CAPITULO I

FUNDAMENTOS DEL DISEÑO DE EXPERIMENTOS

1.1 Diseño Experimental (DOE)

En 1964 las compañías americanas generaban alrededor de 6 mil millones de

dólares en superávit comercial de exportación, sin darse cuenta que estaban bajo el
ataque de compañías extranjeras. Ya por el año de 1984 en los Estados Unidos se
producía un déficit de la balanza comercial de 123 millones de dólares. En este
período de 20 años la productividad en los Estados Unidos se incrementó tan solo
en un 35% comparado con un 60% de algunos países europeos y con un
sorprendente 120% en el Japón. El mismo país que tenía la reputación de reproducir
"chatarra" en los años 50 - 60, ahora amenazaba la supervivencia de la industria
americana al producir productos de alta calidad y bajos precios.

Como ocurrió aquello? Es bien conocido que mucho de este sorprendente

cambio en la calidad de los productos japoneses se debió a controles de calidad de
los productos introducidos mediante el uso del diseño de experimentos y el control
de calidad durante la producción mediante técnicas estadísticas. Irónicamente, estas
técnicas fueron desarrolladas mayormente en los Estados Unidos hace unos 60
años atrás, pero las compañías americanas no se preocuparon en implementar
estas técnicas. Esta despreocupación era debida a la escasa competencia que
existía después de la postguerra lo que no hacia útil el preocuparse excesivamente
por controles de calidad.

Después de la Segunda Guerra Mundial, los japoneses eran muy receptivos a

las ideas de los estadísticos, y como resultado los japoneses llegaron a ser expertos
en calidad y pronto sus empresas prosperaron. Así, todos en una compañía, desde
los gerentes hasta los operarios de línea, fueron adiestrados en estas técnicas, no
solo para controlar la calidad de producción, sino para mejorar continuamente los
procesos productivos.

1
 A pesar de que la técnica del diseño de experimentos (DOE) no surgió hasta el
siglo XX, la experimentación es tan vieja como la existencia del hombre. Durante
muchos años se utilizó la estrategia de un factor por vez (OFAT), conocida como el
método científico y atribuida a Francis Bacon en el siglo XVII, aunque basada en la
cultura helénica. La estrategia de “un factor a la vez” consiste en ir modificando cada
vez un factor (variable) y distinguir los efectos que tiene sobre la respuesta cada
factor por separado. Esta estrategia a pesar de ser la más utilizada en las empresas
y seguir el “método científico”, es ineficiente para hallar mejores condiciones del
proceso. Dicha metodología tuvo su apogeo con Thomas Edison, que aplicó la
estrategia OFAT para inventar la bombilla de luz.

Estas estrategias quedaron obsoletas, cuando Sir Ronald Fisher en los años
1920 descubrió un método mucho más eficiente para experimentar basado en los
diseños factoriales. El diseño de experimentos fue aplicado por primera vez por
Fisher en Inglaterra en la agricultura, y sus experiencias se llegaron a publicar en
1935, en su libro “Design of Experiments”. Sus estudios estaban centrados en
mejorar la producción de papas, trabajando para la Estación Agrícola Experimental
de Rothamstede en Londres.

Existen tres enfoques más populares del Diseño de Experimentos: Clásico,

Taguchi y Shainin. A pesar de ellos muy pocos científicos saben entender la
diferencia entre ellos y ser capaces de decidir correctamente que enfoque es más
conveniente para su investigación. La respuesta a esta pregunta está fuertemente
influenciada por el conocimiento y la experiencia que se posee sobre cada enfoque
del DOE. Es importante recordar que los tres enfoques son muy superiores a la
estrategia OFAT.

Cada uno de los enfoques tiene sus partidarios, por lo que el debate entre ellos
fue durante muchos años muy intenso y generalmente poco constructivo. A pesar de
ello, Deming decía: “Cualquier técnica puede ser útil, si se conocen y entienden sus
limitaciones”. En esta parte solo mencionaremos el enfoque clásico, los enfoques de
Taguchi y Shainin se tocarán en capítulos posteriores.

2
Enfoque Clásico
Montgomery [2] considera que hubo cuatro etapas en el desarrollo del diseño de
experimentos clásico. La primera etapa, iniciada en los años veinte por Fisher, se
caracteriza por la introducción sistemática del pensamiento científico, la aplicación
de los diseños factoriales y en análisis de varianza (ANOVA) en las investigaciones
experimentales científicas. En la década de los 30s y 40s, se introdujeron los
diseños experimentales fraccionados, como solución al exceso de experimentos
necesarios para llevar a cabo factoriales completos.

