TRABAJO DE FIN DE MÁSTER

MÁSTER UNIVERSITARIO EN INGENIERÍA QUÍMICA

DISEÑO DE EXPERIMENTOS:
DISEÑO FACTORIAL

Memoria y Anexos

Autor: Sheila Fernández Bao

Director: Pablo Buenestado Caballero
Convocatòria: Julio 2020


RESUM

Aquest Treball de Fi de Màster resulta d'una revisió bibliogràfica sobre el disseny

factorial. Consisteix en una cerca específica d'aquest disseny en totes les seves formes
així com de la seva utilitat.

S'introdueix el disseny d'experiments i s'explica la importància de la seva
aplicació en l'enginyeria, per a així, posteriorment, explicar el disseny factorial com una
de les eines més útils del disseny d'experiments.

S'explica detalladament en què consisteix el disseny d'experiments, les fases que
aquest ha de seguir, així com els seus principis bàsics, els tipus que existeixen i els
programes que pot ser útils per a dur-ho a terme.

Una vegada explicat, se centra en el que és el disseny d'experiments factorial.
Començant pel disseny factorial complet, el més senzill de realitzar i d'entendre.

A continuació, l'estudi se centra en el disseny factorial fraccionat, un dels tipus
de disseny factorial més utilitzats en l'enginyeria. Acompanyant a aquesta explicació
amb els exemples corresponents per a una millor comprensió.

En el següent apartat, s'explica el bloqueig del disseny factorial, una altra de les
eines més utilitzades del disseny d'experiments factorial, en aquest apartat s'expliquen
els tipus de confusions que pot haver-hi en un disseny i com executar-lo per a poder
interpretar-les.

Al final del projecte, es realitzen també un petit estudi ambiental i una anàlisi
econòmica del que seria realitzar aquest projecte per a una empresa.

En l'Annex I, s'explicarà com utilitzar el programa seleccionat per a realitzar els
exemples.

RESUMEN

Este Trabajo de Fin de Máster resulta de una revisión bibliográfica acerca del
diseño factorial. Consiste en una búsqueda específica de este diseño en todas sus formas
así como de su utilidad.

Se introduce el diseño de experimentos y se explica la importancia de su
aplicación en la ingeniería, para así posteriormente, explicar el diseño factorial como
una de las herramientas más útiles del diseño de experimentos.

Se explica en detalle en que consiste el diseño de experimentos, las fases que
este debe seguir, sus principios básicos, los tipos que existen y los programas que puede
ser útiles para llevarlo a cabo.

Una vez explicado, se centra en lo que es el diseño de experimentos factorial.
Empezando por el diseño factorial completo, el más sencillo de realizar y de entender.

A continuación, el estudio se centra en el diseño factorial fraccionado, uno de los
tipos de diseño factorial más utilizados en la ingeniería. Acompañando a esta explicación
con los ejemplos correspondientes para una mejor comprensión.

En el siguiente apartado, se explica el bloqueo del diseño factorial, otra de las
herramientas más utilizadas del diseño de experimentos factorial, en este apartado se
explican los tipos de confusiones que puede haber en un diseño y como ejecutarlo para
poder interpretarlas.

Al final del proyecto, se realizan también un pequeño estudio ambiental y un
análisis económico de lo que sería realizar este proyecto para una empresa.

En el Anexo I, se explicará cómo utilizar el programa seleccionado para realizar
los ejemplos.

ABSTRACT

This Final Master's Project results from a bibliographic review about factorial
design. It consists of a specific search for this design in all its types.

The design of experiments is introduced and the importance of its application in
engineering is explained, in order to subsequently explain factorial design as one of the
most useful tools in the design of experiments.

It explains in detail what the design of experiments consists of, the phases that
it must follow, as well as its basic principles, the types that exist and the programs that
may be useful to carry it out.

Once explained, it focuses on what is the design of factorial experiments. Starting
with the full factorial design, the easiest to make and understand.

Next, the study focuses on fractional factorial design, one of the most widely
used factorial design types in engineering. Accompanying this explanation with the
corresponding examples for a better understanding.

In the next section, the factorial design blockade is explained, another of the
most used tools in the design of factorial experiments.

At the end of the project, a small environmental study and an economic analysis
of what it would be like to carry out this project for a company are also carried out.

Annex I will explain how to use the selected program to carry out the examples.

ÍNDICE
RESUM .......................................................................................................................... 2
RESUMEN ..................................................................................................................... 3
ABSTRACT ..................................................................................................................... 4
INTRODUCCIÓN ................................................................................................................ 6
MOTIVACIÓN ................................................................................................................ 7
ALCANCE ....................................................................................................................... 7
INTRODUCCIÓN AL DISEÑO DE EXPERIMENTOS .......................................................... 7
OBJETIVO ...................................................................................................................... 9
1.EL DISEÑO DE EXPERIMENTOS .................................................................................... 10
1.1.FASES DEL DISEÑO DE EXPERIMENTOS ................................................................ 11
1.2.PRINCIPIOS BÁSICOS DEL DISEÑO DE EXPERIMENTOS ......................................... 13
1.3.TIPOS DE DISEÑOS EXPERIMENTALES .................................................................. 14
1.4.PROGRAMAS UTILIZADOS EN EL DISEÑO DE EXPERIMENTOS .............................. 15
2.DISEÑO DE EXPERIMENTOS FACTORIAL COMPLETO ................................................... 16
2.1.DISEÑO FACTORIAL COMPLETO 2K ...................................................................... 19
2.2.EJEMPLO DISEÑO FACTORIAL 2k CON CÁLCULOS MANUALES ............................. 24
2.3.EJEMPLO DISEÑO FACTORIAL 2k UTILIZANDO MINITAB 19 .................................. 26
2.4.DISEÑO FACTORIAL COMPLETO 3k ....................................................................... 32
2.5.EJEMPLO DISEÑO FACTORIAL 3k ........................................................................... 34
3.DISEÑO DE EXPERIMENTOS FACTORIAL FRACCIONADO ............................................. 37
3.1.DISEÑO FACTORIAL FRACCIONADO 2k-1 ............................................................... 40
3.2.DISEÑO FACTORIAL FRACCIONADO 2k-p ............................................................... 41
3.3.EJEMPLO DISEÑO FACTORIAL FRACCIONADO ...................................................... 43
3.4.DISEÑO FACTORIAL FRACCIONADO 3k-p ............................................................... 46
4.BLOQUEO DEL DISEÑO FACTORIAL ............................................................................. 48
4.1.CONFUSIÓN DEL DISEÑO FACTORIAL ................................................................... 50
4.1.1CONFUSIÓN DEL DISEÑO FACTORIAL 2k EN DOS BLOQUES ........................... 50
4.1.2.CONFUSIÓN DEL DISEÑO FACTORIAL 2k EN 2p BLOQUES .............................. 52
4.2.CONFUSIÓN PARCIAL DEL DISEÑO FACTORIAL 2k ................................................ 53
4.3.EJEMPLO DE DISEÑO FACTORIAL 2k EN DOS BLOQUES ........................................ 53
ESTUDIO AMBIENTAL ..................................................................................................... 57
ANALISIS ECONÓMICO ................................................................................................... 59
CONCLUSIÓN .................................................................................................................. 64
BIBLIOGRAFÍA ................................................................................................................. 66
ANEXO I .......................................................................................................................... 70

INTRODUCCIÓN

MOTIVACIÓN

Después de cursar la asignatura “PLANIFICACIÓN DE EXPERIMENTOS Y

TRATAMIENTO ESTADÍSTICO DE DATOS” en la EEBE me he dado cuenta de lo importante
y útil que pueden ser los métodos estadísticos aplicados en procesos de Ingeniería
Química. Por esta razón, he decidido realizar el TFM sobre uno de los métodos
estadísticos que utilizamos en la asignatura, el diseño factorial de experimentos, para
así poder profundizar en este tema.

ALCANCE

En este Trabajo de Fin de Máster se llevará a cabo una búsqueda bibliográfica de

información sobre el diseño factorial de experimentos, la cual se redacta y ejemplifica a
partir de un software para una mejor comprensión del lector.

INTRODUCCIÓN AL DISEÑO DE EXPERIMENTOS

Hoy en día la experimentación es una parte fundamental en todos los campos de

la investigación y desarrollo. El objetivo de la experimentación es obtener información
de calidad, la cual permita el desarrollo de nuevos productos y procesos, comprender
mejor un sistema, tomar decisiones sobre como optimizarlo y mejorar su calidad,
comprobar hipótesis científicas… [1].

Esta experimentación dentro del proceso científico debe ir asistida por técnicas
estadísticas. Los análisis descriptivos y exploratorios de datos darán la base al
conocimiento de los problemas y el planteamiento de la hipótesis. Posteriormente el
diseño estadístico y el muestreo aportan la base para planear y recoger los datos. Este
diseño también valida la información y la inferencia estadística. Además, por medio de
contrastación de hipótesis, estimaciones y conclusiones ofrece métodos basados en
probabilidad para obtener inferencias inductivas válidas.

La estadística bien aplicada a la experimentación conduce a realizar los diseños

de experimentos de una forma más eficiente, ahorrando tiempo y recursos a la vez que
se gana información.

Los experimentos científicos pueden clasificarse en absolutos y comparativos [2].
1. Absolutos: el objetivo de estos es determinar propiedades absolutas de
un conjunto de objetos, como la determinación del nº de especies de un
determinado animal en una determinada región.

2. Comparativos: el objetivo de estos es establecer comparaciones entre
muestras que reciben diferentes tratamientos. Estos pueden ser
experimentales u observacionales.
§ En los experimentales es posible controlar las variables,
mantener constante o variar los factores que tienen una
mayor influencia en el resultado; el control de las
condiciones permite al investigador establecer relaciones
causa-efecto, entre los factores controlados y los
resultados, a esto se le llama experimentos diseñados y
son reconocidos como los métodos más potentes en la
ciencia.
§ En los observacionales, el investigador no tiene control
sobre los factores que causan cambios en los resultados,
se limita a observar la forma en la que se manifiestan para
establecer relaciones asociativas entre los factores y las
respuestas. La metodología estadística aplicada a los
experimentos diseñados puede aplicarse también a los
experimentos observacionales, aunque las conclusiones
generalmente son menos convincentes y débiles.

Según Geroge Wald, citado por Wardlaw (2000) “La experimentación es el
mecanismo para hacer que la Naturaleza hable de manera intangible “. Mediante el
experimento se pregunta a la naturaleza, pero es necesario diseñar los experimentos
8

para facilitar la compresión de la respuesta o mensajes implícitos en los datos obtenidos.

De este modo, el análisis estadístico de los datos está supeditado al tipo de diseño
utilizado, así el diseño y el análisis no pueden ir separados en una investigación.

Actualmente se emplea el diseño de experimentos en casi todas las áreas del
conocimiento.

OBJETIVO

El objetivo de este Trabajo de Fin de Master es explicar de forma clara, detallada

y contextualizada el diseño factorial, su aplicación y las diferentes formas en las que este
se puede llevar a cabo para conseguir conclusiones validas en un experimento, así como
demostrar la importancia de utilizarlo para un mejor rendimiento en los procesos.

También demostrar la utilidad del diseño de experimentos factorial en procesos
de ingeniería química.

Para conseguir este objetivo se realizarán ejemplos con el software Minitab 19,
dado que es del que disponen licencia los alumnos de la UPC. El uso de este programa
se explicará en el ANEXO I.

