Diseño experimental

El diseño experimental es una técnica estadística que permite identificar y cuantificar las causas de un efecto dentro de un estudio experimental. En un diseño experimental se manipulan deliberadamente una o más variables, vinculadas a las causas, para medir el efecto que tienen en otra variable de interés. El diseño experimental prescribe una serie de pautas relativas qué variables hay que manipular, de qué manera, cuántas veces hay que repetir el experimento y en qué orden para poder establecer con un grado de confianza predefinido la necesidad de una presunta relación de causa-efecto.

El diseño experimental encuentra aplicaciones en la industria, la agricultura, la mercadotecnia, la medicina, la ecología, las ciencias de la conducta, etc. constituyendo una fase esencial en el desarrollo de un estudio experimental.

Perspectiva histórica

Ronald Fisher es considerado el padre del diseño experimental en sus estudios de agronomía en el primer tercio del siglo XX. A la lista de los pioneros de su uso hay que añadir los de Frank Yates, W.G. Cochran y G.E.P. Box. Muchas de las aplicaciones originarias del diseño experimental estuvieron relacionadas con la agricultura y la biología, disciplinas de las que procede parte de la terminología propia de dicha técnica.

Las aplicaciones a la industria textil comenzaron en la década de 1930 en Inglaterra y se popularizaron y extendieron a las industrias química y manufacturera de Europa y EE. UU. tras la II Guerra Mundial. Es de notar su uso actual en la industria de la electrónica y los semiconductores.

¿Qué es Diseño factorial?

En estadística, un experimento factorial completo es un experimento cuyo diseño consta de dos o más factores, cada uno de los cuales con distintos valores o niveles, cuyas unidades experimentales cubren todas las posibles combinaciones de esos niveles en todo los factores. Este tipo de experimentos permiten el estudio del efecto de cada factor sobre la variable respuesta, así como el efecto de las interacciones entre factores sobre dicha variable.

Por ejemplo, con dos factores y dos niveles en cada factor, un experimento factorial tendría en total cuatro combinaciones de tratamiento, y se le denominaría diseño factorial de 2×2.

Si el número de combinaciones en un diseño factorial completo es demasiado alto para su procesamiento, puede optarse por un diseño factorial fraccional, en el que se omitan algunas de las combinaciones posibles.

Historia

Los diseños factoriales fueron utilizados en el siglo XIX por Jhon Bennet Lawes y Henry J. Gilbert de la Estación experimental de Rothamsted.[1] Ronald Fisher discutió en 1926 que los diseños «complejos», como diseños factoriales, eran más eficientes que estudiando un factor a la vez.[2] Fisher escribió: «ningún aforismo se repite tan frecuentemente respecto de las pruebas de campo, que aquel de que a la Naturaleza debemos hacerle pocas preguntas, o, idealmente, hacérselas de a una. Quien escribe es un convencido de que este punto de vista está totalmente equivocado.» Un diseño factorial permite el efecto de varios factores e incluso interacciones entre ellas que se determinarán con el mismo número de ensayos que son necesario determinar de los efectos por sí mismo con el mismo grado de exactitud.

Yates realizó importantes contribuciones significativas hechas, particularmente en el análisis de diseños, por Análisis de Yates. El término factorial no se pudo haber utilizado en la impresión antes de 1935, cuando Fisher la utilizó en su libro El diseño de experimentos. [1]

Notación

 

diagrama de cubo para 3 dimensiones usando variables A, B y C.

Para ahorrar el espacio, los puntos en un experimento factorial de dos niveles se abrevian a menudo con las cadenas de más y signos de menos. Las secuencias tienen tantos símbolos como factores, y sus valores dictan el nivel de cada factor: − para el primer (o bajo) llano, y + para el segundo (o alto) llano. Los puntos en este experimento se pueden representar como − −, + −, − +, y + +.

