DISEÑO

EXPERIMENTAL
El diseño experimental es una técnica estadística que permite
identificar y cuantificar las causas de un efecto dentro de un 
estudio experimental. En un diseño experimental se manipulan
deliberadamente una o más variables, vinculadas a las causas,
para medir el efecto que tienen en otra variable de interés. El
diseño experimental prescribe una serie de pautas relativas qué
variables hay que manipular, de qué manera, cuántas veces hay
que repetir el experimento y en qué orden para poder establecer
con un grado de confianza predefinido la necesidad de una
presunta relación de causa-efecto.
Perspectiva histórica
Ronald Fisher es considerado el padre del
diseño experimental en sus estudios de
agronomía en el primer tercio del siglo XX. A
la lista de los pioneros de su uso hay que
añadir los de Frank Yates, W.G. Cochran y 
G.E.P. Box. Muchas de las aplicaciones
originarias del diseño experimental
estuvieron relacionadas con la agricultura y la
biología, disciplinas de las que procede parte
de la terminología propia de dicha técnica.
¿Qué es Diseño factorial?
En estadística, un experimento factorial completo es un
experimento cuyo diseño consta de dos o más 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,
así como el efecto de las interacciones entre factores sobre dicha
variable.
Historia
Los diseños factoriales fueron utilizados en el siglo XIX por Jhon
Bennet Lawes y Henry J. Gilbert de la Estación experimental de
Rothamsted.[1] Ronald Fisher discutió en 1926 que los diseños
«complejos», como diseños factoriales, eran más eficientes que
estudiando un factor a la vez.[2] Fisher escribió: «ningún aforismo
 se repite tan frecuentemente respecto de las pruebas de campo, que
aquel de que a la Naturaleza debemos hacerle pocas preguntas, o,
idealmente, hacérselas de a una. Quien escribe es un convencido de
que este punto de vista está totalmente equivocado.» 
• Notación
Para ahorrar el espacio, los puntos en un experimento factorial de
dos niveles se abrevian a menudo con las cadenas de más y signos
de menos. Las secuencias tienen tantos símbolos 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 también abreviar cerca , a, b, y el
ab, donde la presencia de una letra indica que el factor
especificado está en su alto (o en segundo lugar) nivel y la
ausencia de una letra indica que el factor especificado está en su
(o primero) nivel bajo (por ejemplo, “a” indica que el factor A
está en su alto ajuste, mientras que el resto de los factores están en
su ajuste del punto bajo (o primero)). (1) se utiliza indicar que
todos los factores están en sus (o primero) valores más bajos.
Diagrama de cubo para 3 dimensiones
usando variables A, B y C.
Análisis de Yates
La técnica fundamental consiste en repartir el total en
componentes mediante sumas de cuadrados. Esta técnica tuvo
efectos secundarios en el modelo. Por ejemplo, demostramos el
modelo para un ANOVA simplificado con un tipo de tratamiento
en diversos niveles.

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

especifican distribuciones χ² que describen las sumas asociadas
de cuadrados.
Principios de Fisher
El biólogo y estadístico inglés 
Ronald Fisher propuso una metodología
por el diseño de experimentos en sus
libros The Arrangement of Field
Experiments (1926) y The Design of
Experiments (1935). Mucho de su obra
pionera trató de las aplicaciones agrícolas
de sus métodos de estadística. Por ejemplo,
describió cómo probar la hipótesis de 
la catadora de té. Estos métodos se han
adaptado en las ciencias sociales y físicas y
se usan todavía en la ingeniería agrícola y
que se difieren del diseño y análisis de
experimentos de computación.
- Comparación
- Aleatorización
- Réplica estadística
DISEÑO
FACTORIAL 2k
TERMINOLOGIA

Respuesta Es el resultado de cada uno de los experimentos

Experimento Es un procedimiento para  comprobar (confirmar o

verificar) una o varias hipótesis relacionadas con un
determinado fenómeno.

Factor Son las variables de las que se considera que depende la

respuesta.

Niveles Son los valores que toma un factor.

+Cuantitativos +Cualitativos
Efecto: Es el cambio de la respuesta producida por un
cambio en el nivel del factor.

Replica: Las veces que se repite el experimento

Interacción: El efecto producido por la acción de un factor,

influido por la presencia de otro. Es un efecto
combinado de dos o más factores.
DEFINICION

Se presenta cuando existen 2 o mas factores de interés.