1.EL DISEÑO DE
EXPERIMENTOS

10

El diseño de experimentos (DOE) puede definirse como un proceso que consiste

en plantear los pasos necesarios que se deben seguir, así como el orden de estos, para
una recolección y posterior análisis de la información que requiere estudiar un problema
de investigación. Su objetivo es el de obtener el máximo de información requerida por
el experimento con el mínimo coste y la máxima eficiencia. Un buen diseño es aquel que
es capaz de proporcionar exactamente el tipo de información que se busca, con
precisión, y es más eficiente cuando proporciona esta información con un número
menor de datos. Sin embargo, para esto es necesario saber que se está buscando, lo
cual parece obvio, pero no siempre es así [2][3].

1.1.FASES DEL DISEÑO DE EXPERIMENTOS

Para realizar un buen diseño distintos autores han descrito fases a seguir, las
cuales están enfatizadas dependiendo del propósito de cada autor, entre estas se
encuentran las descritas por Douglas C. Montgomery (2007) el cual sugiere [2]:

1. Reconocimiento y formulación del problema: Este es un paso obvio, sin
embargo, en la práctica no resulta siempre sencillo de realizar y menos de forma
clara y aceptada por todos. Es necesario desarrollar todas las ideas sobre el
objetivo del experimento y normalmente es importante solicitar información a
todas áreas involucradas en el experimento, ingeniería, calidad, manufactura,
administración, etc.

2. Selección de los factores y niveles: El investigador selecciona los factores o
variables independientes que serán analizadas, de acuerdo con el conocimiento
del fenómeno y la posibilidad de controlar estas. Al escoger los factores que
pueden influir en el desempeño del proceso, estos pueden clasificarse en:
§ Factores potenciales del proceso: los cuales el experimentador quiere
hacer variar en el experimento, dentro de estos podrán ser:
§ Factores de diseño que se mantienen constantes:
Estos suelen ser variables con cierto efecto para la

11

respuesta, pero no son de interés para los fines del

experimento, por lo que se mantendrán en un nivel fijo
específico.
§ Factores de diseño que se permite variar: Estos
tendrán efecto sobre la respuesta y serán de interés
para los fines del experimento.
§ Factores perturbadores del proceso: estos factores pueden tener un
efecto en la respuesta, que debe de tomarse en cuenta, pero no hay
interés en ellos en el contexto del experimento. Se clasifican en:
§ Factores perturbadores controlables: Los cuales se
puede ajustar a un nivel.
§ Factores perturbadores no controlables: Los cuales no
se puede ajustar a un nivel, pero este puede medirse,
por lo cual el efecto puede ser compensado.
§ Factores perturbadores de ruido: Los cuales no pueden
ajustarse a un nivel y este nivel varía de forma natural.

3. Selección de las variables de respuesta: Esta debe ser aquella que
proporcione la información útil, con la solución al problema definido.

4. Selección del diseño experimental: Una vez asignado lo anterior surgen dos
preguntas:
a) ¿Cuál es el tamaño apropiado para la muestra?
b) ¿Qué tipo de diseño conduce al resultado óptimo en cuanto a
información válida, precisa y económica?

5. Realización del experimento: Es la parte en la cual se realiza el experimento
y se recogen los datos, debe prestarse atención al mecanismo de aleatorización,
al manejo de los instrumentos de medida, al reconocimiento de las unidades
experimentales, y fundamentalmente al mantenimiento en la forma más
uniforme posible de las condiciones ambientales del experimento. Un error en
el procedimiento destruirá por lo general la validez de este.
12

6. Análisis de los datos: Deben utilizarse métodos estadísticos para analizar los
datos recogidos, el método que se escoja debe ir acorde con el diseño utilizado.

7. Conclusiones y recomendaciones: Después de analizar los datos se establecen
las inferencias estadísticas, las cuales deben traducirse al lenguaje del
experimento para darle la correspondiente interpretación física y evaluar su
significación práctica.

1.2.PRINCIPIOS BÁSICOS DEL DISEÑO DE EXPERIMENTOS

Para que un experimento pueda catalogarse como un buen experimento, las

conclusiones de este deben tener validez, precisión y amplio cubrimiento. Para cumplir
con estas condiciones el experimento debe llevarse a cabo teniendo en cuenta los tres
principios básicos: repetición, aleatorización y control del error experimental [4].

§ Repetición: Un mayor número de repeticiones dará una mayor precisión en las
estimaciones, el objetivo de realizar repeticiones será obtener una medida de
variabilidad.

§ Aleatorización: Este es uno de los principios más discutidos en la literatura, sus
objetivos son varios: eliminar el sesgo en la estimación de medidas, dar validez
a la estimación del error experimental, generar independencia de los errores
experimentales, dar robustez al análisis. Sin embargo, debe considerarse que,
con los diseños aleatorizados, cuando hay una dependencia positiva entre
observaciones son menos eficientes que los diseños sistemáticos.

§ Control del error experimental: Este proceso evita el efecto de los factores
conocidos sobre los resultados de un experimento, factores que pueden
interferir con el objeto de estudio o que no permiten observar adecuadamente
los efectos bajo estudio. Este proceso se realiza mediante la construcción de
bloques y modificando el proceso de aleatorización.

13

1.3.TIPOS DE DISEÑOS EXPERIMENTALES

Como se ha mencionado anteriormente uno de los pasos fundamentales para el

diseño de experimentos es la elección de un diseño experimental, existe una gran
variedad de estos, sin embargo, los más utilizados son los que se mencionan a
continuación.

Experimentos con un solo factor: Análisis de varianza (ANOVA)
El análisis de varianza es utilizado para verificar si existen diferencias estadísticas
significativas entre la media de más de dos muestras o grupos de muestras en un mismo
planteamiento. El procedimiento que utiliza este método es comparar estos valores
basados en la varianza global de las muestras a comparar. Típicamente se utiliza este
análisis para asociar una probabilidad a la conclusión de que las medias de dos o más
poblaciones son distintas.
El objetivo del análisis se basa en la descomposición de variabilidad total en dos
partes, una debida a la variabilidad entre las distintas poblaciones y otra parte a la
variabilidad intrínseca de las observaciones [5].

Diseños factoriales
Este tipo de diseño se utiliza para experimentos con dos o más factores, dado
que en general son los más eficientes para ello. En este diseño se investiga todas las
combinaciones posibles entre los niveles de los factores.

Diseños anidados
Este diseño se aplica a experimentos con dos o más factores, en lo que alguno
de ellos cuenta con niveles idénticos a otro, o cuando no es posible combinar todos los
niveles de un factor con todos los niveles de otros.
Un factor está anidado a otro cuando cada nivel de este aparece asociado a un
único nivel del otro.



14

Superficies de respuesta
Este método se utiliza cuando en un problema la respuesta de interés recibe una
influencia de diversas variables, donde el objetivo es optimizar la respuesta y determinar
el modelo matemático que mejor se ajusta a los datos obtenidos.
En estos problemas la forma de relación entre la respuesta y las variables
independientes suele ser desconocida, por lo que el primer paso es encontrar una
próxima a la verdadera relación funcional entre la respuesta y el conjunto de variables
independientes. Se emplea un polinomio de orden inferior en alguna región, si la
respuesta es línea se ajustará a un modelo de primer orden, mientras que si tiene
curvatura debe usarse un polinomio de orden superior.

1.4.PROGRAMAS UTILIZADOS EN EL DISEÑO DE EXPERIMENTOS

Existen diferentes programas que se utilizan a la hora de realizar el diseño de

experimentos. Los programas de análisis estadístico permiten a las organizaciones
aprovechar al máximo los datos que poseen, incluyen soluciones especializadas
diseñadas para trabajar con lenguajes estadísticos concretos, así como aplicaciones más
generales que automatizan varias operaciones de manipulación de datos, desde análisis
de potencia hasta visualización de datos. Algunos de los más utilizados son mostrados
en la Tabla 1.

Tabla 1.Programas estadístico más utilizados. Elaboración propia.

Programas estadísticos
Sigma XL SPSS
Tabla XLSTAT
Matlab Cerebral
Minitab R
Stata JMP Statistical Software

15

2.DISEÑO DE
EXPERIMENTOS FACTORIAL
COMPLETO

16

Como se ha mencionado anteriormente los diseños factoriales son los más

utilizados en los experimentos con dos o más factores, es decir, con dos o más variables
independientes, las cuales serán analizadas al ser consideradas por el investigador como
variables que afectan al proceso.

Los valores en los que se puede trabajar con cada uno de los factores se les
denomina niveles, es decir los niveles son el valor, puede ser cuantitativo o cualitativo,
que puede tomar cada uno de los factores dentro del experimento.

En un diseño factorial, cada uno de los niveles de cada factor independiente se
combina con cada uno de los niveles de los demás, para así realizar todas las
combinaciones posibles. Cada una de las combinaciones se convierte en una condición
para el experimento. Esto produce que los experimentos sean más eficientes, dado que
se puede proporcionar información de los efectos de todos los factores en relación a los
niveles de los otros [6]. Este efecto se define como, el cambio en la respuesta del
experimento producido por un cambio de nivel en el factor [7].

Para realizar un diseño factorial se selecciona un número fijo de niveles para cada
uno de los factores, y se corren los experimentos en todas las posibles combinaciones.

Los factores pueden ser tanto cualitativos como cuantitativos. Y los efectos que
estos causan pueden ser de tres tipos, simples, principales y de interacción.
§ Efectos simples: Se observan al comparar entre todos los niveles de un factor a
un solo nivel del otro factor.
§ Efectos principales: Se observan al comparar entre todos los niveles de un factor
promediados para todos los niveles de otro factor.
§ Efecto de interacción: Estos miden la diferencia entre los efectos simples de un
factor a diferentes niveles de otros.

Para entender estas definiciones se muestra un ejemplo sencillo de los efectos de
un diseño factorial en el que habrá dos factores, variables a estudiar, con dos niveles
cada uno, valor en el que pueden fijarse las variables, y se estudiarán todas las
17

combinaciones posibles para estos factores y niveles. Los factores serán A (Tipo de
mezcla) y B (Tipo de compactación), ya que el experimentador ha considerado que estas
dos variables son las que más afectan al proceso y son más sencillas de manipular.

Lo niveles para estas dos variables serán denominados en este caso como nivel 1 y
nivel 2, estos niveles representan cada uno de los tipos de mezcla y compactación con
los que se puede trabajar para los factores seleccionados. Teniendo así para el factor A,
A1 y A2, y para el factor B, B1 y B2.

Cada una de estas variables(factores) en sus respectivas condiciones de trabajo
(niveles) proporcionan un efecto diferente en el experimento, estos efectos se miden
en este caso, con el coeficiente de ruptura de cada una de las combinaciones en el
experimento y se muestran en la siguiente Tabla 2 [6].
Tabla 2.Datos del ejemplo [6].

B1 B2
A1 68 60
A2 65 97

Calculando así:
§ Efectos simples: Comparamos todos los niveles de un factor, A en este caso,
sobre un nivel de otro factor, B1 primero y luego B2.
- Efecto simple de A sobre B1 será: I1= 65-68 = -3
- Efecto simple de A sobre B2 será: I2= 97-60 = 37
§ Efectos principales: En primer lugar, se promedia los niveles del factor A para
ambos niveles de B, posteriormente se compara entre ambos para calcular el
efecto principal.
- Media de A1 para ambos niveles de B: µ1= ½ · (68+60) = 64
- Media de A2 para ambos niveles de B: µ2= ½ ·(65+97) = 81
- Efecto principal: I3= 81-64 = 17
§ Efectos de interacción: Se calcula al comparar los efectos simples de ambos
factores.
Efectos de interacción: I4= I2-I1= 40

18

Estos efectos se interpretarían de la siguiente forma:

§ I1: La mezcla de tipo 1 tiene un mayor coeficiente de ruptura que la roca tipo 2
cuando se realiza la compactación tipo 1.
§ I2: La mezcla de tipo 2 tiene un mayor coeficiente de ruptura que la roca tipo 1
cuando se realiza la compactación tipo 2.

