¿Alguna vez te has enfrentado a un proceso o sistema con tantas variables que no sabes por dónde empezar a experimentar?
Si la respuesta es sí, no estás solo. Este es un reto común en ingeniería, manufactura y ciencia aplicada. La excelente noticia es que existe una herramienta poderosa para enfrentarlo: el Diseño de Experimentos (DOE), y dentro de él, los diseños factoriales.
En este artículo vamos a dar una introducción sobre qué son, cómo elegir el más adecuado y cómo aprovecharlos para obtener resultados sólidos sin desperdiciar recursos.
El poder de los diseños factoriales
De acuerdo con el “Engineering Statistics Handbook” del NIST, un diseño de experimentos factorial completo de 2 niveles es: “Un diseño experimental común es uno con todos los factores de entrada establecidos en dos niveles cada uno. Estos niveles se denominan ‘altos’ y ‘bajos’ o ‘+1’ y `-1 ‘, respectivamente. Un diseño con todas las combinaciones altas/bajas de todos los factores de entrada se denomina diseño factorial completo en dos niveles. Si hay K factores, cada uno en 2 niveles, un diseño factorial completo tiene 2^k corridas.”
Los diseños factoriales permiten evaluar simultáneamente el efecto de múltiples factores y sus interacciones sobre una respuesta. Esto significa que, en lugar de probar un factor a la vez (que es lento e ineficiente), puedes descubrir relaciones causa-efecto de forma más ágil y estructurada.
El crecimiento exponencial del número de pruebas
La cantidad de combinaciones posibles se calcula como 2^k (número de corridas de un factorial a 2 niveles), donde k es el número de factores.
- Con 2 o 3 factores → 4 u 8 pruebas (manejable).
- Con 5 o 6 factores → 32 o 64 pruebas (tiempo y costo mucho mayores).
Aquí surge la primera crucial decisión: ¿Diseño completo o fraccionado?
Completo vs. fraccionado: el balance entre información y recursos
- Diseño completo: Incluye todas las combinaciones posibles. Proporciona la imagen completa de efectos e interacciones, pero puede ser inviable en tiempo y costo.
- Diseño fraccionado: Reduce el número de corridas ejecutando solo una fracción del total. Esto ahorra recursos, pero introduce el fenómeno del aliasing (o confusión), donde algunos efectos se mezclan y no pueden distinguirse.
Resolución del diseño: el “pixelado” de tu experimento
La resolución del diseño define qué efectos pueden separarse unos de otros:
- Resolución III: Ideal para “screening” (cribado) inicial. Los efectos principales pueden confundirse con interacciones de dos factores.
- Resolución V: Más corridas, pero los efectos principales están libres de confusión con interacciones de dos factores.
- Resolución Completa (Full): Es el DOE más potente. Puedes ver efectos principales y todas las interacciones.
Es un balance entre claridad de información y esfuerzo experimental.
Las interacciones: donde ocurre la magia
En procesos complejos, las interacciones pueden ser más relevantes que los efectos individuales.
Por ejemplo, un factor por sí solo puede no tener un gran impacto, pero combinado con otro, el efecto puede potenciarse o anularse.
En la práctica industrial, se suele asumir que las interacciones de orden muy alto (tres, cuatro o más factores) son raras o poco significativas. Por eso, la estrategia más eficiente suele concentrarse en efectos principales e interacciones de dos factores.
Caso práctico: Adhesión
Un ejemplo simple:
- Factores: presión y tipo de material.
- Respuesta: Fuerza de adhesión.
- Diseño: 2^2 completo, con 4 réplicas por combinación → 16 corridas en total.
La visualización inicial con gráficos de Pareto y la validación de supuestos mediante gráficos de residuos son pasos clave antes de tomar decisiones.
Herramientas y metodología de análisis
Software como Minitab o EngineRoom agilizan cálculos y visualización, pero la interpretación siempre es humana.
Un marco útil de análisis es fundamental. Blackberry & Cross provee varios. Consulte más en soluciones@blackberrycross.com
Reflexión final: el arte de la experimentación estratégica
Los diseños factoriales son más que una técnica estadística; son una estrategia para transformar datos en decisiones confiables.
El reto está en elegir el diseño que maximice el aprendizaje con los recursos disponibles, sin caer en la trampa de la simplicidad excesiva que ignore interacciones clave.
Pregunta para ti:
Si las interacciones complejas rara vez son significativas pero, en ocasiones, son la clave oculta… ¿cuándo vale la pena hacer el esfuerzo extra de buscarlas?
Ahí reside el verdadero arte de un ingeniero o científico de procesos.
Referencias
- 1. NIST e-Handbook: Full factorial designs: https://www.itl.nist.gov/div898/handbook/pri/section3/pri333.htm
- 2. NIST e-Handbook: Confounding: https://www.itl.nist.gov/div898/handbook/pri/section3/pri3343.htm?utm_source=chatgpt.com
- 3. NIST e-Handbook: Design Resolution https://www.itl.nist.gov/div898/handbook/pri/section3/pri3324.htm?utm_source=chatgpt.com
- 4. Montgomery, Douglas C. Design and Analysis of Experiments. 6th Edition, Wiley.
Sobre el autor:
Omar Mora
Fundador de Blackberry & Cross
Omar Mora fundó Blackberry & Cross en el 2004. Actualmente es responsable del diseño y operación de los programas de capacitación en técnicas estadísticas aplicadas a la mejora continua, ingeniería y otras áreas de negocio como recursos humanos. Omar también coordina programas de LEAN Six Sigma y supervisa las alianzas con Moresteam y Routsis Training.
Omar es máster en ingeniería industrial, con un bachillerato en el mismo tema, y cuenta con múltiples certificaciones profesional en ingeniería de calidad, producción y LEAN Six Sigma.
Puede contactar a Omar Mora por medio de Linkedin https://www.linkedin.com/in/omarmorablackberrycross/
Leave a Reply