DISEO DE EXPERIMENTOS Y SU APLICACIN EN LA INDUSTRIA

Isidro Jess Gonzlez Hernndez [a]

RESUMEN
Los escenarios que rodean a las industrias hoy, en da en un mundo globalizado donde los
adelantos tecnolgicos y cientficos estn en constante evolucin, hacen que el nivel de calidad
de los productos y servicios sea cada vez mayor.
En la actualidad uno de los factores claves para el xito de una industria, es hacer uso de toda
de su capacidad de conocimiento y aprendizaje, as como de su experiencia. La
experimentacin en las industrias es uno de los elementos que ms pueden contribuir al
aprendizaje y a la mejora de los productos y procesos.
La aplicacin del Diseo de Experimentos (DoE) se presenta como una herramienta efectiva
para entender y optimizar los procesos y productos en la industria. La metodologa estadstica
por excelencia para optimizar la experimentacin se conoce como Diseo de Experimentos. Se
define simplemente como un mtodo para aplicar sistemticamente la estadstica al proceso de
experimentacin. Se puede definir como la realizacin de un conjunto de pruebas en las cuales
se realizan cambios voluntarios a los parmetros de control de un proceso o sistema, cuyo
objetivo es observar e identificar las razones de los cambios en la variable de estudio o
respuesta y cuantificarla.
Los experimentos en la industria moderna son ms complicados, porque son muchos los
factores que son susceptibles de controlarse y que afectan a los productos y/o procesos, de
aqu que son muchas combinaciones de dichos factores que se deben probar para obtener
resultados vlidos y consistentes.
En la industria, el diseo de experimentos suele aplicarse bsicamente en dos reas: el diseo
y la mejora de procesos y productos. Pero la mayora de los problemas industriales, estn
condicionadas por el tiempo y el presupuesto, lo que supone una limitacin importante a la hora
de experimentar. Por eso todas las industrias o empresas deberan intentar responder antes de
realizar sus experimentos la siguiente pregunta, Cmo puedo obtener de los experimentos la
mayor informacin posible y de la manera ms eficiente?
El objetivo del ensayo es presentar una breve descripcin terica del proceso de planificacin
del diseo de los experimentos y los modelos estadsticos empleados en el Diseo de
Experimentos.

Palabras clave: Estadstica, Diseo de Experimentos, Media, Varianza, Anlisis de la Varianza

(ANOVA), Diseo de bloques completos, Diseos Factoriales, Diseo factorial 2k, Diseos
Anidados y Superficies de Respuesta.
 ABSTRACT
The scenarios surrounding industries today, is a globalized world where scientific and
technological advances are constantly evolving, make the quality of products and services grow.
Currently one of the key factors for the success of an industry is to use all of its capacity for
knowledge and learning, and their experience. Experimentation in industries is one of the
elements that can contribute to learning and improvement of products and processes.
The application of Design of Experiments (DoE) is presented as an effective tool for
understanding and optimizing the processes and products in the industry. The statistical
methodology to optimize experimentation is called Design of Experiments. Is simply defined as
a method of systematically applying statistics to experimentation process. It can be defined as
the realization of a set of tests for make voluntary changes to the control parameters of a process
or system, whose objective is to observe and identify the reasons of the changes in the study or
response variable and quantify it.
The experiments in modern industry are more complicated, because there are many factors that
are subject to control and affect the products and/or processes, hence are many combinations
of these factors that should test to obtain valid and consistent results.
In industry, the design of experiments is usually applied in two main areas: the design and
improvement of processes and products. But most industrial problems, are conditioned by time
and budget, it represents a substantial limitation on the time to experiment. So all industries or
companies should try to answer before their experiments to the following question, how I can get
the most information possible experiments and more efficiently?
The objective of the current paper is to present a brief theoretical description of the planning
process for the design of experiments and statistical models used in the Design of Experiments.

Keywords: Statistics, Experimental Design, mean, variance, Analysis of Variance (ANOVA),

Complete Block Design, Factorial Designs, 2k Factorial Design, Nested Designs and Response
Surface.

1 INTRODUCCIN
Todas nuestras actividades asociadas con planear y realizar estudios de investigacin tienen
implicaciones estadsticas, es por ello que prcticamente en todos los campos de estudio y
empresariales se llevan a cabo experimentos, por lo general para descubrir algo acerca de un
proceso o sistema en particular.
En ingeniera, la experimentacin desempea un papel importante en el diseo de nuevos
productos, el desarrollo de procesos de manufactura y el mejoramiento de procesos. El objetivo
en muchos casos sera desarrollar un proceso robusto, es decir, un proceso que sea afectado
en forma mnima por fuentes de variabilidad externas [1].
Como ejemplo de un experimento, suponga que un ingeniero qumico tiene inters en los
resultados obtenidos por las mediciones de los promedios del metal pesado cadmio por 5
diferentes laboratorios, los resultados de cada laboratorio presentan cierta variacin, esta
variacin puede deberse al azar o a que los laboratorios tienen mtodos diferentes de anlisis
que dan resultados significativamente diferentes. El diseo de experimentos es una tcnica
estadstica que permite decidir cul de estas dos conjeturas es la verdadera disminuyendo la
probabilidad de cometer un error.
El "Diseo de Experimentos" es una tcnica estadstica sistemtica cuyo objetivo es realizar
una serie de pruebas en las que se inducen cambios deliberados para averiguar si determinados
factores influyen en la variable de inters o de estudio y, si existe influencia de algn factor en
el proceso o producto, cuantificarla.

2 DISEO DE EXPERIMENTOS EN LA INDUSTRIA

El diseo de experimentos es altamente efectivo para aquellos procesos, que su rendimiento se
ve afectado por varios factores. Con esta tcnica se puede conseguir entre otras cosas, mejorar
el rendimiento de un proceso, reducir la variabilidad o los costos de produccin, as como
aumentar la calidad de los productos o servicios [1].
En general los experimentos se usan para estudiar el desempeo de procesos y sistemas. El
proceso o sistema puede representarse como se muestra en la figura 1. El proceso puede por
lo general visualizarse como una combinacin de mquinas, mtodos, personas u otros
recursos que transforman cierta entrada (con frecuencia cierto material) en una salida que tiene
una o ms respuestas observables. Algunas variables del proceso x1, x2,..., xn son controlables,
mientras que otras z1, z2,...,zm son no controlables [2].

Figura 1. Modelo general de un proceso o sistema

Los objetivos del diseo de experimentos podran comprender los siguientes puntos:

Determinar cules son la variables que tiene mayor influencia sobre la respuesta y.
Determinar cul es el ajuste de las x que tiene mayor influencia para que y est casi
siempre cerca del valor nominal deseado.
Determinar cul es el ajuste de las x que tiene mayor influencia para que la variabilidad
de y sea reducida.
Determinar cul es el ajuste de las x que tiene mayor influencia para que los efectos de
las variables z1, z2,...,zmsean mnimos[2].

El diseo experimental es una herramienta de importancia fundamental en el mbito industrial

(ingeniera) e incluso en las empresas de servicio para mejorar el desempeo de un proceso de
manufactura o servicio. Tambin tiene mltiples aplicaciones en el desarrollo de nuevos
productos y procesos [2]. El diseo de experimentos se puede utilizar en las industrias para:

Mejorar los procesos, ya sea mejorando su eficiencia, su confiabilidad o su rendimiento.

Asistir en la solucin problemas.
Aprender de los procesos y sus fallos.
Establecer relaciones de causa-efecto entre las entradas (input) de un proceso y sus
salidas (output).
Identificar los factores que tiene el mayor impacto y el menor en los procesos y/o
productos.
Lograr una produccin de productos que cumplan con las especificaciones que sean a
su vez robustos a ruidos externos.
Establecer una regin (o ventana) del proceso donde unos factores pueden operar,
averiguando la sensibilidad al cambio de algunos factores en la respuesta.
Fijar especificaciones y tolerancias lgicas para productos y procesos.
Obtener una ecuacin polinmicas que modele el comportamiento de la respuesta de
un proceso en una regin de variacin de los factores.
Verificar si la solucin adoptada apara mejorar un proceso, realmente obtiene los
resultados esperados [1].