La diferencia entre la interpretación del resultado de los efectos simples indica que
los factores no actúan de forma independiente sobre la respuesta. Por lo que habrá
que seguir estudiando la interacción de estos factores entre ellos.
§ I3: La mezcla de tipo 2 tiene un mayor coeficiente de ruptura que la roca tipo 1.
§ I4: Nos indica que el efecto del tipo de mezcla sobre la respuesta depende del
tipo de compactación.

Así las ventajas del diseño factorial respecto a otros diseños serán la eficiencia, son
más eficientes que analizar un solo factor a la vez, y la posibilidad de analizar las
interacciones entre factores, evitando llegar a conclusiones erróneas cuando los
factores no actúan de forma independiente [7].

Por ello, y como se ha mencionado anteriormente se utiliza para los experimentos
en los que intervienen más de un factor a la vez, para analizar todas las combinaciones
posibles de estos. Este tipo de diseño no sería útil en experimentos donde solo se analiza
un factor.

2.1.DISEÑO FACTORIAL COMPLETO 2K

Son denominados diseño factorial 2k los diseños en los cuales cada uno de los
factores cuenta con dos niveles, es decir cuando se realiza un experimento con un
número de factores k en el que cada uno de estos solo puede adoptar dos niveles. Estos
niveles podrían ser cuantitativos o cualitativos y una réplica completa de tal diseño
requiere que realizar 2k combinaciones.

19

Este diseño describe como realizar los experimentos de la forma más adecuada para
conocer simultáneamente qué efecto tienen k factores sobre una respuesta y descubrir
si interaccionan entre ellos [9].

Además, estos diseños presentan diferentes ventajas en relación a otros tipos de

diseños [8].

§ No es necesario un gran número de experimentos por cada uno de los factores

a estudiar.
§ Las observaciones producidas por los diseños se pueden interpretar utilizando el
sentido común, la aritmética elementar y los gráficos por ordenador.
§ Cuando se trata de factores cuantitativos se puede determinar una dirección
prometedora para una mayor experimentación.
§ Es posible aumentar los diseños cuando se necesita una exploración más
focalizada.
§ Es posible realizarlos de forma secuencial, de forma que una vez realizada una
ronda del diseño factorial se puede montar una nueva para realizar una
investigación más específica.

Como hemos mencionado, en este diseño se realizan todas las combinaciones
posibles entre los efectos, para ello se crea la matriz de diseño. En ella se utilizan los
signos – y + para ambos niveles de un factor y se realiza de la siguiente forma: en la
primera columna se alternan los signos comenzando por el -. En la segunda columna se
alternan los signos de dos en dos, en la tercera de cuatro en cuatro, en la cuarta de ocho
en ocho y así sucesivamente. Siempre comenzando con el signo -.

20

3
Tabla 3.Matriz de diseño para un diseño factorial completo 2 . Elaboración propia.

Orden Std Orden aleatorio Factor A Factor B Factor C

1 1 - - -
2 8 + - -
3 4 - + -
4 3 + + -
5 6 - - +
6 2 + - +
7 7 - + +
8 5 + + +

Estos modelos pueden ser sin réplica o con ellas, es decir puede realizarse una sola
vez cada una de las combinaciones obteniendo solamente una respuesta para cada una
de las combinaciones o pueden realizarse el número de veces que se considere
necesario obteniendo así más de una respuesta para cada combinación, en este caso
habrá que tener en cuenta ambas respuestas.

El modelo más sencillo para el diseño factorial 2k es el modelo 22, sin réplica, el cual
cuenta con dos factores de dos niveles cada uno. Estos factores por ejemplos podrían
ser A y B, los cuales tienen cada uno dos niveles a los que trabajar, alto y bajo
denominados arbitrariamente. Las unidades experimentales se obtienen tomando las
cuatro posibles combinaciones de ambos factores y replicándolo n veces, con n > 1.

Por convención el efecto de un factor se denota con su letra mayúscula y los niveles
con + y -, para alto y bajo, obtendremos las siguientes respuestas para las posibles
combinaciones:

Tabla 4.Nomenclatura más utilizada para las respuestas. Elaboración propia.

B(-) B(+)
A(-) (1) b
A(+) a ab

21

Así se podrán calcular los efectos principales de cada uno de los factores y de sus
combinaciones, como:

#
𝐴= 𝑎𝑏 − 𝑏 + (𝑎 − 1 ) Ecuación 1
$·&

#
𝐵= 𝑎𝑏 − 𝑎 + (𝑏 − 1 ) Ecuación 2
$·&

#
𝐴𝐵 = 𝑎𝑏 − 𝑎 + ((1) − 𝑏) Ecuación 3
$·&

Las conclusiones de estos efectos dependerán de que es lo que miden, se examina
su magnitud y su dirección con el fin de poder determinar cuáles serán los niveles que
causan el efecto deseado en nuestro experimento, así como si estos efectos son de
importancia o pueden despreciarse.

El modelo que sigue este diseño será:

𝑦012 = 𝜇 + 𝜏0 + 𝛽1 + (𝜏𝛽)01 + 𝜀012 Ecuación 4

Siendo 𝜇 el efecto promedio global, 𝜏0 el efecto del nivel i-esímo del factor A, 𝛽1 el
nivel j-ésimo del factor B, (𝜏𝛽)01 el efecto de la interacción entre 𝜏0 y 𝛽1 , y 𝜀012 un
componente del error aleatorio. Con i=1,2; j=1,2; k=1…n.

Además de cada factor también se puede realizar un análisis de varianza, para ello
se calculan los contrastes de los factores, o también llamados los efectos totales con las
Ecuaciones 5, 6 y 7. La suma de los cuadrados de los contrastes, la cual muestra
información sobre la importancia de los efectos principales o combinaciones, es igual al
cuadrado del contraste dividido por el número de observaciones en cada total
multiplicado por la suma de cuadrados de los coeficientes del contraste, como se
muestra en las Ecuaciones 9, 10 y 11. [7].


22

𝐶𝑜𝑛𝑡𝑟𝑎𝑠𝑡𝑒? = 𝑎𝑏 + 𝑎 − 𝑏 − (1) Ecuación 5

𝐶𝑜𝑛𝑡𝑟𝑎𝑠𝑡𝑒@ = 𝑎𝑏 + 𝑏 − 𝑎 − (1) Ecuación 6

𝐶𝑜𝑛𝑡𝑟𝑎𝑠𝑡𝑒?@ = 𝑎𝑏 + (1) − 𝑎 − 𝑏 Ecuación 7

BCDBECE(#) F
𝑆𝑆? = Ecuación 8
G&

BCDCEBE(#) F
𝑆𝑆@ = Ecuación 9
G&

BCD(#)EBEC F
𝑆𝑆?@ = Ecuación 10
G&

Estas Ecuaciones 5,6,7,8,9 y 10 podrían aplicarse a cualquier modelo 2k como:

𝐶𝑜𝑛𝑡𝑟𝑎𝑠𝑡𝑒?@…I = 𝑎 ± 1 𝑏 ± 1 … (𝑘 ± 1) Ecuación 11

$
𝐴𝐵 … 𝐾 = (𝐶𝑜𝑛𝑡𝑟𝑎𝑠𝑡𝑒?@…I ) Ecuación 12
$M ·&

$
𝑆𝑆?@…I = (𝐶𝑜𝑛𝑡𝑟𝑎𝑠𝑡𝑒?@…I )$ Ecuación 13
$M ·&

Además de los cálculos mencionados en este tipo de diseño es muy importante la
interpretación de las gráficas correspondientes a los efectos de los factores, así como
las de las combinaciones entre estos.

Para que todos estos conceptos mencionados queden claros y se pueda mostrar
cómo se interpretan los resultados de estos cálculos, se realizarán dos ejemplos de
diseño factorial 2k, uno con cálculos manuales y otro utilizando el programa Minitab 19.
En ellos también se introducen algunos conceptos nuevos que se van explicando a lo
largo de los ejemplos.

23

2.2.EJEMPLO DISEÑO FACTORIAL 2k CON CÁLCULOS MANUALES

Una empresa embotelladora de refrescos está interesada en obtener alturas de

llenado más uniformes en las botellas que se fabrican en su proceso de manufactura.
Teóricamente, la máquina de llenado llena cada botella a la altura objetivo correcta,
pero en la práctica existe variación entorno a este objetivo, y a la embotelladora le
gustaría entender mejor las fuentes de esta variabilidad, así como reducirla.

El ingeniero del proceso puede controlar tres variables durante el proceso de
llenado, es decir los factores. Estos serán: el porcentaje de carbonatación (A), la presión
de operación en el llenador (B) y la rapidez de la línea, botellas producidas por minuto
(C). Para cada una de ellas cuenta con dos valores a los que las puede ajustar, estos serán
los niveles de los factores pues [7].

k
Tabla 5. Niveles de cada parámetro del ejemplo manual 2 . [7]

Nivel Carbonatación(A) Presión (B) Rapidez(C)

-1 10 psi 25 psi 200 bpm

+1 12 psi 30 psi 250 bpm

El objetivo de este experimento es estudiar la variabilidad del embotellado a
partir de la desviación de la altura de llenado de especificación, realizando para ello un
experimento factorial 23, este conlleva realizar 23= 8 combinaciones de los tres factores.

El ingeniero tiene los recursos en la empresa para realizar hasta 16
experimentos, por lo que realiza dos réplicas de cada uno de los experimentos de
manera aleatoria, obteniendo los siguientes resultados:

24

3
Tabla 6.Matriz de diseño del ejemplo manual 2 . [7]

Factores Respuesta
Corrida (A) (B) (C) Réplica 1 Réplica 2 SRéplicas
1 -1 -1 -1 -3 -1 -4
2 1 -1 -1 0 1 1
3 -1 1 -1 -1 0 -1
4 1 1 -1 2 3 5
5 -1 -1 1 -1 0 -1
6 1 -1 1 2 1 3
7 -1 1 1 1 1 2
8 1 1 1 6 5 11

Así a partir de la Ecuación 12, se calculan los efectos de los factores de la siguiente
forma:

1 1
𝐴= a − 1 + ab − b + ac − c + abc − bc = 1 − −4 + 5 − −1 + 3 − −1 + 11 − 2 = 3
4·𝑛 8

1 1
𝐵= 𝑏 + 𝑎𝑏 + 𝑏𝑐 + 𝑎𝑏𝑐 − 1 − 𝑎 − 𝑐 − 𝑎𝑐 = −1 + 5 + 2 + 11 − −4 − 1 − −1 − 3 = 2,25
4·𝑛 8

1 1
𝐶= 𝑐 + 𝑎𝑐 + 𝑏𝑐 + 𝑎𝑏𝑐 − 1 − 𝑎 − 𝑐 − 𝑎𝑐 = −1 + 3 + 2 + 11 − −4 − 1 − −1 − 5 = 1,75
4·𝑛 8

1 1
𝐴𝐵 = 𝑎𝑏 − 𝑎 − 𝑏 + 1 + 𝑎𝑏𝑐 − 𝑏𝑐 − 𝑎𝑐 + 𝑐 = 5 − 1 − −1 + −4 + 11 − 2 − 3 + (−1) = 0,75
4·𝑛 8

1 1
𝐴𝐶 = 1 − 𝑎 + 𝑏 − 𝑎𝑏 − 𝑐 + 𝑎𝑐 − 𝑏𝑐 + 𝑎𝑏𝑐 = −4 − 1 + −1 − 5 − −1 + 3 − 2 + 11 = 0,25
4·𝑛 8

1 1
𝐵𝐶 = 1 + 𝑎 − 𝑏 − 𝑎𝑏 − 𝑐 − 𝑎𝑐 + 𝑏𝑐 + 𝑎𝑏𝑐 = −4 + 1 − −1 − 5 − −1 − 3 + 2 + 11 = 0,5
4·𝑛 8

1 1
𝐴𝐵𝐶 = 𝑎𝑏𝑐 − 𝑏𝑐 − 𝑎𝑐 + 𝑐 − 𝑎𝑏 + 𝑏 + 𝑎 − (1) = 11 − 2 − 3 + −1 + 1 − (−4) = 0,5
4·𝑛 8

Se observa que los efectos más grandes son para la carbonatación (A=3), la presión
(B=2,25) y la velocidad (C=1,75) así como la interacción carbonatación-presión
(AB=0,75), si bien el efecto de esta parece tener un menor impacto sobre la desviación
que los efectos principales.

25

Las sumas de los cuadrados se calculan a partir de la Ecuación 13:

24 $ 2$
𝑆𝑆? = = 36 𝑆𝑆?[ = = 0,25
16 16

18 $ 4$
𝑆𝑆@ = = 20,25 𝑆𝑆@[ = = 1
16 16

14 $ 4$
𝑆𝑆[ = = 12,25 𝑆𝑆?@[ = = 1
16 16

6$
𝑆𝑆?@ = = 2,25
16

Se observa como los efectos principales SSA, SSB y SSC dominan en realidad el
proceso, tienen un valor de la suma de cuadrados muy superior a las combinaciones de
factores.

Por lo que se puede concluir que los efectos principales son altamente
significativos en este proceso, y hay una ligera interacción entre la carbonatación y la
presión.

2.3.EJEMPLO DISEÑO FACTORIAL 2k UTILIZANDO MINITAB 19

En este ejemplo se lleva a cabo el estudio de una reacción química de síntesis

catalizada, y el investigador quiere comprobar que efecto tienen en ella las variables de
tiempo de reacción y temperatura del proceso, así como si es importante la elección del
catalizador, puesto que cuenta con dos catalizadores que puede utilizar.

Por ello, llevará a cabo un diseño factorial en el cual los factores serán las tres
variables mencionadas anteriormente, tanto el tiempo como la temperatura son
variables que puede adoptar dos medidas en las que se pueden ajustar, por lo que todos
los factores de la reacción contarán con dos niveles [10] [11] [12] [13].

26

Los factores y niveles que se van a utilizar se muestran en la Tabla 7

Tabla 7
3
Tabla 7. Niveles y factores del ejemplo 2 . Elaboración propia.

Factores Nivel (-) Nivel (+)

A: Tiempo 6 h 8 h
B: Temperatura 40 ºC 80ºC
C: Catalizador CA CB


Se realiza un diseño factorial 23 con solo una réplica, dado que el investigador no
tiene recursos suficientes para realizar más réplicas. Se realizan de forma aleatoria los
experimentos, esto es muy importante dado que así se intenta evitar que el efecto de
que un factor esté confundido con el de otro factor no intencionado y se introduzca
sesgo en los valores de los efectos. Para llevar a cabo el diseño factorial se utiliza la
herramienta Minitab19, esta proporciona directamente las respuestas de los efectos,
así como de las interacciones, sin necesidad de realizar los cálculos de forma manual. En
la Tabla 8 se muestra el resumen de este diseño. En el Anexo I se muestra cómo utilizar
Minitab 19 para conseguir estos resultados.

k
Tabla 8. Resumen del diseño en Minitab 19 para el ejemplo 2 . Elaboración propia.

Factores : 3 Diseño de la base: 3;8

Corridas : 8 Réplicas : 1
Bloques: 1 Puntos centrales: 0


En la Tabla 9 se muestra la matriz del diseño factorial con las respuestas dadas
para cada una de las combinaciones de los factores, es decir para cada experimento
realizado. Las ocho respuestas se pueden combinar para obtener información, el valor
medio, tres efectos principales, tres efectos de interacción entre dos factores y un efecto
de interacción de tres factores. En la Tabla 10 se muestran los resultados de estas ocho
combinaciones. El cálculo de estos efectos ha sido realizado a partir de las respuestas
de todos los experimentos, dado que así se reduce la incertidumbre del valor estimado.

27

k
Tabla 9.Matriz de diseño del experimento para el ejemplo 2 . Elaboración propia.

Nº Nº
Tiempo Temperatura Catalizador Rendimiento(%)
aleatorio experimento
3 1 - - - 49
5 2 + - - 54
7 3 - + - 73
4 4 + + - 80
8 5 - - + 31
1 6 + - + 40
6 7 - + + 76
2 8 + + + 89


k
Tabla 10. Resultado del cálculo de efectos en Minitab 19 para el ejemplo 2 . Elaboración propia.

Término Efecto Coef EE del coef. Valor T Valor p FIV

Constante 61,50 * * *
Tiempo 8,50 4,250 * * * 1,00
Temperatura 36,0 18,0 * * * 1,00
Catalizador -5,00 -2,50 * * * 1,00
Tiempo*Temperatura 1,50 0,75 * * * 1,00
Tiempo*Catalizador 2,50 1,25 * * * 1,00
Temperatura*Catalizador 11,00 5,50 * * * 1,00
Tiempo*Temperatura*Catalizador 0,50 0,25 * * * 1,00


En la Tabla 10 se muestra el valor de la Constante, 61,5. Este es el valor alrededor
del cual han variado las respuestas, es decir, muestra alrededor de que rendimiento se
encuentran las respuestas de las diferentes combinaciones.

Con la herramienta Minitab19 se puede observar el efecto de estos factores, así
como de sus combinaciones de una forma más gráfica, lo cual hace posible una mejor
interpretación de los resultados. Para ello se pueden utilizar diferentes tipos de gráficos.

28

k k
Gráfica 1. Gráfica normal de los efectos del ejemplo 2 . Gráfica 2.Diagrama de Pareto de los efectos del ejemplo 2 .
Elaboración propia. Elaboración propia.

En ambas gráficas se observa como el factor principal que muestra un mayor
efecto es la Temperatura, algo que también se mostraba con valor numérico la Tabla 10

En la gráfica normal, los valores significativos aparecen en color rojo alejados de
la recta de efecto-porcentaje. Pero también se deben tener en cuenta los valores, que a
pesar de no estar suficiente alejados de la recta para considerarse significativos y estar
en rojo, si se encuentran más alejados que el resto, estos valores tendrán un efecto
importante en la respuesta también.

En el diagrama de Pareto se observan por orden, de mayor a menor efecto, los
factores o combinaciones. Los factores que superar la franja roja son los denominados
factores significativos, sin embargo, al igual que en el caso anterior, se deben de tener
en cuenta los valores que tienen mayor efecto que el resto a pesar de no llegar a ser
significativos como tal.

Un valor de efecto igual a 36 indica que al variar la temperatura de 40 ºC a 80ºC
el rendimiento aumenta en esa cantidad. El signo de este valor indica si aumenta o
disminuye la respuesta. Al observar también la Gráfica 3 se puede llegar esa conclusión
dado que nos muestra como el efecto significativo es la Temperatura, además de
indicarnos que este cambio es en orden creciente, es decir la temperatura aumenta y el
rendimiento también.

29

k
Gráfica 3.Efectos principales del ejemplo 2 . Elaboración Gráfica 4.Diagrama de cubos para los efectos. Elaboración
propia. propia.

Por otro lado, también se observa que, para el factor catalizador, el efecto es
negativo por lo que el rendimiento disminuye al cambiar del catalizador CA al CB. Y el
tiempo tiene un efecto positivo, por lo que al aumentarlo aumenta el rendimiento.

Para una mejor interpretación de los efectos es interesante utilizar también la
Gráfica 4 para el efecto de la temperatura se debe considerar la cara superior del cubo
frente a la inferior.

Observando entonces solo los efectos principales se ha llegado a las conclusiones
de que las mejores condiciones serán valores altos de tiempo y temperatura utilizando
el Catalizador CA. Sin embargo, para no llegar a una conclusión errónea en el
experimento es necesario considerar los efectos de las interacciones.

Los efectos de las interacciones miden la influencia que tienen las combinaciones
de los factores en la respuesta. Para observar estas interacciones de forma gráfica
Minitab 19 proporciona una gráfica de interacciones como se muestra en la Gráfica 5

30

Gráfica 5.Interacciones de los factores Elaboración propia.

En la Tabla 10 se muestra que el valor de la interacción Temperatura*Catalizador
tiene un efecto con un valor alto en la respuesta, al observar la Gráfica 5 esta muestra
como el mayor rendimiento se encuentra cuando se utiliza el catalizador B a una
temperatura elevada.

Se observa como el efecto de la temperatura depende del Catalizador que se
utilice y viceversa, esto ocurre con todos los factores implicados en el experimento.
El resto de interacciones tienen un efecto con valor más pequeño, lo que significa
que causan menos efecto en la respuesta.

El valor de la interacción de los tres factores tiene un valor muy pequeño
comparado con los otros dos factores, como se observa en la Tabla 10 este valor es solo
de 0,5, es habitual que sean cada vez menos importantes cuantos más factores se
consideran en la interacción.

En conclusión, estos experimentos han permitido descubrir que el rendimiento
mejora al aumentar el tiempo de reacción y la temperatura, así como que el
catalizador CB proporciona mayores rendimientos, pero solo a temperaturas altas.
Esto puede observarse de una forma más visual en la Gráfica 4, donde muestra como
en la interacción de los tres factores el rendimiento más alto, 89 %, se da con un
tiempo elevado, temperatura elevada y catalizador CB.

31

2.4.DISEÑO FACTORIAL COMPLETO 3k

Los diseños factoriales 3k cuentan con un número de factores k, los cuales tienen
tres niveles cada uno. Por lo que una réplica completa de este diseño tendrá un número
de observaciones igual a 3k. Esto nos muestra una desventaja con respecto al diseño
factorial 2k, se requiere un mayor número de experimentos en este nuevo diseño.

Sin embargo, en experimentos en los cuales se tienen un número pequeño de
factores puede ser una buena alternativa. Este diseño permite que la relación entre la
respuesta y los factores del diseño se puedan modelar de forma cuadrática [14].

Dos de las ventajas más importantes que muestra este diseño se muestran tanto
para los factores de tipo continuo en los que interesa estudiar sus efectos cuadráticos,
lo cual se realiza cuando la respuesta no es lineal, como para los factores discretos que
de manera natural tienen tres niveles, así pueden compararse influencia para cada una
de las diferentes combinaciones entre los niveles de cada factor [15].

Al igual que con el diseño 2k para los diseños 3k, el 32 es el ejemplo más sencillo.
Este cuenta con dos factores, A y B, los cuales tienen tres niveles cada uno, -1,0 y 1. Así
para analizar una réplica completa de este experimento se realiza la matriz con las nueve
combinaciones posibles.

2
Tabla 11. Matriz de diseño para una réplica completa para un diseño 3 . Elaboración propia.

Orden Std Orden aleatorio Factor A Factor B

1 1 -1 -1
2 8 0 -1
3 9 1 -1
4 3 -1 0
5 6 0 0
6 2 1 0
7 7 -1 1
8 5 0 1
9 4 1 1

32

Estos nueve experimentos se pueden representar de forma geométrica sobre el

cuadrado que se presenta en la Gráfica 6.

