Introduccin Los modelos de diseo de experimentos son modelos estadsticos clsicos cuyo objetivo es averiguar si unos determinados factores

influyen en una variable de inters y, si existe influencia de algn factor, cuantificar dicha influencia. La metodologa del diseo de experimentos se basa en la experimentacin. Es sabido que si se repite un experimento, en condiciones indistinguibles, los resultados presentan una cierta variabilidad. Si la experimentacin se realiza en un laboratorio donde la mayora de las causas de variabilidad estn muy controladas, el error experimental ser pequeo y habr poca variacin en los resultados del experimento. Pero si se experimenta en procesos industriales o administrativos la variabilidad ser mayor en la mayora de los casos. El objetivo del diseo de experimentos es estudiar si cuando se utiliza un determinado tratamiento se produce una mejora en el proceso o no. Para ello se debe experimentar aplicando el tratamiento y no aplicndolo. Si la variabilidad experimental es grande, slo se detectar la influencia del uso del tratamiento cuando ste produzca grandes cambios en relacin con el error de observacin.

DISEO EXPERIMENTAL La metodologa del diseo de experimentos estudia cmo variar las condiciones habituales de realizacin de un proceso emprico para aumentar la probabilidad de detectar cambios significativos en la respuesta; de esta forma se obtiene un mayor conocimiento del comportamiento del proceso de inters. Para que la metodologa de diseo de experimentos sea eficaz es fundamental que el experimento est bien diseado. Un experimento se realiza por alguno de los siguientes motivos: Determinar las principales causas de variacin en la respuesta. Encontrar las condiciones experimentales con las que se consigue un valor extremo en la variable de inters o respuesta. Comparar las respuestas en diferentes niveles de observacin de variables controladas. Obtener un modelo estadstico-matemtico que permita hacer predicciones de respuestas futuras. La utilizacin de los modelos de diseo de experimentos se basa en la experimentacin y en el anlisis de los resultados que se obtienen en un experimento bien planificado. En muy pocas ocasiones es posible utilizar estos mtodos a partir de datos disponibles o datos histricos, aunque tambin se puede aprender de los estudios realizados a partir de datos recogidos por observacin, de forma aleatoria y no planificada. En el anlisis estadstico de datos histricos se pueden cometer diferentes errores, los ms comunes son los siguientes: 1. Inconsistencia de los datos: Los procesos cambian con el tiempo, se producen cambios en el personal (cambios de personas, mejoras del personal por procesos de aprendizaje, motivacin,...), cambios en las mquinas (reposiciones, reparaciones, envejecimiento,...). Estos cambios tienen influencia en los datos recogidos, lo que hace que los datos histricos sean poco fiables, sobre todo si se han recogido en un amplio espacio de tiempo. 2. Variables con fuerte correlacin: Puede ocurrir que en el proceso existan dos o ms variables altamente correlacionadas que pueden llevar a situaciones confusas. Por ejemplo, en el proceso hay dos variables X1 y X2 fuertemente correlacionadas que influyen en la respuesta, pero si en los datos que se tiene aumenta al mismo tiempo el valor de las dos variables no es posible distinguir si la influencia es debida a una u otra o a ambas variables(confusin de los efectos). Otra situacin problemtica se presenta si solo se dispone de datos de una variable (por ejemplo de X1 y no de X2), lo que puede llevar a pensar que la variable influyente es la X1 cuando, en realidad, la variable influyente es la X2 (variable oculta). 3. El rango de las variables controladas es limitado: Si el rango de una de las variables importantes e influyentes en el proceso es pequeo, no se puede saber

su influencia fuera de ese rango y puede quedar oculta su relacin con la variable de inters o lo cambios que se producen en la relacin fuera del rango observado. Esto suele ocurrir cuando se utilizan los datos recogidos al trabajar el proceso en condiciones normales y no se experimenta (cambiando las condiciones de funcionamiento) para observar el comportamiento del proceso en situaciones nuevas. APLICACIONES Los mtodos de diseo experimental han encontrado amplia aplicacin en diversas disciplinas. En general, el aprendizaje ocurre a travs de una serie de actividades en las que se hacen conjeturas acerca de un proceso, se llevan a cabo experimentos para generar datos del proceso y despus se usa la informacin del experimento para establecer nuevas conjeturas, lo que lleva a nuevos experimentos, y as sucesivamente. Este es una herramienta de importancia fundamental en el mbito de la ingeniera para mejorar el desempeo de un proceso de manufactura. La aplicacin de las tcnicas del diseo experimental en las fases inciales del desarrollo de un proceso puede redundar en: 1. Mejorar en el rendimiento del proceso 2. Variabilidad reducida y conformidad mas cercaba con los requerimientos nominales o proyectos 3. Reduccin del tiempo de desarrollo 4. Reduccin de los costos globales Los mtodos del diseo experimental desempean tambin un papel importante en las actividades del diseo de ingeniera, donde se desarrollan productos nuevos y se hacen mejoramientos en los productos existentes; y en estos se encuentran: 1. La evaluacin y comparacin de configuraciones de diseo bsicos 2. La evaluacin de materiales alternativos 3. 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 4. La determinacin de los parmetros clave del diseo del producto que afectan el desempeo del mismo. Puede redundar en productos cuya fabricacin sea ms sencilla, en productos que tengan un desempeo y confiabilidad de campo mejorados, en costos de produccin ms bajos y en los tiempos ms cortos para el diseo y desarrollo del producto. PRINCIPIOS BASICOS El diseo estadstico de experimentos se refiere al proceso para planear el experimento de tal forma que se recaben datos adecuados que puedan analizarse con mtodos estadsticos que llevaran a conclusiones validad y