3 ALGUNAS APLICACIONES TPICAS DEL DISEO DE EXPERIMENTOS EN LA INDUSTRIA

La aplicacin de las tcnicas del diseo experimental en las fases iniciales del desarrollo de un
proceso puede redundar en:

1. Mejoras en el rendimiento del proceso.

2. Variabilidad reducida y conformidad cercana con los requerimientos nominales o
proyectados.
3. Reduccin del tiempo de desarrollo.
4. Reduccin de los costos globales.

Entre las aplicaciones del diseo experimental en el diseo de ingeniera (desarrollo de nuevos
productos) se encuentran:

La evaluacin y comparacin de configuraciones de diseos bsicos.

La evaluacin de materiales alternativos.
La seleccin de los parmetros del diseo para que el producto tenga un buen
funcionamiento en una amplia variedad de condiciones de campo, es decir, para que el
producto sea robusto.
La determinacin de los parmetros clave del diseo del producto que afectan el
desempeo del mismo [2].
 4 PLANIFICACIN DE UN DISEO DE EXPERIMENTOS
La experimentacin forma parte natural de la mayora de las investigaciones cientficas e
industriales, en muchas de las cuales, los resultados del proceso de inters se ven afectados
por la presencia de distintos factores, cuya influencia puede estar oculta por la variabilidad de
los resultados mustrales. Es fundamental conocer los factores que influyen realmente en el
sistema o proceso que se est estudiando y estimar esta influencia. Para conseguir esto es
necesario aplicar un enfoque estadstico en el diseo y anlisis de un experimento, variar las
condiciones que afectan a las unidades experimentales y observar la variable respuesta. Del
anlisis y estudio de la informacin recogida se obtienen las conclusiones.
Las etapas a seguir en el desarrollo de un problema de diseo de experimentos son las
siguientes:

1. Identificacin del problema y definir los objetivos. Es comn en la industria no darse

cuenta de que existe un problema en un proceso o producto que requiere
experimentacin para mejorar su eficiencia o calidad, para aplicar un experimento es
necesario desarrollar todas las ideas acerca de los objetivos del mismo. Es importante
solicitar aportaciones de todas las reas involucradas: ingeniera, calidad, manufactura,
mercadotecnia, administracin, el cliente y el personal de operacin. En la mayora de
los casos es conveniente hacer una lista de los problemas o preguntas especficas que
van a abordarse en el experimento [2]. Las actividades y herramientas que nos apoyan
a realizar esta fase se presentan en la tabla 1.
2.
Actividades Herramientas
1.- Seleccionar equipo de trabajo
2.- Formular problema Diagrama de flujo
Grficos de control
3.- Documentar informacin importante
Grfico jerarquizado de objetivos
4.- Elegir respuestas Mapa de procesos
5.- Establecer objetivo
Tabla 1.Actividades y herramientas para la fase 1[1].

3. Eleccin de los factores y los niveles. Una fuente de variacin es cualquier cosa que
pueda generar variabilidad en la respuesta u objeto de estudio. Es recomendable hacer
una lista de todas las posibles fuentes de variacin del problema, distinguiendo aquellas
que, a priori, generarn una mayor variabilidad. Se denomina factor tratamiento a
cualquier variable de inters para el experimentador cuyo posible efecto sobre la
respuesta se quiere estudiar. Se distinguen dos tipos:
o Factores tratamiento: son aquellas fuentes cuyo efecto sobre la respuesta es de
particular inters para el experimentador.
o Factores nuisance: son aquellas fuentes que no son de inters directo pero
que se contemplan en el diseo para reducir la variabilidad no planificada.

Los niveles de un factor tratamiento son los tipos o grados especficos del factor que se
tendrn en cuenta en la realizacin del experimento. Las actividades y herramientas que
 nos apoyan a realizar esta fase se presentan en la tabla 2.

Actividades Herramientas
1.- Identificar factores AMFE*
2.- Clasificar factores Diagrama de afinidad
3.- Definir estrategias para algunos factores Diagrama Causa-Efecto
4.- Describir conocimiento actual de los efectos de los factores Mapa de procesos
5.- Determinar rangos y niveles Diagramas IDEF0**

* AMFE (Anlisis Modal de Fallos y Efectos), ** IDEF0 (Integration Definition for Function Modeling)
Tabla 2. Actividades y herramientas para la fase 2[1].

