Página | 1

CONTENIDO

Introducción……………………………………………………………………………………... 3
Objetivos………………………………………………………………………………………… 3
1. ¿qué son los diseños experimentales?...................................................................................... 4
2. Clasificación y selección de los diseños experimentales……………………………………. 4
3. Diseño completamente al azar………………………………………………………………. 5
4. Diseño de bloques completos al azar………………………………………………………... 6
5. Diseño de cuadro latino……………………………………………………………………... 7
6. Diseños factoriales…………………………………………………………………………... 7
7. Diseños factoriales con dos factores……………………………………………………….... 8
8. Diseños factoriales con tres factores………………………………………………………… 8
9. Introducción al diseño robusto………………………………………………………………. 9
10. Arreglos ortogonales………………………………………………………………………… 9

Conclusiones……………………………………………………………………………………. 11
Bibliografía……………………………………………………………………………………... 12

Página | 2
INTRODUCCIÓN

En general, cuando se quiere mejorar un proceso existen dos maneras básicas de obtener
la información necesaria para ello: una es observar o monitorear vía herramientas
estadísticas, hasta obtener señales útiles que permitan mejorarlo; se dice que ésta es una
estrategia pasiva. La otra manera consiste en experimentar, es decir, hacer cambios
estratégicos y deliberados al proceso para provocar dichas señales útiles. Al analizar los
resultados del experimento se obtienen las pautas a seguir, que muchas veces se concretan
en mejoras sustanciales del proceso. En este sentido, experimentar es mejor que sentarse
a esperar a que el proceso nos indique por sí solo cómo mejorarlo. El diseño de
experimentos es un conjunto de técnicas activas, en el sentido de que no esperan que el
proceso mande las señales útiles, sino que éste se “manipula” para que proporcione la
información que se requiere para su mejora.

OBJETIVOS

 Introducir a los diseños experimentales en la formación académica como una

herramienta que está ligada a la investigación, la operación, la mejora e
innovación de los procesos.

 Conocer los principios básicos de los diseños experimentales y los diseños

comúnmente utilizados para el mejoramiento de procesos.

Página | 3
1. ¿QUÉ SON LOS DISEÑOS EXPERIMENTALES?
Para dar respuesta a esta pregunta debemos primero revisar que nos dicen algunos autores
sobre los diseños experimentales.
 El diseño experimental es el procedimiento de planeación y conducción de
experimentos, así como la definición del análisis estadístico para evaluar los
resultados, con el objetivo de tener conclusiones válidas y objetivas. (Mellado
Bosque).

 El diseño de experimentos es la aplicación del método científico para generar

conocimiento acerca de un sistema o proceso, por medio de pruebas planeadas
adecuadamente. Esta metodología se ha ido consolidando como un conjunto de
técnicas estadísticas y de ingeniería, que permiten entender mejor las situaciones
complejas de relación causa-efecto. (Gutiérez Pullido & De la Vara Salazar,
2008).

 El diseño experimental es el arreglo de las unidades experimentales utilizado para

controlar el error experimental. (Kuehl, 2001).

 Es un esquema para realizar un experimento. Los objetivos de un diseño

experimental son: (1) verificar si la diferencia entre los tratamientos es una
diferencia verdadera o se debe a un proceso al azar, (2) establecer tendencias entre
las variables. (Badii, 2007).
En base a las anteriores definiciones, a modo de compilación y para responder la pregunta,
podemos decir que, los diseños experimentales consisten en planear y realizar un conjunto
de pruebas con el objetivo de generar datos que, al ser analizados estadísticamente,
proporcionen evidencias objetivas que permitan responder las interrogantes planteadas
por el experimentador sobre determinada situación.

2. CLASIFICACIÓN Y SELECCIÓN DE LOS DISEÑOS EXPERIMENTALES

Existen muchos diseños experimentales para estudiar la gran diversidad de problemas o
situaciones que ocurren en la práctica. Esta cantidad de diseños hace necesario saber
cómo elegir el más adecuado para una situación dada y, por ende, es preciso conocer
cómo es que se clasifican los diseños de acuerdo con su objetivo y su alcance.
(Gutiérez Pullido & De la Vara Salazar, 2008) nos proponen los cinco aspectos que más
influyen en la selección de un diseño experimental, estos son:
 El objetivo del experimento.
 El número de factores a estudiar.
 El número de niveles que se prueban en cada factor.
 Los efectos que interesa investigar (relación factores-respuesta).
 El costo del experimento, tiempo y precisión deseada.

Página | 4
El objetivo del experimento se utiliza como un criterio general de clasificación de los
diseños experimentales. En este sentido, se pueden clasificar según la Figura 1.

Figura 1 Clasificación de los diseños experimentales.