objetivas; es necesario si se quieren sacar conclusiones significativas de los datos. Cuando el problema incluye datos que estn sujetos a errores experimentales, la metodologa estadstica es el nico enfoque objetivo de anlisis. Cualquier problema experimental incluye dos aspectos: el diseo del experimento y el anlisis estadstico de los datos. Estos dos aspectos se encuentran relacionados porque dependen directamente del diseo empleado. Los tres principios bsicos son la realizacin de replicas, la aleatorizacin y la formacin de los bloques. Por realizacin de replicas se entiende la repeticin del experimento bsico. La realizacin de replicas posee dos propiedades importantes. Primera, permite al experimentador obtener una estimacin del error experimental. Esta estimacin del error se convierte en una unidad de medicin bsica para determinar si las diferencias observadas en los datos son en realidad estadsticamente diferentes. Segunda, si se usa la media para estimar el efecto de un factor en el experimento, permite al experimentador obtener una estimacin ms precisa de este efecto. Por ejemplo, si es la varianza de una observacin individual y hay n replicas, la varianza de la media muestral es: = Hay una diferencia importante entre replicas y mediciones repetidas. La aleatorizacion es la piedra angular en la que se fundamenta el uso de los mtodos estadsticos en el diseo experimental, se entiende que tanto la asignacin del material experimental como el orden en que se realizaran las corridas o ensayos individuales del experimento se determinan al azar. Unos de los requisitos de los mtodos estadsticos es que las observaciones (o los errores) sean variables aleatorias con distribucin independientes. Esta ayuda tambin a sacar del promedio los efectos de factores extraos que pudieran estar presentes. Es muy comn el uso de programas de computadora para auxiliar a los experimentadores a seleccionar y construir diseos experimentales. Por lo general este modo aleatorio se crea utilizando un generador de nmeros aleatorios. La formacin de bloques es unas tcnicas de diseo que se utiliza para mejorar la precisin de las comparaciones que se hacen entre los factores de intereses. Muchas veces la formacin de bloques se empela para reducir o eliminar la variabilidad transmitida por factores perturbados; es decir, aquellos factores que pueden influir en la respuesta experimental pero en los que no hay un inters especfico. Un bloque es un conjunto de condiciones experimentales relativamente homogneas, cada nivel del factor perturbador para a ser un bloque. EXPERIMENTOS CON UN SOLO FACTOR

La forma de describir este experimento es como un experimento es como un experimento con un solo factor, con dos niveles del factor, donde el factor es la formulacin del mortero y los dos niveles son los dos mtodos diferentes para hacer la formulacin, involucran ms de dos niveles del factor. Un ejemplo es con un solo factor con a= 5 niveles del factor y n= 5 replicas. Las 25 corridas debern realizarse de manera aleatoria. El procedimiento correcto para probar la igualdad de varias medias es el anlisis de varianza

Anlisis de varianza Suponga que tiene a tratamientos o niveles diferentes de un solo factor que quieren compararse Modelos para los datos Se encontrara til describir las observaciones de un experimento con un modelo.

Donde es la observacin ij-esima, es la medida del nivel del factor a tratamientos i-esimo, y es un componente del error aleatorio que incorpora todas dems fuentes de variabilidad del experimento, incluyendo las mediciones, la variabilidad que surge de factores no controlados, las diferencias entre las unidades experimentales a las que se aplican los tratamientos. Modelos de las medias i= 1,2,, a Se convierte en

En esta forma de modelo, es un parmetro comn a todos los tratamientos al que se llama la media global y es un parmetro nico del tratamiento i-esimo al que se le llama efecto del tratamiento i-esimo, a la ecuacin se le llama modelo de los efectos. Los efectos son modelos estadsticos lineales; es decir, la variable de respuesta es una funcin lineal de los parmetros del modelo. Tambin se le llama el modelo del anlisis de varianza simple o de un solo factor. Para probar la hiptesis, se supone que los errores del modelo son variables aleatorias que siguen una distribucin normal e independientemente

con media cero y varianza factor.

, s que es constante para todos los niveles del

Y que las observaciones son mutuamente independientes.

Anlisis del modelo con efectos fijos Se representa simblicamente: i= 1, 2, , a

Donde N = an es el nmero total de observaciones. Se nota que el subndice punto implica la operacin suma sobre el subndice que reemplaza. El inters se encuentra en probar la igualdad de las a medias de los tratamientos; es decir E( )= + = , i= 1,2,,a Las hiptesis apropiadas son = para al menos un par(i,j) En el modelo de los efectos, la media, tal modo que se considera como una media global, de

Esta definicin implica que

Es decir, los efectos del tratamiento o factor puedan considerarse como desviaciones de la media . La hiptesis en trminos de los efectos de los tratamientos

para al menos una i

Descomposicin de la suma de cuadrados total El nombre anlisis de varianza se deriva de la particin de la variabilidad total en sus partes competentes. La suma corregida es:

Se usa como una medida de la variabilidad global de los datos. Intuitivamente, esto es razonable porque, si tuviera que dividirse por el numero apropiado de grados de libertad ( en este caso, an -1 =N -1), se obtendra la varianza muestral de las y. La varianza muestral es, desde luego, una medida estndar de variabilidad. Observe que la suma de cuadrados total corregida se escribe como: