general, es importante solicitar la opinin de todas las partes interesadas;
ingeniera. seguro de calidad. fabricacin, la comercializacin, la gestin, el cliente y el personal
de operacin (que suelen tener mucho conocimiento y que son demasiado a menudo ignorados).
Por esta razn, se recomienda un enfoque de equipo para experimentos de diseo. Por lo
general es til preparar una lista de los problemas o cuestiones que han de ser abordados por el
experimento especficos. Una declaracin clara del problema a menudo contribuye
sustancialmente a una mejor comprensin del fenmeno en estudio y la solucin final del
problema. Tambin es importante mantener los objetivos generales del experimento en mente,
hay varias razones generales para llevar a cabo experimentos y cada tipo de experimento va a
generar su propia lista de preguntas especficas que deben abordarse. Algunos (pero de ninguna
manera todos) de las razones para llevar a cabo experimentos incluyen:
a. Proyeccin Factor o caracterizacin. Cuando un sistema o proceso es nuevo, por lo
general es importante aprender qu factores tienen mayor influencia en la respuesta (s) de
inters. A menudo hay una gran cantidad de factores. Esto suele indicar que los
experimentadores no saben mucho sobre el sistema para la revisin es esencial si queremos
conseguir eficientemente el rendimiento deseado del sistema. Los experimentos de
muestreo son muy importantes cuando se trabaja con nuevos sistemas o tecnologas para
que los recursos valiosos no ser en vano utilizar mejor conjetura y enfoques OFAT.
b. Optimizacin. Despus de que el sistema se ha caracterizado y estamos razonablemente
seguros de que se han identificado los factores importantes. el prximo objetivo es por lo
general la optimizacin, es decir, encontrar la configuracin o los niveles de los factores
importantes que resultan en valores deseables de la respuesta. Por ejemplo, si un
experimento de seleccin en un proceso qumico resultados en la identificacin de tiempo y
temperatura que los dos factores ms importantes, el experimento de optimizacin puede
tener como objetivo la bsqueda de los niveles de tiempo y temperatura que maximizan el
rendimiento, o tal vez maximizar el rendimiento mientras mantener cierta propiedad del
producto que es fundamental para el cliente dentro de las especificaciones. Un experimento
de optimizacin es por lo general un seguimiento de un experimento de cribado. Sera muy
inusual para un experimento de cribado para producir los ajustes ptimos de los factores
importantes.
c. Confirmacin. En un experimento de confirmacin, el experimentador est normalmente
tratando de verificar que el sistema funciona o se comporta de una manera que es
consistente con alguna teora o la experiencia pasada. Por ejemplo. si la teora o experiencia
indica que un material nuevo en particular es equivalente a la actualmente en uso y el nuevo
material es deseable (tal vez menos caro, o ms fcil trabajar con de alguna manera), a
continuacin, un experimento de confirmacin se llev a cabo para verificar que la sustitucin

los nuevos resultados materiales en ningn cambio en las caractersticas del producto que
afectan su uso. Traslado de un nuevo proceso de fabricacin para la produccin a gran
escala basado en resultados durante la experimentacin en planta piloto o sitio de desarrollo
es otra situacin que a menudo resulta en experimentos de confirmacin, es decir, son los
mismos factores y parmetros determinados durante el trabajo de desarrollo apropiado para
el proceso a gran escala?
d. Descubrimiento. En experimentos de descubrimiento, los experimentadores son
generalmente tratando de determinar lo que sucede cuando exploramos nuevos materiales.
o nuevos factores, o nuevas gamas de factores. En la industria farmacutica, los cientficos
estn constantemente llevando a cabo experimentos de descubrimiento para encontrar
nuevos materiales o combinaciones de materiales que sern efectivas en el tratamiento de la
enfermedad.
e. Robustez: Estos experimentos suelen abordar cuestiones tales como bajo qu condiciones
las variables de respuesta de inters seriamente degradan? O qu condiciones llevara a la
variabilidad inaceptable en las variables de respuesta? Una variacin de este es determinar
cmo podemos establecer los factores en el sistema que podemos controlar para minimizar
la variabilidad transmitida en la respuesta de los factores que no podemos controlar muy
bien. Vamos a discutir algunos experimentos de este tipo en el captulo 12.
Obviamente, las preguntas especficas que se abordarn en el experimento se relacionan
directamente con los objetivos generales. Un aspecto importante de la formulacin del problema
es el reconocimiento de que un gran experimento integral es poco probable que responder a las
preguntas clave satisfactoriamente. Un solo experimento integral requiere que los
experimentadores a conocer las respuestas a muchas preguntas, y si se equivocan, los
resultados sern decepcionantes. Esto lleva a la prdida de tiempo, materiales y otros recursos,
y puede dar lugar a nunca responder a las preguntas de investigacin originales
satisfactoriamente. Un enfoque secuencial empleando una serie de experimentos ms
pequeos, cada uno con un objetivo especfico, como la deteccin de factores, es una mejor
estrategia.
2. Seleccin de la variable de respuesta. En la seleccin de la variable de respuesta, el
experimentador debe estar seguro de que esta variable realmente ofrece informacin til sobre el
proceso en estudio. Muy a menudo, la desviacin media o estndar (o ambos) de la
caracterstica medida ser la variable de respuesta. Mltiples respuestas no son inusuales. Los
experimentadores deben decidir cmo se medir cada respuesta cmo se mantendr esta
calibracin durante el experimento. La capacidad de calibracin o medicin del sistema (o error
de medicin) es tambin un factor importante. Si la capacidad de calibre es inadecuada, los
efectos slo relativamente grandes de factores sern detectados por el experimento o tal vez la
replicacin adicional se requieren. En algunas situaciones donde la capacidad de calibre es
pobre, el experimentador puede decidir para medir cada unidad experimental varias veces y
utilizar el promedio de las mediciones repetidas como la respuesta observada. Por lo general es
de importancia crtica para identificar los problemas relacionados con la definicin de las
respuestas de inters y la forma en que se van a medir antes de realizar el experimento. A veces
los experimentos diseados se emplean para estudiar y mejorar el rendimiento de los sistemas
de medicin. Para ver un ejemplo, consulte el Captulo 13.
3. Seleccin de los factores, niveles y rango. (Como se ha indicado en la Tabla 1.1, los pasos 2
y 3 se hacen a menudo de manera simultnea o en orden inverso.) Al considerar los factores que
pueden influir en el rendimiento de un proceso o sistema, el experimentador generalmente
descubre que estos factores pueden clasificarse ya sea como potencial factores de diseo o
factores de molestia. Los posibles factores de diseo son aquellos factores que el

experimentador puede querer variar en el experimento. A menudo nos encontramos con que hay
una gran cantidad de factores de diseo potenciales, y algunas nuevas clasificaciones de ellos
es til. Algunas clasificaciones tiles son factores de diseo, factores mantenidas constantes y
factores permitieron a-variar. Los factores de diseo son los factores que tiene seleccionado para
su estudio en el experimento, mantenidas constantes factores son variables que pueden ejercer
algn efecto en la respuesta, pero para fines de la presente experimento estos factores no son
de su inters, por lo que se llevarn a cabo en un nivel especfico. Por ejemplo, en un
experimento de ataque qumico en la industria de semiconductores, puede haber un efecto que
es nica para la herramienta de grabado de plasma especfico utilizado en el experimento. Sin
embargo, este factor sera muy difcil variar en un experimento, por lo que el experimentador
puede decidir realizar todas las corridas experimentales en un (idealmente "tpico") grabador
particular. Por lo tanto, este factor se ha mantenido constante. Como ejemplo de permitido a
variar factores, las unidades experimentales o los "materiales" a la que se aplican los factores de
diseo y normalmente no homognea, sin embargo a menudo ignoramos esta variabilidad de
unidad a unidad y dependemos de la aleatorizacin para equilibrar cualquier material o
experimental efecto unidad. A menudo asumimos que los efectos de poder constantes factores y
factores permitieron a-variar son relativamente pequeas.
Factores de molestia, por otra parte, pueden tener grandes efectos que deben tenerse en
cuenta, sin embargo, pueden no estar interesados en ellos en el contexto de la presente
experimento. Factores de molestia, se clasifican a menudo como factores controlables e
incontrolables, o ruido. Un factor de molestia controlable es uno cuyos niveles pueden ser fijado
por el experimentador. Por ejemplo, el experimentador puede seleccionar diferentes lotes de
materia prima o en diferentes das de la semana en que la realizacin del experimento. El
principio de bloqueo, discutido en la seccin anterior, a menudo es til en el tratamiento de
factores de molestia controlables. Si un factor de molestia es incontrolable en el experimento,
pero se puede medir, un procedimiento de anlisis llam el anlisis de covarianza o a menudo
puede ser utilizado para compensar su efecto. Por ejemplo, la humedad relativa en el entorno del
proceso puede afectar el rendimiento del proceso, y si la humedad no puede ser controlado. es
probable que se puede medir y se trata como una covariable. Cuando un factor que vara de
forma natural y sin control en el proceso puede ser controlado para los propsitos de un
experimento, a menudo llamamos un factor de ruido. En tales situaciones, nuestro objetivo es
por lo general para encontrar la configuracin de los factores de diseo controlables que
minimizan la variabilidad transmitida desde los factores de ruido. Esto a veces se llama un
estudio robustez proceso o un problema de diseo robusto. Bloqueo, anlisis de covarianza, y
robustez proceso de estudios se analizan ms adelante en el texto.
Una vez que el investigador ha seleccionado los factores de diseo, l o ella debe elegir los
rangos sobre el cual se proceder a variar estos factores y los niveles definidos y en el que corre
se harn. A este respecto tambin se debe dar a cmo estos factores han de ser controlada a los
valores deseados y la forma en que se van a medir, por ejemplo, en la soldadura experimento de
flujo, el ingeniero ha definido 12 variables que pueden afectar a la aparicin de defectos de
soldadura. El experimentador tambin tendr que decidir sobre una regin de inters para cada
variable (es decir, el rango en el que cada factor ser variada) y en el nmero de niveles de cada
variable a utilizar. Se requieren conocimientos de proceso para hacer esto. Este conocimiento del
proceso es
generalmente una combinacin de experiencia prctica y conocimientos tericos. Es importante
investigar todos los factores que pueden ser de importancia y no ser excesivamente influenciada
por la experiencia pasada, sobre todo cuando estamos en las primeras etapas de la
experimentacin o cuando el proceso no es muy maduro.

Cuando el objetivo del experimento es la deteccin de factores o la caracterizacin del proceso,

por lo general es la mejor manera de mantener el nmero de niveles de los factores bajos. En
general, dos niveles funcionan muy bien en los estudios de factores de seleccin. La eleccin de
la regin de inters es tambin importante. En la deteccin de factores, la regin de inters
debera ser relativamente grande, es decir, el rango en el que se varan los factores debe ser
amplia. A medida que aprendemos ms sobre las variables que son importantes y que los niveles
de producir los mejores resultados, la regin de inters en experimentos posteriores por lo
general se vuelven ms estrechos.
El diagrama de causa y efecto puede ser una tcnica til para organizar Parte de la informacin
generada en la planificacin pre-experimental. Figura 1.10 es el diagrama de causa y efecto
construida: mientras que la planificacin de un experimento para resolver problemas en la carga
de obleas (una acumulacin de carga en las obleas) encontrado en una herramienta de ataque
utilizado en la fabricacin de semiconductores. El diagrama de causa y efecto tambin se conoce
como un diagrama de espina de pescado debido a que el "efecto" de inters o la variable de
respuesta se dibuja a lo largo de la columna vertebral del diagrama y las posibles causas o
factores de diseo se organiza en una serie de nervios. La causa -y efecto diagrama utiliza las
causas tradicionales de medicin, materiales, las personas, el medio ambiente, los mtodos y
mquinas para organizar la informacin y los factores de diseo potenciales. Observe que
algunas de las causas individuales probablemente causar directamente un factor de diseo que
se incluirn en el experimento (como la velocidad de la rueda, el flujo de gas y vaco). mientras
que otros representan reas potenciales que necesitarn ms estudios para convertirlos en
factores de diseo (como los operadores siguientes procedimientos impropios), y otros
probablemente conduzcan a factores que se mantiene constante durante el experimento o
bloqueadas (como la temperatura y la humedad relativa). figura 1.11 es un diagrama de causa y
efecto para un experimento para estudiar el efecto de varios factores sobre los labes de las
turbinas producidas en una numerical- ordenador controlada (CNC). Este experimento tiene tres
variables de respuesta: perfil de la pala. acabado de superficie de la hoja, y el acabado
superficial defectos en la hoja acabada. Las causas se organizan en grupos de factores
controlables desde la que se pueden seleccionar los factores de diseo para el experimento,
factores incontrolables, cuyos efectos probablemente ser compensado por la asignacin al azar,
las perturbaciones que pueden ser bloqueados, y los factores que pueden mantenerse constante
cuando el experimento se lleva a cabo. No es inusual que los experimentadores para construir
varios diferentes diagramas de causa y efecto para prestar ayuda y orientacin durante la
planificacin pre experimental. Para obtener ms informacin sobre el experimento de la
mquina CNC y mayor discusin de los mtodos grficos que son tiles en la planificacin pre
experimental, ver el material de texto suplementario para este captulo.
Reiteramos lo importante que es llevar a cabo todos los puntos de vista del proceso de
informacin en los pasos 1 a 3. Nos referimos a esto como la planificacin pre-experimental.