La segunda etapa, iniciada por Box y Wilson, se caracteriza por el desarrollo de lo

que posteriormente se llamará como metodología de la superficie respuesta (RSM).
Estos autores notaron que los experimentos industriales diferían de los experimentos
en la agricultura en dos aspectos: a) inmediatez, porque la respuesta se puede
observar bastante rápido, sin tener que esperar tanto como en la agricultura, b)
secuencialidad: el experimentador puede realizar unos pocos experimentos y
planificar los siguientes experimentos en función de los resultados
(MULTISIMPLEX). Durante los siguientes años, el DOE y el RSM se extendieron a la
industria química y a los procesos industriales, en especial en las áreas de
investigación y desarrollo (I+D). En esta etapa surgen los diseños para estimar
funciones cuadráticas tales como los diseños compuestos centrales (CCD) y diseños
de Box-Behnken.

La tercera etapa, comienza a principios de los 80s, con la aparición de los enfoques
de Taguchi y Shaining, presentados como metodologías sencillas y eficientes para la
experimentación. La primera reacción fue la crítica a dichos enfoques atacando su
validez estadística. A pesar de ello, principalmente los trabajos de Taguchi sobre
diseño robusto de parámetros (RPD) sirvieron para difundir el interés y el uso del
DOE en otras áreas, como en automoción, industria aeroespacial, electrónica o
industria de los semiconductores. Como consecuencia, muchos académicos y
estadísticos comenzaron a apreciar muchas ideas de los nuevos enfoques, lo cual
generó un cambio profundo en el enfoque clásico del DOE. Por ejemplo, la
reducción de la variabilidad empezó a ser un área de mucha investigación, al igual
que el esfuerzo por desarrollar metodologías y guías para simplificar la aplicación del

3
DOE, lo que dio pie al comienzo de la cuarta etapa del diseño de experimentos en
los años noventa.

En esta cuarta etapa, la democratización de la estadística, gracias en parte a la

expansión del Seis Sigma y la gran oferta de software estadístico, ayudaron a que el
DOE se aplicado en todos los tipos de industria. En estos últimos años existió un
incremento en las publicaciones sobre el Diseño de Experimentos, lo que permitió
desarrollar significativamente la técnica. Además la automatización de los cálculos y
gráficas a través de software, permitió simplificar la técnica para que fuera utilizada
por más científicos e ingenieros. En esta etapa surge el concepto de “optimalidad”, lo
cual lleva a la utilización de diseños “óptimos” generados por una computadora.

1.1.1 Qué es un diseño experimental?

Los investigadores e ingenieros realizan experimentos virtualmente en todos

los campos del saber, por lo general para descubrir algo acerca de un proceso o
sistema particular. Literalmente un experimento es una prueba o un ensayo. Un
experimento diseñado es una prueba o una serie de pruebas en las cuales se
inducen cambios deliberados en las variables de entrada de un proceso o sistema,
de manera que sea posible observar o identificar las causas de los cambios en las
variables de salida o respuesta. Dicho de otra manera, el diseño experimental es
una aproximación científica que le permite al experimentador hacer cambios
intencionales en las variables de entrada de un proceso o sistema para identificar y
observar las razones de los cambios que se producen en las variables respuesta.

El proceso o sistema bajo estudio puede representarse por medio del modelo
de la figura 1.2. De este modo, suele ser posible visualizar el proceso como una
combinación de una serie de recursos (máquinas, métodos, personas, etc.) que
transforman alguna entrada (por lo general un material) en una salida que tiene una
o más respuestas observables. Algunas variables del proceso son controlables,
x1,x2,....,xk, mientras que otras z1,z2,.....,zk, son incontrolables (aunque en un
experimento es posible controlarlas). Por ejemplo, en un proceso de flotación de
minerales sulfurados, donde se quiere estudiar el efecto de la concentración de
colector y del pH sobre la recuperación, la dosificación del colector y el pH son

4
variables controlables; mientras que la ley del mineral o la mineralogía son variables
incontrolables o de ruido.

Xi
PROCESO O SISTEMA Yi

Zi

Figura 1.1: Modelo general de un proceso o sistema.

