Untitled

Todos los derechos reservados
All rights reserved
ESTADÍSTICA APLICADA A I+D
DISEÑO DE EXPERIMENTOS
(DESIGN OF EXPERIMENTS)
EKAITZ ESTEBAN
eesteban@bculinary.com
DISEÑO DE EXPERIMENTOS (DOE)
1. INTRODUCCIÓN
– ¿Qué es un experimento? El experimento se define como un procedimiento

sistemático llevado a cabo en condiciones controladas para:
» descubrir un efecto desconocido.
» establecer una hipótesis.
» o ilustrar un efecto conocido.
– ¿Cómo planificar los experimentos, existe alguna metodología?
» Ensayos prueba y error.
» Ensayos probabilísticos o heurísticos.
» Diseño de experimentos (DOE).
» …
3
1. INTRODUCCIÓN – EJEMPLO BONIATOS
– Nombre del alumno: Boniatoff.
– Metodología empleada: Ensayos prueba y error.
– Método: Reacción de Maillard en Olla Coreana.
– Experimentos: Tres factores (marrón, amarillo,

no reacción) dos niveles de efecto (+/-).
Tres condiciones: tiempos cortos, medios y largos.
– Número de experimentos necesarios: para encontrar la solución

confiable 2 x 103 x 3 = 6.000 experimentos.
– Solución: encontrada a los 3.700 experimentos.
– Material necesario: entorno a 4000 boniatos.
– Tiempo necesario: 2 años para finalizar el TFG.
4
1. INTRODUCCIÓN – DISEÑO DE EXPERIMENTOS
– El diseño de experimentos (Design Of Experiments – DOE) es una

herramienta que trata de modelizar un problema complejo de manera
sencilla y, adquirir conocimiento, mediante la realización de experimentos
o pruebas, sobre cómo las causas del problema inciden sobre el efecto del
mismo.
– El problema básico del diseño de experimentos reside en decidir qué

conjunto de pruebas pondrán de manifiesto en forma más clara y con el
menor esfuerzo los diversos aspectos de interés del problema.
– El objetivo principal es establecer planes experimentales que brinden la

mayor cantidad de información posible de la manera más eficiente.
5
1. INTRODUCCIÓN – EJEMPLO ILUSTRATIVO: Hornear un pastel
– Todo diseño experimental tiene entradas. La lista de ingredientes:

» Harina, azúcar, leche, huevos, etc.
“Independientemente de la calidad de estos ingredientes, el objetivo es que el pastel salga con éxito.”
– En cada experimento (en cada horneado) existen factores:
» Tiempo de horneado, temperatura, geometría del molde, etc.
“El experimentador debe pensar en los factores que afectan el resultado.“ “Algunos se podrán controlar y otros no.“
– Finalmente todo diseño experimental tiene una o varias respuestas. Para el
pastel, los resultados pueden ser:
» Medición de la textura, sabor, altura y/o el tamaño.
Factores controlables (k)
Variable(s) de entrada PROCESO: Hornear un Variable(s) de salida

INPUT(s) RESPUESTA(s)
pastel
6
Factores no controlables
1. DISEÑO DE EXPERIMENTOS – PRINCIPIOS BÁSICOS
– FACTORES (Factors)
» Se pueden clasificar de diferentes maneras:
Factores de “tratamiento” Factores “molestos” (blocking factors)
Todos aquellos de interés No son factores de interés
Factores experimentales Factores de clasificación
Medidas Etiquetas (labels)
Factores cuantitativos Factores cualitativos
Basado en datos cuantitativos Basado en datos de carácter categórico.
7
1. DISEÑO DE EXPERIMENTOS – PRINCIPIOS BÁSICOS
– ALEATORIZACIÓN (Randomization)
» Es aconsejable “aleatorizar” el orden de experimentación para evitar

errores o sesgos debidos a la posible dependencia entre factores.
– REPLICACIÓN (Replication)
» La replicación es interesante para controlar la incertidumbre en la

experimentación y evitar conclusiones erróneas. Implica aumentar el
nº de experimentos, (n). También es útil para evaluar la magnitud del
error experimental.
– BLOQUEO (Blocking)
» Es una técnica para incluir otros factores en los experimentos que

contribuyen a una variación no deseada.
▪ p. ej: en intervenciones con personas, la edad y el género se suelen

considerar factores “molestos” que contribuyen a la variabilidad y
dificultan la evaluación de los efectos sistemáticos de un tratamiento.
8
1. PASOS PARA PLANIFICAR, REALIZAR Y ANALIZAR UN EXPERIMENTO
– Los pasos prácticos para planificar y realizar experimentos son:
» Planteamiento del problema.