Los puntos factoriales se pueden también abreviar cerca (1), a, b, y el ab, donde la presencia de una letra indica que el factor especificado está en su alto (o en segundo lugar) nivel y la ausencia de una letra indica que el factor especificado está en su (o primero) nivel bajo (por ejemplo, “a” indica que el factor A está en su alto ajuste, mientras que el resto de los factores están en su ajuste del punto bajo (o primero)). (1) se utiliza indicar que todos los factores están en sus (o primero) valores más bajos.

Para poder finalmente obtener un modelo estadístico que nos indique el valor de respuesta al modificar los factores.

Cálculo del efecto

Contraste = (suma de niveles+)-(suma de niveles-) Efecto Contraste /réplica*2^k

b= efecto/2 bo= suma total/número total

Modelo estadístico: Y= bo+ b1X1 + b2X2......

Ejemplo Real

El experimento factorial más simple contiene dos niveles para cada uno de dos factores. Suponga los deseos de un ingeniero para estudiar la energía total usada por cada uno de dos diversos motores, A y B, funcionando en cada uno de dos diversas 2000 o 3000 RPM de las velocidades. El experimento factorial consistiría en cuatro elementos experimentales: viaje en automóvil A en 2000 RPM, viaje en automóvil B en 2000 RPM, viaje en automóvil A en 3000 RPM, y viaje en automóvil B en 3000 RPM. Cada combinación de un solo nivel seleccionado de cada factor está presente una vez.

Este experimento es un ejemplo de 22 (o 2x2) experimento factorial, nombrado así porque considera dos niveles (la base) para cada uno de dos factores (la energía o el exponente), o #lniveles#factores, produciendo 22puntos factoriales =4. Los diseños pueden implicar muchas variables independientes. Como otro ejemplo, los efectos de tres variables entradas se pueden evaluar en ocho condiciones experimentales demostradas como las esquinas de un cubo. Esto se puede conducir con o sin la réplica, dependiendo de su propósito previsto y recursos disponibles. Proporcionará los efectos de las tres variables independientes en la variable dependiente y las interacciones posibles(en caso de haber más de 3 se habla de un hiperespacio).

Análisis de Yates

La técnica fundamental consiste en repartir el total en componentes mediante sumas de cuadrados. Esta técnica tuvo efectos secundarios en el modelo. Por ejemplo, demostramos el modelo para un ANOVA simplificado con un tipo de tratamiento en diversos niveles.

${\displaystyle SC_{\text{Total}}=SC_{\text{Error}}+SC_{\text{Tratamientos}}\,\!}$ 

Los grados de libertad se pueden repartir de manera similar y especifican distribuciones χ² que describen las sumas asociadas de cuadrados.

${\displaystyle gl_{\text{Total}}=gl_{\text{Error}}+gl_{\text{Tratamientos}}\,\!}$ 

Fisher

Principios de Fisher

El biólogo y estadístico inglés Ronald Fisher propuso una metodología por el diseño de experimentos en sus libros The Arrangement of Field Experiments (1926) y The Design of Experiments (1935). Mucho de su obra pionera trató de las aplicaciones agrícolas de sus métodos de estadística. Por ejemplo, describió cómo probar la hipótesis de la catadora de té. Estos métodos se han adaptado en las ciencias sociales y físicas y se usan todavía en la ingeniería agrícola y que se difieren del diseño y análisis de experimentos de computación.

Comparación

En algunos campos de estudio no es posible tener medidas independientes que conectan a una norma de metrología trazable. Comparaciones entre tratamientos se valen mucho más y normalmente se las prefieran. A menudo se compara con un control científico o tratamiento tradicional que actúa como un punto de referencia.