En esencia, un diseño experimental es un acercamiento científico que permite

a un investigador entender mejor un proceso y a determinar la manera en que las
variables de ingreso afecten una respuesta o variables de salida.

Las condiciones de cada una de las variables de ingreso tienen efecto en las
respuestas de producción; algunas de ellas tendrán un efecto más pronunciado que
otras. Además estas variables interactúan entre sí, es decir, se desarrolla entre ellas
una independencia que modifica su efecto individual. Un aporte tan importante como
el de evaluar el efecto de cada variable, es que un diseño experimental también
permite medir el nivel de interacción entre las variables de ingreso y fijar los mejores
valores de estas variables de modo que la respuesta proporcione las mejores
condiciones.
Ejemplo 1:

Un investigador está interesado en estudiar el efecto que tiene sobre la

extracción de un metal pesado de un efluente dos variables o factores
independientes. Los rangos en que debe experimentar son los siguientes:

FACTOR Nivel bajo (-1) Nivel alto (+1)

5
 Resina (lib/t) 0,4 0,8
pH 2,5 3,5

Tabla 1: Factores y niveles considerados en el estudio

Supongamos que la extracción del metal pesado está dado por la siguiente
ecuación matemática que simulará los experimentos en el laboratorio:


Extracción(%)  100  15 pH  0,5 R  1 
2 2
 4,5 2  R   2 ALEATORIO ()  1
2

En este caso el objetivo del investigador es determinar cual de los dos factores
tiene mayor efecto sobre la extracción. El investigador debe someter un cierto
número de muestras del efluente a distintas dosificaciones de resina y a distintos pH,
y después, calcular la extracción. La extracción promedio de las muestras en cada
experimento servirá para determinar cuál de los dos factores es más importante.

Al diseñar el experimento en mención, viene a la mente algunas preguntas

importantes:

a) Son estos factores los únicos que influyen en la extracción del metal
b) Existen otros factores que pueden afectar la extracción?.
c) Cuántas muestras se deben considerar para el estudio?
d) Que diferencia en los niveles promedio de extracción entre las muestras
debe considerarse importante?

En cualquier experimento, los resultados y conclusiones que pueden obtenerse

dependen, en gran parte, de la forma en que los datos fueron recopilados. Por
ejemplo, supóngase que en las pruebas se usen muestras heterogéneas para los
ensayos. Luego al comparar los resultados, no será posible decir cuanta de la
diferencia observada se debe a los efectos de la dosificación de la resina y del pH y
cuanto al tipo de muestra. De este modo, el método utilizado en la obtención de los
datos ha afectado las conclusiones que pueden deducirse del experimento.

1.1.2 Tipos de experimentación.

6
 Ahora bien, la manera como pueden ser llevados a cabo los experimentos
pueden ser de dos formas:

- Experimentación pasiva, denominado también convencional o clásica.

- Experimentación activa, conocida como diseños experimentales.

A. Experimentación pasiva

En este tipo de experimentación los experimentos son llevados a cabo variando

un factor a la vez. Esto es por ejemplo en el caso de dos variables controlables, en
una primera corrida experimental se hace variar la primera variable mientras que la
segunda se mantiene constante, y después variar la segunda variable, mientras que
la primera se mantiene constante.

Ejemplo 2:

De la tabla anterior el investigador decide entonces diseñar unos experimentos

para probar el efecto de la dosificación de la resina y del pH sobre la extracción del
metal pesado. El diseño consiste en (1) seleccionar dos niveles de dosificación de
resina, 0,4 y 0,8 lib/t y dos niveles de pH, 2,5 y 3,5 y, (2) Mantener el pH a 2,5 y
variar la dosificación de colector. Hecha la experimentación se observa los
siguientes resultados:

Resina (lib/t) pH Extracción

(%)
0,4 2,5 76,38
0,8 2,5 95,68

Tabla 1.2: Aproximación uno a la vez (parte I)

Se concluye de esto que la combinación resina =0,8 lib/t y pH =2,5

proporciona la mayor extracción del metal. A continuación se varía el pH y se
mantiene constante la dosificación de resina a 0,8 lib/t. Los resultados se observan
en la siguiente tabla:
7
 Resina (lib/t) pH Extracción
(%)
0,8 2,5 95,68
0,8 3,5 52,60

Tabla 1.3: Aproximación uno a la vez (parte II)

A primera vista se concluye que la combinación resina = 0,8 lib/t y pH= 2,5
proporciona la mayor recuperación de mineral valioso. Este tipo de experimentación
se denomina "diseño uno a la vez".