» Elección de factores, niveles y rangos.
» Selección de la(s) variable(s) de respuesta.
» Elección del diseño experimental.
» Realización de los experimentos.
» Análisis estadístico.
» Obtener conclusiones.
9
1. ELECCIÓN del DISEÑO EXPERIMENTAL
– La elección de un diseño experimental depende de los objetivos del

experimento y del número de factores a investigar.
– Diseño experimental: comparativo (Comparative).
– Diseño experimental: efectos principales – cribado (Screening).
» Optimización – ajuste óptimo mediante modelos de regresión.
– Diseño experimental: superficie de respuesta (Response Surface)
» Optimización de respuestas – ajuste óptimo mediante modelos de

regresión.
» Optimización de respuestas - los factores son proporciones de una

mezcla objetivo (Mixture Designs)
10
All rights reserved
DISEÑO DE EXPERIMENTOS:
COMPARATIVOS
EKAITZ ESTEBAN
DISEÑO DE EXPERIMENTOS (DOE) - COMPARATIVO
1. DISEÑO EXPERIMENTAL: INTRODUCCIÓN
– Los diseños comparativos consisten en tener uno o varios factores

bajo investigación, pero el objetivo principal del experimento es llegar
a una conclusión sobre un factor importante a priori (en presencia y/o
a pesar de la existencia del otros factores).
– y la pregunta de interés es si ese factor es "significativo" o no (es decir,

si hay o no un cambio significativo en la respuesta para diferentes
niveles de ese factor).
12
1. DISEÑO EXPERIMENTAL: COMPARATIVO
– Diseño Completamente Aleatorizado (Completely Randomized Designs - CRD)
» Los experimentos comparan los valores de una variable de respuesta en

función de los diferentes niveles de los factores principales.
» Los niveles de los factores principales se asignan aleatoriamente en los

experimentos.
» En la práctica, esta aleatorización se realiza mediante un programa

informático.
» El esfuerzo experimental se calcula de la siguiente manera:
donde,
n es el número de experimentos.
k es el número de factores.
l es el número de niveles.
r es el número de repeticiones (replicas). 13
– MODELO de la respuesta
donde,
yij es la respuesta de cada observación (cada experimento).

m es la media de todas las observaciones.
ti es el efecto del tratamiento (nivel i).
eij es el error aleatorio para cada observación.
– TEST ESTADÍSTICOS
» Diferencias significativas entre niveles – ANOVA

» Análisis post-hoc – Test de Tukey (Honestly Significant Difference - HSD)
14
– EJEMPLO
» En un invernadero se quiere analizar el efecto de tres fertilizantes distintos

(4 niveles) en el crecimiento de cierta planta (altura - cm). Se realizan seis
repeticiones por nivel. (imaginad los brotes de plantas en unas macetas).
CRD
15
– EJEMPLO

(4 niveles) en el crecimiento de cierta planta (altura - cm). Se realizan seis
repeticiones por nivel. (imaginad los brotes de plantas en unas macetas).
CRD
16
– EJEMPLO
» Paso #01: determinar el esfuerzo experimental. Recordamos que:
▪ k es el número de factores.
▪ l es el número de niveles.
▪ r es el número de repeticiones.
▪ por lo tanto,
o k = 1 (el único factor es el efecto del fertilizante en la planta).

o l = 4 (son tres fertilizantes distintos + la prueba de control).
o r = 6 (se realizan seis ensayos por fertilizante / no fertilizante).
▪ n = 1 x 4 x 6 = 24 experimentos.
17
– EJEMPLO
» Paso #02: planificar la experimentación. Aleatorizar todas las muestras

mediante jamovi***.
CRD
18
(***nota: emplear seed = 6117 para replicar esta misma aleatorización)
– EJEMPLO
» Paso #03: adquisición de datos – crecimiento de la planta en [cm].
19.5 22.5 25 27.5
28 25.2 28 27.5
28.6 20.5 21 30.5
22.5 26 21 26.5
29.5 27 28 29.2
19
30 21.5 31 32
– EJEMPLO
» Paso #04: test estadísticos para comparaciones múltiples (a=0,05)
• El modelo de ANOVA indica la existencia o no de

diferencias significativas en los diferentes niveles
(tipos de fertilizantes).
• Se rechaza la hipótesis nula.
• El Test de Tukey HSD permite comparar las medias

de los t niveles de un factor después de haber
rechazado la Hipótesis nula de igualdad de medias
mediante la técnica ANOVA.
• Este test trata de establecer si hay diferencia

significativa o no entre todas las posibles
comparaciones múltiples.
20
– EJEMPLO
» Paso #05: modelos de predicción para la(s) respuesta(s).
21
– Diseño de bloques aleatorio (Randomized Block Designs - RBD)
» Es un tipo de experimento en el que las observaciones comparten ciertas

características las cuales se agrupan para formar bloques y luego el
tratamiento (o intervención) se asigna al azar dentro de cada bloque.
» Los bloques generalmente se tratan como efectos aleatorios, la

comparación de medias entre bloques no es de interés.
» El bloqueo reduce el término de error (minimizar el ruido), lo que hace

que su modelo estadístico sea más predictivo y más generalizable.
» El esfuerzo experimental se calcula de la siguiente manera:
donde,
l1, l2… es el número de niveles de los factores.
r es el número de bloqueos (replicas). 22
donde,
yij es la respuesta de cada observación (cada experimento).

bj es el efecto del bloqueo (nivel j).
eij es el error aleatorio para cada observación.

23
– EJEMPLO

(4 niveles) en el crecimiento de cierta planta (altura - cm). La posición de
la maceta cerca de la pared o de la pasarela incluye en el resultado.
RBD
24
– EJEMPLO

(4 niveles) en el crecimiento de cierta planta (altura - cm). La posición de
la maceta cerca de la pared o de la pasarela incluye en el resultado.
RBD
25
– EJEMPLO
» Paso #01: determinar el esfuerzo experimental. Recordamos que:
▪ l1, l2… es el número de niveles de los factores.

▪ r es el número de bloqueos (replicas).
▪ por lo tanto,
o l1 = 4 (son tres fertilizantes distintos + la prueba de control).

o r = 6 (son seis bloqueos).
▪ n = 6 x 4 = 24 experimentos.
26
– EJEMPLO

mediante jamovi***.
RBD
27
– Aleatorización de CRD vs RBD con la misma semilla (seed)
» En cada fila (bloque) siempre están los 4 niveles del factor (fertilizante)
CRD RBD
28
– EJEMPLO
» Paso #03: adquisición de datos – crecimiento de la planta en [cm].
Bloque #01
19.5 22.5 27.5 25
Bloque #02
28 27.5 20.5 25.2
Bloque #03
28 21 29.2 26
Bloque #04
29.5 21 26.5 28.6
Bloque #05
27 30 21.5 30.5
Bloque #06 29
31 28 22.5 32
– EJEMPLO

diferencias significativas en los diferentes niveles
(tipos de fertilizantes).


comparaciones múltiples.
30
– EJEMPLO
31
– Diseño Cuadrado Latino (Latin Square Designs - LSD)
» Los diseños experimentales de cuadrado latino, cuadrado grecolatino y

los cuadrados de orden n son diseños con un factor de interés y varios
factores de bloqueo.
» Concretamente el cuadrado latino consta de un factor de interés y dos

factores de bloqueo.
» La ventaja de estos modelos es que el esfuerzo experimental es muy bajo.

Concretamente, el esfuerzo experimental es:
donde,
l es el número de niveles del factor (siempre para l>3)
» La principal limitación de estos modelos es que el número de niveles para

los factores de bloqueo tiene que ser el mismo que el del factor principal.
32
donde,
yijk es la respuesta de cada observación (cada experimento).

aj es el efecto del bloqueo (nivel j).
bk es el efecto del bloqueo (nivel k).
eijk es el error aleatorio para cada observación.

33
– EJEMPLO
» Se desea analizar la productividad de 5 tipos de fertilizantes, 5 tipos de

labranza y 5 tipos de semillas. Se requiere un diseño de cuadrado latino.
LSD
34
– EJEMPLO
» Se desea analizar la productividad de 5 tipos de fertilizantes, 5 tipos de

labranza y 5 tipos de semillas. Se requiere un diseño de cuadrado latino.
Método de labranza (5 tipos)
Semillas (5 tipos)
LSD
35
– EJEMPLO
» Paso #01: determinar el esfuerzo experimental.
▪ Un cuadrado latino 5x5 por lo tanto:

Factor de bloqueo 1
Factor de bloqueo 2
36
– EJEMPLO

mediante jamovi***. Método de labranza (5 tipos)
Semillas (5 tipos)
LSD
37
– EJEMPLO
» Paso #03: adquisición de datos – productividad en [x100 kg/año].

Método de labranza
47 54 45 50 44
45 46 55 51 46
Semillas
42 52 52 47 48
41 49 57 54 43
38
56 47 49 44 50
– EJEMPLO

diferencias significativas en las diferentes semillas.


comparaciones múltiples de las semillas.
39
– EJEMPLO
40
All rights reserved
EFECTOS PRINCIPALES -
CRIBADO
EKAITZ ESTEBAN
DISEÑO DE EXPERIMENTOS (DOE) – EFECTOS PRINCIPALES
1. DISEÑO EXPERIMENTAL: MOTIVACIÓN
– Supóngase que se dispone de un nuevo producto (novel food) o proceso

alimentario del cual se desconoce, con rotundidad, cómo los Factores
Controlables y no Controlables influyen sobre la respuesta/s del Producto o
Proceso (variable/s de salida).
Variable(s) de entrada Variable(s) de salida

INPUT(s) PRODUCTO / PROCESO RESPUESTA(s)
– ¿Cómo se podría identificar qué Factores influyen y cómo sobre la(s)

respuesta(s) del producto o proceso?
42
1. DISEÑO EXPERIMENTAL: EFECTOS PRINCIPALES – CRIBADO
– El objetivo de este diseño experimental es conocer cuales son los factores

controlables que son predominantes en la respuesta.
» Con estos diseños se analizan los efectos principales de los factores

controlables
» Se realiza un cribado a todos aquellos factores que no son de interés.
» Se obtiene un modelo lineal de predicción.

Variable(s) de entrada
PROCESO Variable(s) de salida
INPUT(s)
PRODUCTO RESPUESTA(s)
43
– Diseño factorial completo 2k (Full factorial design 2k)
» El diseño factorial completo es una planificación de experimentos cuyo

diseño consta de dos o más factores donde cada uno de los cuales
consta de dos o más niveles.
» Como regla general, siendo k el nº de factores y l el nº de niveles, el

esfuerzo experimental que caracteriza al diseño factorial completo es:
▪ y para el caso particular a dos niveles:
» Este esfuerzo experimental cubre todas las posibles combinaciones de

dichos niveles con todos los factores.
» Este tipo de experimentos permiten estudiar el estudio del efecto de

cada factor sobre la variable respuesta, así como el efecto de las
interacciones entre factores sobre dicha variable.
44
– MODELO de predicción para la respuesta
» El modelo de predicción es una ecuación lineal derivada de los datos

que expresa la relación entre la respuesta y los factores e interacciones
importantes. El modelo es el siguiente:
» donde,
45
– Ejemplo: Analizar los efectos principales del proceso de templado de las

hojas de acero de los cuchillos de cocina para conocer su dureza.
46

Temperatura
47

Templado
48

Templado
49

Factores controlables (k=3)
A: Temperatura
B: Tiempo de mantenimiento
C: Medio de enfriamiento
A B C

Acero (Hierro + Carbono)
PROCESO: TEMPLADO Dureza del cuchillo [HRc]
50
» Niveles: Valores de los factores en el dominio de la experimentación
» Los niveles se codifican: A
▪ Nivel “bajo” (-1) 900

▪ Nivel “alto” (+1)
Niveles* 840
Factores
-1 +1
Temperatura A 840º C 900º C
Tiempo de mto. B 1 min 1’15 min
Medio de C Agua Aceite
enfriamiento
1 Agua
B Aceite
C
* notación habitualmente empleada
1,15
51
» Planificación:
52
1. EFECTO DE UN FACTOR SOBRE LA RESPUESTA
» El efecto de un factor sobre la respuesta se obtiene como la variación

sufrida por la respuesta al variar el valor o nivel del factor.
» Describe el grado de influencia del factor sobre la respuesta (en las
condiciones experimentadas).
H(+1) es la media de valores de dureza H en el nivel +1 del factor presión P

53
H(-1) es la media de valores de dureza H en el nivel -1 del factor presión P
1. INTERACCIÓN ENTRE VARIABLES SOBRE UNA RESPUESTA
» Ahora bien, consideremos un ejemplo cotidiano como puede ser el uso

de colonia para optimizar la respuesta buen olor*.
» Supongamos que los factores de entrada sean colonia 1 y colonia 2

ambos analizados a dos niveles (5ml y 10ml). Hacemos una serie de
experimentos y obtenemos los siguientes efectos:
Buen Buen
olor olor
EF(colonia 1) = 2
EF(colonia 2) = 4
-1 +1 colonia 1 -1 +1 colonia 2
(5ml) (10ml) (5ml) (10ml)
54
*Buen olor se obtiene como resultado de una encuesta a varias personas
1. INTERACCIÓN ENTRE VARIABLES SOBRE UNA RESPUESTA (CONT.)
– Se define la interacción entre factores como el cambio de respuesta en

función de la combinación de niveles de los factores.
Cuando usamos poca

Colonia 2 (al nivel -1), al
aumentar la cantidad de
Colonia 1 (de –1 a +1)
mejoramos el Buen Olor.
Cuando hacemos uso de

mucha Colonia 2 (+1), al
aumentar la cantidad de
Colonia 1 empeoramos el
Buen Olor.
La interacción entre los

IN(Colonia 1 x Colonia 2) = (D (+1)- D (-1)) / 2 factores es negativa. 55
1. INTERACCIÓN* ENTRE VARIABLES SOBRE UNA RESPUESTA (CONT.)
» La interacción entre dos variables puede ser:
1. NEGATIVA (la pendiente de la recta var 2 (+1) es menor a la otra; las

líneas tienden a acercarse)
2. POSITIVA (la pendiente de la recta var 2 (+1) es mayor a la otra; las
líneas tienden a alejarse)
3. NULA (las líneas son paralelas; no hay influencia de una variable
sobre la otra)
*Las interacciones de orden 3 o superior son generalmente despreciables 56

1. MÉTODO PARA AGILIZAR EL CÁLCULO DE EFECTOS E INTERACCIONES
Si alguien se pregunta el porqué de la utilización de los valores -1 y +1, como

representativos de los niveles inferior y superior de las variables, debemos decir
que no se trata de un mero capricho.
Sea la siguiente matriz de diseño y su correspondiente vector de respuesta:

– podemos calcular otra
matriz compuesta por
una primera columna
Nº X1 X2 I X1 X2 X1.X2 Y
formada por unos (I), las
1 -1 -1 1 -1 -1 +1 Y1 columnas X1, X2 ... y
2 +1 -1 1 +1 -1 -1 Y2 finalmente todos sus
3 -1 +1 1 -1 +1 -1 Y3 productos combinados
4 +1 +1 1 +1 +1 +1 Y4 X1X2, ...
}
}
– Esa matriz, de gran
Matriz de diseño Respuesta utilidad, se denomina
matriz de modelo.
Matriz de modelo 57
1. MÉTODO PARA AGILIZAR EL CÁLCULO DE EFECTOS E INTERACCIONES*
Se observa que el producto entre una columna Xi y el vector respuesta dividido

todo ello por la mitad del nº de experimentos del diseño determina el efecto de
Xi sobre la respuesta Y.
– Podemos escribir la siguiente igualdad: X1 X2 X1.X2 Y

» EF(Xi) = (Xi . Y) / 2k-1 -1 -1 +1 Y1
– y del mismo modo +1 -1 -1 Y2
» IN(Xi Xm) = (Xim . Y) / 2k-1 -1 +1 -1 Y3
+1 +1 +1 Y4
Todo ello simplifica mucho el calculo. Método matricial todavía más rápido:
*Las interacciones de orden 3 o superior son generalmente despreciables 58

1. MODELO DE PREDICCIÓN A PARTIR DE LOS EFECTOS E INTERACCIONES
Con los factores e interacciones que son significativos, es posible realizar un

modelo de predicción empírico.
El modelo de predicción es una ecuación polinomial derivada de los datos que

expresa la relación entre la respuesta y los factores e interacciones importantes.
El modelo es el siguiente:
donde cada término es:
59
1. MODELO DE PREDICCIÓN – EJEMPLO (Obtención del modelo)

Con los siguientes datos calcular un modelo de predicción empírico.
X1 X2
-1 -1
+1 -1
-1 +1
+1 +1
El modelo de predicción empírico es el siguiente.
60
1. MODELO DE PREDICCIÓN – EJEMPLO (Condiciones para el cribado)
El modelo de predicción empírico, esta sobreajustado (overfitting).
No todos los factores son significativos, por lo tanto, es necesario discriminar

(cribar) aquellos que no son importantes.
El método de Lenth es un método objetivo para decidir qué efectos están activos
en el análisis de experimentos cuando el modelo está sobreajustado.
PSE: Lenth Pseudo Standard Error. Coeficiente basado en la mediana de los efectos
e interacciones del modelo empírico.
ME: Margin of error (margen de error). Coeficiente que emplea el PSE y la función
cuantil de la t-Student. Indica los efectos que son significativos.
SME: Simultaneous margin of error. Coeficiente que emplea el PSE y la función

cuantil de la t-Student. Indica los efectos que son significativos de manera
simultanea. 61
1. MODELO DE PREDICCIÓN – EJEMPLO – Gráficos de interés en R
– Lenth Plot
– Pareto Chart
ME: Margin of error.
SME: Simultaneous margin of error.
Modelo de predicción empírico, no sobreajustado una vez eliminados los efectos e

interacciones no significativos.
62
DISEÑO DE EXPERIMENTOS (DOE) – EFECTOS PRINCIPALES en R-Studio
1. Para diseñar y analizar DOEs en R se emplean las siguientes 3 librerías:
– library("AlgDesign") – facilita la creación de las matrices de diseño.

– library("FrF2") – incluye funciones para graficar DOEs.
– library("BsMD") – incluye la función LenthPlot.
– doe=gen.factorial(levels=2,nVars=3,center=TRUE,varNames = c("A","B","C")) - Se definen

los niveles, las variables, la codificación (-1,1) y el nombre de las variables.
– interaction.plot(B,A,y,col="red",xlab="B",ylab="y",main="IN(AB)") - Se realizan los gráficos

de las interacciones entre 2 variables.
Los siguientes dos comandos generan la matriz de modelo extendida (con interacciones):
– modely=lm(y~.^3,data=doe) - este es el modelo de ajuste.

– M=model.matrix(modely) - M es la matriz de extendida.
– eff=(t(M)%*%y)/(niveles^(nvariables-1)) – Calculo matricial de los efectos de los factores.
– res0=LenthPlot(modely,alpha=0.05) – Cálculo de la distancia de Length para un nivel

significancia (a ) dado. res0 contiene los calculos del ME y SME.
– cubePlot(modely,"A","B","C",main=“Experimentos de 2^3") – gráfico tipo cubo.

63
– EJEMPLO
» Analizar los efectos principales del proceso de templado de las hojas

de acero de los cuchillos de cocina para conocer su dureza.
Factorial 2k
64
– EJEMPLO
» Paso #01: calcular el esfuerzo experimental.
Factores controlables (k=3)

A: Temperatura
B: Tiempo de mantenimiento
C: Medio de enfriamiento
A B C

Acero (Hierro + Carbono)
PROCESO: TEMPLADO Dureza del cuchillo [HRc]
65
– EJEMPLO
» Paso #02: planificar la experimentación. Crear la matriz de diseño 2k
▪ Código en R-Studio
doe=gen.factorial(levels=2,nVars=3,center=TRUE,varNames = c("A","B","C"))
- Se definen los niveles, las variables, la codificación (-1,1) y el nombre de
las variables.
66
– EJEMPLO
» Paso #03: adquisición de datos – dureza acero en [HRc].
▪ Código en R-Studio y=c(55.0,68,56,67,60,56,61,57)

doee=round(cbind(doe,y))
67
– EJEMPLO
» Paso #04: análisis del diseño. Efectos principales e interacciones.
68
– EJEMPLO
» Paso #04: análisis del diseño. Efectos principales e interacciones.
69
– EJEMPLO
» Paso #05: Cribado y obtención del modelo de predicción.
• Todas aquellos efectos e interacciones que estén por

encima del margen de error (ME), se consideran
significativos. Por lo tanto, esos factores serán los que
permanezcan en el modelo de predicción y el resto se
descartarán (no son significativas y se criban).
• Una vez cribado, se obtiene el modelo de predicción.
Código en R-Studio
70
– EJEMPLO
» Paso #06 (Extra): decodificar las variables cuantitativas y categóricas.
Niveles*
Factores
-1 +1
Temperatura A 840º C 900º C
Tiempo de mto. B 1 min 1’15 min
Medio de C Agua Aceite
enfriamiento
Modelo del templado basado en agua Modelo del templado basado en aceite
71
– EJEMPLO
» Paso #06 (Extra): decodificar las variables cuantitativas y categóricas.
Modelo del templado basado en agua Modelo del templado basado en aceite
PREDICIÓN
MODELOS
55,5
67,5
55,5
67,5
60,5
56,5
60,5
56,5 72
All rights reserved
SUPERFICIES DE RESPUESTA
EKAITZ ESTEBAN
DISEÑO DE EXPERIMENTOS (DOE) – SUPERFICIE DE RESPUESTA
1. DISEÑO EXPERIMENTAL: SUPERFICIE DE RESPUESTA
– Los diseños experimentales de superficie de respuesta y el análisis de sus

resultados están orientados a determinar la combinación de factores que
nos permitan comprender mejor el comportamiento de la respuesta
dentro de la región experimental.

PROCESO / PRODUCTO
INPUT(s) RESPUESTA(s)
– Se recomienda realizar diseños de superficie de respuesta una vez se haya

determinado previamente qué factores tienen un efecto significativo en la
respuesta (cribado – screening).
» Hallar configuraciones de producto/proceso mejoradas u óptimas.

» Solucionar problemas de producto/proceso y detectar los puntos débiles.
» Hacer que un producto o proceso sea más robusto frente a los factores no
controlables.
74
– Diseño Box-Behnken (Box-Behnken design)
» El diseño Box-Behnken es una planificación de experimentos cuyo

diseño consta de tres niveles y más de tres factores.
» En la siguiente tabla 1 se resume el esfuerzo experimental para los

diseños Box-Behnken (3 ≤ k ≤ 7).
Tabla 1. Número de experimentos en base al número de factores en el diseño de Box-Behnken
Nº experimentos con Nº experimentos con varios Nº de coeficientes del

Nº de factores
un punto central puntos centrales modelo predictivo
3 13 15, 17 10
4 25 27, 29 15
5 41 46 21
6 49 54 28
7 57 62 36
» Para más información:
Norman R. Draper, Timothy P. Davis, Lourdes Pozueta and Daniel M. Grove (1994). Isolation of Degrees 75
of Freedom for Box-Behnken Designs. Technometrics, 36(3), 283–291. doi:10.2307/1269372
» Interpretación geométrica del diseño de Box-Behnken para 3 factores.
▪ Comparación entre modelo factorial completo 3k y Box-Behnken
Factorial completo 3k Box-Behnken 76

» MODELO de predicción para la respuesta
▪ donde,
o b0 es la constante.
o bi son los coeficientes de primer orden
o bij son los coeficientes de las interacciones para i≠j y los
coeficientes de los términos de segundo orden para i=j.
o e es el error aleatorio.
» De manera matricial.
77
» Análisis del modelo - Superficie de Respuesta
▪ Se analiza el comportamiento de la respuesta con cada pareja de

factores dentro del rango experimental.
78
» Análisis del modelo - Superficie de Respuesta (Cont.)
▪ Se analiza el comportamiento de la respuesta con cada pareja de

factores dentro del rango experimental.
79
» MODELO de predicción para la respuesta
▪ donde,
o b0 es la constante.
o bi son los coeficientes de primer orden
o bij son los coeficientes de las interacciones para i≠j y los
coeficientes de los términos de segundo orden para i=j.
o e es el error aleatorio.
» De manera matricial.
80
DISEÑO DE EXPERIMENTOS (DOE) – SUPERFICIE DE RESPUESTA en R-Studio
1. Para diseñar y analizar DOEs en R se emplean únicamente la siguiente librería:
– library(“rsm") – facilita la creación de las matrices de diseño.
– boxbenhken=bbd(k=3,n0=3,block=FALSE,randomize=FALSE,coding=list(x1~(a-50)/2,
x2~(a-50)/2,…)) - Se definen los factores, puntos centrales, y la codificación (-1, 0, 1).
– y_data <- coded.data(data1,formulas=list(A ~ (Power - 210)/30, B ~ (Ethanol - 80)/10,

C ~ (Time - 30)/15, D ~ (Solvent - 30)/10)) – datos codificados preparados para introducirlo
en la funcion de ajuste del modelo.
– modely=rsm(Y~SO(A,B,C,D),data=yield_data) - este es el modelo de ajuste de Segundo

orden. FO: First Order – PQ: Pure Quadratic – SO: Second Order – TWI: interacciones.
Los siguientes dos comandos generan las superficies de respuesta:
– par(mfrow = c(2,3)) – dividir la pantalla de figuras en 2x3.
– contour(modely,~A+B+C+D,image=TRUE) - esta es la superficie de respuesta en 2D.
– persp(modely,~A+B+C+D,col=terrain.colors(50),contours="colors") - esta es la superficie

de respuesta en 3D.
81
– EJEMPLO
» Replicar el artículo: Application of Box–Behnken design with response

surface methodology for modeling and optimizing ultrasonic oxidation
of arsenite with H2O2
▪ Enlace aquí:
Box-Behnken
82
– EJEMPLO
» Paso #01: calcular el esfuerzo experimental.
▪ Numero de factores k=3