Aleatorización

Randomización es el proceso de asignar individuos al azar a grupos o a grupos distintos en un experimento. La asignación aleatoria a grupos (o condiciones adentro de un grupo) distingue a rigorosos verdaderos experimentos de un estudio observacional o cuasi-experimental.^[1]​ Existe un cuerpo extensivo de teoría matemática que explora las consecuencias de asignar las unidades de tratamiento por medio de algún método aleatorio como las tablas de números aleatorios, o el uso de aparatos aleatorios como naipes o dados. Asignar unidades de tratamiento aleatoriamente tiende a mitigar los factor de confusión, los cuales hacen que los efectos que no son por tratamientos parecer como sí fuesen resultados del tratamiento. Los riesgos que se asocian con una asignación aleatoria (como tener un desbalance serio en una característica clave entre un grupo en tratamiento y un grupo de control) se calculan y así se las dirigen a un nivel más bajo y aceptable por el hecho de usar bastantes unidades de experimentación. Se pueden generalizar los resultados de un experimento de las unidades de experimentación a una población estadística de unidades pero solo si las unidades de experimentación son un muestreo de la población más grande; el error probable de tal extrapolación dependse del tamaño de la muestra, entre otras cosas.

Réplica estadística

Normalmente se sujetan medidas a la variación y la incertidumbre de medidas significa que se las repiten y con experimentos enteros se los replican para ayudar a identificar los fuentes de la variación, por poder estimar los efectos verdaderos de tratamientos, por fortalecer su fiabilidad y su validez, y por agregar al conocimiento del tópico.^[2]​ Sin embargo, necesita el cumplimiento de ciertas condiciones antes que la réplica se comience: la cuestión de investigación original se ha publicado en una revista de revisión por pares o citado ampliamente, el investigador es independiente del experimento original, el investigador debe primero intentar replicar los resultados del experimento original usando la data original, y el resumen debe decir que el estudio es una réplica que intente seguir en los pasos del original en lo más estricto posible.^[3]​

Prueba F de Fisher

Se utiliza para las comparaciones de los componentes de la desviación total. Por ejemplo, en una forma, o el solo-factor ANOVA, la significación estadística es probada para comparando la estadística de la prueba de F

${\displaystyle F={\dfrac {\mbox{variance of the group means}}{\mbox{mean of the within-group variances}}}}$ 

${\displaystyle F^{*}={\frac {\mbox{MSTR}}{\mbox{MSE}}}\,}$ 

donde:

1. Número de tratamientos: ${\displaystyle {\mbox{MSTR}}={\frac {\mbox{SSTR}}{I-1}}}$ , I
2. Total de casos: ${\displaystyle {\mbox{MSE}}={\frac {\mbox{SSE}}{n_{T}-I}}}$ , n_T'

a F-distribución con el del I-1, secundario< del > n< T> /sub grados de libertad. Usar la F-distribución es un candidato natural porque la estadística de la prueba es el cociente de dos sumas malas de los cuadrados que tienen a distribución del chi-cuadrado.

Referencias

1.-Frank Yates and Kenneth Mather (1963). "Ronald Aylmer Fisher". Biographical Memoirs of Fellows of the Royal Society of London 9: 91–120. http://digital.library.adelaide.edu.au/coll/special//fisher/fisherbiog.pdf.

2.-Ronald Fisher (1926). "The Arrangement of Field Experiments". Journal of the Ministry of Agriculture of Great Britain 33: 503–513. .

Véase también

• * Estadística bayesiana
• Intervalo de confianza
• Incertidumbre
• Modelo estadístico
• Propagación de errores

Diseño factorial 2^k

Cuando en un experimento hay varios factores de interés, utilizamos el diseño experimental factorial.

En el experimento factorial, se analizaran todas las posibles combinaciones de los niveles de los factores en cada réplica del experimento, para estudiar el efecto conjunto de estos sobre una respuesta.

Un experimento 2^k proporciona el menor número de ensayos con los cuales se pueden estudiar k factores en un diseño factorial completo.

Existen varios casos especiales del diseño factorial, pero el más importante de todos ocurre cuando se tienen k factores, cada uno de ellos a dos niveles (2² es el factorial más pequeño).

Debido a que solamente hay dos niveles para cada factor, asumimos que la respuesta es aproximadamente lineal en el rango de los niveles elegidos de los factores.

El efecto de un factor se define como el cambio en la respuesta que produce un cambio en el nivel del factor.

Diseño 2^k para k = 2 factores

Este diseño es el más sencillo de la serie. Consideramos dos factores: A y B, cada uno con 2 niveles.

