Dise�o experimental

Ir a la navegaci�nIr a la b�squeda
El dise�o experimental es una t�cnica estad�stica que permite identificar y
cuantificar las causas de un efecto dentro de un estudio experimental. En un dise�o
experimental se manipulan deliberadamente una o m�s variables, vinculadas a las
causas, para medir el efecto que tienen en otra variable de inter�s. El dise�o
experimental prescribe una serie de pautas relativas qu� variables hay que
manipular, de qu� manera, cu�ntas veces hay que repetir el experimento y en qu�
orden para poder establecer con un grado de confianza predefinido la necesidad de
una presunta relaci�n de causa-efecto.

El dise�o experimental encuentra aplicaciones en la industria, la agricultura, la

mercadotecnia, la medicina, la ecolog�a, las ciencias de la conducta, etc.
constituyendo una fase esencial en el desarrollo de un estudio experimental.

�ndice
1 Perspectiva hist�rica
2 �Qu� es Dise�o factorial?
3 Historia
4 Notaci�n
5 Ejemplo Real
6 An�lisis de Yates
7 Fisher
7.1 Principios de Fisher
7.2 Prueba F de Fisher
8 Referencias
9 V�ase tambi�n
10 Dise�o factorial 2k
10.1 Dise�o 2k para k = 2 factores
10.2 Dise�o 2k para k = 3 factores
10.3 Dise�o 2k con una r�plica
11 Aplicaciones
12 Aplicaciones seg�n la clasificaci�n de la industria
12.1 Industrias pesadas o de base
12.2 Industrias de bienes de equipo
12.3 Industrias ligeras o de uso y consumo
13 Pasos para el dise�o de un experimento
14 Un ejemplo
15 Ejemplo num�rico
16 V�ase tambi�n
17 Referencias
Perspectiva hist�rica
Ronald Fisher es considerado el padre del dise�o experimental en sus estudios de
agronom�a en el primer tercio del siglo XX. A la lista de los pioneros de su uso
hay que a�adir los de Frank Yates, W.G. Cochran y G.E.P. Box. Muchas de las
aplicaciones originarias del dise�o experimental estuvieron relacionadas con la
agricultura y la biolog�a, disciplinas de las que procede parte de la terminolog�a
propia de dicha t�cnica.

Las aplicaciones a la industria textil comenzaron en la d�cada de 1930 en

Inglaterra y se popularizaron y extendieron a las industrias qu�mica y
manufacturera de Europa y EE. UU. tras la II Guerra Mundial. Es de notar su uso
actual en la industria de la electr�nica y los semiconductores.

�Qu� es Dise�o factorial?

En estad�stica, un experimento factorial completo es un experimento cuyo dise�o
consta de dos o m�s factores, cada uno de los cuales con distintos valores o
niveles, cuyas unidades experimentales cubren todas las posibles combinaciones de
esos niveles en todo los factores. Este tipo de experimentos permiten el estudio
del efecto de cada factor sobre la variable respuesta, as� como el efecto de las
interacciones entre factores sobre dicha variable.

Por ejemplo, con dos factores y dos niveles en cada factor, un experimento
factorial tendr�a en total cuatro combinaciones de tratamiento, y se le denominar�a
dise�o factorial de 2�2.

Si el n�mero de combinaciones en un dise�o factorial completo es demasiado alto

para su procesamiento, puede optarse por un dise�o factorial fraccional, en el que
se omitan algunas de las combinaciones posibles.

Historia
Los dise�os factoriales fueron utilizados en el siglo XIX por Jhon Bennet Lawes y
Henry J. Gilbert de la Estaci�n experimental de Rothamsted.[1] Ronald Fisher
discuti� en 1926 que los dise�os �complejos�, como dise�os factoriales, eran m�s
eficientes que estudiando un factor a la vez.[2] Fisher escribi�: �ning�n aforismo
se repite tan frecuentemente respecto de las pruebas de campo, que aquel de que a
la Naturaleza debemos hacerle pocas preguntas, o, idealmente, hac�rselas de a una.
Quien escribe es un convencido de que este punto de vista est� totalmente
equivocado.� Un dise�o factorial permite el efecto de varios factores e incluso
interacciones entre ellas que se determinar�n con el mismo n�mero de ensayos que
son necesario determinar de los efectos por s� mismo con el mismo grado de
exactitud.

