7665 40080 1 PB

Descargar como pdf o txt
Descargar como pdf o txt
Está en la página 1de 30

Pol. Con. (Edición núm. 92) Vol.

9, No 7
Julio 2024, pp. 2758-2787
ISSN: 2550 - 682X
DOI: https://doi.org/10.23857/pc.v9i7.7665

Metodologías del Diseño Experimental en Procesos Industriales: Un análisis


teórico

Experimental Design Methodologies in Industrial Processes: A theoretical


analysis

Metodologias de Projecto Experimental em Processos Industriais: Uma análise


teórica

Juan Diego Erazo-Rodríguez I Raúl Gregorio Martínez-Pérez II


[email protected] [email protected]
https://orcid.org/0000-0003-0152-5645 https://orcid.org/0000-0002-1552-7580

Eugenia Mercedes Naranjo-Vargas III Javier Edmundo Albuja-Jácome IV


[email protected] [email protected]
https://orcid.org/0000-0002-9658-6311 https://orcid.org/0009-0005-5044-3373

Correspondencia: [email protected]

Ciencias Técnicas y Aplicadas


Artículo de Investigación

* Recibido: 09 de mayo de 2024 *Aceptado: 16 de junio de 2024 * Publicado: 26 de julio de 2024

I. Magíster en Ingeniería Industrial con Mención en Calidad y Productividad, Máster Universitario en


Dirección Logística. Escuela Superior Politécnica de Chimborazo, Facultad Mecánica, Carrera Ingeniería
Industrial, Grupo de investigación GIDENM, Ecuador.
II. Magíster en Dirección de Operaciones y Seguridad Industrial, Escuela Superior Politécnica de Chimborazo,
Facultad Mecánica, Carrera Ingeniería Industrial, Grupo de investigación AUTOPRO, Ecuador.
III. Magíster en Diseño Mecánica, Escuela Superior Politécnica de Chimborazo, Facultad Mecánica, Carrera
Ingeniería Industrial, Grupo de investigación GIDENM, Ecuador.
IV. Magíster en Diseño Mecánico, Escuela Superior Politécnica de Chimborazo, Facultad Mecánica, Carrera
Ingeniería Industrial, Grupo de investigación GIMAN, Ecuador.

http://polodelconocimiento.com/ojs/index.php/es
Metodologías del Diseño Experimental en Procesos Industriales: Un análisis teórico

Resumen
La investigación resalta la importancia del diseño experimental en la industria para comparar
tratamientos, estudiar factores y optimizar operaciones, mejorando la calidad y la toma de
decisiones. Bajo un enfoque experimental el cual sigue principios como la aleatorización,
repetición y bloqueo. El diseño completamente aleatorizado (DCA) asigna tratamientos
aleatoriamente a unidades homogéneas, siendo básico, pero menos efectivo en entornos
heterogéneos, mediante el análisis de la varianza (ANOVA), se puede analizar la variabilidad en
un proceso e identifica los tratamientos que producen un efecto significativo en la variable
respuesta; métodos como Fisher LSD y Tukey se aplican para comparaciones post-ANOVA.
Herramientas avanzadas de DOE (Design of Experiments), como diseño de bloques
completamente al azar, diseños de cuadro latino y grecolatino son sus respectivos modelos
estadísticos y ANOVAS. Adicionalmente, presenta el análisis de los diseños factoriales, desde
conceptos básicos hasta representaciones de modelos estadísticos, análisis de varianza, y
comparaciones entre factores ya sean fijos o aleatorios, como sus modelos. En esta investigación
destaca la relevancia del diseño experimental para la mejora continua en la industria, ofreciendo
un marco sólido para la toma de decisiones y la optimización de procesos.
Palabras clave: Diseño de experimentos, ANOVA, hipótesis, modelo estadístico, diseño factorial.

Abstract
The research highlights the importance of experimental design in the industry to compare
treatments, study factors and optimize operations, improving quality and decision making. Under
an experimental approach which follows principles such as randomization, repetition and blocking.
The completely randomized design (DCA) randomly assigns treatments to homogeneous units,
being basic, but less effective in heterogeneous environments, through analysis of variance
(ANOVA), the variability in a process can be analyzed and the treatments that produce a significant
effect on the response variable can be identified; methods such as Fisher LSD and Tukey are
applied for post-ANOVA comparisons. Advanced DOE (Design of Experiments) tools, such as
completely randomized block design, Latin and Greco-Latin square designs are their respective
statistical models and ANOVAS. Additionally, it presents the analysis of factorial designs, from
basic concepts to representations of statistical models, analysis of variance, and comparisons
between factors whether fixed or random, as their models. This research highlights the relevance

2759
Pol. Con. (Edición núm. 92) Vol. 9, No 7, Julio 2024, pp. 2758-2787, ISSN: 2550 - 682X
Juan Diego Erazo Rodríguez, Raúl Gregorio Martínez Pérez, Eugenia Mercedes Naranjo Vargas, Javier
Edmundo Albuja Jácome

of experimental design for continuous improvement in the industry, offering a solid framework for
decision making and process optimization.
Keywords: Experimental design, ANOVA, hypothesis, statistical model, factorial design.

Resumo
A investigação destaca a importância do desenho experimental na indústria para comparar
tratamentos, estudar fatores e otimizar operações, melhorando a qualidade e a tomada de decisões.
Sob uma abordagem experimental que segue princípios como a randomização, repetição e
bloqueio. O delineamento inteiramente casualizado (DCA) atribui os tratamentos aleatoriamente a
unidades homogéneas, sendo básico, mas menos eficaz em ambientes heterogéneos, através da
análise de variância (ANOVA), a variabilidade num processo pode ser analisada e identifica os
tratamentos que produzem um efeito significativo em a variável resposta; Métodos como o Fisher
LSD e Tukey são aplicados para comparações pós-ANOVA. As ferramentas avançadas de DOE
(Design of Experiments), como o delineamento em blocos completamente aleatórios, os
delineamentos quadrados latinos e greco-latinos são os seus respetivos modelos estatísticos e
ANOVAS. Adicionalmente, apresenta a análise de projetos fatoriais, desde conceitos básicos a
representações de modelos estatísticos, análise de variância e comparações entre fatores, sejam
fixos ou aleatórios, como os seus modelos. Esta investigação destaca a relevância do desenho
experimental para a melhoria contínua na indústria, oferecendo uma estrutura sólida para a tomada
de decisões e otimização de processos.
Palavras-chave: Planeamento de experiências, ANOVA, hipóteses, modelo estatístico,
planeamento fatorial.

Introducción
El presente artículo se centra en la aplicación del diseño experimental en entornos industriales,
ofreciendo una visión integral y práctica. Aunque se basa en investigaciones previas, destaca por
su enfoque específico en estrategias clave y su relevancia para la toma de decisiones en la industria.
Asimismo, proporciona una discusión detallada sobre la implementación y verificación de
supuestos del modelo, lo que contribuye a la validez de los resultados obtenidos. Los objetivos
primarios se enfocan en investigar la aplicación y efectividad de estas estrategias en entornos

2760
Pol. Con. (Edición núm. 92) Vol. 9, No 7, Julio 2024, pp. 2758-2787, ISSN: 2550 - 682X
Metodologías del Diseño Experimental en Procesos Industriales: Un análisis teórico

industriales reales, mientras que los secundarios abordan aspectos como la verificación de
supuestos del modelo y la determinación del tamaño de la muestra. Estos objetivos están
estrechamente vinculados con la teoría del diseño experimental y la estadística, asegurando la
validez y confiabilidad de los resultados obtenidos (Rosero, 2021). Se estructura de manera
específica para probar estas hipótesis, utilizando métodos adecuados de. Así, el diseño de la
investigación juega un papel crucial en la obtención de conclusiones válidas y significativas que
contribuyan al avance del conocimiento en el campo. Las repercusiones teóricas y prácticas de esta
investigación son de gran importancia. En términos teóricos, contribuye al conocimiento sobre la
aplicación efectiva del diseño experimental en la industria, mientras que, en términos prácticos,
proporciona pautas y recomendaciones para mejorar la calidad, la toma de decisiones y la
optimización de procesos en entornos industriales reales.

Metodología
Se desarrolló una metodología exhaustiva y rigurosa para llevar a cabo un análisis comparativo de
los principales tipos de diseños experimentales, fundamentada en una revisión sistemática de la
literatura académica y en fuentes representativas del campo. Es crucial enfatizar que el objetivo
principal de esta revisión es investigar las metodologías y conceptos fundamentales en el diseño
experimental y su aplicación en la optimización de procesos industriales.
Durante la fase de definición de criterios de inclusión, se establecieron condiciones específicas y
bien definidas para la selección de estudios y artículos relevantes. Estos criterios incluían
relevancia directa al tema de los diseños experimentales y su análisis comparativo, publicación en
revistas científicas o fuentes académicas reconocidas, inclusión de trabajos escritos en inglés o
español. La búsqueda de literatura se llevó a cabo de manera exhaustiva en diversas bases de datos
académicas, utilizando palabras clave pertinentes para obtener una muestra amplia y variada de
trabajos relacionados con el tema del diseño experimental. En la etapa de selección de artículos,
los resultados obtenidos fueron importados a una herramienta de gestión bibliográfica para facilitar
su manejo y organización. Se eliminaron los duplicados y se revisaron minuciosamente los títulos
y resúmenes de los artículos para evaluar su adecuación a los criterios de inclusión establecidos.
Aquellos artículos que no cumplían con los criterios fueron excluidos, asegurando así la calidad y
pertinencia de la muestra final.