Normalmente consideramos estos niveles como los niveles alto y bajo del factor ojtet El diseño 2² puede ser representado geométricamente como un cuadrado con 4 ensayos.

Para cualquier diseño 2^k con n réplicas, la estimación del efecto y de los cuadrados se estiman de la siguiente forma:^[4]​

 Efecto = Contraste/n2K-1 SSx = [Contraste]2/n2k 

Los efectos de interés en el diseño 2², son los efectos principales de A y B y la interacción AB.

Estimaremos cada uno de los efectos de la siguiente forma:

 A = [a+ab-b-(1)]/2n B = [b+ab-a-(1)]/2n AB = [ab+(1)-a-b]/2n 

Las cantidades entre corchetes en las ecuaciones anteriores se llaman contrastes. Podemos utilizar los contrastes para calcular las sumas de cuadrados para A, B y la interacción AB.

 SSA = [a+ab-b-(1)]2/4n SSB = [b+ab-a-(1)]2/4n SSAB = [ab+(1)-a-b]2/4n 

 SIGNOS ALGEBRAICOS PARA CALCULAR LOS EFECTOS DEL DISEÑO 22 

Comb. Tratamientos	I	A	B	AB
(1)	+	-	-	+
a	+	+	-	-
b	+	-	+	-
ab	+	+	+	+

 TABLA DE ANOVA DISEÑO 22 

Fuente de Variación	Suma de Cuadrados	Grados de libertad	Cuadrado Medio	FO
Tratamiento A	SSA	a-1	MSA = SSA / a-1	MSA / MSE
Tratamiento B	SSB	b-1	MSB = SSB /b-1	MSB/MSE
Interacción AB	SSAB	(a-1)(b-1)	MSA = SSAB / (a-1)(b-1)	MSAB/MSE
Error	SSE	ab(n-1)	MSE = SSE / ab(n-1)
Total	SST	abn - 1

La SS_E (Suma de cuadrados del Error) la obtendremos por diferencia, respecto a la SS_T

Diseño 2^k para k = 3 factores

Es un diseño de 3 factores, cada uno a 2 niveles y consta de 8 combinaciones. Geométricamente el diseño es un cubo, cuyas esquinas son las 8 combinaciones. Este diseño permite estimar los 3 efectos principales (A, B, y C), las tres interacciones de dos factores (AB, AC, BC) y la interacción de los tres factores (ABC).

La estimación de cualquier efecto principal o interacción en un diseño 2^k se determina al multiplicar las combinaciones de tratamientos de la 1.ª columna de la tabla por los signos del correspondiente efecto principal o columna de interacción, sumando los resultados para obtener un contraste, y dividiendo el contraste por la mitad del n.º total de réplicas.

 A = [a+ab+ac+abc-(1)-b-c-bc]/4n B = [b+ab+bc+abc-(1)-a-c-ac]/4n C = [c+ac+bc+abc-(1)-a-b-ab]/4n AB = [abc-bc+ab-b-ac+c-a+(1)]/4n AC = [(1)-a+b-ab-c+ac-bc+abc]/n BC = [(1)+a-b-ab-c-ac+bc+abc]/4n ABC = [abc-bc-ac+c-ab+b+a-(1)]/4n 

 SIGNOS ALGEBRAICOS PARA CALCULAR LOS EFECTOS DEL DISEÑO 23 

Comb.Tratamientos	I	A	B	AB	C	AC	BC	ABC
(1)	+	-	-	+	-	+	+	-
a	+	+	-	-	-	-	+	+
b	+	-	+	-	-	+	-	+
ab	+	+	+	+	-	-	-	-
c	+	-	-	+	+	-	-	+
ac	+	+	-	-	+	+	-	-
bc	+	-	+	-	+	-	+	-
abc	+	+	+	+	+	+	+	+