Yates realiz� importantes contribuciones significativas hechas, particularmente en

el an�lisis de dise�os, por An�lisis de Yates. El t�rmino factorial no se pudo
haber utilizado en la impresi�n antes de 1935, cuando Fisher la utiliz� en su libro
El dise�o de experimentos. [1]

Notaci�n

diagrama de cubo para 3 dimensiones usando variables A, B y C.

Para ahorrar el espacio, los puntos en un experimento factorial de dos niveles se
abrevian a menudo con las cadenas de m�s y signos de menos. Las secuencias tienen
tantos s�mbolos como factores, y sus valores dictan el nivel de cada factor: - para
el primer (o bajo) llano, y + para el segundo (o alto) llano. Los puntos en este
experimento se pueden representar como - -, + -, - +, y + +.

Los puntos factoriales se pueden tambi�n abreviar cerca (1), a, b, y el ab, donde
la presencia de una letra indica que el factor especificado est� en su alto (o en
segundo lugar) nivel y la ausencia de una letra indica que el factor especificado
est� en su (o primero) nivel bajo (por ejemplo, �a� indica que el factor A est� en
su alto ajuste, mientras que el resto de los factores est�n en su ajuste del punto
bajo (o primero)). (1) se utiliza indicar que todos los factores est�n en sus (o
primero) valores m�s bajos.

Para poder finalmente obtener un modelo estad�stico que nos indique el valor de
respuesta al modificar los factores.

C�lculo del efecto

Contraste = (suma de niveles+)-(suma de niveles-) Efecto Contraste /r�plica*2^k

b= efecto/2 bo= suma total/n�mero total

Modelo estad�stico: Y= bo+ b1X1 + b2X2......

Ejemplo Real
El experimento factorial m�s simple contiene dos niveles para cada uno de dos
factores. Suponga los deseos de un ingeniero para estudiar la energ�a total usada
por cada uno de dos diversos motores, A y B, funcionando en cada uno de dos
diversas 2000 o 3000 RPM de las velocidades. El experimento factorial consistir�a
en cuatro elementos experimentales: viaje en autom�vil A en 2000 RPM, viaje en
autom�vil B en 2000 RPM, viaje en autom�vil A en 3000 RPM, y viaje en autom�vil B
en 3000 RPM. Cada combinaci�n de un solo nivel seleccionado de cada factor est�
presente una vez.

Este experimento es un ejemplo de 22 (o 2x2) experimento factorial, nombrado as�

porque considera dos niveles (la base) para cada uno de dos factores (la energ�a o
el exponente), o #lniveles#factores, produciendo 22puntos factoriales =4. Los
dise�os pueden implicar muchas variables independientes. Como otro ejemplo, los
efectos de tres variables entradas se pueden evaluar en ocho condiciones
experimentales demostradas como las esquinas de un cubo. Esto se puede conducir con
o sin la r�plica, dependiendo de su prop�sito previsto y recursos disponibles.
Proporcionar� los efectos de las tres variables independientes en la variable
dependiente y las interacciones posibles(en caso de haber m�s de 3 se habla de un
hiperespacio).

An�lisis de Yates
La t�cnica fundamental consiste en repartir el total en componentes mediante sumas
de cuadrados. Esta t�cnica tuvo efectos secundarios en el modelo. Por ejemplo,
demostramos el modelo para un ANOVA simplificado con un tipo de tratamiento en
diversos niveles.

{\displaystyle SC_{\text{Total}}=SC_{\text{Error}}+SC_{\text{Tratamientos}}\,\!}
{\displaystyle SC_{\text{Total}}=SC_{\text{Error}}+SC_{\text{Tratamientos}}\,\!}

Los los grados de libertad se pueden repartir de manera similar y especifican

distribuciones ?� que describen las sumas asociadas de cuadrados.