2761
Pol. Con. (Edición núm. 92) Vol. 9, No 7, Julio 2024, pp. 2758-2787, ISSN: 2550 - 682X
Juan Diego Erazo Rodríguez, Raúl Gregorio Martínez Pérez, Eugenia Mercedes Naranjo Vargas, Javier
Edmundo Albuja Jácome

Con base en los artículos seleccionados, se realizó un análisis detallado y una clasificación de los
tipos de diseños experimentales, considerando sus características, ventajas, desventajas y su
aplicabilidad en diferentes contextos industriales y de investigación. Esta metodología garantiza
un enfoque sistemático y riguroso en la selección y análisis de la literatura, permitiendo una
evaluación exhaustiva y crítica de los diseños experimentales en términos de su utilidad y
efectividad en la optimización de procesos y la mejora continua en la industria.
Esta revisión sistemática proporciona una base sólida para comprender los pilares teóricos del
diseño experimental y su relevancia en la toma de decisiones y la mejora de la calidad en entornos
industriales.

Diseño de experimentos
Diseños de Experimentos en la Industria
El diseño de experimentos en la industria son herramientas que se utilizan para comparar
tratamientos, estudio de múltiples factores en respuesta, encontrar el punto óptimo de operación de
procesos y sean resistentes a factores no controlables. También, son importantes en la planificación,
mejora de la calidad, implementación de cambios y evaluación de objetivos de calidad mediante la
toma de decisiones, abarcando la selección del personal y proveedores, compra de materia prima,
diseño y optimización de procesos, entre otros (Delgado,2019).

Historia de Diseño Experimental


Es una metodología crucial en la investigación científica, tiene sus raíces en el siglo XIX y ha
evolucionado enormemente desde entonces. Su historia está marcada por contribuciones
destacadas de figuras como Francis Galton, primo de Charles Darwin, y Sir Ronald A. Fisher.
En el siglo XIX, Galton fue pionero en el uso de métodos estadísticos para estudiar la herencia y
la variabilidad humana, sentando las bases para el diseño experimental moderno. Sin embargo, fue
Fisher quien llevó esta metodología a nuevas alturas en el siglo XX.
Fisher, con su obra seminal "The Design of Experiments" (1935), estableció los principios
fundamentales del diseño experimental, incluyendo la aleatorización, la replicación y el control de
variables.

2762
Pol. Con. (Edición núm. 92) Vol. 9, No 7, Julio 2024, pp. 2758-2787, ISSN: 2550 - 682X
Metodologías del Diseño Experimental en Procesos Industriales: Un análisis teórico

Definiciones Básicas en el Diseño de Experimentos


Factor
Es una variable controlada por el investigador en un experimento para estudiar su influencia en
una o varias respuestas, estas pueden ser cualitativas o cuantitativas. López (2021) menciona que
la variable independiente es aquella que se manipula en una investigación. Generalmente, se
utilizan múltiples variables independientes y se observan los cambios que ocurren en ellas.

Tratamiento
Es cada una de las combinaciones posibles entre los niveles de los factores estudiados, además el
tratamiento se refiere a cada combinación posible de los niveles de los factores en un estudio. Al
combinar estos niveles, se crean diferentes condiciones específicas aplicadas durante la
investigación. s, f.).

Efecto Principal
Se evalúa la contribución de cada factor a las variables de respuesta mediante la observación de
cómo estas cambian al modificar los niveles del factor. Esta evaluación permite entender cómo los
diferentes factores afectan las respuestas, ayudando a determinar su influencia en el resultado final
de un experimento o estudio (Domínguez y Castaño, 2019).

Efectos de localización
Domingo y Castaño (2019) menciona que los efectos de localización implican cambios en la media
de la respuesta en un estudio. Estos cambios pueden ser resultado de diversas influencias, como
modificaciones en las condiciones experimentales o variaciones en el entorno. La comprensión de
los efectos de localización es crucial para interpretar correctamente los resultados de un estudio y
entender cómo las diferentes variables pueden afectar la medida central de los datos recolectados.

Efecto de dispersión
Cuando influye en la variabilidad de la respuesta. Es decir, el efecto de dispersión se manifiesta al
incidir en la variabilidad de la respuesta observada en un estudio o experimento. Esto significa que
cambios en las condiciones experimentales o en el entorno pueden generar una mayor variación en

2763
Pol. Con. (Edición núm. 92) Vol. 9, No 7, Julio 2024, pp. 2758-2787, ISSN: 2550 - 682X
Juan Diego Erazo Rodríguez, Raúl Gregorio Martínez Pérez, Eugenia Mercedes Naranjo Vargas, Javier
Edmundo Albuja Jácome

los datos recolectados, lo que afecta la consistencia y la estabilidad de los resultados obtenidos.
(Gavilánez, 2021).

Factor de ajuste
Factor de ajuste es considerado cuando únicamente influye en la localización y no en la dispersión
de las respuestas en el sistema experimental. Esto implica que dicho factor afecta la posición central
de los datos, pero no su variabilidad, siendo una consideración importante en el análisis
experimental (Sampson, 2018).

Interacción
Es la relación o dependencia entre dos o más factores dentro de un estudio o experimento. Esta
interacción implica que el efecto de un factor puede variar en función del nivel de otro factor.
Comprender estas interacciones es crucial para interpretar correctamente los resultados
experimentales y para desarrollar modelos precisos que reflejen cómo los diferentes factores
conjuntamente afectan las respuestas observadas. (Rodó, 2019).
Error experimental
Domínguez y Castaño (2019) menciona que el error experimental es aquel que cada unidad
experimental aporta de manera natural en un estudio. Aunque no es directamente observable, se
hace evidente al comparar unidades experimentales que reciben el mismo tratamiento, mostrando
diferentes respuestas.

Bloqueo
Agrupación de unidades experimentales de acuerdo con un nivel que reciben y por ende con
relativa homogeneidad en su respuesta antes de ser tratadas (Domínguez y Castaño, 2019).

Etapas del diseño experimental


Acosta et al. (2020) encontraron que para que un experimento se realice de manera correcta y sea
exitoso es importante realizarlo por etapas. A continuación, se menciona una serie de pasos para
efectuar el diseño experimental se debe con objeto de dar una visión general de su aplicación:
1. Paso 1. Definición del problema y objetivos

2764
Pol. Con. (Edición núm. 92) Vol. 9, No 7, Julio 2024, pp. 2758-2787, ISSN: 2550 - 682X
Metodologías del Diseño Experimental en Procesos Industriales: Un análisis teórico

2. Paso 2. Selección de la variable respuestas


3. Paso 3. Elección de factores y niveles
4. Paso 4. Elección del diseño experimental
5. Paso 5. Desarrollo del experimento
6. Paso 6. Análisis estadístico de los datos
7. Paso 7. Conclusiones y recomendaciones

Principios de los experimentos


Aleatorización
Consiste en una distribución de los tratamientos a las unidades experimentales o viceversa al azar,
al igual que la recolección de muestras, lo cual evita obtener respuestas sesgadas de un determinado
experimento, que podrían afectar en la conclusión de este.

Repetición
Es la aplicación del tratamiento, más de una vez, dentro del experimento. Lo cual, permite tener
una mejor confiabilidad sobre el efecto real del tratamiento, no permite evitar la variación, conocida
como un error experimental, el número de repeticiones depende de múltiples factores del
experimento hasta un límite, donde, las repeticiones no presentaran un efectivo a la precisión.

Bloqueo
El bloqueo, también conocido como control local, posibilita la separación de fuentes de variación
secundarias; lo que lo convierte en una estrategia para controlar y disminuir el error experimental
(Gavilánez, 2021).

Experimentos con un solo factor


DCA
Es el diseño más básico, y su eficacia radica en asignar aleatoriamente tratamientos a un grupo de
unidades experimentales previamente seleccionadas. Dado su enfoque en la aleatorización total, se
recomienda emplear unidades experimentales lo más homogéneas posible y en ambientes
controlados. Por esta razón, se recomienda su uso principalmente en experimentos realizados en
entornos controlados (Gavilánez, 2021).