 TABLA DE ANOVA DISEÑO 23 

Fuente de Variación	Suma de Cuadrados	Grados de Libertad	Cuadrado Medio	F0
Tratamiento A	SSA	a-1	MSA = SSA/a-1	MSA/MSE
Tratamiento B	SSB	b-1	MSB = SSB/b-1	MSB/MSE
Tratamiento C	SSC	c-1	MSC =SSC/c-1	MSC/MSE
Interacción AB	SSAB	(a-1)(b-1)	MSAB = SSAB/(a-1)(b-1)	MSAB/MSE
Interacción AC	SSAC	(a-1)(c-1)	MSAC=SSAC/(a-1)(c-1)	MSAC/MSE
Interacción BC	SSBC	(b-1)(c-1)	MSBC =SSBC/(b-1)(c-1)	MSBC/MSE
Interacción ABC	SSABC	(a-1)(b-1)(c-1)	MSABC =SSABC/(a-1)(b-1)(c-1)	MSABC/ME
Error	SSE	abc(n-1)
Total	SST	abcn-1	MSE =SSE/abc(n-1)

Eliminaremos la interacción triple ABC, por lo que tendremos un grado de libertad más para el error.

Diseño 2^k con una réplica

Si aumentamos el número de factores en un experimento factorial, también aumenta el número de efectos que pueden ser estimados. Es importante conocer la estructura de sus variables para poder calcular la estabilidad de nuestro experimento

Así un experimento 2⁴ tiene 4 efectos principales, 6 interacciones dobles, 4 triples, y 1 cuádruple.

La mayoría de las veces las interacciones de orden superior a dos son despreciables.

En experimentos factoriales 2^k, con un k=3,4,5 o superior es común efectuar una sola réplica, despreciar las interacciones de orden superior a dos, y de estos modo poder utilizar los grados de libertad de dichas interacciones para la estimación del error. Esta forma de actuar puede conducirnos a decisiones erróneas si realmente alguna de estas interacciones que son de orden superior a dos son significativas.

Aplicaciones

El diseño de experimentos tiene una gran variedad de aplicaciones y puede ser aplicado a un gran número de industrias, la optimización de recursos, la identificación de causas de variabilidad son algunos de los objetivos del diseño de experimentos aplicados en nivel industrial. necesito experimentos de un solo factor.

Aplicaciones según la clasificación de la industria

A continuación se muestran algunos ejemplos de aplicaciones existentes según el tipo de industria.

Industrias pesadas o de base

• Química pesada

Estudio de la composición para la elaboración de productos: Estudio de los valores más apropiados para la elaboración de compuestos químicos que requieran diversos componentes. Análisis del efecto de las condiciones del entorno en la elaboración del producto como la temperatura ambiente, humedad relativa etc.^[5]​

Industrias de bienes de equipo

• Maquinaria

Medida de la variabilidad de los instrumentos de medida: Es posible aplicar el diseño de experimentos como herramienta para determinar y mejorar los índices de capacidad de un proceso concreto apoyándose en estudios de reproducibilidad y repetitividad.^[6]​

Diseño de motores eléctricos: Estudio de las características constructivas del motor y su influencia en variables importantes como la pérdida de flujo y la constante de velocidad.^[7]​

Diseño de electrodos: Estudio de los esfuerzos en los electrodos en función de la fuerza de aplicación y el tamaño del electrodo.^[8]​

Diseño de elementos de sujeción: Análisis de la influencia de los parámetros geométricos en la resistencia de los remaches.^[9]​

• Materiales de construcción

Estudios de corrosión: Estudios de la influencia del tiempo en la corrosión de aceros de construcción y metales en general.

Aplicaciones en el mecanizado: estudio de la variabilidad en los procesos de mecanizado, ayuda a la reducción de piezas defectuosas y aumento de la capacidad de producción.^[10]​

• Producción de vehículos industriales

Estudio de procesos de soldadura: estudio de un proceso de soldadura, para determinar las variables que influyen en la resistencia de la soldadura.^[11]​

• Industria aeronáutica

Optimización del proceso de anodizado y pintado: optimizar los procesos de anodizado y pintado para conseguir una buena protección anticorrosion.^[12]​

Industrias ligeras o de uso y consumo

• Farmacia y química ligera
• Informática y telecomunicaciones

Estudio del rendimiento de una red informática: Realizando simulaciones es posible cuantificar el rendimiento y las variables críticas que hacen que la transferencia de datos en la red sea económicamente rentable.^[13]​

Mejora del rendimiento de un procesador: Se usa para determinar el impacto que tienen variables importantes como la temperatura y las horas de uso en el rendimiento del procesador.