4. Seleccin de la variable respuesta. Para seleccionar la variable de respuesta, el

experimentador deber tener la certeza de que esta variable proporciona en realidad
informacin til acerca del proceso bajo estudio. Los datos que se recogen en un
experimento son medidas de una variable denominada variable respuesta o variable de
inters y es importante precisar en qu unidades se mide. En la mayora de los casos,
el promedio o la desviacin estndar (o ambos) de la caracterstica medida ser la
variable respuesta. Las actividades y herramientas que nos apoyan a realizar esta fase
se presentan en la tabla 3.

Actividades Herramientas
1.- Identificar los objetivos del experimento Grfico jerarquizado de
2.- Identificar la variable respuesta objetivos
AMFE*
3.- Identificar en que unidades se medir la variable Diagrama Causa-Efecto
respuesta Mapa de proces
* AMFE (Anlisis Modal de Fallos y Efectos)
Tabla 3. Actividades y herramientas para la fase 3[1].

5. Eleccin del diseo experimental. La eleccin del diseo implica la consideracin del
tamao de la muestra (nmero de rplicas). Es importante tener en mente los objetivos
experimentales. En muchos experimentos de ingeniera se sabe que algunos de los
niveles de los factores (variables) producirn valores diferentes de la respuesta. En
consecuencia, el inters se centra en identificar "qu" factores causan esta diferencia y
en estimar la magnitud del cambio de la respuesta. en otras palabras es determinar el
"cmo" se van a realizar los experimentos (especificar que unidades experimentales se
observarn bajo cada tratamiento). Las actividades y herramientas que nos apoyan a
realizar esta fase se presentan en la tabla 4.

Actividades Herramientas
1.- Caracterizar factores
Aleatorizacin
2.- Pre-analizar
Anlisis asistido por software
3.- Elegir tipo de diseo
 4.- Seleccionar diseo experimental Rplicas
5.- Elegir niveles Representacin grfica

* AMFE (Anlisis Modal de Fallos y Efectos)

Tabla 4. Actividades y herramientas para la fase 4[1].

6. Realizacin del experimento. En esta fase suele ser conveniente no apresurase a

realizar los experimentos, sin antes analizar la realizacin de algunas actividades
previas debido a que se suelen subestimar los aspectos logsticos y de planificacin de
DoE en mbitos de manufactura, investigacin y desarrollo se debe asegurar que todos
los recursos necesarios para la experimentacin estn disponibles. Se debe tener
especial cuidado y para ello intentar adelantarse a los problemas. Para ello antes de
comenzar con la experimentacin no se debe olvidar de:
o Seleccionar la ubicacin correcta para realizar el experimento.
o Checar la disponibilidad del equipamiento, mquinas y operarios para llevar a
cabo las experimentaciones.
o Verificar que todas las combinaciones son viables.
o Preparar las hojas de recoleccin de datos.
o Otorgar las instrucciones necesarias para los que realizan los experimentos [1].

Las actividades y herramientas que nos apoyan a realizar esta fase se presentan en la
tabla 5.

Actividades Herramientas
1.- Preparar experimentos
Pruebas piloto
2.- Analizar la necesidad de pruebas piloto
Hoja recogida de datos
3.- Realizar experimentos y recolectar datos
Tabla 5. Actividades y herramientas para la fase 5[1].

7. Anlisis estadstico de los datos. En esta fase, Se debern usar mtodos estadsticos
para analizar los datos a fin de que los resultados y las conclusiones sean objetivos y
no de carcter apreciativo. si el experimento se ha diseado correctamente y se ha
llevado a cabo de acuerdo al diseo, los mtodos estadsticos necesarios no deben ser
complicados. Con frecuencia se encuentra que los mtodos grficos simples
desempean un papel importante en el anlisis e interpretacin de datos. Debido a que
muchas de las preguntas que el experimentador quiere responder pueden insertarse en
el marco de la prueba de hiptesis, los procedimientos para probar hiptesis y estimar
intervalos de confianza son muy tiles en el anlisis de datos de un experimento
diseado. Para esta fase se recomienda utilizar un software estadstico[2]. Las
actividades y herramientas que nos apoyan a realizar esta fase se presentan en la tabla
6.
 Actividades Herramientas
1.- Calcular el efecto de los factores
Anlisis de regresin
2.- Determinar los factores significativos ANOVA*
3.- Interpretar resultados ANCOVA**
4.- Construir modelo de prediccin Grficos de contorno
5.- Optimizar respuestas Grficos de probabilidad normal
Grficos de Pareto
6.- Evaluar necesidades de nuevos experimentos
*ANOVA (Analysis of Variance) en espaol Anlisis de la varianza
** ANCOVA (Analisis de la Covaraianza)
Tabla 6. Actividades y herramientas para la fase 6[1]