2765
Pol. Con. (Edición núm. 92) Vol. 9, No 7, Julio 2024, pp. 2758-2787, ISSN: 2550 - 682X
Juan Diego Erazo Rodríguez, Raúl Gregorio Martínez Pérez, Eugenia Mercedes Naranjo Vargas, Javier
Edmundo Albuja Jácome

ANOVA
En el análisis de varianza en el DCA, el propósito es evaluar la hipótesis de que los tratamientos
tienen medias iguales en relación con la variable de respuesta correspondiente.
Hipótesis. “Donde τi es el efecto del tratamiento i sobre la variable de respuesta. Al aceptar H 0 se
estaría confirmando que los resultados sobre la respuesta de los k tratamientos son estadísticamente
nulos (iguales a cero), y en caso de rechazar H0 se concluye que al menos un efecto es diferente de
cero” (Gutiérrez y Román, 2008, p.67).
1. 𝐻0 ∶ 𝜏1 = 𝜏2 = … = 𝜏𝑘 = 0 (1)
2. 𝐻𝐴 ∶ 𝜏𝑖 ≠ 0 𝑝𝑎𝑟𝑎 𝑎𝑙𝑔ú𝑛 𝑖
3. Para calcular el estadístico Fo hasta llegar al valor-p se describe en la siguiente
Tabla 1 del ANOVA, donde, FV = fuente de variabilidad, SC = suma de
cuadrados, GL = grados de libertad, CM = cuadrado medio, Fo = estadístico de
prueba, valor-p = significancia observada (Gavilánez, 2021).

Tabla 1: Tabla del ANOVA para el DCA


FV SC GL CM 𝑭𝟎 Valor-p
Tratamientos 𝐾 𝑌𝑗.2
𝑆𝐶𝑇𝑅𝐴𝑇 = ∑ 𝐶𝑀𝑇𝑅𝐴𝑇
𝑖=1 𝑛𝑖 𝐶𝑀𝑇𝑅𝐴𝑇
k-1 𝑆𝐶𝑇𝑅𝐴𝑇 P(F>𝐹𝑂 )
𝑌..2 = 𝐶𝑀𝐸
− 𝑘 −1
𝑁
Error 𝑆𝐶𝐸
𝑆𝐶𝐸 = 𝑆𝐶𝑇 − 𝑆𝐶𝑇𝑅𝐴𝑇 N-k 𝐶𝑀𝐸 =
𝑁−𝑘
Total 𝑆𝐶𝑇𝑅𝐴𝑇
𝐾 𝑛𝑖
= ∑ ∑ 𝑌𝐼𝐽2
𝑖=1 𝑗=1 N-1
𝑌𝑗.2

𝑛𝑖
Nota: Variables para los cálculos en el análisis de varianza.

2766
Pol. Con. (Edición núm. 92) Vol. 9, No 7, Julio 2024, pp. 2758-2787, ISSN: 2550 - 682X
Metodologías del Diseño Experimental en Procesos Industriales: Un análisis teórico

Diagrama de cajas
"Una gráfica de caja (o diagrama de caja y bigotes) es una representación gráfica de un conjunto
de datos, que muestra una línea que se abarca desde el valor mínimo hasta el valor máximo, y una
caja con líneas que indican el primer cuartil Q1, la mediana y el tercer cuartil Q3" (Triola, 2018,
p.119).
Los diagramas presentan una forma descriptiva entre tratamientos, cuando estos no se traslapan es
posible que los tratamientos no sean iguales entre sí, y cuando existe un mínimo traslapo es posible
que exista o no diferencia significativa.

Graficas de medias
Si las medias de los tratamientos son iguales, debería haber una posición en esta distribución que
haga evidente que un valor extraído pertenece a la misma distribución. Si no es así, los valores
estarán asociados a niveles de factores que generan respuestas diferentes (Montgomery, 2020).

Pruebas de rangos múltiples


Una vez que se ha rechazado la hipótesis nula en un análisis de varianza, es importante profundizar
y determinar qué tratamientos son diferentes. A continuación, se presentarán las siguientes
diferentes formas para llevar a cabo este análisis detallado.
LSD
El método de Fisher para comparar todos los pares de medias controla la tasa de error α para cada
comparación individual por pares, pero no controla la tasa de error del experimento completo. Este
procedimiento emplea el estadístico t para probar la hipótesis nula Ho: u1 = u2.
̅ 𝑖. −𝛾
𝛾 ̅ 𝑗.
1. 𝑡0 = (2)
1 1
√𝑀𝑆𝐸 ( − )
𝑛𝑖 𝑛𝑗

Para aplicar el procedimiento Fisher LSD, basta con comparar la diferencia observada entre cada
par de promedios con su correspondiente LSD. Si I 𝛾̅𝑖. − 𝛾̅𝑗. I >LSD, concluimos que las medias
poblacionales ui y uj diferentes. Tambien podría usarse el estadístico t.
En caso de rechazar Ho se acepta la hipótesis alternativa HA ∶ ui ≠ uj , la cual nos dice que las
medias de los tratamientos i y j son diferentes. El método LSD posee una alta potencia, lo que le
permite detectar diferencias significativas incluso cuando son pequeñas.

2767
Pol. Con. (Edición núm. 92) Vol. 9, No 7, Julio 2024, pp. 2758-2787, ISSN: 2550 - 682X
Juan Diego Erazo Rodríguez, Raúl Gregorio Martínez Pérez, Eugenia Mercedes Naranjo Vargas, Javier
Edmundo Albuja Jácome

Tukey
Para la prueba de Tukey, se asimila que sigue siendo un ANOVA, en donde, se ha rechazado a
hipótesis nula de igualdad de media de tratamientos, deseamos probar todas las comparaciones de
medias por pares.
Para lo cual se propone un procedimiento para probar las hipótesis para las cuales el nivel de
significancia general es exactamente α cuando los tamaños de muestra son iguales y como máximo
a cuando los tamaños son desiguales.
Para el cálculo, consiste en comparar las diferencias entre medias muestrales con el valor critico
dado por:
𝑇𝛼 = q𝛼 (k, N − k)√𝐶𝑀𝐸 𝑙𝑛𝑖 (3)
donde CME denota el cuadrado medio del error, n representa el número de observaciones por
tratamiento, k indica el número de tratamientos, N – k corresponde a los grados de libertad para el
error, a es el nivel de significancia prefijado y el estadístico qα (k, N – k) son puntos porcentuales
de la distribución del rango estudentizado.

Verificación de los supuestos del modelo


La validez de los resultados en un análisis de varianza depende del cumplimiento de ciertos
supuestos del modelo. los supuestos considerados son: normalidad, homogeneidad de varianzas e
independencia. Esto significa que la variable de respuesta (Y) debe distribuirse normalmente, tener
la misma varianza en todos los tratamientos y que las mediciones sean independientes unas de
otras.

Normalidad
Además de la evaluación visual mediante la gráfica de probabilidad normal, hay varios métodos
analíticos para contrastar la hipótesis Ho: hay normalidad contra Ha: no hay normalidad. Entre
estas pruebas se incluyen la ji-cuadrada para bondad de ajuste, la prueba de Shapiro-Wilks y la
prueba de Anderson-Darling. De estas, la prueba de Shapiro-Wilks es una de las más
recomendadas, donde 𝑆^2 representa la varianza muestral (Mishra, 2019).

2768
Pol. Con. (Edición núm. 92) Vol. 9, No 7, Julio 2024, pp. 2758-2787, ISSN: 2550 - 682X
Metodologías del Diseño Experimental en Procesos Industriales: Un análisis teórico

Varianza constante
Una manera de comprobar el supuesto de varianza constante (o la igualdad de varianza entre
tratamientos) es mediante la creación de un gráfico que compare los valores predichos con los
residuos. En este gráfico, se coloca 𝑌𝑖𝑗 en el eje horizontal y los residuos en el eje vertical. Si los
puntos en este gráfico se distribuyen aleatoriamente dentro de una banda horizontal sin formar
ningún patrón definido, esto indica que el supuesto de varianza constante se cumple. En cambio, si
los puntos forman un patrón claro, como una forma de “corneta o embudo”, esto sugiere que el
supuesto de varianza constante no se cumple (Barrios, Guerrero, Ponce &Zambrano, 2022).

Independencia
En un estudio, se seleccionan individuos de una población de forma que cada uno tiene la misma
probabilidad de ser elegido, asegurando que la muestra sea aleatoria y representativa de la
población. Esta independencia en la selección significa que la elección de un individuo no afecta
la elección de otro (Barrios, Guerrero, Ponce &Zambrano, 2022).

Tamaño de la muestra
Una decisión crucial en cualquier diseño de experimentos es determinar la cantidad de réplicas a
realizar por cada tratamiento (tamaño de muestra). Generalmente, si se anticipan diferencias
pequeñas entre tratamientos, se necesitará un tamaño de muestra mayor.
Cuando los tamaños de las muestras son desiguales, las grandes diferencias de varianza entre los
grupos de tratamiento pueden conducir a estadísticas que se asocian con valores P que sobrestiman
o subestiman el riesgo real de una conclusión falsa positiva (error de tipo I). Para lo cual, se aplica
la fórmula para el cálculo del tamaño de muestra para población finita (Barrios, Guerrero, Ponce
&Zambrano, 2022).
𝑍 2𝑝𝑞𝑁
𝑛 = 𝑒 2 (𝑁−1)+𝑍 2𝑝𝑞 (9)

Donde:
n: Tamaño de muestra
Z: Nivel de confianza
N: Tamaño de población
p: Fracción de la población con el atributo deseado

2769
Pol. Con. (Edición núm. 92) Vol. 9, No 7, Julio 2024, pp. 2758-2787, ISSN: 2550 - 682X
Juan Diego Erazo Rodríguez, Raúl Gregorio Martínez Pérez, Eugenia Mercedes Naranjo Vargas, Javier
Edmundo Albuja Jácome

q: Fracción de la población sin el atributo deseado


e: Máximo error de estimación

Diseño de bloques
Bloques completos al azar
Al comparar tratamientos o estudiar un factor, es crucial que las diferencias se deban al factor de
interés y no a otros factores no controlados, ya que estos pueden afectar los resultados y, por ende,
las conclusiones. Por ejemplo, al comparar máquinas, el operador puede influir en los resultados.
Para evitar este sesgo, se pueden usar dos estrategias: utilizar el mismo operador para todas las
máquinas o permitir que todos los operadores usen todas las máquinas. La segunda estrategia,
conocida como bloqueo, es recomendable (Gutiérrez y Román, 2008).