Gráfica 6.Representación de un diseño 32 [14]

Siendo un experimento de n réplicas entonces el modelo estadístico de este diseño
quedaría de la siguiente forma:

𝑦012 = 𝜇 + 𝜏0 + 𝛽1 + (𝜏𝛽)01 + 𝜀012 Ecuación 14

Siendo µ el efecto promedio global, τ^ el efecto del nivel i-esímo del factor A, β` el
nivel j-ésimo del factor B, (τβ)^` el efecto de la interacción entre τ^ y β` , y ε^`b un
componente del error aleatorio. Con i=1,2,3 ; j=1,2,3; k=1,…,n [14].
El cálculo de los efectos cuadrados para los efectos vendrá dado por las siguientes
ecuaciones [15]:
F
f cd.. cF...
𝑆𝑆? = 0g# f& − Ecuación 15
&fF

F
f c.h. cF...
𝑆𝑆@ = 1g# f& − Ecuación 16
&fF

F
f f cdh. cF...
𝑆𝑆?@ = 0g# 1g# & − − 𝑆𝑆? − 𝑆𝑆@ Ecuación 17
&fF

f f & $ cF...
𝑆𝑆ig 0g# 1g# 2g# 𝑌012 − Ecuación 18
&fF

33

𝑆𝑆k = 𝑆𝑆i − 𝑆𝑆? − 𝑆𝑆@ − 𝑆𝑆?@ Ecuación 19

Al igual que en diseño 2k además de los cálculos mencionados anteriormente, es
muy importante la interpretación de las gráficas que corresponden al efecto de los
factores, así como de sus combinaciones.

2.5.EJEMPLO DISEÑO FACTORIAL 3k

En este ejemplo una empresa está investigando sobre la resistencia del papel
que producen a partir de fibra de madera, en este proceso de producción el investigador
sabe que influyen tres variables las cuales puede controlar, estas son de fibra de madera
(A), presión del tanque (B) y tiempo de cocción de la pulpa (C).

Por ello se realiza un diseño factorial con tres factores diferentes, concentración
de fibra de madera (A), presión del tanque (B) y tiempo de cocción de la pulpa (C). El
factor A, se probará en tres niveles diferentes, dado que es posible ajustar la variable en
tres valores diferentes, mientras que los factores B y C se probarán solo en dos. Así en
la siguiente Tabla 12 se muestran los diferentes factores con sus respectivos niveles [16].


k
Tabla 12.Niveles para los factores del ejemplo 3 .Elaboración propia.

Factores Nivel (1) Nivel (2) Nivel (3)

A A1 A2 A3
B B1 B2

C C1 C2


Siendo la matriz de diseño para este experimento, así como la respuesta para
cada combinación de los factores la mostrada en la Tabla 13.

34

k
Tabla 13.Matriz del diseño para el ejemplo 3 . Elaboración propia.

OrdenEst OrdenCorrida TipoPt Bloques A B C Repuesta

2 1 1 1 1 1 2 -1
8 2 1 1 2 2 2 11
9 3 1 1 3 1 1 9
11 4 1 1 3 2 1 13
10 5 1 1 3 1 2 16
5 6 1 1 2 1 1 1
4 7 1 1 1 2 2 2
6 8 1 1 2 1 2 5
3 9 1 1 1 2 1 -1
1 10 1 1 1 1 1 -4
7 11 1 1 2 2 1 3
12 12 1 1 3 2 2 21


Con la herramienta Minitab 19, como se muestra en el Anexo I, se realiza el
análisis del diseño factorial, dando como resultado lo mostrado en la Tabla 14 en la cual
se muestra el análisis de varianza de los factores.


k
Tabla 14.Valor de los efectos del ejemplo 3 . Elaboración propia.

Fuente GL SC Sec. Contribución SC Ajust. MC Ajust. Valor F

Modelo 11 656,250 100,00% 656,250 59,659 *
Lineal 4 640,333 97,57% 640,333 160,083 *
A 2 505,500 77,03% 505,500 252,750 *
B 1 44,083 6,72% 44,083 44,083 *
C 1 90,750 13,83% 90,750 90,750 *
Interacciones de 2 términos 5 13,750 2,10% 13,750 2,750 *
A*B 2 1,167 0,18% 1,167 0,583 *
A*C 2 10,500 1,60% 10,500 5,250 *
B*C 1 2,083 0,32% 2,083 2,083 *
Interacciones de 3 términos 2 2,167 0,33% 2,167 1,083 *
A*B*C 2 2,167 0,33% 2,167 1,083 *
Error 0 * * * *
Total 11 656,250 100,00%

35

En la Tabla 14 se observa como los factores A, C y B tienen un efecto muy superior

al resto en la respuesta, por lo que estos son los factores significativos.
Todos ellos tienen un efecto positivo, por lo que al trabajar en sus niveles más
altos se conseguirá una mayor resistencia.

k
Gráfica 7.Interacciónes de los factores del ejemplo 3 . Elaboración propia.

En la Gráfica 7 se observa también como al aumentar el nivel de A al mismo
tiempo que el nivel de C aumentamos la resistencia del papel, esto ocurre también al
aumentar el nivel de A y nivel de B.

Por lo que se puede concluir que es importante tener en cuenta la
concentración de la madera a su vez que la presión y el tiempo, y al trabajar en los
máximos valores se consigue una mayor resistencia.

36

3.DISEÑO DE
EXPERIMENTOS FACTORIAL
FRACCIONADO

37

Los diseños factoriales fraccionados son diseños en los que el número de

experimentos es una fracción del número de experimentos para el mismo diseño
factorial completo. Es decir, el diseño factorial fraccionado 2k-p es una fracción del diseño
factorial 2k.

Cuando se tiene un experimento con un gran número de factores, el número de
experimentos a realizar en una réplica para un diseño factorial completo de este es muy
elevado. Por ejemplo, en un diseño con 7 factores, se necesita realizar 27=128
combinaciones, es decir, realizar 128 experimentos.

En la práctica, existen unos recursos limitados con los que cuenta el
experimentador para realizar el experimento, por lo que no siempre es posible realizar
un número elevado de experimentos. Por ello, para poder experimentar con tantos
factores, se recurre al diseño factorial fraccionado.

Los diseños factoriales fraccionados, debido al exceso de información que
acumulan los diseños factoriales completos cuando hay muchos factores, permiten
sacrificar información poco importante reduciendo el número de experimentos a
realizar.

La razón principal por la que usar estos diseños es la mencionada anteriormente,
la limitación de recursos para realizar un gran número de experimentos, sin embargo,
existen diversas razones a mayores por las que utilizarlos [6].
- Redundancia del diseño en ausencia de interacciones de alto orden.
Diferentes experiencias con estudios que contienen muchos factores han
conducido a la observación de que las interacciones de alto orden tienden a
tener un efecto despreciable en el experimento. En la práctica, los efectos
principales tienden a ser mayores que los efectos de interacciones entre dos
factores, que a su vez son mayores que las interacciones entre tres, y así
sucesivamente. Por este motivo el diseño factorial completo tiene cierto
grado de redundancia si el investigador puede estar más o menos seguro de
que las interacciones de alto orden son despreciables.
38

- Hipótesis de diversidad de factores. El uso de diseños factoriales

fraccionados en la investigación industrial y en la biotecnología se basa
primordialmente en la hipótesis de diversidad de factores. (Diamond 1989,
Haaland 1989). La diversidad de factores supone que una pequeña fracción
de los efectos de los factores es significativa para un proceso, mientras que
el resto de los efectos es inerte para los propósitos prácticos.

El éxito de estos diseños se basa en tres ideas claves [7].
1. El principio de efectos esparcidos o escasez de efectos. Cuando existen
varias variables, factores, es posible que el sistema se encuentre
dominado principalmente por los efectos principales y las interacciones
de orden inferior.
2. La propiedad de proyección. los diseños factoriales fraccionados pueden
proyectarse en diseños más fuertes en el subconjunto de los factores
significativos.
3. Experimentación secuencial. Es posible combinar las corridas de dos
diseños factoriales fraccionados para ensamblar secuencialmente un
diseño más grande y así estimar los efectos de los factores y las
interacciones de interés.

Cuando se llevan a cabo este tipo de diseño existen diferentes tipos de resolución con
la que nos podemos encontrar. Sin embargo, las resoluciones más importantes son la
resolución III, IV y V en particular [7].

§ Diseño de resolución III. Se trata de diseños en los cuales ninguno de los efectos
principales es alias de otro efecto principal, pero lo efectos principales si son alias
de las interacciones de dos factores y algunas de las interacciones entre dos
factores es alias de otras interacciones entre dos factores. Un ejemplo de esta
resolución es el diseño 23-1.

§ Diseño de resolución IV. Se trata de diseños en los cuales ninguno de los efectos
principales es alias de otro efecto principal ni de las interacciones de dos
39

factores, pero las interacciones de dos factores si son alias entre sí. Un ejemplo
de esta resolución es el diseño 24-1.

§ Diseños de resolución V. Se trata de diseños en los que ninguno de los efectos
principales ni de las interacciones de dos factores son alias de otro efecto
principal o interacción de dos factores, pero las interacciones de dos factores si
son alias de las interacciones de tres factores. Un ejemplo es el diseño 25-1.

3.1.DISEÑO FACTORIAL FRACCIONADO 2k-1

Uno de los diseños más utilizados dentro del diseño factorial fraccionado es el
medio, es decir el diseño 2k-1, estos diseños tienen un número de factores k con dos
niveles cada uno y para una réplica de estos se requiere un número de experimentos
igual a 2k-1, es decir, la mitad de experimentos que para una réplica completa.

El diseño más sencillo dentro del diseño 2k-1 es el diseño 23-1, dado que para este
diseño k>2 no tendría sentido realizar un diseño fraccionado para un experimento con
solo dos experimentos.

Para llevar a cabo el diseño es necesario realizar la matriz de este, para ello se
realizan las columnas de todos los factores menos el último como si fuera una matriz
para un diseño factorial completo, como se ha explicado en apartados anteriores.
Posteriormente, se completará la columna del último factor como la interacción de los
otros dos factores.

3-1
Tabla 15. Ejemplo matriz de un diseño 2

Orden Factores Interacciones

Std Aleatorio A B C AB AC BC ABC
1 1 - - + + - - +
2 8 + - - - - + +
3 4 - + - - + - +
4 3 + + + + + + +

40

Observando la Tabla 15 en la matriz del diseño hay factores que están

confundidos, es decir, “alias”. Estos factores son los que tienen la misma secuencia de
signos en sus columnas.

La columna de la interacción ABC es toda positiva, esto significa que es la
identidad. Esta información es útil para averiguar cuáles son los factores que están
confundidos a partir de la definición ABC=I.
Se sabe que AB=C, dado que esto es de lo que se parte a la hora de realizar la matriz del
diseño 23-1.

Para saber cuáles son los factores confundidos se parte de las propiedades que
indican que IX=X , XX=I , siendo X cualquier factor. Por lo que se puede observar:

A=A*I=A*ABC=AA*BC=I*BC=BC

B=B*I=B*ABC=BB*AC=I*AC=AC

C=C*I=C*ABC=CC*AB=I*AB=AB

Por lo que A está confundido con BC, B está confundido con AC y C está
confundido con AB.

3.2.DISEÑO FACTORIAL FRACCIONADO 2k-p

El diseño 2k-p contendrá un número k de factores, k>2, al igual que se ha

explicado anteriormente, pero podrá ser cualquier fracción, es decir, p puede ser
cualquier valor.

La matriz para este diseño se realizará de la misma forma que la matriz del diseño
2k-1 pero serán el número p de factores los que sean combinación del resto de factores.
A esto se le denomina generador del diseño y este será elegido por el experimentador.

41

Por ejemplo, para un diseño de siete factores con una fracción de un cuarto, es
decir, un diseño 27-2=25, se construye la matriz de forma que las columnas de los cinco
primeros factores será igual que la matriz para un diseño completo 25, mientras que los
dos últimos factores, F y G, serán la combinación de los otros factores. El generador más
utilizado para este diseño será: F=ABC y G=ABD.

