¿Cuál es la forma más cara de experimentar en una planta? Mover un factor a la vez. El ingeniero sube la temperatura, mira el resultado, la regresa; cambia la presión, mira el resultado, la regresa. Tres semanas de pruebas, un factor «ganador» — y cuando lo implementa, el proceso no responde como en las pruebas. Lo que ese método nunca pudo ver es que la temperatura y la presión interactúan: el efecto de una depende del nivel de la otra.
El diseño de experimentos (DOE) existe para resolver ese problema: probar varios factores a la vez, con menos corridas, y detectar las interacciones que el método de un factor a la vez es incapaz de encontrar. En este artículo verás qué es el DOE, cómo se estructura un diseño factorial, un ejemplo numérico completo y cuándo usar cada tipo de diseño.
Qué es el diseño de experimentos
El DOE (Design of Experiments) es un método estadístico para planear, ejecutar y analizar pruebas en las que se varían deliberadamente las entradas de un proceso — los factores — para medir su efecto sobre una salida — la respuesta. Tres términos bastan para leer cualquier diseño:
Factor: la variable de entrada que se controla en el experimento (temperatura, presión, proveedor de materia prima, velocidad de línea). Nivel: los valores que toma cada factor en las corridas (160 °C y 180 °C son dos niveles del factor temperatura). Respuesta: la variable de salida que se mide (resistencia, rendimiento, proporción de defectuosos, tiempo de ciclo).
La diferencia con la experimentación intuitiva no es el vocabulario: es que el DOE varía los factores simultáneamente según una matriz planeada, lo que permite estimar el efecto de cada factor, el de sus interacciones, y separar todo eso del ruido del proceso.
Por qué «un factor a la vez» falla
El método OFAT (one factor at a time) parece prudente y es estadísticamente débil por tres razones. Primera: no detecta interacciones — si el efecto de la temperatura depende del nivel de presión, OFAT concluye con la combinación que casualmente probó. Segunda: usa mal las corridas — para estimar efectos con la misma precisión, OFAT necesita más pruebas que un factorial. Tercera: no cuantifica el ruido — sin repeticiones planeadas, no hay forma de saber si la diferencia observada es efecto real o variación común del proceso.
El diseño factorial: un ejemplo 2×2
El diseño más usado en la industria es el factorial a dos niveles: cada factor se prueba en un nivel bajo (−) y uno alto (+), y se corren todas las combinaciones. Con dos factores son 4 corridas (2²); con tres, 8 (2³). Un ejemplo de moldeo por inyección, con la contracción de la pieza (%) como respuesta:
| Corrida | Temperatura | Presión | Contracción promedio (%) |
|---|---|---|---|
| 1 | − (200 °C) | − (60 bar) | 2,4 |
| 2 | + (230 °C) | − (60 bar) | 2,2 |
| 3 | − (200 °C) | + (80 bar) | 2,0 |
| 4 | + (230 °C) | + (80 bar) | 1,1 |
Lectura: subir la presión con temperatura baja mejora poco (2,4 → 2,0). Subir la temperatura con presión baja, casi nada (2,4 → 2,2). Pero las dos juntas bajan la contracción de 2,4 a 1,1 — el efecto combinado es mayor que la suma de los efectos individuales. Esa es una interacción, y es exactamente lo que OFAT no habría encontrado: probando un factor a la vez, ninguna de las dos palancas parecía valer la pena.
Qué diseño usar en cada situación
| Situación | Diseño indicado | Idea central |
|---|---|---|
| Muchos factores candidatos (5 o más) y pocas corridas disponibles | Factorial fraccionado | Corre una fracción planeada de las combinaciones para filtrar los factores que realmente importan |
| Pocos factores ya identificados (2 a 4) | Factorial completo 2^k | Estima todos los efectos e interacciones con precisión |
| Optimizar alrededor de una región prometedora | Superficie de respuesta | Agrega niveles intermedios para encontrar el punto óptimo y detectar curvatura |
Tres reglas de ejecución valen para todos: aleatorizar el orden de las corridas (para que una deriva del proceso no se confunda con un efecto), replicar cuando sea posible (para estimar el ruido) y validar el sistema de medición antes — un experimento analizado con datos de un instrumento que reprueba el estudio R&R Gage produce conclusiones sobre el ruido, no sobre el proceso.
DOE dentro del método de mejora
En un proyecto estructurado, el DOE vive en la fase de Mejora de la metodología DMAIC: después de que el análisis redujo la lista de causas candidatas, el experimento confirma cuáles mueven la respuesta y en qué niveles. Es la versión industrial del método científico — hipótesis, predicción, prueba planeada, decisión con datos — y por eso es una de las herramientas que separan al profesional que opina del que demuestra.
Contenido revisado por el Master Black Belt Marcelo Petenate, estadístico, graduado por la Unicamp, maestría por la USP y especialista en Lean Six Sigma y mejora continua. En esta revisión, el foco fue el ejemplo de interacción y los criterios de elección entre diseños.
Si quieres aprender a experimentar con método — de la primera matriz factorial a la interpretación de los efectos —, comienza por la certificación White Belt gratuita de la Escuela EDTI y continúa hacia el Green Belt, donde el DOE se aplica en proyectos completos.
Preguntas frecuentes
¿Qué significa DOE y para qué sirve?
DOE es la sigla de Design of Experiments, diseño de experimentos: un método estadístico para probar varios factores de un proceso de forma simultánea y planeada, midiendo sus efectos y sus interacciones sobre una respuesta con el mínimo de corridas.
¿Cuál es la diferencia entre un factorial completo y uno fraccionado?
El completo corre todas las combinaciones de niveles (2³ = 8 corridas para 3 factores) y estima todos los efectos e interacciones. El fraccionado corre una fracción planeada (la mitad, un cuarto) y se usa para filtrar muchos factores candidatos al costo de confundir algunas interacciones entre sí.
¿Cuántas corridas necesita un experimento?
Depende del número de factores, del diseño y de la replicación. La referencia mínima: un factorial 2² sin réplicas son 4 corridas; con una réplica, 8. Replicar es lo que permite estimar el ruido y saber si un efecto es real.
¿Por qué aleatorizar el orden de las corridas?
Porque los procesos derivan en el tiempo — calentamiento de máquina, cambio de turno, lote de materia prima. Si las corridas se ejecutan en orden sistemático, esa deriva se confunde con el efecto de un factor. La aleatorización reparte la deriva entre todas las condiciones.
¿Dónde aprendo a aplicar DOE en proyectos reales de mejora?
El DOE se enseña dentro del camino Lean Six Sigma, en la fase de Mejora del DMAIC. En la Escuela EDTI ese camino empieza por la certificación White Belt gratuita y llega al Green Belt, donde el diseño de experimentos se aplica con datos y proyecto estructurado.