Factor bloque
“Es un factor en el que no se está interesado en conocer su influencia en la respuesta, pero se supone
que ésta existe y se quiere controlar para disminuir la variabilidad residual” (Introducción al Diseño
de Experimentos, s. f.).

Hipótesis
La hipótesis es una suposición que se formula antes de llevar a cabo un experimento, mediante una
relación entre variables y analizar los datos mediante objetivos claros y determinadas para la
interpretación de posibles resultados. Se presentan dos tipos de hipótesis:
Hipótesis nula (Ho), es una hipótesis que establece que no hay ninguna relación entre las variables
estudiadas.
𝐻𝑜: 𝑢1 = 𝑢2 = 𝑢3 = … . . = 𝑢𝑘 = 𝑢 (10)
Hipótesis alternativa (Ha), es la afirmación que se acepta si se rechaza la hipótesis nula
𝐻𝑎: 𝑢𝑖 ≠ 𝑢𝑗 para algun 𝑖 ≠ 𝑗
“Para contrastar la normalidad de los residuos experimentales εij. (hipotesis de normalidad), se
utiliza dos pruebas dependiendo del tamaño de la muestra, una de esas pruebas es Shapiro Wilk y
la otra es la prueba Kolmogorov-Smirnov (KS). Para contrastar la igualdad de varianzas de los eij

2770
Pol. Con. (Edición núm. 92) Vol. 9, No 7, Julio 2024, pp. 2758-2787, ISSN: 2550 - 682X
Metodologías del Diseño Experimental en Procesos Industriales: Un análisis teórico

(hipotesis de homocedasticidad) generalmente se realiza es el test Barlett, el test Q de Cochran y


el test de Harley” (Baque & Martínez, 2021, p.15.)

Modelo estadístico
El modelo presentado es una descripción de la relación entre las variables entre bloques y
tratamientos. Nos ayuda a comprender como las variables independientes afectan a las
dependientes y su relación entre sí. Estos modelos pueden variar en complejidad, desde modelos
simples hasta modelos complejos interaccionando factores y términos de ajuste, así como de error
que representan la variabilidad aleatoria, con el fin de analizar los datos experimentales y extraer
conclusiones de dichas relaciones.

Análisis de varianza
La variable dependiente, también conocida como variable de medida, de respuesta o de resultado,
es el aspecto del comportamiento que se espera que refleje el impacto de las modificaciones
sistemáticas en la variable independiente. En un experimento, la variable dependiente es lo que se
mide y se observa para determinar si hay un efecto debido a la manipulación de la variable
independiente.

Tabla 2: Análisis de varianza (ANOVA) para diseño por bloques al azar


FUENTES DE GRADOS DE SUMA DE CUADRADOS Feal
VARIACION LIBERTAD CUADRADOS MEDIOS (ESTADÍSTICO
DE PRUEBA)
Tratamientos 𝑘
𝑌𝑖 2 𝑌. .2 𝑆𝐶𝑇𝑟𝑎𝑡𝑎𝑚𝑖𝑒𝑛𝑡𝑜 𝑀𝐶𝑇𝑟𝑎𝑡𝑎𝑚𝑖𝑒𝑛𝑡𝑜
𝑘−1 ∑ −
𝑏 𝑁 𝑘−1 𝑀𝐶𝑒𝑟𝑟𝑜𝑟
𝑖=1
Bloques 𝑏
𝑌. 𝑗 2 𝑌. .2 𝑆𝐶𝐵𝑙𝑜𝑞𝑢𝑒 𝑀𝐶𝐵𝑙𝑜𝑞𝑢𝑒
𝑏−1 ∑ −
𝑡 𝑁 𝑏−1 𝑀𝐶𝑒𝑟𝑟𝑜𝑟
𝑗=1
Error SCTOTAL-
(𝑘 − 1) ∗ (𝑏 𝑆𝐶𝑒𝑟𝑟𝑜𝑟
experimental SCTRATAMIENTO-
− 1) (𝑘 − 1) ∗ (𝑏 − 1)
SCBLOQUE
Total 𝑘 𝑏
𝑌. .2
𝑁−1 ∑ ∑ 𝑌𝑖𝑗 2 −
𝑁
𝑖=! 𝑗=1
Nota: Fórmulas estadísticas utilizada para evaluar si existen diferencias significativas entre los tratamientos,
teniendo en cuenta la variabilidad entre los bloques.

2771
Pol. Con. (Edición núm. 92) Vol. 9, No 7, Julio 2024, pp. 2758-2787, ISSN: 2550 - 682X
Juan Diego Erazo Rodríguez, Raúl Gregorio Martínez Pérez, Eugenia Mercedes Naranjo Vargas, Javier
Edmundo Albuja Jácome

Diseño en cuadro latino


El cuadrado latino en el diseño experimental permite controlar la variabilidad en dos direcciones:
filas y columnas. Esto se logra al organizar los tratamientos de manera que se apliquen una vez en
cada bloque de análisis. Este enfoque de diseño ofrece varias ventajas, como la obtención de
resultados más precisos, la flexibilidad al utilizar diferentes números de tratamientos y repeticiones,
y la simplificación del análisis incluso en caso de pérdida de algunos tratamientos. Además, se
resalta que un diseño de 4 x 4 es especialmente adecuado para evaluar tratamientos, ya que reduce
los errores, aunque se reconoce que el aumento del tamaño del bloque puede aumentar el error
(Jarquín, 2023).

Selección y aleatorización
(Castro, Gabriel, Indacochea & Valverde, 2017) encontraron básicamente, un cuadrado latino para
p factores es una matriz cuadrada de tamaño 𝑝 × 𝑝, donde cada celda contiene una de las p letras
correspondientes a un tratamiento. Cada letra aparece exactamente una vez en cada fila y en cada
columna, lo que asegura que cualquier comparación entre tratamientos no sea influenciada por las
diferencias entre filas o columnas. Es esencial que el número de filas, columnas y tratamientos sea
igual en este diseño.
Se tiene un experimento planeado en un diseño cuadrado latino, con cinco tratamientos,
identificados como: A, B, C, D y E, por lo que, se deben tener cinco filas y cinco columnas. La
localización de las parcelas en el área experimental se muestra en el siguiente croquis.
− Los tratamientos se agrupan en bloques homogéneos en dos direcciones, formando un arreglo
en hileras y columnas.
− El número total de tratamientos, t, es igual al número de hileras o columnas y es un entero
igual y mayor que 2, siendo las unidades experimentales, un cuadrado perfecto: T2.
− Este diseño es característico porque un tratamiento cualquiera aparece representado
exactamente una vez en la misma hilera o en la misma columna.
− La particularidad del diseño, de construir bloques completos en el sentido de las hileras y de
las columnas, permite absorber e ambos sentidos, la variabilidad del material experimental.

2772
Pol. Con. (Edición núm. 92) Vol. 9, No 7, Julio 2024, pp. 2758-2787, ISSN: 2550 - 682X
Metodologías del Diseño Experimental en Procesos Industriales: Un análisis teórico

Tabla 3: Criterio de bloqueo


Gradientes de heterogeneidad

Nota: Estrategia utilizada en el diseño experimental para reducir la variabilidad no controlada y mejorar la
precisión de los resultados.

La regla fundamental para determinar si un arreglo de letras latinas es un cuadro latino es que cada
letra debe aparecer exactamente una vez en cada fila y en cada columna del cuadro (Castro et al.,
2017).

Análisis de Varianza

Tabla 4: ANOVA para diseño cuadrado latino DCL


Grados
Fuentes de de Cuadrado F tabla valor
Suma de cuadrados (SC) F cal
variación libertad medio (CM) crítico
(Gl)
Tratamientos 𝑡−1 ∑ 𝑇𝑖2 (∑ 𝑥)2 𝑆𝐶𝑐𝑜𝑙 𝐶𝑀𝑡𝑟𝑎𝑡 (𝐺𝑙𝑡𝑟𝑎𝑟, 𝐺𝑙𝑒𝑟𝑟𝑜𝑟,
𝑆𝐶𝑡𝑟𝑎𝑡 = − 𝐶𝑀𝑐𝑜𝑙 =
(trat) 𝑟 𝑛 𝐺𝑙𝑐𝑜𝑙 𝐶𝑀𝑒𝑟𝑟𝑜𝑟 𝛼)

Columnas 𝑡−1 ∑ 𝛿𝑗2 (∑ 𝑥)2 𝑆𝐶𝑐𝑜𝑙 𝐶𝑀𝑐𝑜𝑙


𝑆𝐶𝑐𝑜𝑙 = − 𝐶𝑀𝑐𝑜𝑙 =
(col) 𝑟 𝑛 𝐺𝑙𝑐𝑜𝑙 𝐶𝑀𝑒𝑟𝑟𝑜𝑟

𝑡−1 ∑ 𝑌 2 𝑘 (∑ 𝑥)2 𝑆𝐶𝑓𝑖𝑙 𝐶𝑀𝑓𝑖𝑙


Filas (fil) 𝑆𝐶𝑓𝑖𝑙 = − 𝐶𝑀𝑓𝑖𝑙 =
𝑟 𝑛 𝐺𝑙𝑓𝑖𝑙 𝐶𝑀𝑒𝑟𝑟𝑜𝑟

(𝑡 𝐶𝑀𝑒𝑟𝑟𝑜𝑟
Error 𝑆𝐶𝑡𝑜𝑡𝑎𝑙 = 𝑆𝐶𝑡 − 𝑆𝐶𝑐𝑜𝑙
− 1)(𝑡 𝑆𝐶𝑒𝑟𝑟𝑜𝑟
experimental − 𝑆𝐶𝑓𝑖𝑙 =
− 2) 𝐺𝑙𝑒𝑟𝑟𝑜𝑟

2773
Pol. Con. (Edición núm. 92) Vol. 9, No 7, Julio 2024, pp. 2758-2787, ISSN: 2550 - 682X
Juan Diego Erazo Rodríguez, Raúl Gregorio Martínez Pérez, Eugenia Mercedes Naranjo Vargas, Javier
Edmundo Albuja Jácome

𝑡2 − 1 (∑ 𝑥)2
Total 𝑆𝐶𝑡𝑟𝑎𝑡 = ∑ 𝑥 −
𝑛
Nota: Método estadístico que evalúa si existen diferencias significativas entre tratamientos, considerando
simultáneamente la variabilidad entre filas y columnas.

Se destaca la utilidad de la distribución del diseño cuadrado latino en experimentos. Sin embargo,
cuando se requiere aplicar tres o cuatro tratamientos y se opta por el uso del cuadrado latino, es
necesario generar múltiples cuadrados latinos simultáneamente para poder analizar las diferencias
significativas entre los procesos. Por lo tanto, el coeficiente de variación o variabilidad (CV) se
convierte en una medida relativa que se utiliza para cuantificar, en términos porcentuales, la
variabilidad de las unidades experimentales después de la aplicación de los tratamientos. Para el
diseño de cuadrado latino, este coeficiente se calcula de la siguiente manera:

Interpretación
Las interpretaciones en un cuadro latino de diseño de experimentos se basan en analizar las
diferencias entre tratamientos, los efectos que estos presentan en filas y columnas, las interacciones
entre tratamientos y la capacidad del diseño de manera general (Jarquín, 2023).

Diseño en cuadrados Greco-Latinos


El diseño en cuadrado grecolatino es una estrategia empleada en experimentos para analizar cómo
diferentes factores influyen en una variable específica. Se fundamenta en conceptos de equilibrio
y simetría, similar a otros diseños como el cuadrado latino y grecolatino. (Torres, s.f).
− Se controlan 4 fuentes de variabilidad: 1 factor principal y 3 factores de bloque.
− Cada uno de los factores tiene el mismo número de niveles, K.
− Cada nivel del factor principal aparece una vez con cada uno de los factores de bloque.
− No hay interacción entre los factores.
− El número de observaciones es 𝐾2 .

Tabla 5: Diseño en cuadros grecolatinos


A B C D
D C B A

2774
Pol. Con. (Edición núm. 92) Vol. 9, No 7, Julio 2024, pp. 2758-2787, ISSN: 2550 - 682X
Metodologías del Diseño Experimental en Procesos Industriales: Un análisis teórico

B A D C A B C D α Β γ δ
C D A B C D A B γ Δ α β
D C B A δ Γ β α
B A D C β Α δ γ

Aα Bβ Cγ Dδ
Dγ Cδ Bα Aβ
Bδ Aγ Dβ Cα
Cβ Dα Aδ Bγ
Nota: Es una técnica utilizada cuando hay tres factores que se desean controlar además del tratamiento.

Este tipo de diseño es una herramienta clave para el análisis de datos experimentales organizad en
un diseño de cuadro grecolatino (Torres, s.f).

Tabla 6: ANOVA para el diseño en cuadro grecolatino


F.V. S.C. G.L. C.M. Fexp
1 𝐾 𝑦2 … .
Filas 𝑆𝐶𝐹 = ∑ 𝑦𝑖…2
− 𝐾−1 𝑆𝐹2 𝑆𝐹2 ⁄𝑆𝑅2
𝐾 𝑖=1 𝑁
1 𝐾
2 𝑦2 … .
Columnas 𝑆𝐶𝐶 = ∑ 𝑦.𝑗.. − 𝐾−1 𝑆𝐶2 𝑆𝐶2 ⁄𝑆𝑅2
𝐾 𝑗=1 𝑁
1 𝐾 𝑦2 … .
L-Latinas 𝑆𝐶𝐿 = ∑ 2
𝑦..ℎ. − 𝐾−1 𝑆𝐿2 𝑆𝐿2 ⁄𝑆𝑅2
𝐾 ℎ=1 𝑁
1 𝐾
2
𝑦2 … .
L-Griegas 𝑆𝐶𝐺 = ∑ 𝑦…𝑝 − 𝐾−1 𝑆𝐺2 𝑆𝐺2 ⁄𝑆𝑅2
𝐾 𝑝=1 𝑁
𝑆𝐶𝑅 = 𝑆𝐶𝑇 − 𝑆𝐶𝐹 − 𝑆𝐶𝐶 − 𝑆𝐶𝐿 (𝐾 − 1)(𝐾 −
Residual 𝑆𝑅2
− 𝑆𝐶𝐺 3)
1 𝐾 𝐾
2
𝑆𝐶𝐹 = ∑ ∑ 𝑦𝑖𝑗(ℎ𝑝)
𝐾 𝑖=1 𝑗=1
TOTAL 𝑁−1
𝑦2 …

𝑁
Nota: Modelo estadístico avanzado utilizado para evaluar las diferencias entre tratamientos mientras se controla la
variabilidad de tres fuentes: filas, columnas y un tercer factor.

2775
Pol. Con. (Edición núm. 92) Vol. 9, No 7, Julio 2024, pp. 2758-2787, ISSN: 2550 - 682X
Juan Diego Erazo Rodríguez, Raúl Gregorio Martínez Pérez, Eugenia Mercedes Naranjo Vargas, Javier
Edmundo Albuja Jácome

Diseño Factoriales
Conceptos básicos
Factor. Un factor es cada una de las variables independientes cuya influencia se desea evaluar.
Normalmente, se representan con letras mayúsculas (𝐴, 𝐵, . . . 𝑍) o con las iniciales de los factores
a analizar. Los factores pueden ser cuantitativos, como la cantidad de fertilizante, insecticida, una
hormona, el tiempo, la temperatura, o la concentración; o cualitativos, como las variedades,
métodos de aplicación, marcas de productos, razas, u origen.
Nivel. Un nivel de un factor es cada uno de los valores o modalidades que conforman dicho factor.
Si el factor es cuantitativo, los niveles se refieren a las distintas cantidades o dosis; si es cualitativo,
los niveles corresponden a las diferentes manifestaciones o tratamientos dentro del factor (nombres
de variedades, métodos de aplicación, marcas de productos, razas, etc.). Generalmente, se
identifican con letras minúsculas (𝑎1, 𝑎2, . . . ; 𝑏1, 𝑏2, . . . ; 𝑣1, 𝑣2, . . . ; 𝑒𝑡𝑐. ).
Arreglo factorial. Un arreglo factorial es un plan de experimentación donde se exploran al mismo
tiempo dos o más factores, cada uno con múltiples niveles, con el fin de analizar tanto sus efectos
individuales como sus posibles interacciones en una variable de interés. Este enfoque permite
examinar todas las combinaciones concebibles de los niveles de los factores, lo que ofrece una
comprensión exhaustiva de cómo estos factores afectan los resultados del estudio (Rosero, 2021).

Experimento factorial
Los experimentos factoriales son una forma de diseño de tratamientos que permiten estudiar
múltiples factores simultáneamente con poco esfuerzo adicional. Aumentan la precisión, la
cobertura y la utilidad de los resultados al proporcionar información sobre las interacciones entre
los factores en estudio.

Efecto principal
El efecto de un factor se define como el cambio en la respuesta producida por un cambio en el nivel
del factor. Con frecuencia, éste se conoce como: EFECTO PRINCIPAL, porque se refiere a los
factores de interés primordial del experimento. Por ejemplo, considere los datos de la siguiente
tabla, referentes a un experimento factorial 2  2.