{\displaystyle gl_{\text{Total}}=gl_{\text{Error}}+gl_{\text{Tratamientos}}\,\!}
{\displaystyle gl_{\text{Total}}=gl_{\text{Error}}+gl_{\text{Tratamientos}}\,\!}

Fisher
Principios de Fisher
El bi�logo y estad�stico ingl�s Ronald Fisher propuso una metodolog�a por el dise�o
de experimentos en sus libros The Arrangement of Field Experiments (1926) y The
Design of Experiments (1935). Mucho de su obra pionera trat� de las aplicaciones
agr�colas de sus m�todos de estad�stica. Por ejemplo, describi� c�mo probar la
hip�tesis de la catadora de t�. Estos m�todos se han adaptado en las ciencias
sociales y f�sicas y se usan todav�a en la ingenier�a agr�cola y que se difieren
del dise�o y an�lisis de experimentos de computaci�n.

Comparaci�n
En algunos campos de estudio no es posible tener medidas independientes que
conectan a una norma de metrolog�a trazable. Comparaciones entre tratamientos se
valen mucho m�s y normalmente se las prefieran. A menudo se compara con un control
cient�fico o tratamiento tradicional que act�a como un punto de referencia.
Aleatorizaci�n
Randomizaci�n es el proceso de asignar individuos al azar a grupos o a grupos
distintos en un experimento. La asignaci�n aleatoria a grupos (o condiciones
adentro de un grupo) distingue a rigorosos verdaderos experimentos de un estudio
observacional o cuasi-experimental.1? Existe un cuerpo extensivo de teor�a
matem�tica que explora las consecuencias de asignar las unidades de tratamiento por
medio de alg�n m�todo aleatorio como las tablas de n�meros aleatorios, o el uso de
aparatos aleatorios como naipes o dados. Asignar unidades de tratamiento
aleatoriamente tiende a mitigar los factor de confusi�n, los cuales hacen que los
efectos que no son por tratamientos parecer como s� fuesen resultados del
tratamiento. Los riesgos que se asocian con una asignaci�n aleatoria (como tener un
desbalance serio en una caracter�stica clave entre un grupo en tratamiento y un
grupo de control) se calculan y as� se las dirigen a un nivel m�s bajo y aceptable
por el hecho de usar bastantes unidades de experimentaci�n. Se pueden generalizar
los resultados de un experimento de las unidades de experimentaci�n a una poblaci�n
estad�stica de unidades pero solo si las unidades de experimentaci�n son un
muestreo de la poblaci�n m�s grande; el error probable de tal extrapolaci�n
dependse del tama�o de la muestra, entre otras cosas.
R�plica estad�stica
Normalmente se sujetan medidas a la variaci�n y la incertidumbre de medidas
significa que se las repiten y con experimentos enteros se los replican para ayudar
a identificar los fuentes de la variaci�n, por poder estimar los efectos verdaderos
de tratamientos, por fortalecer su fiabilidad y su validez, y por agregar al
conocimiento del t�pico.2? Sin embargo, necesita el cumplimiento de ciertas
condiciones antes que la r�plica se comience: la cuesti�n de investigaci�n original
se ha publicado en una revista de revisi�n por pares o citado ampliamente, el
investigador es independiente del experimento original, el investigador debe
primero intentar replicar los resultados del experimento original usando la data
original, y el resumen debe decir que el estudio es una r�plica que intente seguir
en los pasos del original en lo m�s estricto posible.3?
Prueba F de Fisher
Se utiliza para las comparaciones de los componentes de la desviaci�n total. Por
ejemplo, en una forma, o el solo-factor ANOVA, la significaci�n estad�stica es
probada para comparando la estad�stica de la prueba de F