Reducción del tiempo del CPU: El estudio se basa en la aplicación del diseño de experimentos para determinar la mejor combinación de factores que reduzcan el tiempo de CPU.

Optimización de materiales en semiconductores: Estudio de las propiedades eléctricas del arsienuro de galio dopado con silano.^[14]​

Diseño de filtros pasivos: se utiliza el diseño de experimentos para determinar los valores de las tolerancias de los componentes para optimizar los circuitos.^[15]​

• Biotecnología

Operaciones en un sistema de fangos activos: optimizar y entender las reacciones que se dan en el tratamiento secundario de una EDAR, por ejemplo, los fangos activos.^[16]​

Pasos para el diseño de un experimento

• Observación
• Planteamiento del problema de investigación
• Objetivos
• Hipótesis: hipótesis nula (H₀) e hipótesis alterna
• Método (incluye la elección de los sujetos para la conformación de la muestra; el procedimiento, es decir, el tratamiento a los sujetos; las variables consideradas: variable dependiente, variable independiente, variables extrañas)
• Resultados: aquí se describen cuáles fueron las relaciones observadas entre las variables (si los valores de la variable independiente realmente influyeron significativamente sobre los de la variable dependiente, si hubo tantas variables extrañas como se pensaba o si surgieron otras), para lo cual se añaden a dicha descripción tanto gráficas (de barras, de pastel, etc.) como cuadros.
• Conclusiones

A partir de aquí, ya es posible pensar en la elaboración del informe (publicación del experimento y sus resultados, a través de un artículo en una publicación nacional o internacional, donde se incluirán, además de las secciones ya mencionadas, las referencias bibliográficas).

Un ejemplo

Un ingeniero quiere estudiar la resistencia de una pieza plástica sometida a temperaturas cambiantes. La pieza puede ser elaborada con tres tipos de plástico distintos. De ahí que se plantee las siguientes preguntas:

• ¿Qué efecto tienen la composición de la pieza y la temperatura en la resistencia de la pieza?
• ¿Existe algún material con el que la pieza resulte más resistente que con cualquiera de los otros dos independientemente de la temperatura?

Para darles respuesta, el ingeniero se plantea realizar una batería de experimentos. Cada uno de ellos consiste en tomar una pieza de un material dado, someterla a una temperatura prefijada y aplicarle una presión hasta que la pieza se quiebre. El grado de presión necesario será la medida de resistencia de la pieza.

Por fijar ideas, selecciona tres temperaturas, -20 °C, 20 °C y 60 °C. Por lo tanto, puede realizar 9, es decir, 3x3, pruebas distintas. Además, decide repetir cada una de las 9 pruebas 4 veces cada una. Finalmente, decide aleatorizar las pruebas, es decir, desordenarlas aleatoriamente en el tiempo.

Tras realizar los experimentos, obtiene 36, es decir, 4x9, medidas de resistencia distintas. A partir de ese momento, realiza un estudio cuantitativo utilizando técnicas estadísticas, como la ANOVA, que ya no forman parte propiamente de la fase del diseño experimental.

Ejemplo numérico

Una empresa manufacturera desea saber que factores son más importantes en el proceso de mecanizado, para obtener el mejor acabado superficial en uno de sus productos. Para realizar el experimento se han identificado 3 parámetros que se consideran de importancia, la velocidad de giro de la máquina, el avance y el radio de la herramienta. Se ha decido realizar un experimento a dos niveles (alto y bajo), con 3 factores.

Los datos tomados son los siguientes.

