1.

4 PAUTAS PARA EL DISEÑO DE EXPERIMENTOS

Para utilizar el enfoque estadístico en el diseño y análisis de un experimento, es necesario todos

los involucrados en el experimento deben tener una idea clara antes de lo que se va a estudiar,
cómo se deben recopilar los datos y, al menos, una comprensión cualitativa de cómo estos datos
Hay que analizarlos. Un esquema del procedimiento recomendado se muestra en la Tabla 1.1.
Nosotros ahora dar una breve discusión de este esquema y elaborar algunos de los puntos clave.
Para más detalles, ver Coleman y Montgomery (1993), y las referencias en ellos. El texto
suplementario. El material para este capítulo también es útil.
1. Reconocimiento y declaración del problema. Esto puede parecer un punto bastante
obvio, pero en la práctica a menudo tampoco es fácil darse cuenta de que existe un
problema que requiere experimentación, ni tampoco es sencillo desarrollar una
declaración clara y generalmente aceptada de este problema. Es necesario desarrollar
todas las ideas sobre los objetivos del experimento. Por lo general, es importante
solicitar aportes de todas las partes interesadas: ingeniería, control de calidad,
fabricación, mercadeo, administración, clientes y personal operativo (que
generalmente tienen mucha información y que a menudo se ignoran). Por esta razón,
se recomienda un enfoque de equipo para diseñar experimentos.
Por lo general, es útil preparar una lista de problemas específicos o preguntas
que se abordarán en el experimento. Una declaración clara del problema a menudo
contribuye sustancialmente a una mejor comprensión del fenómeno estudiado y la
solución final del problema.
También es importante tener en cuenta los objetivos generales del experimento.
Hay varias razones generales para realizar experimentos y cada tipo de experimento
generará su propia lista de preguntas específicas que deben abordarse. Algunos (pero
de ninguna manera todas las razones para realizar experimentos incluyen:
a. Detección de factores o caracterización. Cuando un sistema o proceso es
nuevo, por lo general es importante saber qué factores tienen la mayor
influencia en la (s) respuesta (s) de interés. A menudo hay muchos factores.
Esto generalmente indica que los experimentadores no saben mucho sobre
el sistema, por lo que la evaluación es esencial si queremos obtener de
manera eficiente el rendimiento deseado del sistema. Los experimentos de
detección son extremadamente importantes cuando se trabaja con nuevos
sistemas o tecnologías para que no se desperdicien recursos valiosos
utilizando los métodos de suposición y OFAT.

b. Mejoramiento. Después de que el sistema se haya caracterizado y estemos

razonablemente seguros de que se han identificado los factores importantes, El
siguiente objetivo suele ser la optimización, es decir, encontrar la configuración o
los niveles de los factores importantes que resultan en valores deseables de la
respuesta. Por ejemplo, si un experimento de detección en un proceso químico
resulta en la identificación del tiempo y la temperatura como los dos factores más
importantes, el experimento de optimización puede tener como objetivo encontrar
los niveles de tiempo y temperatura que maximicen el rendimiento, o quizás
maximicen el rendimiento mientras que mantener alguna propiedad del producto
que sea crítica para el cliente dentro de las especificaciones. Un experimento de
optimización suele ser un seguimiento de un experimento de selección. Sería muy
inusual que un experimento de detección produzca la configuración óptima de los
factores importantes.
 c. Confirmación. En un experimento de confirmación, el experimentador
generalmente está tratando de verificar que el sistema funciona o se comporta de
una manera que sea consistente con alguna teoría o experiencia pasada. Por
ejemplo, si la teoría o la experiencia indican que un nuevo material en particular
es equivalente al que se usa actualmente y que el nuevo es deseable (quizás menos
costoso, o más fácil de trabajar de alguna manera), entonces se realizará un
experimento de confirmación para verifique que la sustitución del nuevo material
no produzca cambios en las características del producto que afecten su uso. Mover
un nuevo proceso de fabricación a una producción a gran escala basada en
resultados Encontrado durante la experimentación en una planta piloto o sitio de
desarrollo. ¿Otra situación que a menudo resulta en experimentos de
confirmación, es decir, son los mismos factores y ajustes que se determinaron
durante el trabajo de desarrollo apropiados para el proceso a gran escala?

