Documentos de Académico
Documentos de Profesional
Documentos de Cultura
IntroDE PDF
IntroDE PDF
Experimentos
Introduccin
Los modelos de diseo de experimentos son modelos estadsticos clsicos cuyo objetivo es
averiguar si unos determinados factores influyen en una variable de inters y, si existe influencia
de algn factor, cuantificar dicha influencia.
Unos ejemplos donde habra que utilizar estos modelos son los siguientes:
Se quiere estudiar el rendimiento de los alumnos en una asignatura y, para ello, se desean
controlar diferentes factores: profesor que imparte la asignatura; mtodo de enseanza;
sexo del alumno.
1
La metodologa del diseo de experimentos se basa en la experimentacin. Es sabido que
si se repite un experimento, en condiciones indistinguibles, los resultados presentan una cier-
ta variabilidad. Si la experimentacin se realiza en un laboratorio donde la mayora de las
causas de variabilidad estn muy controladas, el error experimental ser pequeo y habr poca
variacin en los resultados del experimento. Pero si se experimenta en procesos industriales o
administrativos la variabilidad ser mayor en la mayora de los casos.
El objetivo del diseo de experimentos es estudiar si cuando se utiliza un determinado
tratamiento se produce una mejora en el proceso o no. Para ello se debe experimentar aplicando
el tratamiento y no aplicndolo. Si la variabilidad experimental es grande, slo se detectar la
influencia del uso del tratamiento cuando ste produzca grandes cambios en relacin con el
error de observacin.
La metodologa del diseo de experimentos estudia cmo variar las condiciones habituales
de realizacin de un proceso emprico para aumentar la probabilidad de detectar cambios signi-
ficativos en la respuesta; de esta forma se obtiene un mayor conocimiento del comportamiento
del proceso de inters.
Para que la metodologa de diseo de experimentos sea eficaz es fundamental que el exper-
imento est bien diseado.
Un experimento se realiza por alguno de los siguientes motivos:
Encontrar las condiciones experimentales con las que se consigue un valor extremo en la
variable de inters o respuesta.
2
1. 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,
motivacin, ...), cambios en las mquinas (reposiciones, reparaciones, envejecimiento, ...).
Estos cambios tienen influencia en los datos recogidos, lo que hace que los datos histricos
sean poco fiables, sobre todo si se han recogido en un amplio espacio de tiempo.
2. Variables con fuerte correlacin: Puede ocurrir que en el proceso existan dos o ms
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
(confusin de los efectos). Otra situacin problemtica 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).
Tipos de variabilidad
Uno de los principales objetivos de los modelos estadsticos y, en particular, de los modelos
de diseo de experimentos, es controlar la variabilidad de un proceso aleatorio que puede tener
diferente origen. De hecho, los resultados de cualquier experimento estn sometidos a tres tipos
de variabilidad cuyas caractersticas son las siguientes:
3
Cuando este tipo de variabilidad est presente y tiene un tamao 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.
Como se estudiar posteriormente, existen dos estrategias bsicas para tratar de evitar la
presencia de este tipo de variabilidad: la aleatorizacin y la tcnica de bloques. Este tipo
de variabilidad debe de intentar evitarse y su presencia lleva a conclusiones errneas.
Planificacin de un experimento
La experimentacin forma parte natural de la mayora de las investigaciones cientficas e
industriales, en muchas de las cuales, los resultados del proceso de inters 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 anlisis y estudio
de la informacin recogida se obtienen las conclusiones.
La forma tradicional que se utilizaba en la experimentacin, 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 dems. Esta metodologa presenta grandes inconvenientes:
Las conclusiones obtenidas en el estudio de cada factor tiene un campo de validez muy
restringido.
Definir los objetivos del experimento. Identificar todas las posibles fuentes de variacin,
incluyendo:
Elegir una regla de asignacin de las unidades experimentales a las condiciones de estudio
(tratamientos).
5
Especificar las medidas con que se trabajar (la respuesta), el procedimiento experimental
y anticiparse a las posibles dificultades.
Especificar el modelo.
Los pasos del listado anterior no son independientes y en un determinado momento puede
ser necesario volver atrs y modificar decisiones tomadas en algn paso previo.
A continuacin se hace una breve descripcin de las decisiones que hay que tomar en cada
uno de los pasos enumerados. Slo despus de haber tomado estas decisiones se proceder a
realizar el experimento.
1. Definir los objetivos del experimento: Se debe hacer una lista completa de las preguntas
concretas a las que debe dar respuesta el experimento. Es importante indicar solamente
cuestiones fundamentales ya que tratar de abordar problemas colaterales pueden com-
plicar innecesariamente el experimento.
Una vez elaborada la lista de objetivos, puede ser til esquematizar el tipo de conclusiones
que se espera obtener en el posterior anlisis de datos.
Normalmente la lista de objetivos es refinada a medida que se van ejecutando las etapas
del diseo de experimentos.