Corrida	Velocidad de giro (RPM)	Avance (mm/rev)	Radio de la herramienta ( pulgadas)o	Acabado superficial
1	588	0,004	1/64	50,50,55,50
2	588	0,004	1/32	145,150,100,110
3	588	0,008	1/64	160,160,160,155
4	588	0,008	1/32	180,190,195,200
5	1182	0,004	1/64	60,60,60,55
6	1182	0,004	1/32	25,35,35,30
7	1182	0,008	1/64	160,160,160,160
8	1182	0,008	1/32	80,70,70,80

Para el análisis del experimento se toma la siguiente notación

• Factor A: Velocidad de giro (RPM)
• Factor B: Avance (mm/rev)
• Factor C: Radio de la herramienta ( pulgadas)
• Respuesta: Acabado superficial

Primero es necesario definir la matriz que tome tanto los efectos principales, como las interacciones entre ellas. según muchos autores, se suele despreciar las interacciones de tercer orden o superiores ya que no influyen de manera significativa.^[17]​ La matriz para nuestro caso, queda como sigue.

Combinaciones de Tratamientos	A	B	C	AB	AC	BC	ABC	RESPUESTA
1	-1	-1	-1	1	1	1	-1	145,150,100,110
a	1	-1	-1	-1	-1	1	1	25,35,35,30
b	-1	1	-1	-1	1	-1	1	180,200,190,195
ab	1	1	-1	1	-1	-1	-1	70,70,80,80
c	-1	-1	1	1	-1	-1	1	50,50,50,55
ac	1	-1	1	-1	1	-1	-1	55,60,60,60
bc	-1	1	1	-1	-1	1	-1	155,160,160,160
abc	1	1	1	1	1	1	1	160,160,160,160

Con esta matriz se pasa a realizar el análisis de la influencia de cada componente sobre la respuesta utilizando el análisis de la varianza (ANOVA).

La tabla ANOVA inicial queda como sigue:

Fuentes de Variación	Contraste	Suma de Cuadrados	grados de libertad	Cuadrado Medio	Fo	Ft
A	-810	20503,125	1	20503,125	212,789189	4,2596
B	1270	50403,125	1	50403,125	523,102703	4,2596
C	20	12,5	1	12,5	0,1297	4,2596
AB	-110	378,125	1	378,125	3,92432	4,2596
BC	400	5000	1	5000	51,89189	4,2596
AC	880	24200	1	24200	251,1567	4,2596
ABC	60	112,5	1	112,5	1,1675	4,2596
ERROR		2312,5	24	96,3541667	34,02659
TOTAL		102921,875	31	3320,06048

Se puede apreciar en la tabla inicial que las interacciones ABC, no afectan significativamente a la respuesta, pues su Fo es menor a Ft. Así pues elminamos la interacción ABC (antes se había mencionado que estos efectos son despreciables de manera directa por varios autores), y pasamos a recalcular la tabla ANOVA,y elminamos aquellos elementos cuyas Fo sean menor a Ft. Es necesario recordar que no es posible eliminar los efectos principales si existen interacciones dobles donde estas se encuentren, es decir no es posible eliminar A, sin antes haber eliminado AC y AB.

la tabla final de la ANOVA es la siguiente.

Fuentes de Variación	Contraste	Suma de Cuadrados	grados de libertad	Cuadrado Medio	Fo	Ft
A	-810	20503,125	1	20503,125	212,789189	4,2252
B	1270	50403,125	1	50403,125	523,102703	4,2252
C	20	12,5	1	12,5	0,1297	4,2252
BC	400	5000	1	5000	51,89189	4,2252
AC	880	24200	1	24200	251,1567	4,2252
ERROR		2803,,125	26	107,8125	38,0730051
TOTAL		102921,875	31	3320,06048

Como se puede apreciar en la tabla, no es posible eliminar el efecto principal C aun si su Fo es menor a su Ft, ya que existen las interacciones BC y AC las cuales son significativas. La tabla ANOVA nos muestra que la influencia de los efectos principales A,B,C y los interacciones dobles AC y BC tienen una importancia no despreciable en la respuesta. Para cuantificar que tanto influye cada elemento, pasamos a calcular su efecto y los coeficientes de la ecuación que predecira la respuesta en función de los elementos que hemos considerado como importantes.