▪ Numero de puntos centrales = 3
83
– EJEMPLO
» Paso #02: planificar la experimentación. Crear el diseño Box-Behnken
Código de R-Studio
boxd=bbd(k=3,n0=3,
block=FALSE,randomize=FALSE)
84
– EJEMPLO
» Paso #02: planificar la experimentación. Crear el diseño Box-Behnken
En base a la siguiente codificación:
85
– EJEMPLO
» Paso #03: adquisición de datos – eficiencia en la oxidación [%].
Código de R-Studio
Y=coded.data(data1,formulas = list(
A ~ (X1-200)/40,B ~ (X2-1)/0.5,C ~ (X3-60)/40))
86
– EJEMPLO
» Paso #04: Obtención del modelo de predicción.
• Todas aquellos efectos e interacciones que estén por

encima del valor t, se consideran significativos.
Código en R-Studio
y_model=rsm(Experimental~SO(A,B,C),data=Y)
87
– EJEMPLO
» Paso #04: Obtención del modelo de predicción. Valorar un cribado!
88
– EJEMPLO
» Paso #05: Obtención del modelo de predicción. – Modelo refinado
Código en R-Studio
y_model=rsm(Experimental~ FO(A,B,C)+I(A*C)+I(A^2)+I(C^2),data=Y)
89
– EJEMPLO
» Paso #06: Análisis de la superficie de respuesta (Superficies 2D).

Código en R-Studio
contour(y_model,~A+B+C,image=TRUE)
90
– EJEMPLO
» Paso #06: Análisis de la superficie de respuesta (Superficies 3D).

Código en R-Studio
persp(y_model,~A+B+C,col=terrain.colors(50),contours="colors")
91
All rights reserved
PROBLEMAS QUE APARECEN
AL APLICAR EL DISEÑO DE
EXPERIMENTOS
EKAITZ ESTEBAN
DISEÑO DE EXPERIMENTOS (DOE): PROBLEMAS Y RIESGOS
1. RIESGOS DEL DISEÑO DE EXPERIMENTOS
– Resulta muy conveniente ser consciente de los problemas que pueden

aparecer en la aplicación del Diseño de Experimentos, para minimizar los
posibles riesgos.
– Básicamente enunciamos las siguientes dificultades, inherentes al Diseño de

Experimentos:
» El peligro del error experimental Factores Respuesta
» La complejidad de los efectos
A B C Y (ayer) Y (hoy)
-1 -1 -1 10 17
+1 -1 -1 12 15
-1 +1 -1 11 7
?
+1 +1 -1 12 23
-1 -1 +1 21 11
+1 -1 +1 23 15
-1 +1 +1 20 9
+1 +1 +1 19 2393
1. ERROR EXPERIMENTAL
Factores Respuesta Concepto:
A B C Y (ayer) Y (hoy) – Experimentos realizados en ciertas
condiciones pueden dar respuestas
-1 -1 -1 10 17 diferentes, y por tanto conclusiones
+1 -1 -1 12 15 diferentes, en función del momento en
que se han realizado tales.
-1 +1 -1 11 7
?
+1 +1 -1 12 23 Causas:
-1 -1 +1 21 11 – El hecho de que la dispersión de los
resultados sea importante se debe a
+1 -1 +1 23 15 que debe haber algún factor, no
-1 +1 +1 20 9 considerado inicialmente, que tiene
una incidencia significativa sobre la
+1 +1 +1 19 23
respuesta.
Solución:
– Identificar todos los factores que pueden resultar influyentes en el proceso. La

correcta definición del problema condiciona la solución del mismo.
– Replicar experimentos. Esto permite evaluar la magnitud del error experimental.
94
1. COMPLEJIDAD DE LOS EFECTOS
– Nada podemos saber de lo que se produce dentro o fuera del dominio de

experimentación, sólo conocemos el comportamiento en la frontera.
Solución:
– Si interesa ampliar el conocimiento en el interior o

exterior del dominio de experimentación, es
preciso realizar más experimentos.
95
All rights reserved
CONTENIDO ADICIONAL:
MODELOS DE BOX-BEHNKEN
EKAITZ ESTEBAN
Box-Behnken Designs – Number of runs
97
98
99
All rights reserved
OTROS DISEÑOS
EKAITZ ESTEBAN
DISEÑO DE EXPERIMENTOS (DOE): OTROS DISEÑOS
1. MATRICES ESTANDARES DE DISEÑO
– La introducción de un
Nº X1 X2 X3 X4 ... Xk nuevo factor implica
duplicar la experi-
1 -1 -1 -1 -1 -1
mentación.
21 2 +1 -1 -1 -1 -1
22 3 -1 +1 -1 -1 -1
4 +1 +1 -1 -1 -1
23 5 ... -1 +1 -1 -1
6 -1 +1 -1 -1
7 +1 +1 -1 -1 – La matriz de diseño se
8 +1 +1 -1 -1 obtiene replicando la
2k
... ... -1 +1 -1 anterior a cada uno
-1 +1 -1
de los niveles de la
... +1
+1
nueva variable.
+1
+1
+1
16 +1
...
+1
2k +1
101
1. DISEÑO FACTORIAL COMPLETO A 3 NIVELES
Todo lo comentado a 2 niveles es válido para j niveles aunque normalmente no se

franquee la barrera de los 2 niveles.
Cuando se desea hacer experimentos a 3 niveles los conceptos de efecto e

interacción carecen de sentido, así como la notación empleada (se aplica el
análisis de la varianza o ANOVA).
Y
EF(X1)23< 0
? EF(X1)12
Hay 2 efectos de X1:

» entre los niveles 1 y 2
» entre los niveles 2 y 3
X1
1 2 3
Se observa que ya en los diseños a 3 niveles el esfuerzo experimental es muy grande.