Mejoras, control y conclusiones. Todo el trabajo de las fases anteriores, tiene que dar
sus resultados en esta etapa. Por lo que se intentar maximizar los beneficios. Para
mejorar se recomienda ser ms creativo y tener una perspectiva ms amplia. Una vez
implementadas las mejoras se debe realizar el seguimiento y verificar la estabilidad de
las mejoras obtenidas [1]. Una vez que se ha hecho el anlisis de los datos, la mejora y
el control, el experimentador debe sacar conclusiones prcticas acerca de los resultados
y recomendar un curso de accin. los mtodos grficos suelen ser tiles en esta etapa,
en particular para presentar los resultados [2]. Las actividades y herramientas que nos
apoyan a realizar esta fase se presentan en la tabla 7.

Actividades Herramientas
1.- Evaluar la necesidad de experimentos confirmatorios. Diseo de experimentos
2.- Implementar controles Grficos de control
Plan de control
3.- Validar resultados Procedimientos
Tabla 7. Actividades y herramientas para la fase 7[1].

5 MTODOS ESTADSTICOS PARA EL DISEO DE EXPERIMENTOS

A. EXPERIMENTOS CON UN SOLO FACTOR: ANLISIS DE LA VARIANZA (ANOVA)

El anlisis de varianza sirve para verificar si hay diferencias estadsticamente significativas entre
medias cuando tenemos ms de dos muestras o grupos en el mismo planteamiento. El
procedimiento para comparar estos valores est basado en la varianza global observada en los
grupos de datos numricos a comparar. Tpicamente, el anlisis de varianza se utiliza para
asociar una probabilidad a la conclusin de que la media de una poblacin o tratamiento es
distinta de la media de otra poblacin.
Un ejemplo para este tipo de diseo sera el siguiente: Supongamos que un ingeniero de
desarrollo de productos desea maximizar la resistencia a la tensin de una nueva fibra sinttica
que se utilizar para fabricar camisas. Por experiencia, parece que la resistencia (o fortaleza)
se ve influida por el % de algodn presente en la fibra. Ante esta situacin, el ingeniero decide
tomar cinco ejemplares muestras para cinco diferentes niveles de % de algodn y medir la
fortaleza de las fibras as producidas. El anlisis de la varianza nos ayudar a responder las
siguientes cuestiones: a) Influye el % de algodn en la fortaleza de la fibra fabricada? y b) Si
es as, qu niveles de % de algodn son similares y cules no?
El objetivo del anlisis de la varianza (ANOVA) se basa en la descomposicin de la variabilidad
total en dos partes, una parte debida a la variabilidad entre las distintas poblaciones o
tratamientos (variabilidad entre grupos o variabilidad explicada por el diseo) y otra parte que
puede considerarse como la variabilidad intrnseca de las observaciones (variabilidad dentro de
los grupos o residual). El mtodo estadstico de ANOVA se puede encontrar en la
bibliografa [2]y [3].