Se analizaran todas las posibles combinaciones de los 2
niveles de los factores para estudiar el efecto conjunto de estos
sobre una respuesta.
Estos niveles pueden ser cualitativos o cuantitativos
Proporcionar el menor numero de ensayos con los que se
pueden estudiar “k” factores en un diseño factorial completo.
Ventajas
• Son mas eficientes que los experimentos de un factor a la vez.
• Son mas útiles cuando existen interacción entre los factores,
evitando las conclusiones engañosas.
• Permiten estimar los efectos de un factor en diversos niveles de
los otros factores.
DISEÑO FACTORIAL 2K PARA K = 2
En este sencillo diseño se consideran 2 factores “A” y “B” los
cuales poseen únicamente 2 niveles.
Estos niveles se representan como el nivel alto o high (+) y el
otro bajo o low (-).
 AA BB Combinación
Combinacióndede Nomenclatura
Nomenclaturade de
Tratamientos
Tratamientos Tratamientos
Tratamientos
0 0
-- -- AAlow
low , , BBlow
low aab0b0==(1) (1)
1 0
++ -- AAhigh
high , , BBlow
low aab1b0==aa
-- ++ AAlow
low , , BBhigh
high aa0b0b1 1==bb
++ ++ AAhigh , B high
high , B high aa1b1b1 1==ab
ab
EFECTO PRINCIPAL DE UN
FACTOR

Al cambiar de nivel en el factor A se produce un cambio

en la respuesta promedio de 21.
INTERACCION DE FACTORES

Cuando existe una

interacción significa
que un factor depende
del nivel del otro
factor
Efecto
SUMA DE
CUADRADOS
DISEÑO FACTORIAL 2 K PARA K =
3
Es un diseño de 3 factores, cada uno a 2 niveles y consta de 8
combinaciones. Geométricamente el diseño es un cubo, cuyas
esquinas son las 8 combinaciones. Este diseño permite estimar
los 3 efectos principales (A, B, y C), las tres interacciones de dos
factores (AB, AC, BC) y la interacción de los tres factores
(ABC).
Aplicaciones según la clasificación de la
industria
Industrias pesadas o de base

• Química pesada

Estudio de la composición para la elaboración de productos:

Estudio de los valores más apropiados para la elaboración de
compuestos químicos que requieran diversos componentes.
Análisis del efecto de las condiciones del entorno en la
elaboración del producto como la temperatura ambiente,
humedad relativa etc.
Industrias de bienes de equipo

• Maquinaria

Medida de la variabilidad de los instrumentos de medida: Es

posible aplicar el diseño de experimentos como herramienta para
determinar y mejorar los índices de capacidad de un proceso
concreto apoyándose en estudios de reproducibilidad y
repetitividad.

Diseño de motores eléctricos: Estudio de las características

constructivas del motor y su influencia en variables importantes
como la pérdida de flujo y la constante de velocidad.
Diseño de electrodos: Estudio de los esfuerzos en los electrodos
en función de la fuerza de aplicación y el tamaño del electrodo.

Diseño de elementos de sujeción: Análisis de la influencia de

los parámetros geométricos en la resistencia de los remaches.

• Materiales de construcción

Estudios de corrosión: Estudios de la influencia del tiempo en la

corrosión de aceros de construcción y metales en general.

Aplicaciones en el mecanizado: Estudio de la variabilidad en los

procesos de mecanizado, ayuda a la reducción de piezas
defectuosas y aumento de la capacidad de producción.
• Producción de vehículos industriales

Estudio de procesos de soldadura: Estudio de un proceso de

soldadura, para determinar las variables que influyen en la
resistencia de la soldadura.

• Industria aeronáutica

Optimización del proceso de anodizado y pintado: Optimizar

los procesos de anodizado y pintado para conseguir una buena
protección anticorrosión.
Industrias ligeras o de uso y consumo
• Farmacia y química ligera

• Informática y telecomunicaciones

Estudio del rendimiento de una red informática: Realizando

simulaciones es posible cuantificar el rendimiento y las variables
críticas que hacen que la transferencia de datos en la red sea
económicamente rentable.