Fuente (Gutiérez Pullido & De la Vara Salazar, 2008).

En la figura 1 se muestra la clasificación general de los diseños experimentales de acuerdo

con su objetivo. Dentro de cada rama se pueden clasificar de acuerdo al número de
factores, al tipo de efectos que se pretende estudiar y según las restricciones existentes.
En la misma figura se listan los diseños particulares más representativos de cada rama.
Se revisará con detalle los diseños más importantes.

3. DISEÑO COMPLETAMENTE AL AZAR

Es el más simple de todos los diseños que se utilizan para comparar dos o más
tratamientos, dado que sólo consideran dos fuentes de variabilidad: los tratamientos y el
error aleatorio. Este diseño se llama completamente al azar porque todas las corridas
experimentales se realizan en orden aleatorio completo. De esta manera, si durante el
estudio se hacen en total N pruebas, éstas se corren al azar, de manera que los posibles
efectos ambientales y temporales se vayan repartiendo equitativamente entre los
tratamientos. (Gutiérez Pullido & De la Vara Salazar, 2008).
Ventajas del diseño
 Permite flexibilidad completa (cualquier número de tratamientos y de
repeticiones). Todo el material experimental disponible puede usarse.

Página | 5
  El análisis estadístico es fácil (aún con diferentes números de repeticiones), o si
los errores experimentales difieren de un tratamiento a otro.
 Método de análisis aún sigue siendo sencillo, cuando existe la perdida relativa de
información.
 El diseño es capaz de estimar el error estándar por unidad experimental (error
experimental) con un mayor grado de precisión.

4. DISEÑO DE BLOQUES COMPLETOS AL AZAR

Cuando se quieren comparar ciertos tratamientos o estudiar el efecto de un factor, es
deseable que las posibles diferencias se deban principalmente al factor de interés y no a
otros factores que no se consideran en el estudio. Cuando esto no ocurre y existen otros
factores que no se controlan o nulifican para hacer la comparación, las conclusiones
podrían ser afectadas sensiblemente. A los factores adicionales al factor de interés que se
incorporan de manera explícita en un experimento comparativo se les llama factores de
bloque. Éstos tienen la particularidad de que no se incluyen en el experimento porque
interese analizar su efecto, sino como un medio para estudiar de manera adecuada y eficaz
al factor de interés. (Gutiérez Pullido & De la Vara Salazar, 2008).
En un diseño en bloques completos al azar se consideran tres fuentes de variabilidad: el
factor de tratamientos, el factor de bloque y el error aleatorio, es decir, se tienen tres
posibles “culpables” de la variabilidad presente en los datos. La palabra completo en el
nombre del diseño se debe a que en cada bloque se prueban todos los tratamientos, o sea,
los bloques están completos. La aleatorización se hace dentro de cada bloque; por lo tanto,
no se realiza de manera total como en el diseño completamente al azar. El hecho de que
existan bloques hace que no sea práctico o que incluso sea imposible aleatorizar en su
totalidad. (Gutiérez Pullido & De la Vara Salazar, 2008).
Mantener la variabilidad entre unidades experimentales dentro de un bloque tan pequeño
como sea posible y maximizar las diferencias entre bloques. Si no hay diferencia entre
los bloques, este diseño no contribuirá a la precisión para detectar las diferencias de
tratamientos.
Cada tratamiento es asignado el mismo número de veces a unidades experimentales
dentro de un bloque, usualmente una vez (de veces más).
Por regla general, es más eficiente tener una sola repetición de cada tratamiento por
bloque. A fin de minimizar el error experimental, deben tomarse todas las precauciones
para tratar las unidades experimentales dentro de un bloque lo más uniformemente
posible. Los bloques pueden estar constituidos por áreas compactas de un campo, grupos
de animales que pueden manipularse de un modo uniforme, o diferentes tiempos de
aplicación de tratamientos a unidades experimentales.

Página | 6
5. DISEÑO DE CUADRO LATINO
En este diseño, la distribución aleatoria de los tratamientos se restringe más ampliamente
mediante la agrupación de los mismos, tanto en columnas como en hileras (bloques). Así
resulta posible eliminar la variabilidad del error experimental asociada con ambos efectos.
En el diseño en cuadro latino se controlan dos factores de bloque y se estudia un factor
de tratamientos, por lo que se tienen cuatro fuentes de variabilidad que pueden afectar la
respuesta observada, éstas son: los tratamientos, el factor de bloque I (columnas), el factor
de bloque II (renglones) y el error aleatorio. Se llama cuadro latino por dos razones: es
un cuadro debido a que tiene la restricción adicional de que los tres factores involucrados
se prueban en la misma cantidad de niveles, y es latino porque se utilizan letras latinas
para denotar a los tratamientos o niveles del factor de interés. Sean A, B, C, …, K, los k
tratamientos a comparar, por lo tanto, ambos factores de bloques tienen también k niveles
cada uno. (Gutiérez Pullido & De la Vara Salazar, 2008).

