Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Introducción
La mayoría de las herramientas de toma de decisiones son de mucha ayuda cuando se tiene ausencia de datos
históricos. En el caso del tema anterior de correlación, allí sí se necesitan datos previos si se quiere utilizar
como modelo de predicción, como fue en el ejemplo de Fomy International, en el cual la contadora de la
empresa, Priscila, pudo predecir matemáticamente cuál sería la venta del próximo año.
También la facilidad que brinda la correlación para determinar el grado de asociación entre dos variables, como
en el ejemplo del automóvil de carreras de la escudería CAT, en el tema anterior, donde la Ing. Cinthia Chávez
pudo determinar que el rendimiento de combustible del automóvil en pista puede ser manipulado, e incluso
incrementado, controlando la cantidad de aditivo que se le administraba al vehículo de carreras.
Este último punto es de vital importancia, ya que el conocer si una variable puede impactar a otra o, mejor aún,
el conocer cómo un conjunto de variables o factores pueden lograr una situación deseada, se puede lograr con
el Diseño Experimental, tema que verás a continuación y que en Minitab también puedes encontrar en el menú
de STAT.
Explicación
7.1 Introducción al diseño experimental
El diseño de experimentos fue publicado por vez primera en el libro Statistical methods for research workers
por el matemático, estadístico y científico londinense Sir Ronald Fisher (1890- 1962). De hecho, él es considerado
el creador de la estadística inferencial en 1920.
El diseño experimental surgió de la inquietud de Fisher y otros colegas científicos por explicar ciertas
interrogantes de investigación relacionadas con la investigación aplicada en el campo de la agronomía. George
(2005) menciona en su libro Lean Six Sigma Pocket Tool book que es una de las herramientas más poderosas
para entender la reducción de variabilidad en cualquier proceso.
Ronald Fisher afirma que el diseño de experimentos en cierta forma se sustenta por Thomas Bayes en un
artículo de su autoría en 1763, en el cual se explicaba el uso de la estadística como método inductivo, es decir,
su uso para explicar fenómenos que van de lo particular a lo general.
Variable
de
Variable estudio 1
de
estudio 2
Variable
de
estudio n
Paradigma
Posteriormente, a finales del siglo XIX y principios del Siglo XX, Sir. Francis Galton, Karl Pearson, W.S. Gosset
y el propio Fisher fueron agregando, moldeando y formalizando las teorías y herramientas sobre estadística
como se conoce hoy en día.
El diseño experimental permite realizar una serie de experimentos con el objetivo de maximizar o minimizar una
condición dada. Por ejemplo:
Minimizar una
Maximizar el grosor del Maximizar la engorda de Maximizar la satisfacción protuberancia que se vda
pan en un proceso de ganado porcino en una del cliente hacia un en un proceso de
panificadora. empresa agroindustrial. producto o servicio. moldeo por inyección
determinada.
Factorial completo
Se destaca por desplegar de forma completa
todos los experimentos posibles 2k Por ejemplo:
Factorial fraccionado
El diseño de experimentos factorial fraccionado opera con una parte del experimento. Una ventaja de
éste factorial es que los recursos son manejables y una desventaja sería que las pruebas son más
complicadas y se necesita tener más conocimiento de ellas.
En el caso del factorial fraccionado, éste opera con la mitad del experimento:
23 2x2x2
= = 4 Experimentos a realizar
2 2
Tomando en cuenta los diferentes tipos de diseños experimentales puedes afirmar lo siguiente:
En general, el diseño factorial fraccionado es ampliamente utilizado en otros países, tanto en la industria como
en el área de la administración, ya que permite realizar un menor número de experimentos y así ahorrar
recursos durante el desarrollo de la investigación, y es estadísticamente tan bueno, consistente, fácil de utilizar
y entender, que el resto de sus homólogos (factorial completo, Taguchi y superficie de respuesta).
El campo de acción del diseño experimental en empresas de éxito en el ámbito global ha tenido repercusiones
y aplicaciones en las áreas de:
Manufactura
Agronomía
Servicios
Medicina
Mercadotecnia
Procesos industriales
en general
La resultante del diseño de experimentos te permitirá identificar que combinación de factores y niveles puede
ayudarte a maximizar o minimizar esa condición que tú esperas mejorar y controlar.
