TECNOLÓGICO DE ESTUDIOS SUPERIORES DE JOCOTITLÁN

INGENIERÍA INDUSTRIAL

GRUPO: ID-403

ASIGNATURA: ESTADISTICA INFERENCIAL II

SÁNCHEZ BALDERAS NANCY

JOCOTITLÁN, ESTADO DE MÉXICO, 27 DE ABRIL DE 2022

 • Diseño Estadístico de Experimentos

Una prueba o serie de pruebas en las cuales se introducen cambios deli-

berados en las variables de entrada que forman el proceso, de manera que
sea posible observar e identificar las causas de los cambios en la variable
de salida.

Inconsistencia de los datos: Los procesos cambian con el tiempo, se producen cambios
en el personal (cambios de personas, mejoras del personal por procesos de aprendizaje,
motivación, ...), cambios en las máquinas (reposiciones, reparaciones, envejecimiento, ...).
Estos cambios tienen influencia en los datos recogidos, lo que hace que los datos históricos
sean poco fiables, sobre todo si se han recogido en un amplio espacio de tiempo.
2. Variables con fuerte correlación: Puede ocurrir que en el proceso existan dos o más
variables altamente correlacionadas que pueden llevar a situaciones confusas. Por ejemplo,
en el proceso hay dos variables X1 y X2 fuertemente correlacionadas que influyen en la
respuesta, pero si en los datos que se tiene aumenta al mismo tiempo el valor de las dos
variables no es posible distinguir si la influencia es debida a una u otra o a ambas variables
(confusión de los efectos). Otra situación problemática se presenta si solo se dispone de
datos de una variable (por ejemplo de X1 y no de X2), lo que puede llevar a pensar que la
variable influyente es la X1 cuando, en realidad, la variable influyente es la X2 (variable
oculta).
3. El rango de las variables controladas es limitado: Si el rango de una de las variables
importantes e influyentes en el proceso es pequeño, no se puede saber su influencia fuera
de ese rango y puede quedar oculta su relación con la variable de interés o lo cambios
que se producen en la relación fuera del rango observado. Esto suele ocurrir cuando se
utilizan los datos recogidos al trabajar el proceso en condiciones normales y no se exper-
imenta (cambiando las condiciones de funcionamiento) para observar el comportamiento
del proceso en situaciones nuevas.

Tipos de variabilidad

Uno de los principales objetivos de los modelos estadísticos y, en particular, de los modelos
de diseño de experimentos, es controlar la variabilidad de un proceso aleatorio que puede tener
diferente origen. De hecho, los resultados de cualquier experimento están sometidos a tres tipos
de variabilidad cuyas características son las siguientes:

— Variabilidad sistemática y planificada: Esta variabilidad viene originada por la posi-

ble dispersión de los resultados debida a diferencias sistemáticas entre las distintas condi-
ciones experimentales impuestas en el diseño por expreso deseo del experimentador. Es el
tipo de variabilidad que se intenta identificar con el diseño estadístico.
Cuando este tipo de variabilidad está presente y tiene un tamaño importante, se espera
que las respuestas tiendan a agruparse formando grupos (clusters).
Es deseable que exista esta variabilidad y que sea identificada y cuantificada por el modelo.
— Variabilidad típica de la naturaleza del problema y del experimento: Es la va-
riabilidad debida al ruido aleatorio. Este término incluye, entre otros, a la componente de
variabilidad no planificada denominada error de medida. Es una variabilidad impredecible
e inevitable.
Esta variabilidad es la causante de que si en un laboratorio se toman medidas repetidas
de un mismo objeto ocurra que, en muchos casos, la segunda medida no sea igual a la
primera y, más aún, no se puede predecir sin error el valor de la tercera. Sin embargo, bajo
el aparente caos, existe un patrón regular de comportamiento en esas medidas: todas ellas
tenderán a fluctuar en torno a un valor central y siguiendo un modelo de probabilidad
que será importante estimar.
Esta variabilidad es inevitable pero, si el experimento ha sido bien planificado, es posible
estimar (medir) su valor, lo que es de gran importancia para obtener conclusiones y
poder hacer predicciones. Es una variabilidad que va a estar siempre presente pero que
es tolerable.
— Variabilidad sistemática y no planificada:

Esta variabilidad produce una variación

sistemática en los resultados y es debida a causas desconocidas y no planificadas. En otras
palabras, los resultados están siendo sesgados sistemáticamente por causas desconocidas.
La presencia de esta variabilidad supone la principal causa de conclusiones erróneas y
estudios incorrectos al ajustar un modelo estadístico.
Como se estudiará posteriormente, existen dos estrategias básicas para tratar de evitar la
presencia de este tipo de variabilidad: la aleatorización y la técnica de bloques. Este tipo
de variabilidad debe de intentar evitarse y su presencia lleva a conclusiones erróneas.
Planificación de un experimento
La experimentación forma parte natural de la mayoría de las investigaciones científicas e
industriales, en muchas de las cuales, los resultados del proceso de interés se ven afectados
por la presencia de distintos factores, cuya influencia puede estar oculta por la variabilidad
4
de los resultados muestrales. Es fundamental conocer los factores que influyen realmente y
estimar esta influencia. Para conseguir esto es necesario experimentar, variar las condiciones
que afectan a las unidades experimentales y observar la variable respuesta. Del análisis y estudio
de la información recogida se obtienen las conclusiones.
La forma tradicional que se utilizaba en la experimentación, para el estudio de estos pro-
blemas, se basaba en estudiar los factores uno a uno, esto es, variar los niveles de un factor
permaneciendo fijos los demás. Esta metodología presenta grandes inconvenientes:
— Es necesario un gran número de pruebas.
— Las conclusiones obtenidas en el estudio de cada factor tiene un campo de validez muy
restringido.

— No es posible estudiar la existencia de interacción entre los factores.

— Es inviable, en muchos casos, por problemas de tiempo o costo.
Las técnicas de diseño de experimentos se basan en estudiar simultáneamente los efectos de
todos los factores de interés, son más eficaces y proporcionan mejores resultados con un menor
coste.

A continuación se enumeran las etapas que deben seguirse para una correcta planificación
de un diseño experimental, etapas que deben ser ejecutadas de forma secuencial. También se
introducen algunos conceptos básicos en el estudio de los modelos de diseño de experimentos.
Las etapas a seguir en el desarrollo de un problema de diseño de experimentos son las
siguientes:
— Definir los objetivos del experimento. Identificar todas las posibles fuentes de variación,
incluyendo:

La planeación dentro del laboratorio: el

diseño de experimentos

Durante la planeación de un experimento en el laboratorio, hay muchos factores que

se deben tomar en cuenta.

La cantidad de muestras de que se disponen, variables que se estudiarán, costo de

cada prueba individual (lo que incluye costo económico y el tiempo que se invertirá)
y cómo se interpretaran los resultados, son sólo algunos de los factores, los cuales
van unidos entre sí por medio de una serie de técnicas conocidas generalmente como
diseño de experimentos.

El diseño de experimentos se refiere al conjunto de técnicas estadísticas utilizadas

para planear los experimentos de manera eficiente, optimizar su costo y asegurar una
correcta interpretación de resultados.

El diseño de experimentos indica cuántas muestras debes correr como mínimo, qué
variables independientes debes variar en cada prueba individual y qué valores deben
tomar, incluso en qué orden debes correr las pruebas, y finalmente, cómo se
interpretan los resultados del conjunto de experimentos realizados.
Dependiendo de la cantidad de variables independientes que se consideren puede
ser recomendable iniciar las pruebas con un diseño de experimentos de cribado.

El diseño de cribado evalúa el peso específico de cada variable independiente, de

forma que puedes reducir el número de variables para evaluar solamente las que
verdaderamente tienen una influencia importante en el resultado de la prueba.

Una vez definido un conjunto más pequeño de las variables más importantes,
comienzan las pruebas para evaluar la variable dependiente. Si el fin de la prueba es
comparar dos poblaciones distintas con sólo una variable independiente (por ejemplo,
dos materiales aislantes de distinta composición), es factible usar una prueba de
hipótesis, más específicamente, la prueba de diferencia de medias.

Por otro lado, si el interés es obtener una ecuación matemática que relaciones una
entrada (variable independiente) con una salida (resultado de la prueba o variable
dependiente), se hace uso de una regresión; existen varios tipos de regresiones
(lineal, cuadrática, exponencial, etc.).