6. DISEÑOS FACTORIALES
Con frecuencia, las interpretaciones claras de los efectos para un factor de tratamiento
deben tomar en cuenta los efectos de los otros factores. Para investigar más de un factor
a la vez, se desarrolló un tipo especial de diseño de tratamientos, el diseño factorial. Los
diseños factoriales producen experimentos más eficientes, pues cada observación
proporciona información sobre todos los factores, y es factible ver las respuestas de un
factor en diferentes niveles de otro factor en el mismo experimento. La respuesta a
cualquier factor observado en diferentes condiciones indica si los factores actúan en las
unidades experimentales de manera independiente. La interacción entre factores ocurre
cuando su actuación no es independiente. (Kuehl, 2001).
Los factores pueden ser de tipo cualitativo (máquinas, tipos de material, operador, la
presencia o ausencia de una operación previa, etc.), o de tipo cuantitativo (temperatura,
humedad, velocidad, presión, etc.). Para estudiar la manera en que influye cada factor
sobre la variable de respuesta es necesario elegir al menos dos niveles de prueba para
cada uno de ellos. Con el diseño factorial completo se corren aleatoriamente todas las
posibles combinaciones que pueden formarse con los niveles de los factores a investigar.
Ventajas de los diseños factoriales
 Permiten estudiar el efecto individual y de interacción de los distintos factores.
 Son diseños que se pueden aumentar para formar diseños compuestos en caso de
que se requiera una exploración más completa.
 Se pueden correr fracciones de diseños factoriales, las cuales son de gran utilidad
en las primeras etapas de una investigación que involucra a muchos factores,
cuando interesa descartar de manera económica los que no son importantes, antes
de hacer un estudio más detallado con los factores que sí son importantes.
 Pueden utilizarse en combinación con diseños de bloques en situaciones en las
que no puede correrse todo el diseño factorial bajo las mismas condiciones.

Página | 7
  La interpretación y el cálculo de los efectos en los experimentos factoriales se
puede hacer con aritmética elemental, en particular cuando cada factor se prueba
en dos niveles.

7. DISEÑOS FACTORIALES CON DOS FACTORES

Considere los factores A y B con ay b (a,b ≥ 2) niveles de prueba, respectivamente. Con
ellos se puede construir el arreglo o diseño factorial a × b, el cual consiste en a × b
tratamientos. Algunos casos particulares de uso frecuente son: el factorial 22, el factorial
32 y el factorial 3 × 2. Se llama réplica a cada corrida completa del arreglo factorial. Los
diseños factoriales que involucran menos de cuatro factores por lo regular se corren
replicados para tener la potencia necesaria en las pruebas estadísticas sobre los efectos de
interés. Si se hacen n réplicas, el número total de corridas experimentales es n(a × b).
(Gutiérez Pullido & De la Vara Salazar, 2008).
Con un diseño factorial 22 se estudia el efecto de dos factores considerando dos niveles
en cada uno. Cada réplica de este diseño consiste de 2 × 2 = 4 combinaciones.

8. DISEÑOS FACTORIALES CON TRES FACTORES

El diseño con dos factores permite la investigación de la interacción de primer orden o
doble, AB. En el diseño con tres factores las dos interacciones de primer orden
adicionales, AC y BC, amplían las inferencias del estudio y debe considerarse además
una interacción de segundo orden o de tres factores (o triple), ABC. Las interacciones de
tercer orden o de cuatro factores como ABCD, introducen mayor complejidad en la
estructura de la inferencia de la interacción. (Kuehl, 2001).
Cuando se quiere investigar la influencia de tres factores (A, B y C) sobre una o más
variables de respuesta, y el número de niveles de prueba en cada uno de los factores es a,
b y c, respectivamente, se puede construir el arreglo factorial a × b × c, que consiste de a
× b × c tratamientos o puntos experimentales. Entre los arreglos de este tipo que se utilizan
con frecuencia en aplicaciones diversas se encuentran: el factorial 23, el factorial 33 y los
factoriales mixtos con no más de cuatro niveles en dos de los factores, por ejemplo, el
factorial 4 × 3 × 2 y el factorial 4 × 4 × 2, por mencionar dos de ellos. El estudio factorial
de tres factores (A, B y C) permite investigar los efectos: A, B, C, AB, AC, BC y ABC,
donde el nivel de desglose o detalle con el que pueden estudiarse depende del número de
niveles utilizado en cada factor. Por ejemplo, si un factor se prueba en dos niveles, todo
su efecto marginal (individual) es lineal, o sea que su efecto individual no se puede
descomponer; pero, si tuviera tres niveles su efecto marginal se puede descomponer en
una parte lineal y otra cuadrática pura. (Gutiérez Pullido & De la Vara Salazar, 2008).
Con el diseño factorial 23 se estudian tres factores en dos niveles cada uno.
Consta de 23 = 2 × 2 × 2 = 8 tratamientos diferentes.