Este método no es muy conveniente cuando se investiga dos o más variables,

ya que no considera la posible interacción que ocurre entre las variables, teniendo la
probabilidad de conducirnos a un falso óptimo.

B. Experimentación activa

Los experimento son llevados a cabo mediante un diseño predeterminado

(diseño de experimentos), el cual es un plan organizado de experimentos que
permiten evaluar simultáneamente todas las variables consideradas y además
evaluar la fuerza de interacción entre las variables y reducir el número de
experimentos a llevarse a cabo.

Ejemplo 3:

Lo más apropiado en la experimentación es que debería probarse todas las

posibilidades de dosificación de resina y de pH, además evaluar las interacciones,
tal como se hace en un diseño factorial completo.

Resina (lib/t) pH Extracción

(%)
0,4 2,5 76,38
0,8 2,5 95,68

8
 0,4 3,5 16,08
0,8 3,5 52,60
0,6 3,0 63,67
0,6 3,0 65,36
0,6 3,0 64,72

Tabla 1.4: Aproximación todos a la vez

En la optimización de los procesos, la utilización de los diseños experimentales,

junto con una estrategia adecuada de optimización, es el mejor método para
encontrar los valores óptimos de las variables de la manera más rápida y eficiente
posible.

1.13 Aplicación del Diseño Experimental

Los métodos de diseño experimental tienen amplia aplicación en muchas

disciplinas. En efecto, es posible considerar a la experimentación parte del proceso
de investigación científica y una de las formas en que aprendemos acerca de la
manera en que funcionan los sistemas o procesos.

El diseño experimental es un medio de importancia crítica en el medio de la

ingeniería para mejorar el rendimiento de un proceso. También se emplea
extensamente en el desarrollo de nuevos procesos. La aplicación de técnicas de
diseño experimental en una fase temprana de un proceso puede dar por resultado.

 Da la mayor información por experimento, que la experimentación clásica, el

experimentador que hace uso de esta técnica reduce el tiempo de
experimentación y mejora su eficiencia, especialmente cundo son muchas las
variables de potencial importancia.
 Permite una colección y análisis organizado de la información obtenida, que
conduce a conclusiones confiables mediante un análisis estadístico.
 Gran confiabilidad de los resultados.
 Permite evaluar las interacciones entre las variables experimentales, y que
conducen a predicciones más confiables de las respuestas en áreas no
directamente correctas por la experimentación.

9
 Mejora el rendimiento del proceso.
 Menor variabilidad y mayor apego a los requerimientos u objetivo.
 Menor tiempo de desarrollo.
 Menores costos globales.
 El uso de diseño experimental en las tareas de desarrollo de nuevos procesos y
diseño de ingeniería, puede dar por resultados productos con mayor confiabilidad
y mejor funcionamiento, menores costos, y menor tiempo de diseño y desarrollo
del producto.

Una secuencia experimental de optimización se inicia con experimentos de

selección o screening , para determinar que variables del proceso influyen en las
respuestas. El siguiente paso lógico es optimizar, esto es, determinar en que región
las variables importantes conducen a la mejor respuesta posible. Por ejemplo, para
la respuesta rendimiento, se buscaría la región en que fuese el máximo; mientras
que si la respuesta es variabilidad, se buscaría una región de variabilidad mínima.

Supóngase que interesa mejorar la extracción del metal pesado de los

ejemplos anteriores. Se sabe, en base a resultados de experimentos de selección,
que las dos más importantes variables del proceso que influyen en la extracción son
la dosificación de la resina y el pH. En las condiciones actuales de operación se
logra aproximadamente un 95% de recuperación. En una vista de planta de la región
dosificación de resina - pH. de la figura 1.3, se observan zonas o intervalos de
recuperación constante que se unen para formar contornos de respuesta, los cuales
varían de 10 a 100 % de recuperación.

10
 Figura 1.3: Diagrama de contornos de extracción en función de la dosificación de
resina y el pH.

Estos contornos son proyecciones en la región dosificación de resina - pH de

cortes transversales de la superficie de extracción que corresponden a las
extracciones antes mencionadas. Dicha superficie se denomina superficie de
respuesta. La verdadera superficie de respuesta es desconocida, de modo que se
requerirán métodos experimentales a fin de optimizar la extracción con respecto a la
dosificación de resina y del pH.