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.
Reducción del tiempo del CPU: El estudio se basa en la
aplicación del diseño de experimentos para determinar la mejor
combinación de factores que reduzcan el tiempo de CPU.

Optimización de materiales en semiconductores: Estudio de las

propiedades eléctricas del arsienuro de galio dopado con silano.

Diseño de filtros pasivos: Se utiliza el diseño de experimentos

para determinar los valores de las tolerancias de los componentes
para optimizar los circuitos.

• Biotecnología

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.
 Pasos para el diseño de un experimento
• Observación
• Planteamiento del problema de investigación
• Objetivos
• Hipótesis: hipótesis nula (Ho) e hipótesis alterna
• Método (incluye la elección de los sujetos para la conformación de la muestra;
el procedimiento, es decir, el tratamiento a los sujetos;
las variables consideradas: variable dependiente, variable
independiente, variables extrañas)
• Resultados: aquí se describen cuáles fueron las relaciones observadas entre las
variables (si los valores de la variable independiente realmente influyeron
significativamente sobre los de la variable dependiente, si hubo tantas variables
extrañas como se pensaba o si surgieron otras), para lo cual se añaden a dicha
descripción tanto gráficas (de barras, de pastel, etc.) como cuadros.
• Conclusiones
 Un ejemplo
Un ingeniero quiere estudiar la resistencia de una pieza plástica sometida a
temperaturas cambiantes. La pieza puede ser elaborada con tres tipos de plástico
distintos. De ahí que se plantee las siguientes preguntas:
• ¿Qué efecto tienen la composición de la pieza y la temperatura en la resistencia de la
pieza?
• ¿Existe algún material con el que la pieza resulte más resistente que con cualquiera
de los otros dos independientemente de la temperatura?
Para darles respuesta, el ingeniero se plantea realizar una batería de experimentos.
Cada uno de ellos consiste en tomar una pieza de un material dado, someterla a una
temperatura prefijada y aplicarle una presión hasta que la pieza se quiebre. El grado de
presión necesario será la medida de resistencia de la pieza.
Por fijar ideas, selecciona tres temperaturas, -20 °C, 20 °C y 60 °C. Por lo tanto, puede
realizar 9, es decir, 3x3, pruebas distintas. Además, decide repetir cada una de las 9
pruebas 4 veces cada una. Finalmente, decide aleatorizar las pruebas, es decir,
desordenarlas aleatoriamente en el tiempo.
Tras realizar los experimentos, obtiene 36, es decir, 4x9, medidas de resistencia
distintas. A partir de ese momento, realiza un estudio cuantitativo utilizando técnicas
estadísticas, como la ANOVA, que ya no forman parte propiamente de la fase del
diseño experimental.
 Ejemplo numérico
Una empresa manufacturera desea saber que factores son más importantes en
el proceso de mecanizado, para obtener el mejor acabado superficial en uno de
sus productos. Para realizar el experimento se han identificado 3 parámetros
que se consideran de importancia, la velocidad de giro de la máquina, el
avance y el radio de la herramienta. Se ha decido realizar un experimento a
dos niveles (alto y bajo), con 3 factores.
Los datos tomados son los siguientes.
Radio de la
Velocidad de giro Acabado
Corrida Avance (mm/rev) herramienta
(RPM) superficial
(pulgadas)o
1 588 0,004 1/64 50,50,55,50
2 588 0,004 1/32 145,150,100,110
3 588 0,008 1/64 160,160,160,155
4 588 0,008 1/32 180,190,195,200
5 1182 0,004 1/64 60,60,60,55
6 1182 0,004 1/32 25,35,35,30
7 1182 0,008 1/64 160,160,160,160
8 1182 0,008 1/32 80,70,70,80
Para el análisis del experimento se toma la siguiente notación
• Factor A: Velocidad de giro (RPM)
• Factor B: Avance (mm/rev)
• Factor C: Radio de la herramienta ( pulgadas)
• Respuesta: Acabado superficial
Primero es necesario definir la matriz que tome tanto los efectos principales, como las
interacciones entre ellas. según muchos autores, se suele despreciar las interacciones de
tercer orden o superiores ya que no influyen de manera significativa.17​ La matriz para
nuestro caso, queda como sigue.

Combinaciones de
A B C AB AC BC ABC RESPUESTA
Tratamientos
1 -1 -1 -1 1 1 1 -1 145,150,100,110
a 1 -1 -1 -1 -1 1 1 25,35,35,30
b -1 1 -1 -1 1 -1 1 180,200,190,195
ab 1 1 -1 1 -1 -1 -1 70,70,80,80
c -1 -1 1 1 -1 -1 1 50,50,50,55
ac 1 -1 1 -1 1 -1 -1 55,60,60,60
bc -1 1 1 -1 -1 1 -1 155,160,160,160
abc 1 1 1 1 1 1 1 160,160,160,160

Con esta matriz se pasa a realizar el análisis de la influencia de cada componente sobre
la respuesta utilizando el análisis de la varianza (ANOVA).
La tabla ANOVA inicial queda como sigue:

Fuentes de Suma de grados de Cuadrado

Contraste Fo Ft
Variación Cuadrados libertad Medio
A -810 20503,125 1 20503,125 212,789189 4,2596
B 1270 50403,125 1 50403,125 523,102703 4,2596
C 20 12,5 1 12,5 0,1297 4,2596
AB -110 378,125 1 378,125 3,92432 4,2596
BC 400 5000 1 5000 51,89189 4,2596
AC 880 24200 1 24200 251,1567 4,2596
ABC 60 112,5 1 112,5 1,1675 4,2596
ERROR 2312,5 24 96,3541667 34,02659
TOTAL 102921,875 31 3320,06048

Se puede apreciar en la tabla inicial que las interacciones ABC, no afectan

significativamente a la respuesta, pues su Fo es menor a Ft. Así pues eliminamos la
interacción ABC (antes se había mencionado que estos efectos son despreciables de
manera directa por varios autores), y pasamos a recalcular la tabla ANOVA, y
eliminamos aquellos elementos cuyas Fo sean menor a Ft. Es necesario recordar que no
es posible eliminar los efectos principales si existen interacciones dobles donde estas se
encuentren, es decir no es posible eliminar A, sin antes haber eliminado AC y AB.
La tabla final de la ANOVA es la siguiente.

Fuentes de Suma de grados de Cuadrado

Contraste Fo Ft
Variación Cuadrados libertad Medio
A -810 20503,125 1 20503,125 212,789189 4,2252
B 1270 50403,125 1 50403,125 523,102703 4,2252
C 20 12,5 1 12,5 0,1297 4,2252
BC 400 5000 1 5000 51,89189 4,2252
AC 880 24200 1 24200 251,1567 4,2252
ERROR 2803,,125 26 107,8125 38,0730051
TOTAL 102921,875 31 3320,06048

Como se puede apreciar en la tabla, no es posible eliminar el efecto principal C aun si

su Fo es menor a su Ft, ya que existen las interacciones BC y AC las cuales son
significativas. La tabla ANOVA nos muestra que la influencia de los efectos principales
A,B,C y los interacciones dobles AC y BC tienen una importancia no despreciable en
la respuesta. Para cuantificar que tanto influye cada elemento, pasamos a calcular su
efecto y los coeficientes de la ecuación que predecirá la respuesta en función de los
elementos que hemos considerado como importantes.
 Intersección de la
Fuentes de Variación Efecto Coeficiente
recta
A 5125,7815 2562,89063 106,5625
B 12600,7813 6300,39063
C 3,125 1,5625
BC !250 625
AC 6050 3025
El diagrama de Pareto para nuestro caso, revela el peso que tiene cada elemento en la respuesta. Se
puede apreciar la importancia de cada elemento en orden descendente.
1. Avance: es la variable que más influye en el acabado superficial, si se quiere tener una mejor
respuesta es necesario actuar sobre esta variable.
2. Velocidad de Giro y radio de la herramienta: esta interacción doble representa también una
variable no menospreciable y la actuación sobre estas dos variables lograra tener una mejor
respuesta.
3. Velocidad de Giro: si bien parece que esta en tercer lugar, su efecto en la respuesta es casi
idéntica a la interacción doble, por lo que es actuar sobre esta variable mejoraría la respuesta.
4. Avance y radio de la herramienta: el efecto conjunto de estas dos variables muestra una
influencia en la respuesta significativa estadísticamente pero no tan grande como las
anteriores.
5. Radio de la herramienta: su efecto es casi imperceptible sin embargo no es posible eliminarla
por la existencia de interacciones dobles
Gracias