Академический Документы
Профессиональный Документы
Культура Документы
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.
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 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.
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
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:
5
Resina (lib/t) 0,4 0,8
pH 2,5 3,5
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.
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?
6
Ahora bien, la manera como pueden ser llevados a cabo los experimentos
pueden ser de dos formas:
A. Experimentación pasiva
Ejemplo 2:
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".
B. Experimentación activa
Ejemplo 3:
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
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.
10
Figura 1.3: Diagrama de contornos de extracción en función de la dosificación de
resina y el pH.
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.
a) Obtención de réplicas;
b) Aleatorización; y
c) Análisis por bloques.
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.
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.
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.
yi a0 a1 x1 i
y a0 a1 x1 a2 x2 a12 x1 x2 ij
- Diseños factoriales;
- Diseños factoriales fraccionados
- Diseños de Placckett y Burman
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
yi a0 a1 x1 a11 x12 i
17
Figura 1.5: Representación gráfica de una ecuación de segundo orden, producto de
un diseño central compuesto.
18
b) Cuando el objetivo es la selección (screening)
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
20