Figura 1.4: Geometría de la superficie respuesta de la extraccción

Para localizar el intervalo óptimo, es necesario realizar un experimento en el
que se logra variar simultáneamente la dosificación de resina y el pH. Este se
denomina experimento factorial, que en la figura 1.3 corresponde al intervalo de
color azul, localizado en la esquina inferior derecha. Las respuestas observadas
correspondientes a esas cuatro esquinas, indican que se deben desplazar el
proceso hacia valores de mayor dosificación de resina y de menor pH con el objetivo

11
de incrementar la extracción. Podrían efectuarse algunas pocas variaciones más en
esa dirección, lo cual bastaría para localizar la zona de máxima extracción. Esta
secuencia, por supuesto se efectúa de acuerdo a técnicas de los diseños
experimentales.

1.1.4 Principios básicos

Para que un experimento se realice de la forma más eficiente, es necesario

emplear métodos científicos en su planeación. El diseño estadístico de experimentos
es el proceso de planear un experimento para obtener datos apropiados, que
pueden ser analizados mediante métodos estadísticos, con el objetivo de producir
conclusiones validas y objetivas. La metodología estadística es el único enfoque
objetivo para analizar un problema que involucre datos sujetos a errores
experimentales. De este modo, se establecen dos aspectos en cualquier problema
experimental:

- el diseño del experimento; y,

- el análisis estadístico de los datos.

Los tres principios básicos en el diseño de experimentos son el de:

a) Obtención de réplicas;
b) Aleatorización; y
c) Análisis por bloques.

La réplica se refiere a la repetición del experimento básico. Este concepto tiene

dos propiedades importantes. En primer lugar permite al experimentador obtener
una estimación del error experimental; tal estimación se convierte en la unidad
básica para determinar si las diferencias observadas en los datos son
estadísticamente significativas.

En segundo lugar, el uso de las réplicas permite al experimentador calcular

una estimación más precisa del efecto de un factor en el experimento, si se usa por
ejemplo la media, como una estimación de dicho efecto; esto porque la varianza,

12
de una muestra de tamaño n, tendrá una varianza igual a 2/n , lo que implica que
variabilidad de una respuesta experimental tiende a cero cuando n es más grande.

La aleatorización: Es la piedra angular que fundamenta el uso de métodos

estadísticos en el diseño de experimentos. Se entiende por aleatorización el hecho
de que tanto la asignación del material experimental como el orden en que se
realizan las pruebas individuales se determina aleatoriamente. Los métodos
estadísticos requieren que las observaciones (o los errores) sean variables
aleatorias independientes. Además, al aleatorizar adecuadamente un experimento
se ayuda a 'cancelar' los efectos de factores extraños que pudieran estar presentes.

El análisis por bloques es una técnica que se usa para incrementar la

precisión del experimento. Un bloque es una porción del material experimental que
sea más homogénea que el total del material. Al realizar un análisis por bloques, se
hacen las comparaciones entre las condiciones de interés del experimento dentro de
cada bloque.

1.1.5 Directrices para el diseño de experimentos

Para un enfoque estadístico al diseñar y analizar un experimento, se requiere

que todos los participantes en él tengan de antemano una idea clara de qué es
exactamente lo que se va a estudiar, cómo se van a recopilar los datos, al menos,
una idea cualitativa de cómo se van a analizar. A continuación se ofrece una guía del
procedimiento recomendado.

A. Comprensión y planteamiento del problema

Aunque pueda parecer obvio, en la práctica no es sencillo darse cuenta de que
existe un problema que requiere experimentación, ni diseñar un planeamiento claro y
aceptable. Es necesario desarrollar todas las ideas sobre los objetivos del
experimento. Suele ser importante solicitar la opinión de todas las partes implicadas,
quienes pueden aportar con conocimientos detallado de algún proceso. Un
planteamiento claro del problema contribuye a menudo en forma sustancial a un
mejor conocimiento del fenómeno y de la solución final del problema.

13
B. Elección de factores y niveles
La elección de los factores o variables, intervalos o niveles específicos a los
cuales se hará el experimento, son tareas que pueden emprenderse desde el inicio.
También la forma de controlar esos factores y los métodos de medición. Es
importante fijar todos los factores que pueden ser de interés, y depender demasiado
de experiencias pasadas, en particular durante las primeras etapas, cuando el
objetivo es la caracterización del proceso.