d. Descubrimiento. En los experimentos de descubrimiento, los experimentadores

usualmente intentan determinar qué sucede cuando exploramos nuevos
materiales, o nuevos factores, o nuevos rangos de factores. En la industria
farmacéutica, los científicos están constantemente realizando experimentos de
descubrimiento para encontrar nuevos materiales o combinaciones de materiales
que serán efectivos en el tratamiento de enfermedades.

e. Robustez. Estos experimentos a menudo abordan preguntas tales como: ¿en qué
condiciones las variables de respuesta de interés se degradan seriamente? O, ¿qué
condiciones conducirían a una variabilidad inaceptable en las variables de
respuesta? Una variación de esto es determinar cómo podemos establecer los
factores en el sistema que podemos controlar para minimizar la variabilidad
transmitida a la respuesta de factores que no podemos controlar muy bien.
Discutiremos algunos experimentos de este tipo en el Capítulo 12.

Obviamente, las preguntas específicas que se abordarán en el experimento se

relacionan directamente con los objetivos generales. Un aspecto importante de la
formulación de problemas es el reconocimiento de que es improbable que un gran
experimento comprensivo responda satisfactoriamente a las preguntas clave. Un solo
experimento completo requiere que los experimentadores conozcan las respuestas a
muchas preguntas, y si están equivocados, los resultados serán decepcionantes. Esto
lleva a perder tiempo, materiales y otros recursos y puede resultar en que nunca
responda las preguntas de investigación originales de manera satisfactoria. Un enfoque
secuencial que emplea una serie de experimentos más pequeños, cada uno con un
objetivo específico, como la selección de factores, es una mejor estrategia.
2. Selección de la variable de respuesta. Al seleccionar la variable de respuesta, el
experimentador debe estar seguro de que esta variable realmente proporciona
información útil sobre el proceso en estudio. La mayoría de las veces, la variable de
respuesta será el promedio o la desviación estándar (o ambas) de la característica
medida. Las respuestas múltiples no son inusuales. Los experimentadores deben
decidir cómo se medirá cada respuesta, y abordar cuestiones tales como cómo se
calibrará cualquier sistema de medición y cómo se mantendrá esta calibración durante
el experimento. El indicador o la capacidad del sistema de medición (o error de
medición) también es un factor importante. Si la capacidad del calibre es inadecuada,
el experimento solo detectará efectos de factores relativamente grandes o quizás se
requerirá una replicación adicional. En algunas situaciones donde la capacidad de
 medición es deficiente, el experimentador puede decidir medir cada unidad
experimental varias veces y usar el promedio de las mediciones repetidas como la
respuesta observada. Por lo general, es de vital importancia identificar los problemas
relacionados con la definición de las respuestas de interés y cómo deben medirse antes
de realizar el experimento. A veces se emplean experimentos diseñados para estudiar
y mejorar el rendimiento de los sistemas de medición. Para un ejemplo, vea el Capítulo
13.