Página | 8
9. INTRODUCCIÓN AL DISEÑO ROBUSTO
El diseño robusto tiene su origen en las ideas del ingeniero japonés Genichi Taguchi,
quien desarrolló su propia filosofía y métodos de ingeniería de la calidad desde la década
de 1950. Fue a partir del éxito de los japoneses en industrias tan importantes como la
automotriz y la electrónica que Occidente comienza a fijarse en los métodos utilizados
por ellos. De esta manera, los métodos de Taguchi y de otros autores japoneses se
introducen en Estados Unidos a partir de la década de los años ochenta. Taguchi hace
varias contribuciones a la calidad. Es precisamente en el diseño de experimentos donde
hace sus aportaciones más importantes, con la introducción de lo que él llama diseño de
parámetros (Taguchi, 1987).
Un diseño robusto es un experimento en el cual existen factores de ruido (no
controlables), considerados de manera explícita o implícita, cuyo efecto se pretende
minimizar de forma indirecta (o sea sin controlarlo directamente), a fin de encontrar la
combinación de niveles de los factores de proceso que sí se pueden controlar, y en donde
el efecto de dichos factores de ruido es mínimo. Dicho de otra manera, en un experimento
robusto se trata de lograr que el producto/proceso tenga el desempeño deseado sin que le
afecten las fuentes de variación no controladas. El objetivo fundamental de un diseño
robusto es determinar la combinación de niveles de los factores controlables, en donde
los factores de ruido no afecten al proceso, aunque estos últimos no se controlen.

10. ARREGLOS ORTOGONALES

Los arreglos ortogonales son diseños propuestos por Taguchi que, como su nombre lo
indica, tienen la propiedad de ortogonalidad2, misma que también poseen los diseños
factoriales clásicos. Estos arreglos son diseños factoriales completos, fraccionados o
mixtos, dependiendo del número de factores a estudiar en un caso particular.
Por ejemplo, el arreglo ortogonal L8 (AO_L8) tiene ocho corridas experimentales, y con
él se pue den estudiar desde dos hasta siete factores en dos niveles cada uno (Figura 2).
Si se estudian siete factores equivale a un diseño factorial fraccionado 2 III 7 – 3, mientras
que con dos factores sería un factorial completo 22 con dos réplicas. Para menos de siete
factores es necesario saber a cuáles columnas del arreglo deben asignarse los factores,
para tener la estructura alias que permita estudiar lo más claro posible a esos factores. Por
ejemplo, al estudiar cuatro factores con el arreglo L8, éstos se deben asignar a las
columnas 1, 2, 4 y 7, para obtener la información con la calidad de la fracción 2IV 4 – 1 con
generador I = ABCD. (Gutiérez Pullido & De la Vara Salazar, 2008).

Página | 9
 Figura 2 Arreglos ortogonales más frecuentes.
Fuente (Gutiérez Pullido & De la Vara Salazar, 2008).

Página | 10
CONCLUSIONES

 El diseño de experimentos consiste en determinar cuáles pruebas se deben realizar

y de qué manera, para obtener datos que, al ser analizados estadísticamente,
proporcionen evidencias objetivas que permitan responder las interrogantes
planteadas, y de esa manera clarificar los aspectos inciertos de un proceso,
resolver un problema o lograr mejoras.

 El saber diseños experimentales y otras técnicas estadísticas, en combinación con

conocimientos del proceso, sitúan al responsable del mismo como un observador
perceptivo y proactivo que es capaz de proponer mejoras y de observar
oportunidades de mejora en el proceso y en los datos donde otras personas no ven
nada.

Página | 11
BIBLIOGRAFÍA

Badii, M. J. (2007). Diseños experimentales e investigación científica. México: UANL.

Gutiérez Pullido, H., & De la Vara Salazar, R. (2008). Análisis y diseño de experimentos. México:
McGRAW-HILL/INTERAMERICANA EDITORES.

Kuehl, R. O. (2001). Diseño de experimentos Principios estadísticos de diseño. México:

International Thomson Editores.

Mellado Bosque, J. A. (s.f.). Diseños Experimentales. México: UAAAN.

Taguchi, G. (1987). System of experimental design. Nueva York: UNIPUB.

Página | 12