B. DISEO DE BLOQUES COMPLETOS

En cualquier experimento, la variabilidad que surge de un factor perturbador puede afectar a los
resultados. Cuando el factor perturbador es conocido y controlable puede utilizarse la
tcnica "diseo de bloques completos", en este tipo de diseo de experimentos se consideran
tres fuentes de variabilidad: el factor de tratamientos, el factor de bloques y el error aleatorio ,es
decir, se tienen tres posibles "culpables" de la variabilidad presente en los datos. este mtodo
estadstico agrupa las unidades experimentales en bloques para comparar tratamientos en un
medio ms homogneo, el cual le permite eliminar de manera sistemtica el factor perturbador
sobre las comparaciones estadsticas entre los tratamientos.
El uso de bloques estratifica las unidades experimentales en grupos homogneos, o unidades
parecidas. Una buena eleccin de los criterios de bloquizacin disminuye la variacin entre las
unidades dentro de los bloques en comparacin de las unidades de diferentes bloques, las
categoras generales de buenos criterios son: a) proximidad (parcelas adyacentes), b)
caractersticas fsicas (edad o peso), c) tiempo y d) administracin de tareas en el experimento.
En la industria los factores de bloqueo que aparecen en la prctica son: turno, lote, da, tipo de
material, lnea de produccin, operador, mquina, mtodo, etc.
Un ejemplo para este tipo de diseo sera el siguiente: Un ingeniero de produccin investiga el
efecto de cuatro mtodos de produccin A, B, C y D, sobre el tiempo de produccin en minutos.
En primera instancia la estrategia experimental es aplicar cuatro veces los cuatro mtodos de
produccin en orden completamente aleatorio (las 16 pruebas en orden aleatoria), se supone
que de acuerdo a como se ha hecho el estudio, adems del mtodo de produccin, los
experimentadores se dan cuenta que hay cuatro operadores y consideran que esto puede
afectar de manera significativa los tiempos de produccin (variable respuesta), y por ende la
comparacin de los mtodos, entonces debe utilizar el diseo en bloques completos.
El objetivo es tener comparaciones precisas entre los tratamientos de los estudios de
investigacin. la bloquizacin es un medio para reducir y controlar la varianza del error
experimental con el fin de lograr una mayor precisin.

C. DISEOS FACTORIALES
En muchos experimentos interviene el estudio de los efectos de dos o ms factores. En general,
los diseos factoriales son lo ms eficientes para este tipo de experimentos. Por diseo factorial
se entiende que en cada ensayo o rplica completa del experimento se investigan todas las
combinaciones posibles de los niveles de los factores. Por ejemplo si el factor A tiene a niveles
y el factor B tiene b niveles, cada rplica contiene todas las ab combinaciones de los
tratamientos. Cuando los factores estn incluidos en un diseo factorial, es comn decir que
estn cruzados.
La necesidad de estudiar conjuntamente varios factores obedece a la posibilidad de que el
efecto de un factor cambie segn los niveles de otros factores, esto es, que los factores
interacten, o exista interaccin. Tambin se utilizan los arreglos factoriales cuando se quiere
optimizar la respuesta o variable dependiente, esto es, se quiere encontrar la combinacin de
niveles de los factores que producen un valor ptimo de la variable dependiente.
El efecto de un factor se define como el cambio en la respuesta producido por un cambio del
nivel de un factor. con frecuencia se le llama efecto principal porque se refiere a los factores de
inters primario en el experimento.

D. DISEO FACTORIAL 2 K

Los diseos factoriales se usan ampliamente en experimentos que incluyen varios factores
cuando es necesario estudiar el efecto conjunto de los factores sobre un respuesta. Sin
embargo, hay varios casos especiales del diseo factorial general que son importantes debido
a su uso generalizado ene le trabajo de investigacin y porque constituyen las bases de otros
diseos de gran valor prctico.
El ms importante de estos casos especiales es el de k factores, cada uno con slo dos niveles.
estos niveles pueden ser cuantitativos, como dos valores de temperatura, presin o tiempo, o
bien cualitativos, como dos mquinas, dos operadores, los niveles alto y bajo de un factor, o
quiz la presencia o ausencia de un factor. Una rplica completa de este diseo requiere 2 x 2
x... x 2 = 2k observaciones y se le llama diseo factorial 2k.
El diseo 2k es de particular utilidad en las etapas iniciales del trabajo experimental, cuando
probablemente se estn investigando muchos factores. Este diseo proporciona el menor
nmero recorridas con las que pueden estudiarse kfactores en un diseo factorial completo. Por
consiguiente, estos diseos se usan ampliamente en los experimentos de tamizado o seleccin
de factores.
Considrese una investigacin llevada a cabo para estudiar el efecto que tiene la concentracin
de un reactivo y la presencia de un catalizador sobre el tiempo de reaccin de un proceso
qumico. Sea la concentracin del reactivo el factor A con dos niveles de inters, 15% y 20%. El
catalizador constituye el factor B; el nivel alto o superior denota el uso de dos sacos de
catalizador y el nivel bajo o inferior denota el uso de un solo saco [2].