3. Elección de factores, niveles y rango. (Como se señala en la Tabla 1.1, los pasos 2 y 3
a menudo se realizan de forma simultánea 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 como
potenciales Factores de diseño o factores molestos. Los posibles factores de diseño
son aquellos factores que el experimentador puede desear variar en el experimento.
A menudo nos damos cuenta de que hay muchos factores de diseño potenciales, y
una cierta clasificación adicional de ellos es útil. Algunas clasificaciones útiles son
factores de diseño, factores mantenidos constantes y factores permitidos para variar.
Los factores de diseño son los factores realmente seleccionados para estudiar en el
experimento. Los factores de constante sostenida son variables que pueden ejercer
algún efecto sobre la respuesta, pero para los fines del presente experimento, estos
factores no son de interés, por lo que se mantendrán a un nivel específico. Por
ejemplo, en un experimento de grabado en la industria de los semiconductores,
puede haber un efecto que sea exclusivo de la herramienta específica de grabado por
plasma utilizada en el experimento. Sin embargo, este factor sería muy difícil de
variar en un experimento, por lo que el experimentador puede decidir realizar todas
las ejecuciones experimentales en un grabador en particular (idealmente "típico").
Así, este factor se ha mantenido constante. Como ejemplo de los factores permitidos
para variar, las unidades experimentales o los "materiales" a los que se aplican los
factores de diseño generalmente no son homogéneos, pero a menudo ignoramos
esta variabilidad de unidad a unidad y dependemos de la aleatorización para
equilibrar cualquier material o efecto de unidad experimental. A menudo asumimos
que los efectos de los factores constantes sostenidos y de los factores permitidos a
largo plazo son relativamente pequeños.
Los factores de molestia, por otro lado, pueden tener grandes efectos que
deben tenerse en cuenta, sin embargo, puede que no estemos interesados en ellos
en el contexto del presente experimento. Los factores de molestia a menudo se
clasifican como factores controlables, incontrolables o de ruido. Un factor de
molestia controlable es uno cuyos niveles pueden ser establecidos por el
experimentador. Por ejemplo, el experimentador puede seleccionar diferentes lotes
de materia prima o diferentes días de la semana al realizar el experimento. El
principio de bloqueo, discutido en la sección anterior, a menudo es útil para tratar
los factores de molestia controlables. Si un factor molesto es incontrolable en el
experimento, pero se puede medir, a menudo se puede usar un procedimiento de
análisis llamado análisis de covarianza 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 se puede controlar, probablemente se pueda medir y
tratar como una covariable. Cuando un factor que varía de forma natural e
incontrolable en el proceso puede controlarse para los fines de un experimento, a
menudo lo llamamos factor de ruido. En tales situaciones, nuestro objetivo
generalmente es encontrar los ajustes de los factores de diseño controlables que
minimizan la variabilidad transmitida de los factores de ruido. Esto a veces se
denomina estudio de la robustez del proceso o un problema de diseño robusto. Los
estudios de bloqueo, análisis de covarianza y robustez del proceso se analizan más
adelante en el texto.
Una vez que el experimentador ha seleccionado los factores de diseño, debe
elegir los rangos en los que se variarán estos factores y los niveles específicos en los
que se realizarán las ejecuciones. También se debe pensar cómo se deben controlar
estos factores en los valores deseados y cómo deben medirse. Por ejemplo, en el
experimento de soldadura por flujo, el ingeniero ha definido 12 variables que pueden
afectar la aparición de defectos en la soldadura. El experimentador también tendrá
que decidir sobre una región de interés para cada variable (es decir, el rango en el
que se variará cada factor) y sobre cuántos niveles de cada variable usar. Se requiere
conocimiento del proceso para hacer esto. Este conocimiento del proceso suele ser
una combinación de experiencia práctica y comprensión teórica. Es importante
