UNIVERSIDAD NACIONAL DE ROSARIO

FACULTAD DE CIENCIAS ECONOMICAS Y ESTADISTICA

MAESTRIA EN ESTADISTICA APLICADA

Seminario acreditable
Diseños personalizados: un enfoque unificado para el diseño de experimentos

Trabajo Final
Análisis del trabajo científico “Computer-Aided Blocking of Factorial
and Response-Surface Designs”

Docente: Dr. Christopher J. Nachtsheim

Alumna: Romina Martinelli

2017
 MAESTRIA EN ESTADISTICA APLICADA
Diseños personalizados: un enfoque unificado para el diseño de experimentos

Análisis del trabajo científico “Computer-Aided Blocking of Factorial

and Response-Surface Designs”

Introducción
El diseño de experimentos (DDE) es un conjunto de técnicas cuyo objetivo es averiguar si
determinados factores influyen en una variable de interés y cuantificar dicha influencia. La
metodología del diseño de experimentos se basa en la experimentación; estudia cómo variar las
condiciones habituales de realización de un proceso empírico para aumentar la probabilidad de
detectar cambios significativos en la respuesta, de esta forma se obtiene un mayor conocimiento del
comportamiento del proceso de interés.
Las técnicas clásicas fueron introducidas por Fisher en 1935 a través de su libro “The
Design of Experiments”. Más tarde, George E. P. Box, quien trabajó como estadístico durante ocho
años en la industria química en Inglaterra, desarrolló la metodología de superficie de respuestas, la
cual incluye nuevas familias de diseños y una estrategia para la experimentación secuencial. Hasta
la década de 1970, la aplicación en procesos de manufactura no estaba generalizada, debido a la
falta de recursos computacionales y a que los ingenieros y especialistas en manufactura carecían de
formación en el área de estadística. En la década de 1980 se dio un gran impulso al conocimiento y
la aplicación del diseño de experimentos debido al éxito en calidad de la industria japonesa. En
Japón destaca el trabajo de Genichi Taguchi, cuyos conceptos sobre diseño robusto también
tuvieron un impacto significativo en la academia en el mundo occidental. Como respuesta al
movimiento por la calidad y la mejora de procesos, las industrias empezaron a entrenar a sus
ingenieros en la aplicación del diseño de experimentos.
Sin embargo, este acercamiento clásico presenta limitaciones. En el artículo aquí analizado,
los autores R. Dennis Cook y Christopher J. Nachtsheim, presentan una alternativa aplicada a
problemas de superficie de respuesta en bloques y diseños factoriales cuando el tamaño de los
bloque están previamente especificados.

Romina Martinelli 1
 MAESTRIA EN ESTADISTICA APLICADA
Diseños personalizados: un enfoque unificado para el diseño de experimentos

Modelos
Los autores exponen que un diseño en bloque óptimo debe presentar tres componentes en su
estructura: las restricciones del diseño, el modelo y los criterios de optimalidad (optimality).
Las restricciones, a su vez dependen del tamaño de la muestra, la region X a partir de la cual
pueden obtenerse los t x 1 vectores xi (i = 1, ..., n) de la configuración del factor o combinaciones de
tratamiento y el grupo E compuesto por N ≥ n disponible en las unidades experimentales y que
puede dividido en b bloques tal que el késimo bloque consista de Nk > 0 unidades experimentales.
Además, nk < Nk denota el número de unidades experimentales del k-ésimo bloque disponible
utilizado en el experimento. Si N = n, entonces Nk = nk para todo k. De lo contrario, el k-ésimo
bloque en el diseño real será un subconjunto del k-ésimo bloque disponible, incluida la posibilidad
del conjunto vacío, por lo que algunos de los bloques disponibles pueden no aparecer como bloques
en el diseño.
Respecto al modelo, los autores se limitan a hablar sobre los diseños de bloque aditivo
yi = fTr(xi)t + mTi + ei , i = 1,... , n,

donde t (p x 1) y b (b x 1) son parámetros desconocidos y los errores ei están iid. El componente

f1 asume diferentes formas dependiendo del problema.
Este modelo tambien puede representarse de forma matricial
Y = X1t + X2 b +e = Xa + e,
donde Y = (yi) es vector de respuestas de dimensión n x 1, e = (e1) es el vector de errores de

dimensión n x 1, X1 y X2 son matrices n x p y n x b con fTr (xi) y uTr filas, X = (X1, X2), y aT =
(tT,bT).
Por último, en el artículo se tienen en cuenta dos criterios de optimalidad: los diseños D-
óptimos, que minimizan el determinante de la matriz de covarianza (X TX)-1s2 de la estimación de
mínimos cuadrados de a, y los diseños Ds-óptimos que minimizan la matriz de co-varianza de las
estimaciones de mínimos cuadrados de un subconjunto de parámetros seleccionado. En este
particular se busca que minimicen t. Bajo este modelo, el diseño D-óptimo para a y Ds-óptimo
para t son equivalentes cuando N = n:

|XTX| = |XT2X2| . |XT1Q2X1|

y maximizar |XT1Q2X1| es equivalente a maximizar |XTX| cuando |XT2X2| es constante.

Romina Martinelli 2
 MAESTRIA EN ESTADISTICA APLICADA
Diseños personalizados: un enfoque unificado para el diseño de experimentos

Siguiendo estas especificaciones, se emplea un algoritmo de diseño para determinar el mejor

conjunto de puntos posible según el criterio elegido. El algoritmo de Harville (1974), el primero en
permitir el diseño de bloques, busca la D-optimalidad.
Básicamente, el algoritmo de Harville busca mejoras intentando secuencialmente tres clases
de cambios en tres fases correspondientes. En la primera fase, las mejoras se logran a través de
intercambios. En un intercambio, el tratamiento asignado a una unidad experimental dada es
reemplazado por algún otro tratamiento. En la fase de intercambio, las mejoras se logran cambiando
la asignación de un tratamiento de una unidad experimental a una unidad experimental diferente y
al mismo tiempo cambiando la asignación del tratamiento asignado a la segunda unidad
experimental a la primera unidad experimental.
Este algoritmo puede ser aplicado al modelo en estudio, sin embargo presenta ciertas
dificultades. En primer lugar, los intercambios suelen afectar a cada elemento de XT1Q2X1. En
segundo lugar, los espacios de diseño de superficie de respuesta tienden a ser mucho más grandes
que los espacios de diseño para tratamientos cualitativos. En tercer lugar, los cambios en las
unidades experimentales durante la fase 3 requieren recalcular |XT1Q2X1| desde cero, y esto
conduce a más ineficiencias.
Por esto, los autores presentan un nuevo enfoque en el siguen las dos primeras fases del
algoritmo de Harville (N = n, tamaño del bloque predeterminado y posibilidad de utilizar todas las
unidades experimentales).
Para la primera fase utilizan una adaptación del algoritmo k-exchange (publicado por
Johnson y Nachtsheim en 1983), en el que, para producir diseños D-óptimos, se basa en el aumento
fraccional en el determinante de X TX cuando xij. La jésima combinación de tratamiento en el bloque
i en este presente diseño, se intercambia por una combinación arbitraria de tratamiento x en χ,

reemplazando la fila correspondiente de X1, fT1 (xij), con fT1 (xi).

En la fase dos, χ se ignora y las combinaciones de tratamiento se intercambian entre los
bloques. Esto involucra el reemplazo sistemático de xij, el jésimo tratamiento en el bloque i, con xkl,
el lésimo tratamiento en el bloque k, mientras al mismo tiempo se reemplaza xkl con xij.
Las combinaciones de tratamiento para el diseño se eligieron sin tener en cuenta la
estructura en bloque y utilizando el algoritmo de Galil y Kiefeer 1 (1980) para generar un punto de
inicio.

1 Este algoritmo comienza con la designación de un punto y luego agrega puntos secuencialmente hasta la obtención
de (p + 1) puntos. Cada punto agregado maximiza |X1XT1|, donde X1 corresponde al diseño previo.