2. Identificar todas las posibles fuentes de variacin: Una fuente de variacin es cualquier
cosa que pueda generar variabilidad en la respuesta. Es recomendable hacer una lista de
todas las posibles fuentes de variacin del problema, distinguiendo aquellas que, a priori,
generarn una mayor variabilidad. Se distinguen dos tipos:
Factores tratamiento: son aquellas fuentes cuyo efecto sobre la respuesta es de par-
ticular inters para el experimentador.
Factores nuisance: son aquellas fuentes que no son de inters directo pero que se
contemplan en el diseo para reducir la variabilidad no planificada.
6
A continuacin se precisan ms estos importantes conceptos.
Observacin, es una medida en las condiciones determinadas por uno de los tratamientos.
7
Experimento factorial, es el diseo de experimentos en que existen observaciones de todos
los posibles tratamientos.
Cuando un experimento se ejecuta sobre un perodo de tiempo de modo que las obser-
vaciones se recogen secuencialmente en instantes de tiempo determinados, entonces los
propios instantes de tiempo pueden considerarse unidades experimentales.
Factor bloque: En algunos casos el factor nuisance puede ser fijado en distintos niveles,
de modo que es posible controlar su efecto a esos niveles. Entonces la forma de actuar
es mantener constante el nivel del factor para un grupo de unidades experimentales, se
cambia a otro nivel para otro grupo y as sucesivamente. Estos factores se denominan
factores de bloqueo (factores bloque) y las unidades experimentales evaluadas en un mis-
mo nivel del bloqueo se dice que pertenecen al mismo bloque. Incluso cuando el factor
8
nuisance no es medible, a veces es posible agrupar las unidades experimentales en bloques
de unidades similares: parcelas de tierra contiguas o perodos de tiempo prximos prob-
ablemente conduzcan a unidades experimentales ms parecidas que parcelas o perodos
distantes.
3. Elegir una regla de asignacin de las unidades experimentales a las condiciones de estudio
(tratamientos).
9
anidamiento,
En la prctica, existen una serie de diseos estndar que se utilizan en la mayora de los
casos.
Variable respuesta o variable de inters. Los datos que se recogen en un experimento son
medidas de una variable denominada variable respuesta o variable de inters.
Tambin se debe especificar con claridad la forma en que se realizarn las mediciones:
instrumentos de medida, tiempo en el que se harn las mediciones, etc.
10
los errores experimentales observados en el experimento piloto pueden ayudar a
calcular el nmero de observaciones que se precisan en el experimento principal.
6. Especificar el modelo.
El modelo matemtico especificado debe indicar la relacin que se supone que existe entre
la variable respuesta y las principales fuentes de variacin identificadas en el paso 2. Es
fundamental que el modelo elegido se ajuste a la realidad con la mayor precisin posible.
En este modelo la respuesta viene dada por una combinacin lineal de trminos que
representan las principales fuentes de variacin planificada ms un trmino residual debido
a las fuentes de variacin no planificada. Los modelos que se estudian en este texto se
ajustan a esta forma general. El experimento piloto puede ayudar a comprobar si el
modelo se ajusta razonablemente bien a la realidad.
Los modelos de diseo de experimentos, segn sean los factores incluidos en el mismo,
se pueden clasificar en: modelo de efectos fijos, modelo de efectos aleatorios y modelos
mixtos. A continuacin se precisan estas definiciones.
Factor de efectos fijos es un factor en el que los niveles han sido seleccionados por el
experimentador. Es apropiado cuando el inters se centra en comparar el efecto sobre la
respuesta de esos niveles especficos. Ejemplo: un empresario est interesado en comparar
el rendimiento de tres mquinas del mismo tipo que tiene en su empresa.
Factor de efectos aleatorios es un factor del que slo se incluyen en el experimento una
muestra aleatoria simple de todos los posibles niveles del mismo. Evidentemente se utilizan
estos factores cuando tienen un nmero muy grande de niveles y no es razonable o posible
trabajar con todos ellos. En este caso se est interesado en examinar la variabilidad de
la respuesta debida a la poblacin entera de niveles del factor. Ejemplo: una cadena de
hipermercados que tiene en plantilla 300 trabajadores de caja est interesada en estudiar
la influencia del factor trabajador en la variable tiempo en el cobro a un cliente.
Modelo de efectos fijos es un modelo en el que todos los factores son factores de efectos
fijos.
11
Modelo de efectos aleatorios es un modelo en el que todos los factores son factores de
efectos aleatorios.
Modelo mixto es un modelo en el que hay factores de efectos fijos y factores de efectos
aleatorios.
7. Esquematizar los pasos del anlisis estadstico. El anlisis estadstico a realizar depende
de:
Se deben esquematizar los pasos del anlisis a realizar que deben incluir:
Calcular el nmero de observaciones que se deben tomar para alcanzar los objetivos del
experimento.