102
1. DISEÑO FACTORIAL COMPLETO A 3 NIVELES (CONT.)
Existen soluciones más aconsejables que abordar un diseño 3k o superior:
Hacer un diseño a 2 niveles pero con 1 punto central (2k + 1 exp.)
Hacer diseños fraccionados (fractional factorial design), estudiando más

factores con el mismo esfuerzo experimental.
Hacer un primer estudio a 2 niveles de los factores y ampliar el diseño

realizando diseños compuestos (Central Composite design).
103
1. GUIDELINE – SELECCIÓN DEL DISEÑO EXPERIMENTAL
– La elección de un diseño experimental depende de los objetivos del

experimento y del número de factores a investigar.
Número de factores Comparativo Cribado Superficie de respuesta

1-factor completely
1 - -
randomized design
Randomized block Full factorial or Central composite or
2–4
design Fractional factorial Box-Behnken
Randomized block Fractional factorial Screen first to reduce
5 o más
design or Plackett-Burman number of factors
104

Untitled

Cargado por

Información del documento

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Untitled

Cargado por

Copyright:

Formatos disponibles

Todos los derechos reservados

All rights reserved

ESTADÍSTICA APLICADA A I+D

– ¿Qué es un experimento? El experimento se define como un procedimiento

» descubrir un efecto desconocido.

» establecer una hipótesis.

» o ilustrar un efecto conocido.

– ¿Cómo planificar los experimentos, existe alguna metodología?

» Ensayos prueba y error.

» Ensayos probabilísticos o heurísticos.

» Diseño de experimentos (DOE).

– Nombre del alumno: Boniatoff.

– Metodología empleada: Ensayos prueba y error.

– Método: Reacción de Maillard en Olla Coreana.

– Experimentos: Tres factores (marrón, amarillo,

– Número de experimentos necesarios: para encontrar la solución

– Solución: encontrada a los 3.700 experimentos.

– Material necesario: entorno a 4000 boniatos.

– Tiempo necesario: 2 años para finalizar el TFG.

– El diseño de experimentos (Design Of Experiments – DOE) es una

– El problema básico del diseño de experimentos reside en decidir qué

– El objetivo principal es establecer planes experimentales que brinden la

– Todo diseño experimental tiene entradas. La lista de ingredientes:

Factores controlables (k)

Variable(s) de entrada PROCESO: Hornear un Variable(s) de salida

» Se pueden clasificar de diferentes maneras:

Factores de “tratamiento” Factores “molestos” (blocking factors)

Todos aquellos de interés No son factores de interés

Factores experimentales Factores de clasificación

Medidas Etiquetas (labels)

Factores cuantitativos Factores cualitativos

Basado en datos cuantitativos Basado en datos de carácter categórico.

» Es aconsejable “aleatorizar” el orden de experimentación para evitar

» La replicación es interesante para controlar la incertidumbre en la

» Es una técnica para incluir otros factores en los experimentos que

▪ p. ej: en intervenciones con personas, la edad y el género se suelen

– Los pasos prácticos para planificar y realizar experimentos son:

» Planteamiento del problema.

– La elección de un diseño experimental depende de los objetivos del

– Diseño experimental: comparativo (Comparative).

– Diseño experimental: efectos principales – cribado (Screening).

» Optimización – ajuste óptimo mediante modelos de regresión.

– Diseño experimental: superficie de respuesta (Response Surface)

» Optimización de respuestas – ajuste óptimo mediante modelos de

» Optimización de respuestas - los factores son proporciones de una

All rights reserved

ESTADÍSTICA APLICADA A I+D

– Los diseños comparativos consisten en tener uno o varios factores

– y la pregunta de interés es si ese factor es "significativo" o no (es decir,

– Diseño Completamente Aleatorizado (Completely Randomized Designs - CRD)

» Los experimentos comparan los valores de una variable de respuesta en

» Los niveles de los factores principales se asignan aleatoriamente en los

» En la práctica, esta aleatorización se realiza mediante un programa

» El esfuerzo experimental se calcula de la siguiente manera:

– Diseño Completamente Aleatorizado (Completely Randomized Designs - CRD)

yij es la respuesta de cada observación (cada experimento).

» Diferencias significativas entre niveles – ANOVA

– Diseño Completamente Aleatorizado (Completely Randomized Designs - CRD)

» En un invernadero se quiere analizar el efecto de tres fertilizantes distintos

– Diseño Completamente Aleatorizado (Completely Randomized Designs - CRD)

» En un invernadero se quiere analizar el efecto de tres fertilizantes distintos

– Diseño Completamente Aleatorizado (Completely Randomized Designs - CRD)

» Paso #01: determinar el esfuerzo experimental. Recordamos que:

o k = 1 (el único factor es el efecto del fertilizante en la planta).