{\displaystyle F={\dfrac {\mbox{variance of the group means}}{\mbox{mean of the

within-group variances}}}} {\displaystyle F={\dfrac {\mbox{variance of the group
means}}{\mbox{mean of the within-group variances}}}}
{\displaystyle F^{*}={\frac {\mbox{MSTR}}{\mbox{MSE}}}\,} {\displaystyle
F^{*}={\frac {\mbox{MSTR}}{\mbox{MSE}}}\,}
donde:

N�mero de tratamientos: {\displaystyle {\mbox{MSTR}}={\frac {\mbox{SSTR}}{I-1}}}

{\displaystyle {\mbox{MSTR}}={\frac {\mbox{SSTR}}{I-1}}}, I
Total de casos: {\displaystyle {\mbox{MSE}}={\frac {\mbox{SSE}}{n_{T}-I}}}
{\displaystyle {\mbox{MSE}}={\frac {\mbox{SSE}}{n_{T}-I}}}, nT'
a F-distribuci�n con el del I-1, secundario< del > n< T> /sub grados de libertad.
Usar la F-distribuci�n es un candidato natural porque la estad�stica de la prueba
es el cociente de dos sumas malas de los cuadrados que tienen a distribuci�n del
chi-cuadrado.

Referencias
1.-Frank Yates and Kenneth Mather (1963). "Ronald Aylmer Fisher". Biographical
Memoirs of Fellows of the Royal Society of London 9: 91�120.
http://digital.library.adelaide.edu.au/coll/special//fisher/fisherbiog.pdf.

2.-Ronald Fisher (1926). "The Arrangement of Field Experiments". Journal of the

Ministry of Agriculture of Great Britain 33: 503�513.
https://web.archive.org/web/20110928044736/http://digital.library.adelaide.edu.au/c
oll/special//fisher/48.pdf.

V�ase tambi�n
* Estad�stica bayesiana
Intervalo de confianza
Incertidumbre
Modelo estad�stico
Propagaci�n de errores
Dise�o factorial 2k
Cuando en un experimento hay varios factores de inter�s, utilizamos el dise�o
experimental factorial.

En el experimento factorial, se analizaran todas las posibles combinaciones de los

niveles de los factores en cada r�plica del experimento, para estudiar el efecto
conjunto de estos sobre una respuesta.

Un experimento 2k proporciona el menor n�mero de ensayos con los cuales se pueden

estudiar k factores en un dise�o factorial completo.

Existen varios casos especiales del dise�o factorial, pero el m�s importante de
todos ocurre cuando se tienen k factores, cada uno de ellos a dos niveles (22 es el
factorial m�s peque�o).

Debido a que s�lo hay dos niveles para cada factor, asumimos que la respuesta es
aproximadamente lineal en el rango de los niveles elegidos de los factores.

El efecto de un factor se define como el cambio en la respuesta que produce un

cambio en el nivel del factor.

Dise�o 2k para k = 2 factores

Este dise�o es el m�s sencillo de la serie. Consideramos dos factores: A y B, cada
uno con 2 niveles.

Normalmente consideramos estos niveles como los niveles alto y bajo del factor
ojtet El dise�o 22 puede ser representado geom�tricamente como un cuadrado con 4
ensayos.

Para cualquier dise�o 2k con n r�plicas, la estimaci�n del efecto y de los

cuadrados se estiman de la siguiente forma:4?

Efecto = Contraste/n2K-1
SSx = [Contraste]2/n2k
Los efectos de inter�s en el dise�o 22, son los efectos principales de A y B y la
interacci�n AB.

Estimaremos cada uno de los efectos de la siguiente forma:

A = [a+ab-b-(1)]/2n
B = [b+ab-a-(1)]/2n
AB = [ab+(1)-a-b]/2n
Las cantidades entre corchetes en las ecuaciones anteriores se llaman contrastes.
Podemos utilizar los contrastes para calcular las sumas de cuadrados para A, B y la
interacci�n AB.