Cuando hay más de una variable independiente en juego, el equivalente a la prueba

de hipótesis es el diseño experimental factorial. Por ejemplo, si queremos evaluar la
deformación sufrida por un material expuesto a dos valores de temperatura y dos de
carga aplicadas, se usa un por ejemplo, el diseño 22, donde el 2 de la base representa
el número de variables y el 2 exponencial es el número de valores (niveles) que toma
cada variable.

Si, por otro lado, se desea tener un modelo que prediga el valor que tomará la variable
independiente (por ejemplo la deformación de un material) se usa un diseño de
método de superficie de respuesta.

Existen muchísimos más diseños distintos, que deben ser cuidadosamente

seleccionados para el objetivo de cada investigación, pero que definitivamente son
de un gran apoyo al momento de planear, presupuestar y ejecutar un experimento.

Entendemos por experimento al cambio en las condiciones de operación de un

sistema o proceso, que se hace con el objetivo de medir el efecto del cambio en una
o varias variables del producto. Ello nos permite aumentar el conocimiento acerca del
sistema o del proceso. Asimismo, entendemos por “diseño de un experimento” la
planificación de un conjunto de pruebas experimentales, de forma que los datos
generados puedan analizarse estadísticamente para obtener conclusiones válidas y
objetivas acerca del problema establecido.
En un experimento es muy importante su reproducibilidad, es decir, poder repetir el
experimento. Ello nos proporciona una estimación del error experimental y permite
obtener una estimación más precisa del efecto medio de cualquier factor.

Veamos algunas definiciones importantes en el diseño de experimentos:

• Unidad experimental: Es la muestra de unidades que es necesario producir en

una condición para obtener una medición o dato representativo. Unidad a la
cual se le aplica un solo tratamiento (que puede ser una combinación de
muchos factores) en una reproducción del experimento.
• Variables de respuesta: Es la característica del producto cuyo valor interesa
mejorar mediante el diseño de experimentos.
• Factor: Una variable independiente. En la mayoría de las investigaciones se
trata con más de una variable independiente y con los cambios que ocurren
en la variable independiente, cuando varia una o mas de las variables
independientes.
• Factores controlables: Son variables del proceso que se pueden fijar en un
punto o en un nivel de operación.
• Factores no controlables: Son variables que no se pueden controlar durante la
operación normal del proceso.
• Factores estudiados: Son las variables que se investigan en el experimento
para observar cómo afectan o influyen en la variable de respuesta.
• Confusión: Dos o más efectos se confunden en un experimento si es posible
separar sus efectos, cuando se lleva a cabo el subsecuente análisis
estadístico.
• Error aleatorio: Es la variabilidad observada que no se puede explicar por los
factores estudiados; y resulta del pequeño efecto de los factores no
estudiados y del error experimental.
• Error experimental: Componente del error aleatorio que refleja los errores del
experimentador en la planificación y ejecución del experimento.
• Aleatorización: Consiste en hacer experimentos en orden aleatorio; este
principio aumenta la posibilidad de que el supuesto de independencia de los
errores se cumpla. Asignación al azar de tratamiento a las unidades
experimentales. Una suposición frecuente en los modelos estadísticos de
diseño de experimentos en que las observaciones o los errores en ellas están
distribuidos independientemente. La aleatorización hace válida esta
suposición.
• Repetición: Es correr más de una vez un tratamiento o combinación de
factores
• Bloqueo: Es nulificar o tomar en cuenta en forma adecuada todos los factores
que pueden afectar la respuesta observada. Distribución de las unidades
experimentales en bloques, de manera que las unidades dentro de un bloqueo
sean relativamente homogéneas, de esta manera, la mayor parte de la
variación predecible entre las unidades queda confundida con el efecto de los
bloques.
• Tratamiento o combinación de tratamientos: Conjunto particular de
condiciones experimentales que deben imponerse a una unidad experimental
dentro de los confines del diseño seleccionado.
 • REFERENCIAS

• Box, G.E.; Hunter, J.S.; Hunter, W.G. (2008). Estadística para investigadores.
Diseño, innovación y descubrimiento. Segunda Edición, Ed. Reverté, Barcelona.
• Gutiérrez, H.; de la Vara, R. (2003). Análisis y diseño de experimentos. McGraw-
Hill, México.
• Vicente, M.L.; Girón, P.; Nieto, C.; Pérez, T. (2005). Diseño de experimentos.
Soluciones con SAS y SPSS. Pearson Educación, Madrid.