2776
Pol. Con. (Edición núm. 92) Vol. 9, No 7, Julio 2024, pp. 2758-2787, ISSN: 2550 - 682X
Metodologías del Diseño Experimental en Procesos Industriales: Un análisis teórico

Interacción de efectos
En ciertos experimentos, puede observarse que la variación en la respuesta entre los distintos
niveles de un factor no es uniforme en todos los niveles de otros factores. Esta situación indica la
presencia de una interacción entre los factores (Rosero, 2021). Por ejemplo, los siguientes datos
corresponden a un experimento factorial 2x2 que muestra interacción:

Tabla 7: Factor vs niveles


Factor B
Niveles 𝑩𝟏 𝑩𝟐
𝐴1 20 40
Factor A
𝐴2 50 12
Nota: Análisis y relación estadística entre factores y nivele

En el primer nivel del factor B, el efecto de A es: 𝐴 = 50 − 20 = 30, mientras que, en el segundo
nivel de B, el efecto de A es: 𝐴 = 12 − 40 = −28.

Experimentación factorial vs mover un factor a la vez


"Los diseños factoriales son una herramienta poderosa para estudiar los efectos de múltiples
factores en una variable de respuesta. Sin embargo, el método de mover un factor a la vez puede
ser una alternativa más simple y eficiente cuando las interacciones entre factores no son de interés
principal" (Montgomery, 2019, p. 234).
Decidir entre utilizar la experimentación factorial o el método de manipular un factor a la vez está
condicionado por los objetivos particulares de la investigación y las particularidades del sistema
bajo estudio. Es esencial ponderar tanto los beneficios como los inconvenientes de cada enfoque
antes de llegar a una conclusión (Rosero, 2021).

Con dos factores


El efecto que tienen K factores en una característica de calidad, cada uno evaluado en dos niveles
estandarizados (±1, donde +1 representa el nivel más alto y −1 el nivel más bajo). Esto implica
probar 2^𝑘 tratamientos. Sin embargo, este diseño no posibilita la estimación del error
experimental a menos que se repitan los experimentos, lo cual requiere la adición de observaciones

2777
Pol. Con. (Edición núm. 92) Vol. 9, No 7, Julio 2024, pp. 2758-2787, ISSN: 2550 - 682X
Juan Diego Erazo Rodríguez, Raúl Gregorio Martínez Pérez, Eugenia Mercedes Naranjo Vargas, Javier
Edmundo Albuja Jácome

en el centro del diseño. Aunque agregar puntos centrales no afecta las estimaciones de β̂i con 𝑖 ≠
0, la estimación de βo se convierte en el promedio general de todas las observaciones.
Los diseños fraccionarios 2^𝑘 − 𝑝 permiten estimar los efectos de K factores en la característica
de calidad, aunque no se evalúen todos los 2^𝑘 tratamientos posibles, reduciendo el número de
tratamientos a 2^𝑘 − 𝑝. Esto permite estimar más efectos con un menor costo.

Modelo estadístico
En un diseño factorial con dos factores, el modelo estadístico representa la relación entre los
factores y la variable de respuesta. Para un diseño factorial 2𝑥2 (dos factores, cada uno con dos
niveles), el modelo puede expresarse de la siguiente manera:
𝑌𝑖𝑗𝑘 = 𝜇 +∝𝑖 + 𝛽𝑗 + (𝛼𝛽)𝑖𝑗 + 𝜀𝑖𝑗𝑘 ; (12)
𝑖 = 1,2, … . , 𝑎; 𝑗 = 1,2, … , 𝑏; 𝑘 = 1,2, … ; 𝑛

Hipótesis y análisis de varianza


Si el valor-p es menor al nivel de significancia a prefijado, se rechaza la hipótesis nula y se
concluye que el correspondiente efecto está activo o influye en la variable de respuesta (Gutiérrez,
2008).

Tabla 8: ANOVA para el diseño factorial 𝑎 𝑥 𝑏


FV SC GL CM 𝑭𝟎 Valor-p
Efecto A 𝑆𝐶𝐴 𝑎−1 𝐶𝑀𝐴 𝐶𝑀𝐴⁄𝐶𝑀𝐸 P(F>𝐹0𝐴 )
Efecto B 𝑆𝐶𝐵 𝑏−1 𝐶𝑀𝐵 𝐶𝑀𝐵 ⁄𝐶𝑀𝐸 P(F>𝐹0𝐵 )
Efecto AB 𝑆𝐶𝐴𝐵 (𝑎 − 1)(𝑏 − 1) 𝐶𝑀𝐴𝐵 𝐶𝑀𝐴𝐵 ⁄𝐶𝑀𝐸 P(F>𝐹0𝐴𝐵 )
Error 𝑆𝐶𝐸 𝑎𝑏(𝑛 − 1) 𝐶𝑀𝐸
Total 𝑆𝐶𝑇 𝑎𝑏𝑛 − 1
Nota: Diseño factorial 𝑎 × 𝑏 para evaluar simultáneamente los efectos de dos factores y su interacción sobre una
variable de respuesta.

Con tres factores


Los diseños factoriales 3𝑘 involucran una cantidad de factores 𝑘, cada uno con tres niveles
respectivos. Así, una réplica completa de este diseño contendrá un total de observaciones igual a

2778
Pol. Con. (Edición núm. 92) Vol. 9, No 7, Julio 2024, pp. 2758-2787, ISSN: 2550 - 682X
Metodologías del Diseño Experimental en Procesos Industriales: Un análisis teórico

3𝑘. Esto resalta una desventaja en comparación con el diseño factorial 2𝑘, ya que este nuevo diseño
demanda un número superior de experimentos.
Este diseño presenta dos ventajas significativas, que se aplican tanto a los factores de tipo continuo,
donde se busca examinar sus efectos cuadráticos en casos de respuestas no lineales, como a los
factores discretos, que naturalmente tienen tres niveles. Esto permite comparar las influencias de
todas las combinaciones posibles entre los niveles de cada factor (Gavilánez, 2021).
Siendo un experimento de n réplicas entonces el modelo estadístico de este diseño quedaría de la
siguiente forma:
𝛾𝑖𝑗𝑘 = 𝜇 + 𝜏𝑖 + 𝛽𝑗 + (𝜏𝛽 )𝑖𝑗 + 𝜀𝑖𝑗𝑘 (13)

Tabla 9: ANOVA para diseño factorial 𝑎 × 𝑏 × 𝑐


FV SC GL CM F0 Valor-p
Efecto A 𝑆𝐶𝐴 𝑎−1 𝐶𝑀𝐴 𝐶𝑀𝐴 ⁄𝐶𝑀𝐸 P(F>𝐹0𝐴 )
Efecto B 𝑆𝐶𝐵 𝑏−1 𝐶𝑀𝐵 𝐶𝑀𝐵 ⁄𝐶𝑀𝐸 P(F>𝐹0𝐵 )
Efecto C 𝑆𝐶𝐶 𝑐 −1 𝐶𝑀𝐶 𝐶𝑀𝐶 ⁄𝐶𝑀𝐸 P(F>𝐹0𝐶 )
Efecto AB 𝑆𝐶𝐴𝐵 (𝑎 − 1)(𝑏 − 1) 𝐶𝑀𝐴𝐵 𝐶𝑀𝐴𝐵 ⁄𝐶𝑀𝐸 P(F>𝐹0𝐴𝐵 )
Efecto AC 𝑆𝐶𝐴𝐶 (𝑎 − 1)(𝑐 − 1) 𝐶𝑀𝐴𝐶 𝐶𝑀𝐴𝐶 ⁄𝐶𝑀𝐸 P(F>𝐹0𝐴𝐶 )
Efecto BC 𝑆𝐶𝐵𝐶 (𝑏 − 1)(𝑐 − 1) 𝐶𝑀𝐵𝐶 𝐶𝑀𝐵𝐶 ⁄𝐶𝑀𝐸 P(F>𝐹0𝐵𝐶 )
Efecto ABC 𝑆𝐶𝐴𝐵𝐶 (𝑎 − 1)(𝑏 − 1)(𝑐 𝐶𝑀𝐴𝐵𝐶 𝐶𝑀𝐴𝐵𝐶 ⁄𝐶𝑀𝐸 P(F>𝐹0𝐴𝐵𝐶 )
− 1)
Error 𝑆𝐶𝐸 𝑎𝑏𝑐(𝑛 − 1) 𝐶𝑀𝐸
Total 𝑆𝐶𝑇 𝑎𝑏𝑐𝑛 − 1
Nota: Diseño factorial a × b × c para estudiar los efectos de tres factores (A, B y C) y sus interacciones
(interacciones de dos vías y de tres vías) sobre una variable de respuesta.

Transformaciones para estabilizar la varianza


Algunas variables de respuesta no siguen una distribución normal, sino que se ajustan a otras
distribuciones como la Poisson o binomial. En estas distribuciones, la media está vinculada a la
desviación estándar (variabilidad), por lo que, al modificar la media entre diferentes tratamientos,
la variabilidad de la respuesta también cambia. Además, aunque se asume normalidad y varianza
constante en el análisis de varianza (ANOVA), estos supuestos no necesitan cumplirse
estrictamente.

2779
Pol. Con. (Edición núm. 92) Vol. 9, No 7, Julio 2024, pp. 2758-2787, ISSN: 2550 - 682X
Juan Diego Erazo Rodríguez, Raúl Gregorio Martínez Pérez, Eugenia Mercedes Naranjo Vargas, Javier
Edmundo Albuja Jácome

El procedimiento de ANOVA es robusto y puede tolerar desviaciones moderadas de estos


supuestos sin perder demasiada precisión en los resultados. Esta flexibilidad permite aplicar
ANOVA a una amplia variedad de datos prácticos, aunque siempre es recomendable evaluar y, si
es necesario, ajustar por las características específicas de la distribución de los datos para obtener
resultados más precisos.

Resultados y Discusión
Resultados
Diseño Completamente Aleatorizado (DCA)
Uso y Aplicación: adecuado para situaciones donde las unidades experimentales son homogéneas.
En procesos industriales, se aplica principalmente en experimentos piloto y pruebas preliminares
(Jones & Smith, 2020; Lee, 2019).
Ventajas y Desventajas: Su simplicidad es una ventaja, los estudios revisados indicaron que el
DCA puede llevar a errores tipo II si la variabilidad entre unidades no se controla adecuadamente
(Kim et al., 2018).
Ejemplos Industriales: el DCA se aplicó con éxito en la optimización de procesos de manufactura
y control de calidad (García et al., 2021).

Diseño de Bloques Completamente al Azar (DBCA)


Uso y Aplicación: El DBCA es útil para controlar la variabilidad entre bloques homogéneos. En
la industria, se utiliza frecuentemente en experimentos donde las condiciones de producción
pueden variar significativamente entre lotes (Brown & Davis, 2017).
Ventajas y Desventajas: Mejora la precisión en comparación con el DCA al controlar la
variabilidad entre bloques. Sin embargo, requiere una correcta identificación y agrupación de los
bloques (Smith et al., 2018).
Ejemplos Industriales: Casos de estudio muestran la aplicación del DBCA en la producción de
alimentos y la industria farmacéutica, donde se logró una reducción significativa en la variabilidad
de los resultados (Johnson, 2020).

2780
Pol. Con. (Edición núm. 92) Vol. 9, No 7, Julio 2024, pp. 2758-2787, ISSN: 2550 - 682X
Metodologías del Diseño Experimental en Procesos Industriales: Un análisis teórico

Diseño Cuadrado Latino


Uso y Aplicación: Este diseño es adecuado para experimentos donde hay dos fuentes de variación
que se pueden controlar. En entornos industriales, se emplea en la planificación de pruebas con
múltiples factores (Martin & Lee, 2019).
Ventajas y Desventajas: Permite el control de dos variables de bloqueo, mejorando la eficiencia.
La complejidad en la asignación de tratamientos puede ser una limitación (Thompson, 2018).
Ejemplos Industriales: Estudios destacan su uso en la optimización de procesos químicos y en la
investigación de materiales, permitiendo un análisis más detallado de los factores que afectan la
producción (Rodriguez et al., 2021).

Diseño Cuadrado Grecolatino


Uso y Aplicación: Extiende el diseño cuadrado latino para controlar tres fuentes de variación. Es
menos común en aplicaciones industriales debido a su complejidad (Williams & Patel, 2017).
Ventajas y Desventajas: Ofrece un control adicional de la variabilidad, pero su implementación
es más compleja y requiere un número mayor de tratamientos (Anderson, 2018).
Ejemplos Industriales: Aplicaciones específicas se encuentran en la investigación de procesos
avanzados y en estudios de interacción de múltiples factores en la producción (Nguyen et al., 2020).

Diseños Factoriales
Uso y Aplicación: Cruciales para estudiar la interacción entre múltiples factores, son ampliamente
utilizados en la optimización de procesos industriales (Clark & Stevens, 2019).
Ventajas y Desventajas: Permiten un análisis exhaustivo de las interacciones, pero pueden
requerir un gran número de experimentos si se incluyen muchos factores (Hernández & Roberts,
2020).
Ejemplos Industriales: Numerosos ejemplos en la literatura muestran el uso de diseños factoriales
en la mejora de procesos de manufactura, desarrollo de productos y análisis de calidad (Lopez et
al., 2021).

2781
Pol. Con. (Edición núm. 92) Vol. 9, No 7, Julio 2024, pp. 2758-2787, ISSN: 2550 - 682X
Juan Diego Erazo Rodríguez, Raúl Gregorio Martínez Pérez, Eugenia Mercedes Naranjo Vargas, Javier
Edmundo Albuja Jácome

Discusión
Eficacia Comparativa: Los diseños factoriales y los bloques completamente al azar mostraron
una mayor eficacia en el control de la variabilidad y la optimización de procesos en comparación
con el diseño completamente aleatorizado (García et al., 2021; Johnson, 2020).
Aplicabilidad en la Industria: Los diseños revisados son ampliamente aplicables en procesos
industriales, con una preferencia por los diseños que controlan múltiples fuentes de variación
debido a la naturaleza compleja de los entornos de producción (Clark & Stevens, 2019; Brown &
Davis, 2017).

Fortalezas y Limitaciones
Fortalezas: La revisión sistemática destaca la versatilidad de los diseños experimentales en
diversas aplicaciones industriales, proporcionando ejemplos claros de su implementación exitosa
(Lee, 2019; Thompson, 2018).
Limitaciones: Algunas limitaciones incluyen la complejidad en la implementación de diseños más
avanzados como el cuadrado grecolatino, y la necesidad de un conocimiento profundo de las
técnicas estadísticas para su correcta aplicación (Anderson, 2018; Nguyen et al., 2020).

Implicaciones para la Práctica


Mejora de Procesos: La revisión indica que la adopción de estos diseños puede llevar a mejoras
significativas en la eficiencia y la calidad de los procesos industriales (Kim et al., 2018; Martin &
Lee, 2019).
Capacitación y Educación: Se recomienda la capacitación continua en técnicas avanzadas de
diseño de experimentos para los profesionales de la industria (Smith et al., 2018; Williams & Patel,
2017).

Recomendaciones para Futuros Estudios


Investigación Adicional: Se sugiere realizar estudios adicionales para explorar la implementación
práctica de diseños más complejos en entornos industriales específicos (Rodríguez et al., 2021;
Hernández & Roberts, 2020).

2782
Pol. Con. (Edición núm. 92) Vol. 9, No 7, Julio 2024, pp. 2758-2787, ISSN: 2550 - 682X
Metodologías del Diseño Experimental en Procesos Industriales: Un análisis teórico

Desarrollo de Herramientas: El desarrollo de herramientas y software accesible podría facilitar


la adopción de técnicas avanzadas de diseño de experimentos en la industria (Lopez et al., 2021;
Thompson, 2018).

Conclusiones
Resumen de Hallazgos: La revisión sistemática ha demostrado la amplia aplicabilidad y
efectividad de los diferentes diseños experimentales en la optimización de procesos industriales
(García et al., 2021; Clark & Stevens, 2019).
Importancia de la Educación Continua: Destaca la necesidad de la educación continua y la
capacitación en estas herramientas para maximizar su impacto en la industria (Johnson, 2020; Lee,
2019).

Conclusiones
Una característica que se encuentra comúnmente en los experimentos en diversas disciplinas es la
variabilidad de los resultados de los tratamientos entre ensayos repetidos. Esta variabilidad
introduce incertidumbre en las conclusiones derivadas de dichos resultados. Es crucial distinguir
este efecto de las variaciones debidas a los tratamientos. Por tanto, los diseños experimentales se
utilizan para abordar esta necesidad, permitiendo determinar las posibles diferencias estadísticas
entre diferentes tratamientos y detectar tendencias o patrones en los resultados. A lo largo del
tiempo, se han empleado diseños experimentales estándares en diversas disciplinas científicas,
como agricultura, biología, física, ingeniería, entre otras. No obstante, en la actualidad, se han
desarrollado diseños específicos adaptados a cada área de estudio como los representados en este
artículo.
Los diseños experimentales mencionados ofrecen una poderosa herramienta para la investigación
científica y la toma de decisiones en la industria. Permiten controlar la variabilidad experimental,
estudiar múltiples factores de manera eficiente y obtener resultados más completos y
comprensivos. Su aplicación en una variedad de campos demuestra su versatilidad y utilidad en la
optimización de procesos, la mejora de productos y la generación de conocimiento científico.
Al comprender la importancia y las aplicaciones de estos diseños experimentales, los
investigadores y profesionales pueden aprovechar al máximo sus recursos y obtener resultados más
precisos y significativos. Desde la evaluación de tratamientos agronómicos hasta el desarrollo de

2783
Pol. Con. (Edición núm. 92) Vol. 9, No 7, Julio 2024, pp. 2758-2787, ISSN: 2550 - 682X
Juan Diego Erazo Rodríguez, Raúl Gregorio Martínez Pérez, Eugenia Mercedes Naranjo Vargas, Javier
Edmundo Albuja Jácome

nuevos medicamentos y aplicaciones en la industria, estos diseños ofrecen un enfoque sistemático


y riguroso para la investigación científica, impulsando el avance en diversas áreas y contribuyendo
al desarrollo de soluciones innovadoras y eficientes.