E. DISEOS ANIDADOS
En algunos experimentos con factores mltiples, los niveles de uno de los factores (por ejemplo
el factor B) son similares pero no idnticos a los diferentes niveles de otro factor (por
ejemplo A) [2]. En algunos casos el experimentador no puede combinar todos los niveles de un
factor con todos los niveles de otro, es decir, no se pueden realizar todos los posibles
tratamientos que aparecen al cruzar los factores.
Ejemplo. Supongamos que en una licenciatura de una universidad se estudia el porcentaje de
aprobados en una materia, en los grupos de maana y de tarde. Por la maana imparten la
asignatura dos personas y por la tarde tres. Cada persona da clase a tres grupos y se supone
que estos son rplicas (no son fuente de variacin).
Se dice que un factor B est anidado en otro factor A (o que sus niveles estn anidados en los
de A) cuando cada nivel del factor B aparece asociado a un nico nivel del factor A. Se denota
como B A. Un diseo anidado es un diseo que posee dos o ms factores tal que:

Hay un slo factor, el cual no se encuentra anidado con ningn otro factor, sea este F1;
que representa la primera jerarqua entre todos los factores que existen.
Existe un segundo factor F2; el cual se encuentra dentro de F1: Diremos F2 es el factor
que representa la segunda jerarqua entre todos los factores que existen.
El prximo factor en caso que exista (F3) debe encontrarse anidado dentro del factor F2:
Diremos F3 es el factor que representa la tercera jerarqua entre todos los factores que
existan [6].

F. SUPERFICIES DE RESPUESTA
El Mtodo de superficies de respuesta es una coleccin de tcnicas matemticas y estadsticas
tiles en el modelo y el anlisis de problemas en los que una respuesta de inters recibe la
influencia de diversas variables, donde el objetivo es optimizar esta respuesta y, a continuacin,
determinar el modelo matemtico que mejor se ajusta a los datos obtenidos.
En la mayora de los problemas del mtodo de superficie de respuesta, la forma de relacin
entre la respuesta y las variables independientes es desconocida. Por lo tanto, el primer paso
es encontrar una proximidad adecuada de la verdadera relacin funcional entre y y el conjunto
de variables independientes. Por lo general se emplea un polinomio de orden inferior en alguna
regin de las variables independientes. Si la respuesta est bien modelada por una funcin
lineal de las variables independientes, entonces la funcin de aproximacin es un modelo de
primer orden. Si hay curvatura en el sistema, entonces debe usarse un polinomio de orden
superior, un modelo de segundo orden.
En casi todos los problemas de superficie de respuestas se usa uno de los modelos ya sea de
primer orden o segundo orden. Desde luego es probable que un modelo polinomial sea una
aproximacin razonable de la verdadera relacin funcional en el espacio completo de las
variables independientes.
El mtodo de mnimos cuadrados se usa para estimar los parmetros de los polinomios de
aproximacin. Despus se realiza el anlisis de la superficie de respuesta utilizando la superficie
ajustada. Si la superficie ajustada es una aproximacin adecuada de la verdadera funcin de la
respuesta, entonces el anlisis de la superficie ajustada ser un equivalente aproximado del
anlisis del sistema real.
 REFERENCIAS
[1]
Pablo, T. R. Metodologa para el Diseo de Experimentos(Doe) en la Industria. Tesis Doctoral.
Universidad deNavarra. Espaa. 2008.
[2]
Montgomery, D. C. Diseo y Anlisis de Experimentos. 2nd ed. Mxico, Limusa. 2008.
[3]
Robert, O. K. Diseo de Experimentos: Principios estadsticos para el diseo y anlisis de
investigaciones. 2nd. ed. Mxico, Thomson. 2001.
[4]
Isidro, G. H. Diseo de experimentos de bloques incompletos y aplicaciones en la industria.
Monografa. Universidad Autnoma del Estado de Hidalgo. Mxico. 2006
[5]
http://www.itescam.edu.mx/principal/sylabus/fpdb/recursos/r77661.PDF
[6]
http://es.scribd.com/doc/12276230/DiseNo-de-Experimentosnotas-de-Clases

[a]
Maestro en Ciencias, Escuela Superior de Ciudad Sahagn de la Universidad Autnoma del Estado
de Hidalgo. [email protected]