A continuación, en la Tabla 16 se muestran los generadores más utilizados para
diferentes diseños [7].

k-p
Tabla 16.Generadores más utilizados en los diseños fraccionados factoriales 2 . Elaboración propia.

Número de factores, k Fracción Número de combinaciones Generadores de diseño

3-1
3 2 4 C=AB
4 24-1 8 D=ABC
25-1 16 E=ABCD
5
25-2 8 D=AB E=AC
26-1 32 F=ABCDE
26-2 16 E=ABC F=BCD
6
D=AB F=BC
26-3 8
E=AC
27-1 64 G=ABCDEF
7-2
2 32 F=ABCD G=ABDE
E=ABC G=ACD
7 27-3 16
F=BCD
D=AB F=BC
27-4 8
E=AC G=ABC
28-2 64 G=ABCD H=ABEF
F=ABC H=BCDE
28-3 32
8 G=ABD
E=BCD G=ABC
28-4 16
F=ACD H=ABD
29-2 128 H=ACDFG J=BCEFG
G=ABCD J=CDEF
29-3 64
H=ACEF
F=BCDE H=ABDE
9 29-4 32
G=ACDE J=ABCE
E=ABC H=ABD
29-5 16 F=BCD J=ABCD
G=ACD

42

3.3.EJEMPLO DISEÑO FACTORIAL FRACCIONADO

En una planta de producción de piezas de plástico por inyección se realizó un

experimento para mejorar la calidad de las piezas reduciendo su rugosidad. Para ello se
realizaron pruebas del material que consistían en fabricar 100 piezas y obtener el
número medio de rugosidad de estas.

Para este experimento se decidió estudiar las diferentes variables que podían
afectar al proceso directamente, consideradas por un experto. Estas variables fueron:

A: Recorrido de inyección E: 1ª Velocidad de inyección
B: Temperatura de molde F: 2º Velocidad de inyección
C: Temperatura de fundido G: Punto de cambio
D: Apertura de la boquilla H: Fuerza de cierre del molde.

Estas variables serían los factores del diseño factorial, cada una de ellas era
posible ajustarla en dos valores diferentes, por lo que sería un diseño factorial con ocho
factores y dos niveles cada uno.

Sin embargo, no había recursos suficientes para realizar un diseño factorial
completo con tantos factores, por lo que se llevó a cabo un diseño factorial fraccionado.
El diseño utilizado fue el diseño factorial fraccionado 28-4, tal y como se muestra en la
Tabla 17.
Tabla 17.Resumen del diseño para el ejemplo factorial fraccionado. Elaboración propia.

Factores: 8 Diseño de la base: 8;16 Resolución: IV

Corridas: 16 Réplicas: 1 Fracción: 1/16
Bloques: 1 Puntos centrales: 0
Generadores del diseño: E = BCD; F = ACD; G = ABC; H = ABD

La matriz de diseño, así como los resultados de rugosidad que se obtuvieron se
recogen en la Tabla 18, estos valores se sacaron a partir de la herramienta Minitab 19,
el uso de este se explica en el Anexo I.

43

Tabla 18.Matriz de diseño para el ejemplo factorial fraccionado. Elaboración propia.

OrdenEst OrdenCorrida A B C D E F G H Respuesta

4 1 1 1 -1 -1 1 1 -1 -1 3
2 2 1 -1 -1 -1 -1 1 1 1 5,2
12 3 1 1 -1 1 -1 -1 -1 1 3
13 4 -1 -1 1 1 -1 -1 1 1 3,3
8 5 1 1 1 -1 -1 -1 1 -1 1,9
15 6 -1 1 1 1 1 -1 -1 -1 0
6 7 1 -1 1 -1 1 -1 -1 1 4
5 8 -1 -1 1 -1 1 1 1 -1 5,3
10 9 1 -1 -1 1 1 -1 1 -1 5,8
3 10 -1 1 -1 -1 1 -1 1 1 4,3
14 11 1 -1 1 1 -1 1 -1 -1 5,8
16 12 1 1 1 1 1 1 1 1 0
11 13 -1 1 -1 1 -1 1 1 -1 6
1 14 -1 -1 -1 -1 -1 -1 -1 -1 6,2
9 15 -1 -1 -1 1 1 1 -1 1 6,3
7 16 -1 1 1 -1 -1 1 -1 1 0

Estos resultados se analizaron con Minitab 19, obteniendo los valores para el
efecto de los distintos factores, así como de sus combinaciones, tal y como se muestra
en la Tabla 19.

Tabla 19.Efecto de los factores del ejemplo del diseño factorial fraccionado. Elaboración propia.

Término Efecto Coef Término Efecto Coef

Constante 3,756 H -0,9875 -0,4937
A -0,3375 -0,1688 A*B -0,2625 -0,1313
B -2,963 -1,481 A*C 1,1125 0,5562
C -2,438 -1,219 A*D 0,08750 0,04375
D 0,03750 0,01875 A*E -0,4375 -0,2187
E -0,3375 -0,1688 A*F -0,5625 -0,2813
F 0,3875 0,1938 A*G -1,1625 -0,5812
G 0,4375 0,2188 A*H -0,08750 -0,04375

Si se observa de forma gráfica estos valores se obtienen conclusiones más claras,
por lo que se graficó en Minitab 19 los valores de estos efectos.

44

Gráfica 8.Diagrama de Pareto para los efectos del diseño Gráfica 9.Gráfica normal de los efectos para el ejemplo del
factorial fraccionado. Elaboración propia. diseño factorial fraccionado. Elaboración propia.

En la Gráfica 8 y Gráfica 9 se observa como los efectos B y C son los efectos
significativos, es decir, el efecto de estos factores es mayor que el del resto. Sin
embargo, H, AG y AC también causan un efecto importante en el experimento.

Se observa como B y C tienen un efecto negativo en la respuesta, lo que significa
que al aumentar el nivel de estos dos factores disminuye la respuesta, la rugosidad. Esto
mismo ocurre para el factor H.

Para observar el efecto de las interacciones AG y AC se grafican por separado, tal
y como se ve en las Gráfica 10.

Gráfica 10.Interacciones de los efectos para el ejemplo del diseño factorial fraccionado. Elaboración propia.

En la Gráfica 10 se observa que se obtienen las menores rugosidades ajustando
el factor C en el nivel más alto, mientras que el factor A se mantiene también en su nivel

45

más altos. También se observa que para obtener la menor rugosidad G debe estar en el
nivel más alto mientras que A se mantiene en este también.

Se puede concluir así, que las condiciones operativas óptimas, para reducir la
rugosidad del material, se encuentran cuando se mantiene los factores B, C ,H, G y A
en sus mayores niveles. El resto de factores es indiferente en el nivel en el que se
encuentren, dado que tienen un efecto muy pequeño sobre la rugosidad en
comparación con el resto.

3.4.DISEÑO FACTORIAL FRACCIONADO 3k-p

Este diseño 3k-p contendrá un número k de factores, k>2, con tres niveles cada
uno y un número de experimentos que será fracción del diseño factorial 3k.

En este tipo de diseño con tres niveles es aún más necesario el diseño
fraccionado, dado que es necesario más experimentos con un número de factores
menor. Sin embargo, la estructura de estos diseños, debido a los alias que crea, es
bastante complicada.

Para construir este diseño se realiza una partición del diseño 3k completo en
# l
bloques. Se construye una fracción tal que del diseño para p < k. Los pasos a seguir
f

serán:
• En primer lugar, se seleccionan p factores como interacciones y se usan
sus efectos para realizar la partición de 3k combinaciones posibles en 3p
bloques. Por lo que cada bloque será un diseño factorial fraccionado 3k-p.
• Posteriormente, se construye la relación de definición I de cualquier
fracción, que constará de los p efectos elegidos inicialmente y de sus
interacciones generalizadas. El alias de cualquier efecto principal o
interacción se obtendrá a partir de la multiplicación de módulo 3 por I e
I2.

46

Esto puede traducirse por ejemplo en el diseño 34-2, el cual tiene cuatro factores
# $ #
con tres niveles cada uno y su fracción se realiza como = , es decir, una novena
f m
4
parte del diseño 3 .

• Se seleccionan dos factores como interacciones, E y F, dado que p=2 en
este diseño, así A,B C y D serán los factores principales.
• Se seleccionan las interacciones E=AB2C y F=BCD, como los dos
componentes de interacción elegidas para construir el diseño. Las
interacciones entre ambos efectos serán EF=AC2D y EF2=ABD2, por lo
que la relación de definición será I=AB2C=BCD=AC2D=ABD2.

Esto dará lugar a cuatro alias I y otros cuatro alias I2 para cada uno de los efectos
A, B, C y D. Por lo que a la hora de estudiar los resultados tiene una gran complejidad.

47

4.BLOQUEO DEL DISEÑO

FACTORIAL







48

Como se ha explicado anteriormente, los diseños factoriales se utilizan

ampliamente en muchos sectores. Se puede ver un producto o proceso como una caja
negra en la que entran los factores que afectan a la respuesta de salida. Sin embargo,
algunos de los factores no pueden ser identificados o controlados, pero afectan
igualmente a la respuesta, lo cual hace que esta tenga una gran variabilidad. En
cualquier experimento se busca que la respuesta sea óptima con una variabilidad
mínima, por eso, en ocasiones, es necesario utilizar herramientas que minimicen esta
variabilidad.

Uno de los ejemplos más claros de factores que afectan a un experimento pero
que no pueden ser controlados generalmente son las condiciones ambientales. Para
disminuir la variabilidad de los experimentos, la varianza del error experimental es
necesario que las condiciones de este sean lo más homogéneas que puedan, lo cual no
siempre es posible sin la ayuda de herramientas. Una de las más utilizadas para trabajar
en condiciones homogéneas es el bloqueo de los factores.

El método agrupa las unidades experimentales, los factores, en bloques para
comparar los tratamientos en medios más homogéneos, eliminando así, de forma
sistemática, el factor perturbador sobre las comparaciones estadísticas entre los
tratamientos. Para esto es necesario también una buena elección de los criterios para
bloquear, sus categorías generales son: proximidad, características físicas, tiempo y
administración de tareas en el experimento. [5]

El objetivo de este diseño consiste en lograr una mayor precisión en los
resultados del experimento.

Esta herramienta consiste en asignar un subconjunto de los tratamientos a cierto
nivel de ruido que queremos tratar, es decir, se agruparan los experimentos realizados
bajo condiciones iguales en diferentes bloques. Cada conjunto de condiciones no
homogéneas definirá un bloque.

49

Por ejemplo, en un experimento con dos factores y un número de réplicas igual

a tres tendremos que solo se pueden realizar cada día cuatro experimentos, por lo que
se han realizado cada réplica en diferentes días con unas condiciones ambientales
diferentes. Es por esto que los conjuntos de condiciones no homogéneas serán tres, es
decir se dividirá el experimento en tres bloques. Esto bloques vendrán definidos por el
día en el que se realiza el experimento y cada uno de los bloques tendrá las 22
combinaciones correspondientes.

Con esta herramienta además de la varianza de cada uno de los efectos,
calculadas como en la Ecuación 20, obtendremos la varianza de los bloques como:

F F
u @d t…
𝑆𝑆@nopqrs = 0g# $M − Ecuación 20
$M &

Siendo m el número de bloques, Bi la suma de las combinaciones de cada uno de
los bloques e y… la suma de cada Bi.

Esta varianza nos mostrará si el efecto del bloqueo es útil o no. [6]

4.1.CONFUSIÓN DEL DISEÑO FACTORIAL

Por otro lado, no siempre es sencillo dividir los experimentos en bloques. En

ocasiones es imposible realizar una réplica completa en un bloque, en estos casos se
utiliza una técnica denominada confusión. Esta técnica hace que la información de
ciertos efectos sea indistinguible de los bloques o esté confundida con los bloques.