Existen, dependiendo del modelo, algunas frmulas para determinar este tamao. Todas
ellas sin embargo requieren el conocimiento del tamao de la variabilidad no planificada
(no sistemtica y sistemtica, si es el caso) y estimarlo a priori no es fcil, siendo aconse-
jable sobreestimarla. Normalmente se estima a partir del experimento piloto y en base a
experiencias previas en trabajos con diseos experimentales semejantes.
De todas las etapas enumeradas, el proceso de recogida de datos suele ser la tarea que
mayor tiempo consume, pero es importante realizar una planificacin previa, detallando
los pasos anteriores, lo que garantizar que los datos sean utilizados de la forma ms
eficiente posible.
12
a) Ningn mtodo de anlisis estadstico, por sofisticado que sea, permite extraer con-
clusiones correctas en un diseo de experimentos mal planificado. Recprocamente,
debe quedar claro que el anlisis estadstico es una etapa ms que est completa-
mente integrado en el proceso de planificacin.
Unidad experimental: son los objetos, individuos, intervalos de espacio o tiempo sobre
los que se experimenta.
Factor: son las variables independientes que pueden influir en la variabilidad de la variable
de inters.
13
Niveles: cada uno de los resultados de un factor. Segn sean elegidos por el experimen-
tador o elegidos al azar de una amplia poblacin se denominan factores de efectos fijos o
factores de efectos aleatorios.
El principio de aleatorizacin.
El bloqueo.
14
Los dos primeros (aleatorizar y bloquear) son estrategias eficientes para asignar los tratamien-
tos a las unidades experimentales sin preocuparse de qu tratamientos considerar. Por el con-
trario, la factorizacin del diseo define una estrategia eficiente para elegir los tratamientos sin
considerar en absoluto como asignarlos despus a las unidades experimentales.
Aleatorizar: Aleatorizar todos los factores no controlados por el experimentador en el diseo
experimental y que pueden influir en los resultados sern asignados al azar a las unidades
experimentales.
Ventajas de aleatorizar los factores no controlados:
Ejemplo.
Se desea investigar las posibles diferencias en la produccin de dos mquinas, cada una de
las cuales debe ser manejada por un operario.
En el planteamiento de este problema la variable respuesta es la produccin diaria de una
mquina, el factor tratamiento en el que se est interesado es el tipo de mquina que tiene dos
15
niveles y un factor nuisance es el operario que maneja la mquina. En el diseo del experimento
para realizar el estudio se pueden utilizar dos estrategias para controlar el factor operario que
maneja la mquina.
Aleatorizar: se seleccionan al azar dos grupos de operarios y se asigna al azar cada grupo de
operarios a cada una de las dos mquinas. Finalmente se evala la produccin de las mismas.
Bloquear: se introduce el factor bloque operario. Se elige un nico grupo de operarios y
todos ellos utilizan las dos mquinas.
Hay que tener en cuenta en qu circunstancias se utilizan estas dos estrategias, y cul
estrategia es mejor.
La factorizacin del diseo.
Un diseo factorial es una estrategia experimental que consiste en cruzar los niveles de
todos los factores tratamiento en todas las combinaciones posibles.
Ventajas de utilizar los diseos factoriales:
Permiten detectar la existencia de efectos interaccin entre los diferentes factores tratamien-
to.
16
Respuesta = Constante + Efecto Tratamiento + Error
En ocasiones hay dos (o ms) fuentes de variacin lo suficientemente importantes como para
ser designadas factores de bloqueo. En tal caso, ambos factores bloque pueden ser cruzados o
anidados.
Los factores bloque estn cruzados cuando existen unidades experimentales en todas las
combinaciones posibles de los niveles de los factores bloques.
Diseo con factores bloque cruzados. Tambin denominado diseo fila-columna, se caracteri-
za porque existen unidades experimentales en todas las celdas (intersecciones de fila y columna).
El modelo matemtico de este diseo es:
Respuesta = Constante + Efecto Bloque Fila + Efecto Bloque Columna + Efecto Tratamiento
+ Error
Los factores bloque estn anidados si cada nivel particular de uno de los factores bloque
ocurre en un nico nivel del otro factor bloque.
17
Diseo con factores bloque anidados o jerarquizados: Dos factores bloque se dicen anidados
cuando observaciones pertenecientes a dos niveles distintos de un factor bloque estn automti-
camente en dos niveles distintos del segundo factor bloque.
En la siguiente tabla puede observarse la diferencia entre ambos tipos de bloqueo.
Respuesta = Constante + Efecto Factor Fila + Efecto Factor Columna + Efecto Interaccin
+ Error
18
Un camino alternativo es utilizar fracciones factoriales que son diseos en los que se supone
que muchas de las interacciones son nulas, esto permite estudiar el efecto de un nmero elevado
de factores con un nmero relativamente pequeo de pruebas. Por ejemplo, el diseo en cuadrado
latino, en el que se supone que todas las interacciones son nulas, permite estudiar tres factores
de k niveles con solo k2 observaciones. Si se utilizase el diseo equilibrado completo se necesitan
k3 observaciones.
19