Fuentes de Variación	Efecto	Coeficiente	Intersección de la recta
A	5125,7815	2562,89063	106,5625
B	12600,7813	6300,39063
C	3,125	1,5625
BC	!250	625
AC	6050	3025

El diagrama de Pareto para nuestro caso, revela el peso que tiene cada elemento en la respuesta. Se puede apreciar la importancia de cada elemento en orden descendente.

1. Avance: es la variable que más influye en el acabado superficial, si se quiere tener una mejor respuesta es necesario actuar sobre esta variable.
2. Velocidad de Giro y radio de la herramienta: esta interacción doble representa también una variable no menospreciable y la actuación sobre estas dos variables lograra tener una mejor respuesta.
3. Velocidad de Giro: si bien parece que está en tercer lugar, su efecto en la respuesta es casi idéntica a la interacción doble, por lo que es actuar sobre esta variable mejoraría la respuesta.
4. Avance y radio de la herramienta: el efecto conjunto de estas dos variables muestra una influencia en la respuesta significativa estadísticamente pero no tan grande como las anteriores.
5. Radio de la herramienta: su efecto es casi imperceptible sin embargo no es posible elimnarla por la existencia de interacciones dobles

Véase también

• Ciencia
• Método científico
• Metodología
• Diseño factorial
• Contraste de hipótesis
• Diseño de experimentos

Referencias

1. Creswell, J.W. (2008). Educational research: Planning, conducting, and evaluating quantitative and qualitative research (3rd). Upper Saddle River, NJ: Prentice Hall. 2008, p. 300. ISBN 0-13-613550-1
2. Dr. Hani (2009). . Archivado desde el original el 2 de junio de 2012. Consultado el 27 de octubre de 2011. 
3. Burman, Leonard E.; Robert W. Reed; James Alm (2010). «A call for replication studies» (journal article). Public Finance Review. pp. 787-793. doi:10.1177/1091142110385210. Consultado el 27 de octubre de 2011. 
4. Libro Probabilidad y Estadística Montgomery& Runger
5. Jack E. Reece Ph.D., Honeywell. "Consider the Metric: Dealing with Mixtures and Temperature Gradients"
6. Dale Owens."Reduction of Measurements Device Variability Using Experimental Design Techniques". Kurt Manufacturing Minneapolis. Minnesota
7. Karen Cornwell."Linear Motor Design" Digital Equipment Corporation
8. Doug Sheldon."Factorial Experiment for Botttom Electrode Stress".Ramtron Corporation
9. Tom Gardner, James D. Riggs."The Effect of the CE Rivet H parameter on Head Protusion"
10. Tom Tanis."A Designed Experiment to Reduce Circular Runout". Ampex Recording Systems
11. Kelly Johnson."Ball Weld Experiment". Morton International
12. Tom Bingham. "Optimizing the Anodizee Process and Paint Adhesion for Sheet Metal Parts". Supplier Improvement Manager. Boeing Commercial Airplanes
13. Lt Col Mark Kiemele. "Computer Network Performance Analysis" Tenure Associate Professor, United States Air Force Academy
14. Alan Arnholt, Steve Smith, Robert Kaliski."Design of Eperiments Silane Doping in GaAs". Statistics Seminar Project- University of Northern Colorado
15. David M. Fisk."Application of DOE to an Analog Filter Design". Defense Systems & Electronics Group, Texas Instruments Inc.
16. Majors James Brickell and Kenneth Knox."Environmetal Engineeing Operation of an Activated Sludge System". Department of Civil Engineering, United States Air Force Academy
17. Montgomery, Douglas C. Control estadístico de la calidad. 3.ª edición.Mexico Editorial: Limusa-Wiley ISBN 9789681862343

•   Datos: Q2334061
•   Multimedia: Design of experiments