4.1.1.CONFUSIÓN DEL DISEÑO FACTORIAL 2k EN DOS BLOQUES

Este apartado se explicará a partir de un caso para que su comprensión sea más
sencilla.

50

Se supone una investigación con dos factores a dos niveles cada uno. Este
experimento requiere de un número de horas elevado que permite realizar solo dos
combinaciones cada día, debido a los recursos limitados del laboratorio, por lo que
tendremos que decidir qué combinaciones se realizan cada día. Cada conjunto de
combinaciones por día serán los denominados bloques, habrá dos bloques en esta
investigación. La matriz del diseño factorial correspondiente sería la mostrada en la
Tabla 20 y los bloques podrían fijarse de dos maneras como se muestra en la Gráfica 11

2
Tabla 20.Matriz de un diseño factorial 2 . Elaboración propia.

Combinaciones A B AB
(1) - - +
a + - -
b - + -

ab + + +

Gráfica 11.Posibles agrupaciones de los factores en
bloques. Elaboración propia.

La Gráfica 11 se muestra de forma más detallada en las siguientes tablas ( Tabla
21 y Tabla 22), donde se pueden observar las disposiciones posibles para el diseño en
bloques.


Tabla 21.Disposición 1 para el diseño factorial en bloques. Tabla 22. Disposición 2 para el diseño factorial en bloques.
Elaboración propia. Elaboración propia.

Disposición 1 Disposición 2
Bloques Combinación A B AB Bloques Combinación A B AB
(1) - - + a + - -
Bloque 1 Bloque 1
ab + + + ab + + +
b - + - b - + -
Bloque 2 Bloque 2

a + - -
(1) - - +

En la Disposición 1, tal y como se muestra en la Tabla 21, los efectos principales
no están afectados por la formación de bloques dado que tanto A como B tienen una
combinación de un tratamiento positivo y negativo en cada uno de los bloques. El efecto

51

de los bloques y la interacción AB sin embargo si está confundido, dado que se muestra
como en cada uno de los bloques solo cuentan con un signo. Las combinaciones de AB
positivas se le asignan al Bloque 1 mientras que las negativas al Bloque 2. Esta
disposición sacrifica la información de la interacción.

En la Disposición 2, tal como se muestra en la Tabla 22, es el efecto A el que se
muestra confundido con el bloque. Esta disposición sacrifica la información de un efecto
principal.

Por lo que lo razonable será escoger la Disposición 1.

Esto puede aplicarse a cualquier diseño factorial 2k dividido en dos bloques,
escogiendo siempre que las interacciones con mayor número de factores estén
confundidas con los bloques.

En los diseños mayores a 22, la representación de las combinaciones serán cubos
y no cuadrados. En este caso no se seleccionan los tratamientos que componen las caras,
dado que se estaría fundiendo los efectos principales con los bloques.

4.1.2.CONFUSIÓN DEL DISEÑO FACTORIAL 2k EN 2p BLOQUES

Lo descrito en el apartado anterior podría extenderse a cualquier diseño factorial

2k confundido en 2p bloques, donde cada bloque contenga 2k-p combinaciones.

Los cuadrados de los efectos principales se calcularán como si no hubiera
bloques, mientras que la suma de los cuadrados de los bloques será la suma de los
cuadrados de los efectos confundidos.

Los bloques sugeridos, así como las interacciones confundidas para los diseños
factoriales 2k son los que se muestran en la Tabla 23.

52

Tabla 23.Sugerencia de bloques más común, así como sus confusiones para un diseño factorial. Elaboración propia.

4.2.CONFUSIÓN PARCIAL DEL DISEÑO FACTORIAL 2k

En ocasiones ocurre que al dividir un diseño factorial en bloques cada uno de los
bloques tiene una interacción diferente confundida, esto se conoce como confusión
parcial. En estos diseños pueden obtenerse información de las confusiones de los
bloques a partir de los otros bloques en los cuales no se presenta esta misma confusión.

Para calcular la suma de los cuadrados de las interacciones se utiliza el efecto en
los bloques en los cuales esta interacción no está confundida.

4.3.EJEMPLO DE DISEÑO FACTORIAL 2k EN DOS BLOQUES

Un producto químico se fabrica en un envase presurizado. En una planta piloto

se desea estudiar las variables que se cree que influyen en el índice de filtración de este
producto. Estas son:

53

• Temperatura (A)
• Presión (B)
• Concentración de formaldehido (C)
• Velocidad de agitación (D).

Cada una de ellas presenta dos niveles diferentes, es decir, se pueden ajustar en
dos valores diferentes a la hora de realizar el experimento. El ingeniero a partir de un
diseño factorial desea maximizar el índice de filtración. Las condiciones actuales del
proceso producen un índice de filtración alrededor de 75 gal/h, además, la
concentración de formaldehido se usa en un nivel alto y al ingeniero le gustaría reducir
esta concentración lo máximo posible.

Sin embargo, tiene una limitación en la planta piloto para este diseño, no es
posible realizar 16 experimentos con un solo lote de materia prima, solo es posible llevar
a cabo 8, por lo que el ingeniero decide realizar un diseño factorial en dos bloques. Para
demostrar la utilidad del diseño en bloques le introduce un efecto a este, los
experimentos del bloque 1 se realizarán con materia prima de peor calidad que los del
bloque 2, por lo que las respuestas del primer bloque serás 20 unidades más bajas de lo
que se obtendría utilizando la materia prima de mejor calidad.

La matriz de este diseño, así como los resultados de filtración obtenidos se
muestran en la Tabla 24 y Tabla 25 en la que se puede observar la respuesta del bloque
1 restando las 20 unidades correspondientes.

Tabla 24.Resumen del diseño factorial del ejemplo en dos bloques. Elaboración propia.

Factores: 4 Diseño de la base: 4; 16 Resolución con bloques: V

Corridas: 16 Réplicas: 1
Bloques: 2 Puntos centrales (total): 0 Bloque: ABCD

54

Tabla 25.Matriz del ejemplo de diseño factorial en dos bloques. Elaboración propia.

Orden Aleat OrdenCorrida PtCentral Bloques A B C D Respuesta

4 1 1 1 1 -1 1 -1 40
6 2 1 1 1 1 -1 -1 55
3 3 1 1 -1 1 1 -1 60
8 4 1 1 -1 -1 1 1 45
1 5 1 1 1 -1 -1 1 80
5 6 1 1 -1 -1 -1 -1 25
2 7 1 1 1 1 1 1 76
7 8 1 1 -1 1 -1 1 25
6 1 1 2 -1 -1 -1 1 43
8 2 1 2 -1 1 -1 -1 48
2 3 1 2 1 -1 1 1 86
3 4 1 2 1 1 -1 1 104
5 5 1 2 1 1 1 -1 65
1 6 1 2 -1 1 1 1 70
4 7 1 2 1 -1 -1 -1 71
7 8 1 2 -1 -1 1 -1 68

El efecto del Bloque se puede calcular a partir de la diferencia promedio de las
respuestas entre los dos bloques menos el efecto que tendría la interacción ABCD (sin
realizar el diseño de bloques).

406 555
𝐸𝑓𝑒𝑐𝑡𝑜 𝑏𝑙𝑜𝑞𝑢𝑒 = 𝑦C# − 𝑦C$ − 𝐴𝐵𝐶𝐷 = − − 1,375 = −20
6 8

Al realizar el análisis del diseño factorial obtenemos los siguientes resultados.

Gráfica 12.Grafíca normal de los efectos del ejemplo de diseño Gráfica 13.Diagrama de Pareto de los efectos del ejemplo de
factorial en bloques. Elaboración propia. diseño factorial en bloques. Elaboración propia.

55

En las Gráfica 12 y Gráfica 13, se observa como los factores A,B,C, D , AC y AD,
son los factores con un efecto significativo. El factor con más efecto en la respuesta es
el factor A, el cual tiene un valor positivo, lo que significa que al aumentar el nivel de
este aumenta la respuesta, el índice de filtración.

El efecto B también tienen un efecto positivo, por lo que al igual que para el
factor A, al ajustarlo en su nivel más alto aumentamos el índice de filtración.

Los efectos C y D tienen un efecto significativo positivo también, sin embargo, es
mayor el efecto de sus interacciones con el factor A, por lo que para poder llegar una
conclusión hay que observar de qué manera interaccionan con A. Esto puede observarse
en la siguiente Gráfica 14.

Gráfica 14.Interacciones significativas del ejemplo de diseño factorial en bloques. Elaboración propia.

Se observa como para un nivel alto de A las mejores condiciones son un nivel
bajo de C y un nivel alto de D, esto lleva a un mayor índice de filtración.

Por lo que se puede concluir que las condiciones óptimas para conseguir un
mayor índice de filtración se darán trabajando con los factores A, B y D en sus niveles
más altos mientras que con C en su nivel más bajo.

Si se realizara este diseño factorial sin bloques, como los ocho primeros tendrían
un efecto con una magnitud de -20, el resultado hubiera sido muy distinto. El diseño de
bloques hace que esto no ocurra pudiendo así trabajar con los dos lotes de materia
prima.
56

ESTUDIO AMBIENTAL

57

Este trabajo es una revisión bibliográfica, por lo que el único impacto ambiental
que causa es de forma indirecta, provocado por el consumo eléctrico. Dado que el
proceso de esta energía eléctrica que se utiliza causa un impacto ambiental en la tierra.

La producción de esta energía es una de las causas más importantes de
emisiones de gases de efecto invernadero. Según sea el origen de esta energía tiene
también más impactos ambientales [17].

• Productos químicos que se emiten en las centrales térmicas de carbón y
derivados de petróleo. Estos pueden provocar lluvias ácidas que es
causante de deterioro y destrucción de bosques, lagos y otros
ecosistemas.
• Residuos radiactivos provocados por las centrales nucleares, estos
suponen una gran amenaza para el medio ambiente dado que existe una
incapacidad actual de gestionarlos.

Para poder estimar un valor de estas emisiones de gases de efecto invernadero
se aplica un factor de emisión de CO2 que se atribuye al suministro eléctrico, este será
de 181 g CO2/ kWh [18].

Se considera un valor medio de consumo anual por persona de 5.500 kWh/año
[18].

Por lo que se puede calcular una emisión anual de CO2 de :

2|} 2€ [•F 2€ [•F
5.500 𝑥 0,181 =995,5
Bño 2|} Bño


Este será el valor de la emisión de CO2 causada por el estudio que se ha llevado
a cabo, que produce un mayor impacto ambiental.




58

ANÁLISIS ECONÓMICO

59

Al tratarse de una revisión bibliográfica el análisis económico se realiza de forma

sencilla, dividiendo los gastos que puede generar el trabajo en material utilizado y coste
del personal.

El tiempo requerido para realizar este trabajo ha sido de 300 horas, con un ritmo
de trabajo de 40 h semanales, 8 horas y 5 días a la semana, se puede aproximar a dos
meses de contrato de trabajo para un cálculo más sencillo de los costes.

Material necesario
En este caso no se requiere un material complejo para llevar a cabo este trabajo
ya que los libros utilizados se pueden encontrar online o en bibliotecas de uso público,
por lo que no tienen coste alguno. Sin embargo, si es necesario un ordenador con acceso
a internet para llevar a cabo las búsquedas, así como la licencia de Minitab 19 para llevar
a cabo los ejemplos.

Para realizar el coste del material se supone una oficina de consultoría pequeña,
50 m2, con 10 empleados y ya en marcha.