investigar todos los factores que pueden ser importantes y no estar demasiado
influido por la experiencia pasada, particularmente cuando estamos en las primeras
etapas de la experimentación o cuando el proceso no es muy maduro.
Cuando el objetivo del experimento es la selección de factores o la
caracterización de procesos, generalmente es mejor mantener bajo el número de
niveles de factores. En general, dos niveles funcionan muy bien en los estudios de
detección de factores. Elegir la región de interés también es importante. En la
selección de factores, la región de interés debe ser relativamente grande, es decir, el
rango en el que se varían los factores debe ser amplio. A medida que aprendemos
más sobre qué variables son importantes y qué niveles producen los mejores
resultados, la región de interés en experimentos posteriores generalmente se
volverá más estrecha.
El diagrama de causa y efecto puede ser una técnica útil para organizar parte
de la información generada en la planificación pre-experimental. La Figura 1.10 es el
diagrama de causa y efecto construido al planear un experimento para resolver
problemas con la carga de obleas (una acumulación de carga en las obleas) que se
encuentra en una herramienta de grabado utilizada en la fabricación de
semiconductores. El diagrama de causa y efecto también se conoce como diagrama
de espina de pescado porque el "efecto" de interés o la variable de respuesta se
dibuja a lo largo de la columna vertebral del diagrama y las causas potenciales o
factores de diseño se organizan en una serie de costillas. El diagrama de causa y
efecto utiliza las causas tradicionales de medición, materiales, personas, entorno,
métodos y máquinas para organizar la información y los posibles factores de diseño.
Tenga en cuenta que algunas de las causas individuales probablemente conduzcan
directamente a un factor de diseño que se incluirá en el experimento (como la
velocidad de la rueda, el flujo de gas y el vacío), mientras que otras representan áreas
potenciales que necesitarán más estudio para convertirlas en diseño. factores (como
los operadores que siguen procedimientos incorrectos), y otros más probablemente
conducirán a factores que se mantendrán constantes durante el experimento o se
bloquearán (como la temperatura y la humedad relativa). La Figura 1.11 es un
diagrama de causa y efecto de un experimento para estudiar el efecto de varios
factores en los álabes de la turbina producidos en una máquina con control numérico
 computarizado (CNC). Este experimento tiene tres variables de respuesta: perfil de
la hoja, acabado de la superficie de la hoja y defectos de acabado de la superficie en
la hoja terminada. Las causas se organizan en grupos de factores controlables entre
los cuales se pueden seleccionar los factores de diseño para el experimento, factores
incontrolables cuyos efectos probablemente se compensarán con la aleatorización,
factores de molestia que pueden bloquearse y factores que pueden mantenerse
constantes cuando el experimento Es conducido. No es inusual que los
experimentadores construyan varios diagramas de causa y efecto diferentes para
ayudarlos y guiarlos durante la planificación pre-experimental. Para obtener más
información sobre el experimento de la máquina CNC y una discusión más detallada
sobre los métodos gráficos que son útiles en la planificación pre-experimental,
consulte el material de texto complementario de este capítulo.
Reiteramos lo importante que es sacar a la luz todos los puntos de vista y
procesar la información en los pasos 1 a 3. Nos referimos a esto como planificación
pre-experimental. Coleman y Montgomery (1993) proporcionan hojas de trabajo que
pueden ser útiles en la planificación pre-experimental. También vea el material de
texto complementario para obtener más detalles y un ejemplo del uso de estas hojas
de trabajo. Es poco probable que una persona tenga todos los conocimientos
necesarios para hacer esto adecuadamente en muchas situaciones. Por lo tanto,
abogamos firmemente por un esfuerzo de equipo en la planificación del
experimento. La mayor parte de su éxito dependerá de qué tan bien se realice la
planificación pre-experimental.