Coleman y Mongomery (1993) proporcionan hojas de trabajo que pueden til en la planificacin
pre-experimental. Ver tambin el material de texto suplementario para obtener ms detalles y un
ejemplo del uso de estas hojas de trabajo. Es al contrario que una persona tiene todos los
conocimientos necesarios para hacer esto de manera adecuada en muchas situaciones. Por lo
tanto. sostenemos firmemente para un trabajo en equipo en la planificacin del experimento. La
mayor parte de su xito depender de lo bien que se lleva a cabo la planificacin preexperimental.
4. Eleccin del diseo experimental. Si los programas de actividades de planificacin preexperimentales anteriores se hacen correctamente, este paso es relativamente fcil. Eleccin del
diseo implica la consideracin de tamao de la muestra (nmero de repeticiones), la seleccin
de una orden de ejecucin adecuado para los ensayos experimentales, y la determinacin de si

o no el bloqueo o otras restricciones de asignacin al azar estn involucrados. Este libro discute
algunos de los tipos ms importantes de diseos experimentales, y en ltima instancia, se puede
utilizar como una gua para la seleccin de un diseo experimental apropiado para una amplia
variedad de problemas.
Tambin hay varios paquetes de software estadstico interactivos que apoyan esta fase del
diseo experimental. El experimentador puede introducir informacin sobre el nmero de
factores, niveles y rangos, y estos programas, ya sea presentar una seleccin de diseos para
su consideracin o recomendar un diseo particular. (Por lo general, preferimos ver varias
alternativas en lugar de depender enteramente de una recomendacin equipo en la mayora de
los casos.) La mayora de los paquetes de software tambin ofrecen algo de informacin de
diagnstico acerca de cmo cada diseo se realizar. Esto es til en la evaluacin de diferentes
alternativas de diseo para el experimento. Estos programas por lo general tambin proporcionar
una hoja de clculo (con el orden de las carreras aleatorios) para uso en la realizacin del
experimento.
Seleccin Design tambin implica pensar y la seleccin de un modelo emprico tentativa de
describir los resultados. El modelo es slo una relacin cuantitativa (ecuacin) entre la respuesta
y los factores de diseo importantes. En muchos casos, un modelo polinomial de orden inferior
ser apropiado. Un modelo de primer orden en dos variables es
y + + + e P2X2
donde y es la respuesta, las x son los factores de diseo, los B son parmetros desconocidos
que se estiman a partir de los datos del experimento, y e es un trmino de error aleatorio que
explica el error experimental en el sistema que se est estudiando. El modelo de primer orden
tambin a veces se llama un modelo de efectos principales. Modelos de primer orden son
ampliamente utilizados en deteccin o caracterizacin de experimentos. Una extensin comn
del modelo de primer orden es agregar un trmino de interaccin, dicen
y = PO + + + 2X2 (312XlX2 + e
donde el trmino de productos cruzados x1x2 representa la interaccin de dos factores entre los
factores de diseo. Debido a que las interacciones entre los factores es relativamente comn, el
modelo de primer orden con la interaccin es ampliamente utilizado. Interacciones de orden
superior tambin pueden incluirse en los experimentos con ms de dos factores si es necesario.
Otro modelo muy utilizado es el modelo de segundo orden
y = + + (32X2 + + + + C
Modelos de segundo orden se utilizan a menudo en los experimentos de optimizacin.
En la seleccin del diseo, es importante mantener los objetivos experimentales en mente En
muchos experimentos de ingeniera, que ya sabemos desde el principio que algunos de los
niveles de los factores dar lugar a diferentes valores para la respuesta. En consecuencia,
estamos interesados en la identificacin de los factores que causan esta diferencia y en la
estimacin de la magnitud del cambio de respuesta. En otras situaciones, podemos estar ms
interesados en la verificacin de la uniformidad. Por ejemplo, dos condiciones de produccin A y
B pueden ser comparados. A siendo la norma y B siendo una alternativa ms rentable. El
experimentador entonces estar interesado en la demostracin de que, por ejemplo, no hay
ninguna diferencia de rendimiento entre las dos condiciones.
5. Realizar el experimento. Cuando se ejecuta el experimento, es vital para controlar el proceso
con cuidado para asegurarse de que todo se est haciendo de acuerdo al plan. Los errores en el
procedimiento experimental en esta etapa suelen destruir validez experimental. Uno de los
errores ms comunes que he encontrado es que las personas que llevan a cabo el experimento
no lograron establecer las variables a los niveles adecuados en algunas carreras. Alguien
debera ser asignado para comprobar los ajustes de factores antes de cada ejecucin.
subestimar los aspectos de planificacin logstica de la ejecucin de un experimento diseado en
un complejo de fabricacin o entorno de investigacin y desarrollo.