Los costes incluidos en costes de material son:

Ø Ordenador portátil.
Tabla 26. Factura ficticia del ordenador portátil. Elaboración propia.
Articulo Cantidad Precio Total articulo
Ordenador portátil 1ud 1000 €/ud 1000 €
Base imponible %IVA Cuota IVA Total factura
1000 € 21 210 € 1210 €
Total factura Vida útil Coste mensual COSTE TOTAL
1210 € 5 años 20,16 €/mes 40,33 €

60

Ø Factura Internet.
Tabla 27. Factura de Internet ficticia. Elaboración propia.

Total (base imponible 18 %) 30,65

IVA (18%) 5,52
Total (base imposible 8%) 5,00
IVA (8%) 0,40
Conceptos no sujetos o exento de impuestos 1,20
Total factura mensual 42,77 €
Total factura 85,54 €
Empleados 10
COSTE TOTAL 8,55 €


Ø Licencia Minitab 19
Tabla 28. Factura de compra Licencia Minitab 19. Elaboración propia.

Producto Cantidad Precio Total producto

Licencia Minitab 19 ( 1 usuario) 1 1243,8 € / ud 1243,8 €
Base imponible %IVA Cuota IVA Total factura [19]
1243,8 € 21 261,2 € 1505 €
Total factura Vida útil Coste mensual COSTE TOTAL
1505 € 1 año 125,4 €/mes 250,8 €


Ø Suministro de Agua
Tabla 29.Factura de suministro de agua bimestral ficticia. Elaboración propia.

Consumo Volumen(m3) Precio unitario(€/m3)

Importe(€) IVA
Cuota de servicio consumo 15,34 10%
3
Tramo hasta 12 m 12 0,62 7,43 10%
Suministro de agua 22,77
3
Tramo hasta 12 m 5,92
Canón de agua 12 0,49 5,92 10 %
IVA del 10% 2,87
TOTAL FACTURA 31,56
Tasa Metropolitana Tratamiento de Residuos Municipales 4,79
TOTAL IMPORTE FACTURA 36,35
Empleados 10
COSTE TOTAL 3,63

61

Ø Suministro de energía
Tabla 30. Factura de suministro eléctrico ficticia. Elaboración propia.

Concepto Cálculos Importe

Factura del consumo 1,159 kWh x 0,144478 €/kWh 167,45
Potencia 5,5 kW x 61 x 0,05988 €/ kW dia 20,09
Impto. Electricidad 187,54 € * 1,05113 * 4,864 % 9,59
Subtotal 197,13
IVA( 21%) 41,39
TOTAL FACTURA 238, 52€
Empleados 10
COSTE TOTAL 23,85 €


Así los costes totales de material serán los mostrados en la Tabla 31.

Tabla 31. Coste de material. Elaboración propia.

Material Coste total por empleado

Ordenador 40,33 €
Acceso a internet 8,55 €
Licencia Minitab 19 250,8 €
Agua 3,63 €
Electricidad 23,85
TOTAL 327,16 €


Coste personal
En este caso es necesario el contrato de una Ingeniera Química, para que lleve a
cabo el trabajo. Lo que conlleva los siguientes gastos para una empresa:

Ø Seguridad social de la persona contratada y sus prestaciones, es obligatorio
pagar un porcentaje del salario bruto por cada uno de los trabajadores que se
contrata. Esto suele ser un 31 % del salario bruto para oficinas.
62

Ø Salario bruto del empleado, en este caso será de 15 €/h. Y como se ha

mencionado anteriormente, 40 h/ semana y suponiendo un contrato de 2 meses.

Así los costes de personal serán los mostrados en Tabla 32.

Tabla 32.Coste del personal. Elaboración propia.

Salario bruto empleado 5.229 €

Seguridad social y prestaciones (31%) 1.621 €
TOTAL 6.850 €


Sumando los costes del material requerido y los costes del personal, se estipulan
unos costes totales para realizar el proyecto de 7.177,16 €

63

CONCLUSIÓN

64

Con el estudio previo se puede concluir que, el método de diseño de

experimentos factorial es de gran utilidad para cualquier proceso de ingeniería química,
tanto en la fase de desarrollo como para la mejora del proceso ya en marcha. Dicho
método elimina la necesidad de un estudio de prueba y error, permitiendo la adaptación
de los procesos y la optimización de sus condiciones.

Este es una herramienta que ofrece de forma clara y sencilla soluciones en el
diseño de experimentos, ahorrando tiempo y recursos, así como proporcionando al
experimento validez, precisión y eficacia.

Cuando este software se utiliza de forma adecuada, es decir, cuando se adapta
al experimento y a los recursos que tiene a su alcance el experimentador, se puede
conseguir un resultado óptimo, o lo más cerca posible del óptimo. Esto se debe a que se
pueden modelar los parámetros, en los que se tiene que mantener el experimento, de
una forma sencilla.

Además, con este trabajo se ha podido concluir también, que existen
experimentos en los que si solo se estudian las variables independientes se llega a
conclusiones erróneas. Por ello es muy importante el diseño de experimentos factorial,
el cual nos muestra el efecto de las interacciones y todas las combinaciones posibles
entre las variables, que sí nos lleva a respuestas válidas.















65

BIBLIOGRAFÍA

66

1- L. Eriksson, E. Johansson, N. Kettaneh-Wold, C. Wilström, S. Wold Design of

Experiments. Principles and Applications. Umetrics AB. Umea. Suecia.

2- Abel Díaz,¡. “Diseño estadístico de experimentos” Editorial Universidad de Anqioquia.
2º Edición. 2009

3- “Planejamento e otimizaçao de experimentos “ Benicio Barros Neto, Ieda Spacino
Scarminio , Roy Edward Bruns, Editora da Unicamp, Cidade Universitaria – Barao Geraldo
, Brasil. 1995

4. Man Mohan Kohli, Martha Díaz de Ackerman, Marina Castro. “Estrategias y
metodologías utilizadas en el mejoramiento de trigo: un enfoque multidisciplinario”
Centro internacional de mejoramiento de maíz y trigo. Uruguay.

5. Isidro Jesús González Hernández. “Diseño de experimentos y su aplicación en la
industria”. Universidad autónoma del estado hidalgo. En línea:
https://www.uaeh.edu.mx/scige/boletin/sahagun/n1/e1.html

6. R. O. Kuehl. “Diseño de experimentos: Principios estadísticos para el diseño y análisis
de investigaciones”. 2ª Ed. Thomson Learning. México. 2001.

7. D. C. Montgomery. “Design and analysis of experiments.” John Wiley and sons. New
York. 2001.

8. G. E. Box, J. S. Hunter y W. G. “Hunter. Estadística para investigadores. Diseño,
innovación y descubrimiento.” 2ª Ed., Editorial Reverté, Barcelona 2008.

9.Medina Varela,P.D,L.R,A.M,”Analisis crítico del diseño factorial 2K sobre casos
aplicados”, Scietia Et Technica. 2011. En línea:
https://www.redalyc.org/pdf/849/84921327018.pdf

10. Ferré, F. X. Rius Técnicas de Laboratorio, 274, 2002, 648-652
67

11. J. Ferré Técnicas de Laboratorio, 2003, En prensa.

12. Carlson R. Design and optimization in organic synthesis. Elsevier: The Netherlands
1992.

13. D.L. Massart, B.G.M. Vandeginste, L.M.C. Buydens, S. De Jong,. P.J. Lewi, J. Smeyers-
Verbeke. Handbook of Chemometrics and Qualimetrics: Part A. Elsevier, Amsterdam
1997.

14.Victor Maehara, ,”Diseños experimentales Avanzados” Universidad Nacional Agraria
La Molina.2010.En línea: https://issuu.com/jesuseduardog/docs/diseno_factorial_3k

17. Lara Porras, A.M.“Diseño Estadístico de Experimentos, Análisis de la Varianza y
Temas Relacionados: Tratamiento Informático mediante SPSS.” Proyecto Sur de
Ediciones. 2000.

15. A.H. Chowdhury y N. S. Fard.”Determination of censored response data for 2k-p
fractional factorial experiment”. Quality Engineering, 13, 261-267. 2000

16. Lara Porras, A.M. (2000). “Diseño Estadístico de Experimentos, Análisis de la
Varianza y Temas Relacionados: Tratamiento Informático mediante SPSS.” Proyecto Sur
de Ediciones.

17. Instituto Sindical de Trabajo, Ambiente y Salud , “Problema ambiental del consumo
de energía” Valencia.2019.En línea: https://istas.net/istas/condiciones-de-acceso-y-
utilizacion.

18. “Guías de Canvi Climatic”. Generalitat de Catalunya Comisión Interdepartamental

delCambioClimático.2011.http://www.caib.es/sacmicrofront/archivopub.do?ctrl=MCR
ST234ZI97531&id=97531

68

19. ”Minitab Statistical software”, Minitab.com, 2020, https://www.minitab.com/es-

mx/products/minitab/pricing/

69

ANEXO I

70

Minitab 19 es una herramienta muy sencilla de utilizar e intuitiva para los

ejemplos que en este Trabajo de Fin de Máster se muestran.

En primer lugar, es necesario crear un nuevo documento, y en este seleccionar
en Estadísticasà DOEàFactorialà Crear diseño factorial.

Una vez seleccionado esto, dependiendo del ejemplo se seleccionará un diseño
u otro. En Minitab 19 solo es necesario introducir el número de factores que se
estudiarán y el tipo de diseño que se requiere. Para ello Minitab 19 cuenta con las
distintas opciones que se pueden seleccionar de forma muy sencilla, como se muestra
en la Gráfica 15.

Gráfica 15.Crear diseño factorial. Minitab 19.

En el botón de diseños que se muestra en la Gráfica 15 se seleccionan

“Diseños..”, en la derecha de la ventana, aquí aparecerán diseños como el factorial y los
bloques que se desean, como puede verse en la Gráfica 16.

Gráfica 16.Opciones de diseño. Minitab 19.

71

Una vez se selecciona todo el diseño, Minitab 19 muestra la matriz del diseño en
la parte inferior de la pantalla, en esta parte hay que añadir una nueva columna que será
donde se escriba la respuesta del experimento para cada una de las combinaciones de
los factores. Con esto último estará creado el diseño.

Una vez realizado el diseño se procede a analizarlo. Para ello en las pestañas
superiores hay que seleccionar Estadísticasà DOEà Factorialà Analizar diseño
factorial.

Gráfica 17.Análisis del diseño. Minitab 19.

Al seleccionar el análisis aparece una pestaña como la mostrada en la Gráfica 17,
hay que seleccionar cual será la respuesta a analizar, el nombre que se le haya puesto a
la respuesta, rugosidad, rendimiento, etc. En esta pestaña también se selecciona las
gráficas que se quieren analizar, como predeterminadas están tanto la gráfica normal
como el diagrama de Pareto que son las que se utilizarán, tal y como se puede observar
en la Gráfica 18.

72

Gráfica 18. Tipos de gráficas para el análisis del diseño.Minitab 19.

Al aceptar este análisis, Minitab 19 nos mostrará un resumen de nuestro diseño,

así como el efecto de cada una de las combinaciones en una tabla. Nos mostrará
también un análisis de varianza en la mayoría de casos y la estructura de alias de nuestro
diseño. Además, en esta selección Minitab 19 también muestra la gráfica normal de
efectos y el diagrama de Pareto de estos como hemos determinado anteriormente. Con
esto podemos conocer de forma sencilla los efectos significativos. Que será los que
tengan un valor de efecto considerablemente mayor al resto por lo que aparecen en
rojo en la gráfica normal de efectos o superan la línea de referencia en el diagrama de
Pareto.

Minitab 19 también tiene la opción de realizar más gráficas además de las dos
mencionadas anteriormente, para ello es necesario seleccionar Estadísticasà DOEà
Factorialà Gráficas factoriales o Gráficas de cubo… depende de la que se necesite. En
esta pestaña nos mostrará la opción de elegir cuales factores y combinaciones graficar.

73