4. Elección del diseño experimental. Si las actividades de planificación pre-

experimentales anteriores se realizan correctamente, este paso es relativamente
fácil. La elección del diseño implica la consideración del tamaño de la muestra
(número de repeticiones), la selección de un orden de ejecución adecuado para los
ensayos experimentales y la determinación de si se trata o no de bloqueo u otras
restricciones de aleatorización. Este libro analiza algunos de los tipos más
importantes de diseños experimentales y, en última instancia, puede utilizarse como
una guía para seleccionar un diseño experimental apropiado para una amplia
variedad de problemas.
También hay varios paquetes de software estadístico interactivo que soportan
esta fase de diseño experimental. El experimentador puede ingresar información
sobre la cantidad de factores, niveles y rangos, y estos programas presentarán una
selección de diseños para considerar o recomendarán un diseño en particular. (Por
lo general, preferimos ver varias alternativas en lugar de confiar totalmente en una
recomendación de computadora en la mayoría de los casos). La mayoría de los
paquetes de software también brindan información de diagnóstico sobre el
rendimiento de cada diseño. Esto es útil en la evaluación de diferentes alternativas
de diseño para el experimento. Estos programas generalmente también
proporcionan una hoja de trabajo (con el orden de las ejecuciones aleatorias) para
usar en la realización del experimento.
La selección del diseño también implica pensar y seleccionar un modelo
empírico tentativo para describir los resultados. El modelo es solo una relación
cuantitativa (ecuación) entre la respuesta y los factores de diseño importantes. En
muchos casos, un modelo polinomial de orden bajo será apropiado. Un modelo de
primer orden en dos variables es
 donde y es la respuesta, las x son los factores de diseño, son parámetros
desconocidos que se estimarán a partir de los datos del experimento y es un término
de error aleatorio que explica el error experimental en el sistema que se esta
estudiando El modelo de primer orden también a veces se denomina modelo de
efectos principales. Los modelos de primer orden se utilizan ampliamente en
experimentos de selección o caracterización. Una extensión común del modelo de
primer orden es agregar un término de interacción, por ejemplo

donde el término de producto cruzado 𝑥1 𝑥2 representa la interacción de dos factores

entre los factores de diseño. Debido a que las interacciones entre los factores son
relativamente comunes, el modelo de primer orden con interacción es ampliamente
utilizado. Las interacciones de orden superior también pueden incluirse en
experimentos con más de dos factores, si es necesario. Otro modelo ampliamente
utilizado es el modelo de segundo orden.

Los modelos de segundo orden se usan a menudo en experimentos de optimización.

Al seleccionar el diseño, es importante tener en cuenta los objetivos
experimentales. En muchos experimentos de ingeniería, ya sabemos desde el
principio que algunos de los niveles de factores resultarán en diferentes valores para
la respuesta. En consecuencia, nos interesa identificar qué factores causan esta
diferencia y estimar la magnitud del cambio de respuesta. En otras situaciones,
podemos estar más interesados en verificar la uniformidad. Por ejemplo, se pueden
comparar dos condiciones de producción A y B, siendo A la norma y B la alternativa
más rentable. El experimentador entonces estará interesado en demostrar que, por
ejemplo, no hay diferencia en el rendimiento entre las dos condiciones.

5. Realizando el experimento. Al ejecutar el experimento, es vital monitorear el

proceso cuidadosamente para asegurarse de que todo se haga de acuerdo con el
plan. Los errores en el procedimiento experimental en esta etapa generalmente
destruirán la validez experimental. Uno de los errores más comunes que he
encontrado es que las personas que realizan el experimento no lograron establecer
las variables en los niveles adecuados en algunas ejecuciones. Se debe asignar a
alguien para que verifique la configuración del factor antes de cada ejecución. La
planificación inicial para prevenir errores como este es crucial para el éxito. Es fácil
subestimar los aspectos logísticos y de planificación de la ejecución de un
experimento diseñado en un entorno complejo de fabricación o investigación y
desarrollo.
Coleman y Montgomery (1993) sugieren que antes de realizar el experimento,
a menudo son útiles algunas pruebas de prueba o pruebas piloto. Estas ejecuciones
 proporcionan información sobre la consistencia del material experimental, una
verificación del sistema de medición, una idea aproximada del error experimental y
la oportunidad de practicar la técnica experimental general. Esto también brinda la
oportunidad de revisar las decisiones tomadas en los pasos 1 a 4, si es necesario.

6. Análisis estadístico de los datos. Los métodos estadísticos deben utilizarse para
analizar los datos de modo que los resultados y las conclusiones sean objetivos en
lugar de juzgarlos por naturaleza. Si el experimento se diseñó correctamente y se
realizó de acuerdo con el diseño, los métodos estadísticos requeridos no son
detallados. Hay muchos paquetes de software excelentes diseñados para ayudar en
el análisis de datos, y muchos de los programas utilizados en el paso 4 para
seleccionar el diseño proporcionan una interfaz directa y sin problemas al análisis
estadístico. A menudo nos parece que los métodos gráficos simples desempeñan un
papel importante en el análisis e interpretación de datos. Debido a que muchas de
las preguntas que el experimentador quiere responder se pueden convertir en un
marco de hipótesis, los procedimientos de prueba de hipótesis y de estimación del
intervalo de confianza son muy útiles para analizar datos de un experimento
diseñado. También suele ser muy útil presentar los resultados de muchos
experimentos en términos de un modelo empírico, es decir, una ecuación derivada
de los datos que expresan la relación entre la respuesta y los factores de diseño
importantes. El análisis residual y la verificación de la adecuación del modelo también
son técnicas de análisis importantes. Vamos a discutir estos temas en detalle más
adelante.
Recuerde que los métodos estadísticos no pueden probar que un factor (o
factores) tiene un efecto particular. Solo proporcionan pautas en cuanto a la
fiabilidad y validez de los resultados. Cuando se aplican correctamente, los métodos
estadísticos no permiten que se pruebe nada experimentalmente, pero sí nos
permiten medir el error probable en una conclusión o adjuntar un nivel de confianza
a una declaración. La principal ventaja de los métodos estadísticos es que agregan
objetividad al proceso de toma de decisiones. Las técnicas estadísticas combinadas
con un buen conocimiento de ingeniería o procesos y el sentido común generalmente
llevan a conclusiones sólidas.

7. Conclusiones y recomendaciones. Una vez que se han analizado los datos, el

experimentador debe sacar conclusiones prácticas sobre los resultados y
recomendar un curso de acción. Los métodos gráficos a menudo son útiles en esta
etapa, particularmente al presentar los resultados a otros. También se deben realizar
seguimientos de seguimiento y pruebas de con fi rmación para validar las
conclusiones del experimento.
A lo largo de todo este proceso, es importante tener en cuenta que la
experimentación es una parte importante del proceso de aprendizaje, donde
formulamos tentativamente hipótesis sobre un sistema, realizamos experimentos
para investigar estas hipótesis y, sobre la base de los resultados, formulamos nuevas
hipótesis. y así. Esto sugiere que la experimentación es iterativa. Por lo general, es
un gran error diseñar un experimento único, extenso e integral al comienzo de un
estudio. Un experimento exitoso requiere el conocimiento de los factores
importantes, los rangos en los que se deben variar estos factores, el número
apropiado de niveles a utilizar y las unidades de medida adecuadas para estas
variables. En general, no conocemos perfectamente las respuestas a estas preguntas,
pero aprendemos sobre ellas a medida que avanzamos. A medida que avanza un
programa experimental, a menudo eliminamos algunas variables de entrada,
agregamos otras, cambiamos la región de exploración para algunos factores o
agregamos nuevas variables de respuesta. En consecuencia, generalmente
experimentamos de forma secuencial, y como regla general, no se debe invertir más
del 25 por ciento de los recursos disponibles en el primer experimento. Esto
asegurará que haya suficientes recursos disponibles para realizar ejecuciones de
confirmación y, finalmente, lograr el objetivo final del experimento. Finalmente, es
importante reconocer que todos los experimentos son experimentos diseñados. El
tema importante es si están bien diseñados o no. Una buena planificación pre-
experimental generalmente conducirá a un experimento bueno y exitoso. Si no se
realiza dicha planificación, generalmente se pierde tiempo, dinero y otros recursos y,
a menudo, se obtienen resultados pobres o decepcionantes.