SSA = [a+ab-b-(1)]2/4n
SSB = [b+ab-a-(1)]2/4n
SSAB = [ab+(1)-a-b]2/4n
SIGNOS ALGEBRAICOS PARA CALCULAR LOS EFECTOS DEL DISE�O 22
Comb. Tratamientos I A B AB
(1) + - - +
a + + - -
b + - + -
ab + + + +
TABLA DE ANOVA DISE�O 22
Fuente de Variaci�n Suma de Cuadrados Grados de libertad Cuadrado Medio
FO
Tratamiento A SSA a-1 MSA = SSA / a-1 MSA / MSE
Tratamiento B SSB b-1 MSB = SSB /b-1 MSB/MSE
Interacci�n AB SSAB (a-1)(b-1) MSA = SSAB / (a-1)(b-1) MSAB/MSE
Error SSE ab(n-1) MSE = SSE / ab(n-1)
Total SST abn - 1
La SSE (Suma de cuadrados del Error) la obtendremos por diferencia, respecto a la
SST

Dise�o 2k para k = 3 factores

Es un dise�o de 3 factores, cada uno a 2 niveles y consta de 8 combinaciones.
Geom�tricamente el dise�o es un cubo, cuyas esquinas son las 8 combinaciones. Este
dise�o permite estimar los 3 efectos principales (A, B, y C), las tres
interacciones de dos factores (AB, AC, BC) y la interacci�n de los tres factores
(ABC).

La estimaci�n de cualquier efecto principal o interacci�n en un dise�o 2k se

determina al multiplicar las combinaciones de tratamientos de la 1.� columna de la
tabla por los signos del correspondiente efecto principal o columna de interacci�n,
sumando los resultados para obtener un contraste, y dividiendo el contraste por la
mitad del n.� total de r�plicas.

A = [a+ab+ac+abc-(1)-b-c-bc]/4n
B = [b+ab+bc+abc-(1)-a-c-ac]/4n
C = [c+ac+bc+abc-(1)-a-b-ab]/4n
AB = [abc-bc+ab-b-ac+c-a+(1)]/4n
AC = [(1)-a+b-ab-c+ac-bc+abc]/n
BC = [(1)+a-b-ab-c-ac+bc+abc]/4n
ABC = [abc-bc-ac+c-ab+b+a-(1)]/4n
SIGNOS ALGEBRAICOS PARA CALCULAR LOS EFECTOS DEL DISE�O 23
Comb.Tratamientos I A B AB C AC BC ABC
(1) + - - + - + + -
a + + - - - - + +
b + - + - - + - +
ab + + + + - - - -
c + - - + + - - +
ac + + - - + + - -
bc + - + - + - + -
abc + + + + + + + +
TABLA DE ANOVA DISE�O 23
Fuente de Variaci�n Suma de Cuadrados Grados de Libertad Cuadrado Medio
F0
Tratamiento A SSA a-1 MSA = SSA/a-1 MSA/MSE
Tratamiento B SSB b-1 MSB = SSB/b-1 MSB/MSE
Tratamiento C SSC c-1 MSC =SSC/c-1 MSC/MSE
Interacci�n AB SSAB (a-1)(b-1) MSAB = SSAB/(a-1)(b-1) MSAB/MSE
Interacci�n AC SSAC (a-1)(c-1) MSAC=SSAC/(a-1)(c-1) MSAC/MSE
Interacci�n BC SSBC (b-1)(c-1) MSBC =SSBC/(b-1)(c-1) MSBC/MSE
Interacci�n ABC SSABC (a-1)(b-1)(c-1) MSABC =SSABC/(a-1)(b-1)(c-1) MSABC/ME
Error SSE abc(n-1)
Total SST abcn-1 MSE =SSE/abc(n-1)
Eliminaremos la interacci�n triple ABC, por lo que tendremos un grado de libertad
m�s para el error.

Dise�o 2k con una r�plica

Si aumentamos el n�mero de factores en un experimento factorial, tambi�n aumenta el
n�mero de efectos que pueden ser estimados. Es importante conocer la estructura de
sus variables para poder calcular la estabilidad de nuestro experimento

As� un experimento 24 tiene 4 efectos principales, 6 interacciones dobles, 4

triples, y 1 cu�druple.
La mayor�a de las veces las interacciones de orden superior a dos son
despreciables.