Romina Martinelli 3
 MAESTRIA EN ESTADISTICA APLICADA
Diseños personalizados: un enfoque unificado para el diseño de experimentos

Los diseños en bloque clásicos que involucran tratamientos cualitativos son típicamente D-
óptimos. Por ejemplo: fT1 (x) = (x1, x2, X3, X1X2, X1X3, X2X3), N = 8, t = 3, χ = [-1, 1]3 con b = 2
bloques de tamaño 4. Usando la notación tradicional para indicar los tratamientos que consisten en
combinaciones de los niveles de los factores, el algoritmo le asigna las combinaciones de
tratamiento ab, ac y bc a un bloque y a, b, c y abc al otro. Este diseño factorial fraccional habitual se
obtiene de un 23 aplicando la relación I = ABC y asignando los tratamientos en cada mitad de la
fracción a los respectivos bloques. El algoritmo puede utilizarse tambien para construir diseños de
bloques incompletos equilibrados y parcialmente equilibrados para una elección adecuada de
tamaños de muestra, números de tratamientos y tamaños de bloques. El algoritmo propuesto es más
rápido que el de Harville para este tipo de problemas.
Si tomamos como ejemplo un experimento con 18 unidades experimentales en 3 bloques de
tamaño 6 para estimar el modelo: fT1 (x) = (X1, X2, X3, X4, X1X2, X1X3, X1X4, X2X3, X2X4, X3X4),
with χ = [-1, 1]4. Este modelo permite estimar los efectos principales y dos interacciones cuando
cada factor debe ejecutarse en dos niveles. Mientras que el algoritmo propuesto produce el diseño:
Bloque 1 b, d, c, ab, ad, abcd; Bloque 2 ac, abc, abd, acd, bcd; y Bloque 3 a, ac, bc, bd, cd, abcd.
Este diseño consiste en 24, con la combinación de tratamiento abcd repetida en los bloques 1 y 3, y
la combinación de tratamientos ac repetida en los bloques 2 y 3.
Ahora si suponemos que t = 2, N = 14 y b = 2, y utilizamos el algoritmo para construir
diseños D-óptimos para tamaños de bloque (7,7), (8,6) y (9,5) en junto con un modelo de superficie
de respuesta de segundo orden, dando como resultado el siguiente gráfico:

Este caso representa un ejemplo del uso extrememadamente eficiente de las 5 repeticiones
repetidas, ya que la ubicación en las esquinas conduce a una inferencia más precisa con respecto a
los efectos principales y las interacciones.

Romina Martinelli 4
 MAESTRIA EN ESTADISTICA APLICADA
Diseños personalizados: un enfoque unificado para el diseño de experimentos

En ocaciones es necesario correr una colección predeterminada de combinaciones de

tratamientos en un experimento en bloques. Por ejemplo si en el experimento anterior, se hubiera
determinado un experimento diferente (con menos términos de interacción) es posible que no se
incluyan todos los puntos de las esquinas en el diseño óptimo. En este caso se puede especificar
previamente el conjunto de tratamientos deseados y omitir la primera fase del algoritmo.
En todos los casos, la elección del experimentador entre los diseños producidos por el
algoritmo completo y los producidos a partir de la fase 2 debe guiarse por una inspección de la
estructura de correlación, la naturaleza de los esquemas de replicación, los valores relativos de el
criterio y otras consideraciones de diseño relevantes.

Romina Martinelli 5
 MAESTRIA EN ESTADISTICA APLICADA
Diseños personalizados: un enfoque unificado para el diseño de experimentos

Conclusiones
Si bien el diseño clásico presenta ventajas como su fácil análisis e interpretación, debe
tenerse en cuenta que en ciertos problemas su aplicación resulta poco satisfactoria. De hecho en
muchas oportunidades los investigadores deben recortar el material experimental para permitir la
aplicación de un diseño clásico particular, por ejemplo descartar tratamientos y unidades
experimentales para que se pueda implementar el diseño de bloques completos aleatorizados lo más
grande posible, produciendo una disminución de |M| relativa a la D-optimalidad.
El algoritmo presentado en este artículo puede ser utilizado para generar diseños de bloque
D-óptimos para modelos generales de superficie de respuesta. La utilización de este tipo de modelos
no clásicos tienen la ventaja de permitir ampliar la base de diseños disponibles que luego deben ser
juzgados en una gama de criterios relevantes. Debido a la gran relevancia que tienen las
consideraciones de optimalidad, este tipo de modelos debe ser considerado, especialmente para
problemas que no son los estándar.

Romina Martinelli 6