Dada la situación económica actual, el administrador general de rancho San Miguel, Lic. Francisco Iván
Campillo, desea mejorar las utilidades de la empresa, buscando la forma de aumentar la engorda del ganado,
respetando las cláusulas de alimentación especificadas por la empresa nipona.
Durante la reunión se establecen los siguientes factores como aquellos que contribuirían a maximizar la engorda
del ganado:
Tipo de alimento
Proteína
Suplemento
alimenticio
Una vez definidos los factores del experimento, el equipo de trabajo define dos niveles (u opciones) por factores:
Sin embargo, para este caso en particular (factorial fraccionado), se requerirán sólo 4 reses:
23 2x2x2
= = 4 Experimentos a realizar
2 2
Lo anterior, debido a que el consejo de accionistas solicitó realizar el experimento en el menor número de
cabezas de ganado posible, disminuyendo también los costos del experimento.
Una vez definido el tipo de experimento 23 (3 factores, 2 niveles), el Lic. Iván Campillo procede a abrir en
Minitab y especificar que se realizará un diseño de experimentos factorial.
aquí
Revisahttps: //bit.ly/3IldxfRel diseño de experimentos factorial de agroindustrial rancho San Miguel.
Como se indica en la tabla anterior, los niveles vienen codificados como “-1” y “1” (círculo morado). Estos
representan la “opción 1” y la “opción 2”.
Sólo basta definir cuáles opciones que estableció el equipo de trabajo serían “-1” y “1” (o sea “opción 1” y
“opción 2”), quedando de la siguiente manera:
Por lo tanto, el equipo de trabajo ya ha terminado la definición, lo que es la fase de diseño del experimento,
quedando de la siguiente manera:
El Std. Order (de la columna 1) define el número de experimento a realizarse (representa el número de vaca):
• A la vaca #1 (flecha verde) se le dará de comer -1, -1, 1, (círculo verde), es decir:
• A la vaca #2 (flecha roja) se le dará de comer 1, -1, -1, (círculo rojo), es decir:
• A la vaca #3 (flecha azul) se le dará de comer -1, 1, -1, (círculo azul), es decir:
El Lic. Iván Campillo establece que para que el experimento se desarrolle de manera adecuada será necesario
cumplir con lo siguiente:
Una vez transcurrido el experimento, durante 3 meses, se realiza el pesaje de las reses, obteniendo los siguientes
resultados:
Vaca #1 = Vaca #2 =
740 kg 900 kg
Vaca #3 = Vaca #4 =
550 Kg 320 Kg
Estos resultados se capturan en Minitab en la columna Resp, de acuerdo al Std Order de la columna 1, quedando
la matriz de la siguiente manera:
Posteriormente se le indica a Minitab el lugar donde se encuentran los resultados del experimento en el Menú
Stat > DOE > Factorial > Analyze Factorial Design:
Después en la siguiente ventana se indica en qué columna se encuentran los resultados del experimento (círculo
amarillo), y se hace clic en ok:
Una vez hecho lo anterior, el software Minitab conocerá dónde se ubican los resultados del experimento.
El último paso para concluir el diseño de experimentos es el encontrar la respuesta óptima en el menú Stat > DOE
> Factorial > Response Optimizer:
Se especifica nuevamente la columna de respuestas (círculo verde) y se hace clic en set up (círculo azul):
En esta otra ventana se selecciona el objetivo del experimento, el cual es maximizar (círculo rojo), y se define un
valor bajo = 0 (lo menos que pudiera pesar una vaca), y un valor meta “target”= 1200.
Aunque es difícil que una vaca alcance 1200 kg cuando el objetivo es “maximizar” siempre hay que poner un valor
meta, mucho más allá del máximo que se pudiera alcanzar. Uno nunca sabe si con el experimento se logre.
Se indica Ok a todas las ventanas, obteniendo los resultados finales del experimento:
En el gráfico anterior se puede observar que la mejor combinación es aquella que viene en números rojos;
-1,-1,-1 (círculo rojo), es decir:
A Alimento: producido
en planta (-1) B Proteína: de Estados
Unidos (-1) C Suplemento: sin
suplemento (-1)
El Lic. Iván Campillo sostiene ante el Consejo de Administración que al administrar esta combinación en la
alimentación del ganado se logra maximizar el peso de la Res a 935 Kg (círculo verde).
Como habrás notado, la combinación que dio el resultado óptimo en el ejercicio anterior (-1,-1,-1), no
pertenece a ninguno de los 4 experimentos (4 vacas) realizados por el equipo de trabajo de Rancho San Miguel
(círculo rojo):
Ni tampoco los 935 kg de la respuesta óptima pertenece a ninguna de las vacas del experimento (círculo azul).
Porque la consistencia estadística del diseño factorial fraccionado lo vuelve un diseño tan bueno, que es como
si se utilizara el diseño factorial completo:
23 2x2x2
Factorial fraccionado: = = 4 experimentos a realizar
2 2
Otro de los comentarios que realizó el equipo de trabajo fue el de que este experimento rompió con la antigua
creencia de que los suplementos alimenticios eran indispensables para la engorda de la res.
Milwaukee Communications
Por lo cual crea un equipo multidisciplinario conformado por ingenieros de diseño, personal de ventas y
mercadotecnia, y determinan las tres características que más podrían atraer a los clientes y las opciones
disponibles:
Una vez seleccionados los factores, sus niveles y la codificación de estos últimos (etiquetando las
opciones “-1” y “1”), Se realiza el diseño factorial fraccionado en Minitab:
23 2x2x2
Factorial fraccionado: = = 4 experimentos a realizar
2 2
aquí
Revisahttps: //bit.ly/3ElxOzFel diseño factorial fraccionado
en Minitab para Milwaukee Communications.
Esta combinación de características es la que maximizaría la satisfacción del cliente. Sin embargo, se
puede realizar un análisis de la respuesta óptima que permita ahorrar costos en el desarrollo de un
producto o idea. Este tema se ampliará en el siguiente subtema.
A su vez permite realizar un análisis de tal manera que —evaluando el impacto que tiene cada factor en la varia-
ble respuesta— puedes realizar propuestas interesantes en cuanto a la viabilidad económica de llevar a cabo
o no lo que indica el modelo.
En el siguiente gráfico se puede observar que la mejor combinación es -1,-1,-1 (círculo rojo), es decir:
aquí
Revisahttps: //bit.ly/3G9GSrQel análisis de la respuesta óptima aplicado al ejemplo del rancho San Miguel.
En el siguiente gráfico se puede observar que la mejor combinación es 0, -1, 1 (círculo rojo), es decir:
aquí
Revisa https: //bit.ly/3rzkFj0 el análisis de la respuesta óptima aplicado
al ejemplo de Milwaukee Communications.
Cierre
El diseño de experimentos factorial fraccionado ayuda al analista de decisiones a emprender ideas de mejora,
e identificar qué factores impactan los resultados esperados. Separa factores significantes de los no signifi-
cantes con una inversión menor en recursos, tiempo y costos.
Los resultados que arroja esta herramienta en ocasiones se logran romper con creencias arraigadas o como
muchos le llaman paradigmas sobre algo que se da por hecho. Como en el caso de Rancho San Miguel y la
creencia de que las proteínas contribuían a la engorda de la res, o como en el caso de Milwaukee Communica-
tions, donde en el departamento de diseño creía fehacientemente que entre más grande la pantalla touch
screen, mayor era la satisfacción del cliente.
Lo cierto es que esta herramienta te ayudará a llevar a cabo experimentos con la garantía de que si se desarro-
lla adecuadamente, se obtendrán excelentes resultados, sin importar las creencias que giren en torno al
proyecto, o la falta de experiencia que se tenga sobre el mismo, la estadística te dará la razón.
Bibliografía
Anderson D.R. (2011). Métodos cuantitativos para los negocios (11ª ed.). México: Cengage Learning.
Capítulo 16
Montgomery, D. (2010). Probabilidad y estadística aplicadas a la ingeniería (2ª ed.). México: Limusa.
Capítulo 12. Diseño de experimentos con varios factores
George, M (2005). Lean Six Sigma Pocket Toolbook. EE. UU.: McGraw-Hill.