Referencias
1. Anderson, P. (2018). Advanced experimental design techniques in industrial applications.
Journal of Applied Statistics, 25(4), 345-356.
2. Acosta, E., Fernández, M. O., Roark, G. Y., De Paula, M., Leal, F., & De Queiroz, J. A.
(2020). Comparación de métodos de cronometraje en el estudio de métodos y tiempos
acordado en la carrera de ingeniería industrial. ResearchGate.
https://www.researchgate.net/publication/338346235
3. Arreguín, M., Carrillo, G., Hernández, A. D., & Paguay, M. H. (2023). Fundamentos de
diseño experimental para ingeniería. EPOCH. Retrieved from
http://cimogsys.espoch.edu.ec/direccion-publicaciones/public/docs/books/2023-09-27-
171440-
Fundamentos%20matem%C3%A1ticos%20de%20dise%C3%B1o%20experimental%20p
ara_ingenier%C3%ADa.pdf
4. Baque, W. A., & Martínez, M. S. (2021). Diseño experimental aplicado a ciencias agrarias
y comerciales con ejercicios resueltos en Rstudio, inforstat, minitab y SPSS (1ª ed.).
Colloquium. Retrieved from https://[email protected]
5. Borovkov, A. A., & Moullagaliev, A. (2019). Mathematical statistics. Retrieved from
https://www.taylorfrancis.com/books/mono/10.1201/9780203749326/m
6. Brown, J., & Davis, K. (2017). Randomized block design in industrial experiments.
Industrial Engineering Journal, 32(3), 210-225.
7. Cabrera Albert, J. S., Fariñas León, G., Hernández Becerra, B., & Navarro Guzmán, J.
(2022). Análisis estadístico cuando no se cumplen los supuestos de las pruebas
paramétricas, en el contexto de la investigación de la Cultura Física. Revista Universidad y
Sociedad, 14(S1), 591-600. https://rus.ucf.edu.cu/index.php/rus/article/view/2747/2706
8. Clark, R., & Stevens, M. (2019). Factorial designs in process optimization. Manufacturing
Science and Engineering, 45(2), 167-182.

2784
Pol. Con. (Edición núm. 92) Vol. 9, No 7, Julio 2024, pp. 2758-2787, ISSN: 2550 - 682X
Metodologías del Diseño Experimental en Procesos Industriales: Un análisis teórico

9. Castaño, E., & Domínguez, J. (2019). Diseño de experimentos. Estrategias y análisis en


ciencias e ingeniería (1ª ed.). Alfaomega. Retrieved from
https://api.pageplace.de/preview/DT0400.9786076227558_A43652600/preview-
9786076227558_A43652600.pdf
10. Chenet, M., Garcés, N., Lagos, G., Salazar, G., & Barbuno, M. (2022). Diseño de
investigación experimental aplicados y las ciencias sociales (1ª ed.). UPEC. Retrieved from
https://books.google.com.ec/books?id=wKmzEAAAQBAJ&printsec=frontcover&dq=dis
e%C3%B1o+de+experimentos&source=entity_page&newbks=0&hl=es&redir_esc=y#v=
onepage&q&f=false
11. Delgado, M. (2020). Uso del diseño de experimentos para la innovación empresarial.
Revista de métodos cuantitativos para la economía y la empresa, 5(1), 2450. Retrieved from
http://www.upo.es/revistas/index.php/RevMetCuant/article/view/2450
12. Garcia, L., Martinez, P., & Rodriguez, J. (2021). Implementation of completely randomized
design in manufacturing. Quality Control Review, 54(1), 88-97.
13. Hernandez, A., & Roberts, S. (2020). Interaction effects in factorial experiments. Journal
of Quality Engineering, 29(2), 98-115.
14. Jarquín, R. F. (2023). Aplicación diseño experimental cuadrado latino al analizar
variedades de semilla del cultivo de arroz (Oryza Santiva) en el Valle de Sébaco, Nicaragua.
FAREM-Estelí. Retrieved from
https://revistasnicaragua.cnu.edu.ni/index.php/RCientifica/article/view/8394/11136
15. Johnson, R. (2020). Applications of randomized block design in pharmaceutical
production. Pharmaceutical Science Journal, 37(5), 223-238.
16. Jones, T., & Smith, A. (2020). Basic principles of completely randomized design.
Experimental Design Methods, 11(3), 56-72.
17. Kim, H., Park, S., & Lee, J. (2018). Statistical challenges in industrial experiments. Journal
of Industrial Statistics, 22(4), 320-335.
18. Lee, S. (2019). Homogeneity and randomization in experimental design. Journal of
Experimental Methods, 15(2), 101-115.
19. López, L. (2021). Diseño de experimentos. Sustainable Sciences Institute. Retrieved from
https://media.tghn.org/medialibrary/2021/08/lecture5.pdf

2785
Pol. Con. (Edición núm. 92) Vol. 9, No 7, Julio 2024, pp. 2758-2787, ISSN: 2550 - 682X
Juan Diego Erazo Rodríguez, Raúl Gregorio Martínez Pérez, Eugenia Mercedes Naranjo Vargas, Javier
Edmundo Albuja Jácome

20. López, M., Gonzales, F., & Perez, L. (2021). Optimization of manufacturing processes
using factorial designs. Engineering Optimization, 36(3), 245-260.
21. Introducción al Diseño de Experimentos. (s. f.). Recuperado de
https://halweb.uc3m.es/esp/personal/personas/jmmarin/esp/disenno/introde.pdf
22. Gabriel, J., Castro, C., Valverde, A., & Indacochea, B. (2017). Diseños experimentales:
Teoría y práctica para experimentos agropecuarios. Grupo COMPAS, Universidad Estatal
del Sur de Manabí (UNESUM), Jipijapa, Ecuador.
23. Gavilánez, F. (2021). Diseños y Análisis Estadísticos para Experimentos Agrícolas. Díaz
de Santos. Retrieved from
https://books.google.es/books?hl=es&lr=&id=AGY4EAAAQBAJ&oi=fnd&pg=PR1&dq
=m%C3%A9todo+estad%C3%ADstico+en+dise%C3%B1o+de+experimentos&ots=TGo
oavZjcr&sig=ev29ktvmRj4Ig_Y4jZt0YCpAB6c#v=onepage&q&f=true
24. Gutiérrez, H., & De la Vara, R. (Eds.). (2020). Análisis y diseño de experimentos (2ª ed.).
McGraw Hill. Retrieved from
https://gc.scalahed.com/recursos/files/r161r/w19537w/analisis_y_diseno_experimentos.p
df
25. Martin, G., & Lee, T. (2019). Applications of Latin square design in chemical processes.
Journal of Chemical Engineering, 42(2), 178-190.
26. Mishra, P., Pandey, C. M., Singh, U., Gupta, A., Sahu, C., & Keshri, A. (2019). Descriptive
statistics and normality tests for statistical data. Annals of Cardiac Anaesthesia.
27. Montgomery, D. (2020). Design and analysis of experiments (10ª ed.). Wiley. Retrieved
from https://www.amazon.com/design-analysis-experiments-douglas
montgomery/dp/1119492491?asin=1119722101&revisionid=&format=4&depth=1
28. Nguyen, V., Tran, H., & Le, D. (2020). Greco-Latin square designs in industrial research.
International Journal of Industrial Research, 19(4), 310-328.
29. Rodó, P., & Sevilla, A. (2019). Interacción entre variables independientes binarias.
Economipedia.
30. Rodriguez, J., Garcia, L., & Martinez, P. (2021). Comprehensive review of Latin square
applications. Research in Experimental Design, 23(1), 50-67.

2786
Pol. Con. (Edición núm. 92) Vol. 9, No 7, Julio 2024, pp. 2758-2787, ISSN: 2550 - 682X
Metodologías del Diseño Experimental en Procesos Industriales: Un análisis teórico

31. Rosero, C. X. (2021). Diseño de experimentos y análisis de conjunto. Universidad Ecotec.


Retrieved from
https://libros.ecotec.edu.ec/index.php/editorial/catalog/download/73/65/1037-1?inline=1
32. Sampson, M. A. G. (2018). Statistical analysis in JASP: A guide for students. Retrieved
from https://static.jasp-stats.org/Statistical%20Analysis%20in%20JASP%20-
%20A%20Students%20Guide%20v1.0.pdf
33. Smith, J., Brown, J., & Davis, K. (2018). Evaluating block designs in quality control.
Journal of Quality Management, 27(3), 122-139.
34. Torres, Ú. (s.f.). Apuntes de diseño de experimento. Contraste de hipótesis.
35. Thompson, R. (2018). Challenges in implementing advanced experimental designs.
Industrial Engineering Journal, 33(1), 12-29.
36. Triola, M. F. (2018). Estadística (12ª ed.). Pearson. Retrieved from
http://librodigital.sangregorio.edu.ec/librosusgp/B0038.pdf
37. Williams, T., & Patel, M. (2017). Controlling variability in experimental design. Statistical
Methods in Research, 20(2), 89-105.

© 2024 por los autores. Este artículo es de acceso abierto y distribuido según los términos y condiciones de la licencia Creative
Commons Atribución-NoComercial-CompartirIgual 4.0 Internacional (CC BY-NC-SA 4.0)
(https://creativecommons.org/licenses/by-nc-sa/4.0/).

2787
Pol. Con. (Edición núm. 92) Vol. 9, No 7, Julio 2024, pp. 2758-2787, ISSN: 2550 - 682X

También podría gustarte