C. Selección de la variable de respuesta

Al seleccionar la respuesta o variable dependiente, se debe estar seguro que la
respuesta que se va medir realmente provea información útil cerca del proceso de
estudio. Usualmente, el promedio o la desviación estándar (ó ambos) de la
característica medida, serán la variable respuesta. La capacidad de medición es
también un factor importante, y si esta es deficiente, no podrá esperarse mas que la
detección de efectos relativamente grandes.

D. Elección del diseño experimental

Para elegir el diseño que se va a emplear, es necesario considerar el tamaño
de muestra (número de repetición), seleccionar el orden adecuado para los ensayos
experimentales, y determinar si hay implicado bloqueo u otras restricciones de
aleatorización.

E. Realización del experimento

Es vital aquí, verificar que el proceso de experimentación se desarrolle de
acuerdo a lo planificado. En esta fase, los errores en el procedimiento suelen anular
la validez experimental.

F. Análisis de datos
Se requiere de un análisis estadístico de los datos, los cuales por lo general no
son complicados. Se debe tener en cuenta que el análisis estadístico solo hace
posible obtener el probable error de una conclusión o asignarle un nivel de
confiabilidad a los resultados. Las técnicas estadísticas, a un buen conocimiento
técnico del proceso y al sentido común, suelen llevar a conclusiones razonables.

14
G. Conclusiones y recomendaciones
Para esta etapa, es muy útil utilizar métodos gráficos. También es importante
realizar corridas de seguimiento y pruebas de confirmación para dar validez a las
conclusiones del experimento.

1.1.6. Clasificación de los diseños experimentales

La gran variedad de aplicaciones de los diseños experimentales

(caracterización de procesos, diseño de productos, optimización de proceso,
aplicaciones de ingeniería de calidad) no ha permitido una clasificación bien definida
de estos. Desde el punto de vista de la optimización se pueden clasificar teniendo en
cuenta el orden del modelo matemático a obtenerse (diseño de primer orden o
segundo orden). Desde el punto de vista de la manera en que son llevados los
diseños experimentales pueden clasificarse en simultáneos y secuenciales. Desde el
punto de vista del objetivo (caracterización de procesos, diseño de productos, etc.)
se tiene diseños por comparación simple hasta diseños jerárquicos o anidados.

A. Experimentos por comparación simple

Se usa para comparar dos condiciones (a menudo tratamientos). El objetivo es

analizar si dos fórmulas diferentes de un producto producen resultados equivalentes.
Este tratamiento requiere la aplicación de conceptos estadísticos tales como
variables aleatorias, distribución de probabilidades, distribuciones muestrales y
pruebas de hipótesis.

B. Diseños experimentales de primer orden

Son experimentos que conducen a optimización. Permiten estimar

adecuadamente los coeficientes  de la ecuación o modelo matemático empírico de
la siguiente expresión:
k k
yi  a0  ai  xi  aij  xi x j  ij
i 1 15 i j
 Donde yi es la respuesta o variable de salida (variable dependiente) que es
función de las variables de entrada x1, x2,...,xk. El caso más simple, con una sola
variable de entrada, k =1, proporciona un modelo como el siguiente:

yi  a0  a1 x1   i

El modelo permite predecir los valores de y sobre un rango limitado de valores

de x. Para dos o más variables, la situación se complica por la posible existencia de
interacciones entre variables, lo que indica que las variables no actúan directamente
sobre la variable respuesta, el modelo empírico para dos variables será:

y  a0  a1 x1  a2 x2  a12 x1 x2   ij

Donde a12 es el denominado parámetro de interacción. Cuando a12 es cero,

se obtiene un modelo estrictamente de primer orden con dos líneas rectas paralelas
entre sí. Cuando a12 es diferente de cero el modelo es interactivo, y las líneas no son
paralelas y se interceptan entre sí.

Los diseños experimentales que permiten estimar modelos de primer orden

son:

- Diseños factoriales;
- Diseños factoriales fraccionados
- Diseños de Placckett y Burman

La utilización de diseños de primer orden son de gran importancia en la etapa

inicial de optimización, donde al inicio de la investigación se tiene gran número de
variables. El objetivo es estudiar el efecto de cada una de esas variables en la
respuesta del proceso, eliminando aquellas que resulten poco significativas o con
pendientes cercanas a cero.