Coleman y Montgomery (1993) sugieren que antes de realizar el experimento unas vueltas de
prueba o pruebas piloto a menudo son tiles. Estas carreras proporcionan informacin acerca de
la consistencia del material experimental, un control sobre el sistema de medicin, una
idea aproximada del error experimental, y la oportunidad de practicar la tcnica experimental
general. Esto tambin proporciona una oportunidad para revisar las decisiones tomadas en los
pasos 1-4, si es necesario.
6. El anlisis estadstico de los datos. Los mtodos estadsticos deben ser utilizados para
analizar los datos, de modo que los resultados y conclusiones son objetivas en lugar de crtica en
la naturaleza. Si el experimento se ha diseado correctamente y realizado de acuerdo con el
diseo, los mtodos estadsticos requeridos no son elaborados. Hay muchos paquetes de
software excelentes diseados para ayudar en el anlisis de datos, y muchos de los programas
que se utilizan en el paso 4 para seleccionar el diseo proporcionan sin fisuras, interfaz directa
con el anlisis estadstico. A menudo nos encontramos con que los mtodos grficos simples
juegan un papel importante en el anlisis e interpretacin de datos. Debido a que muchas de las
preguntas que el experimentador quiere contestar pueda emitir en un marco de prueba de
hiptesis, comprobacin de hiptesis y procedimientos de estimacin de intervalos de confianza
son muy tiles en el anlisis de los datos de un experimento diseado, tambin suele ser muy til
para presentar los resultados de muchos experimentos en trminos de un modelo emprico, es
decir, una ecuacin derivada de los datos que expresan la relacin entre la respuesta y los
factores de diseo importantes. Anlisis Residual y comprobacin adecuacin modelo tambin
son tcnicas de anlisis importantes. Vamos a discutir estas cuestiones en detalle mas adelante.
Recuerde que los mtodos estadsticos no pueden probar que un factor (o factores) tiene un
efecto particular. Slo proporcionan pautas en cuanto a la fiabilidad y la validez de los resultados.
Cuando se aplica correctamente, los mtodos estadsticos no permiten nada que demostrar
experimentalmente, pero no nos permiten medir el error probable en una conclusin o adjuntar
un nivel de confianza de un comunicado. La principal ventaja de los mtodos estadsticos es que
aaden objetividad al proceso de toma de decisiones. Las tcnicas estadsticas, junto con la
buena ingeniera o conocimiento del proceso y el sentido comn se suele llevar a conclusiones
solidas.
7. Conclusiones y recomendaciones. Una vez analizados los datos, el experimentador debe
sacar conclusiones prcticas acerca de los resultados y recomendar un curso de accin. Los
mtodos grficos son a menudo tiles en esta etapa, en particular en la presentacin de los
resultados a otros. Seguimiento de carreras y pruebas de confirmacin tambin se deben realizar
para validar las conclusiones del experimento.
A lo largo de todo este proceso, es importante tener en cuenta que la experimentacin es una
parte importante del proceso de aprendizaje, donde formulamos tentativamente hiptesis sobre
un sistema, realizamos experimentos para investigar estas hiptesis, y sobre la base de los
resultados de formular nuevas hiptesis, etctera. Esto sugiere que la experimentacin es
iterativo. Por lo general, es un error importante para disear un nico, grande, experimento
integral en el inicio de un estudio. Un experimento exitoso requiere el conocimiento de los
factores importantes, los rangos sobre los que se debe variar estos factores, el nmero
adecuado de los niveles de usar, y las unidades de medida adecuadas para estas variables. En
general, no sabemos perfectamente las respuestas a estas preguntas, pero aprendemos de ellos
a medida que avanzamos. Como un programa experimental progresa, que a menudo abandonan
algunas variables de entrada, aadimos otros, cambiamos la regin de exploracin de algunos
factores, o aadir nuevas variables de respuesta. Por lo tanto, solemos experimentar de forma
secuencial, y como regla general, no ms de aproximadamente 25 por ciento de los recursos
disponibles deben ser invertidos en el primer experimento. Esto asegurar que haya suficientes

recursos disponibles para llevar a cabo carreras de confirmacin y en ltima instancia, lograr el
objetivo final del experimento.
Finalmente, es importante reconocer que todos los experimentos son los experimentos
diseados. La cuestin importante es si estn bien diseados o no. Una buena planificacin preexperimental suele conducir a una buena, experimento exitoso. El incumplimiento de dicha
planificacin general conduce a la prdida de tiempo, dinero y otros recursos y los resultados a
menudo pobres o decepcionantes.