En experimentos factoriales 2k, con un k=3,4,5 o superior es com�n efectuar una

sola r�plica, despreciar las interacciones de orden superior a dos, y de estos modo
poder utilizar los grados de libertad de dichas interacciones para la estimaci�n
del error. Esta forma de actuar puede conducirnos a decisiones err�neas si
realmente alguna de estas interacciones que son de orden superior a dos son
significativas.

Aplicaciones
El dise�o de experimentos tiene una gran variedad de aplicaciones y puede ser
aplicado a un gran n�mero de industrias, la optimizaci�n de recursos, la
identificaci�n de causas de variabilidad son algunos de los objetivos del dise�o de
experimentos aplicados en nivel industrial. necesito experimentos de un solo
factor.

Aplicaciones seg�n la clasificaci�n de la industria

A continuaci�n se muestran algunos ejemplos de aplicaciones existentes seg�n el
tipo de industria.

Industrias pesadas o de base

Qu�mica pesada
Estudio de la composici�n para la elaboraci�n de productos: Estudio de los valores
m�s apropiados para la elaboraci�n de compuestos qu�micos que requieran diversos
componentes. An�lisis del efecto de las condiciones del entorno en la elaboraci�n
del producto como la temperatura ambiente, humedad relativa etc.5?
Industrias de bienes de equipo
Maquinaria
Medida de la variabilidad de los instrumentos de medida: Es posible aplicar el
dise�o de experimentos como herramienta para determinar y mejorar los �ndices de
capacidad de un proceso concreto apoy�ndose en estudios de reproducibilidad y
repetitividad.6?
Dise�o de motores el�ctricos: Estudio de las caracter�sticas constructivas del
motor y su influencia en variables importantes como la p�rdida de flujo y la
constante de velocidad.7?
Dise�o de electrodos: Estudio de los esfuerzos en los electrodos en funci�n de la
fuerza de aplicaci�n y el tama�o del electrodo.8?
Dise�o de elementos de sujeci�n: An�lisis de la influencia de los par�metros
geom�tricos en la resistencia de los remaches.9?
Materiales de construcci�n
Estudios de corrosi�n: Estudios de la influencia del tiempo en la corrosi�n de
aceros de construcci�n y metales en general.
Aplicaciones en el mecanizado: estudio de la variabilidad en los procesos de
mecanizado, ayuda a la reducci�n de piezas defectuosas y aumento de la capacidad de
producci�n.10?
Producci�n de veh�culos industriales
Estudio de procesos de soldadura: estudio de un proceso de soldadura, para
determinar las variables que influyen en la resistencia de la soldadura.11?
Industria aeron�utica
Optimizaci�n del proceso de anodizado y pintado: optimizar los procesos de
anodizado y pintado para conseguir una buena protecci�n anticorrosion.12?
Industrias ligeras o de uso y consumo
Farmacia y qu�mica ligera
Inform�tica y telecomunicaciones
Estudio del rendimiento de una red inform�tica: Realizando simulaciones es posible
cuantificar el rendimiento y las variables cr�ticas que hacen que la transferencia
de datos en la red sea econ�micamente rentable.13?
Mejora del rendimiento de un procesador: Se usa para determinar el impacto que
tienen variables importantes como la temperatura y las horas de uso en el
rendimiento del procesador.
Reducci�n del tiempo del CPU: El estudio se basa en la aplicaci�n del dise�o de
experimentos para determinar la mejor combinaci�n de factores que reduzcan el
tiempo de CPU.
Optimizaci�n de materiales en semiconductores: Estudio de las propiedades
el�ctricas del arsienuro de galio dopado con silano.14?
Dise�o de filtros pasivos: se utiliza el dise�o de experimentos para determinar los
valores de las tolerancias de los componentes para optimizar los circuitos.15?
Biotecnolog�a
Operaciones en un sistema de fangos activos: optimizar y entender las reacciones
que se dan en el tratamiento secundario de una EDAR, por ejemplo, los fangos
activos.16?