C. Diseños experimentales de segundo orden

16
 Se denomina así a aquellos que permiten estimar los parámetros a i, auj, ajj de
la ecuación general:

k k k
yi  a0  ai  xi  aii  xi2  aij  xi x j  ij
i 1 i 1 i j

Si consideramos el caso de una sola variable controlable, el modelo de

segundo orden toma la forma:

yi  a0  a1 x1  a11 x12   i

donde el término a11 es denominado el término de curvatura y el punto máximo

corresponde a x1= -a1/a11. Si consideramos ahora el caso de dos variables, el modelo
de segundo orden interactivo toma la siguiente forma:

y  a0  a1 x1  a2 x2  a11 x12  a22 x22  a12 x1 x2   ij

Donde a11 y a22 son los parámetros de curvatura y a12 es el parámetro de

interacción; la siguiente figura muestra en forma gráfica una ecuación como esta, en
la cual se puede observar la región óptima.

Los diseños experimentales más comunes que permiten estimar modelos de

segundo orden son:

- Diseños centrales compuestos

- Diseños 3k.
- Diseños de Box-Behnken.
- Diseños de Draper-Lin, etc.

17
Figura 1.5: Representación gráfica de una ecuación de segundo orden, producto de
un diseño central compuesto.

Estos diseños de segundo orden son indispensables en la etapa final de

optimización, donde un modelo de estos puede descubrir aproximadamente la región
óptima.

1.1.7 Cómo seleccionar un diseño experimental?

La selección del diseño experimental más adecuado depende de los objetivos

del experimento que se va a realizar y del número de factores o variables
independientes que se va a investigar.

Vamos a ver a continuación los diseños experimentales que se pueden utilizar

de acuerdo a los objetivos de la investigación:

a) Cuando el objetivo es la comparación

Si tenemos uno o varios factores bajo investigación, pero el objetivo primario

es obtener una conclusión de uno de ellos a priori (en presencia de, y/o a
pesar de la existencia de otros factores), la cuestión de interés es si ese factor
es o no significativo (hay cambio en la respuesta cuando cambian los niveles
de ese factor), entonces tenemos un problema de comparación y necesitamos
un diseño comparativo.

18
b) Cuando el objetivo es la selección (screening)

En este caso el propósito primario del experimento es seleccionar o cernir

unos cuantos efectos principales importantes de muchos factores menos
importantes. Estos diseños también se denominan diseños de efectos
importantes.

c) Cuando el objetivo es encontrar un óptimo

Este experimento está diseñado para permitirnos estimar interacciones y aún

efectos cuadráticos, por lo tanto nos da una idea de la geometría (local) de la
superficie respuesta que estamos investigando. Por esta razón, estos diseños
constituyen el método de la superficie respuesta (MSR) y están diseñados
para:

 Hacer ajustes a un proceso mejorándolo hacia un óptimo.

 Localizar fallas y puntos débiles en un proceso.
 Hacer un proceso o producto más robusto contra la influencia de
factores externos o no controlables. El término robusto significa
insensible a estas influencias.

d) Cuando el objetivo es hallar las proporciones óptimas de una mezcla

Cuando tenemos componentes de una mezcla y queremos conocer las

proporciones óptimas de dichos componentes maximizando o minimizando la
respuesta, entonces necesitamos de un diseño de mezcla.

TABLA 1.5 Guía para seleccionar un Diseño

Número Objetivo Objetivo Objetivo
de Factores Comparar Seleccionar Encontrar Optimo
Diseño aleatorizado
1 _ _
de un sólo factor

19
 Diseño de bloques Factorial completo Diseño Central
2
aleatorizados o fraccionado Compuesto
Cuadrado Latino
Cuadrado Greco-
Factorial fraccionado Diseño Central
3 ó más Latino
Compuesto
Cuadrado hiper o Placket-Burmann
greco-latino

La selección de un diseño dentro de esta variedad también depende de la

cantidad de recursos disponibles y del grado de control sobre las decisiones
incorrectas (errores Tipo I y Tipo II para ensayar hipótesis) que el experimentador
desea.

Es una buena idea escoger un diseño que requiera un número de pruebas

menor que el presupuesto que tengamos, luego añadir puntos en el centro del
diseño para detectar la curvatura en un diseño de selección con 2 niveles y tener
listos los recursos remanentes para volver a comenzar si fuera necesario.

20