01 — Fundamentos Científicos
¿Por qué DOE en Industria?
El Diseño Estadístico de Experimentos (DOE, por sus siglas en inglés) constituye la metodología
científica central para comprender, controlar y optimizar sistemas productivos complejos. A
diferencia del ajuste empírico uno-a-la-vez (OFAT), el DOE permite explorar simultáneamente
múltiples factores e interacciones con eficiencia estadística demostrada.
Montgomery (2017) en Design and Analysis of Experiments —el texto de referencia global
en la materia— documenta que los diseños factoriales completos y fraccionados permiten
identificar los factores significativos con entre 50% y 80% menos ensayos
que los enfoques OFAT (One Factor At a Time), manteniendo poder estadístico equivalente y
detectando interacciones entre factores que el enfoque clásico sistemáticamente pierde.
En el contexto industrial latinoamericano, donde los recursos experimentales son limitados y
el costo de los ensayos piloto es significativo, la eficiencia del DOE no es solo una ventaja
metodológica: es una necesidad operacional. Antony (2014) estima que las industrias que
implementan DOE sistematizado reducen sus ciclos de mejora de proceso en un 40–60%.
2k
Diseños factoriales
2 niveles, k factores
RSM
Metodología Superficie
de Respuesta · Box-Behnken / CCD
Taguchi
Diseños robustos
para manufactura
[1] Montgomery DC. (2017). Design and Analysis of Experiments (9th ed.). John Wiley & Sons. ISBN: 978-1-119-11347-8.
[2] Antony J. (2014). Design of Experiments for Engineers and Scientists (2nd ed.). Elsevier. doi:10.1016/B978-0-08-099417-8.00001-9
[3] Box GEP, Hunter JS, Hunter WG. (2005). Statistics for Experimenters (2nd ed.). Wiley-Interscience.
02 — Marco Metodológico
Taxonomía de Diseños
Experimentales
La selección del diseño experimental adecuado depende del objetivo de investigación, número de
factores, recursos disponibles y tipo de variable respuesta. OphirIAn emplea un árbol de decisión
metodológica estructurado en cuatro niveles, alineado con el estándar ISO 5725 de exactitud
y precisión en métodos de medición.
| Diseño |
Objetivo |
Factores |
Ensayos mínimos |
Aplicación típica |
| Screening (Plackett-Burman) | Identificar factores vitales | 5–20 | N+1 | Exploración inicial de proceso |
| Factorial 2k | Efectos principales + interacciones | 2–7 | 2k | Optimización de parámetros críticos |
| Factorial 2k–p Fraccionado | Eficiencia con muchos factores | 5–15 | 2k-p | Formulación, recetas industriales |
| RSM — CCD / Box-Behnken | Superficie de respuesta, óptimo | 2–5 | Variable | Maximizar/minimizar KPI de calidad |
| Taguchi L-Array | Robustez ante ruido | 3–8 | Ortogonal | Control de calidad en manufactura |
| D-Optimal | Regiones irregulares, restricciones | Variable | Computacional | Procesos con mezclas y restricciones |
Para procesos agroindustriales y de manufactura ligera —el núcleo del tejido PYMEs colombiano—
los diseños Box-Behnken y Central Composite Design (CCD) con metodología
de superficie de respuesta (RSM) representan el balance óptimo entre poder estadístico,
número de corridas experimentales y capacidad de modelado matemático de la función objetivo.
[4] Myers RH, Montgomery DC, Anderson-Cook CM. (2016). Response Surface Methodology (4th ed.). Wiley. ISBN: 978-1-118-91601-8.
[5] Plackett RL, Burman JP. (1946). The design of optimum multifactorial experiments. Biometrika, 33(4), 305–325.
[6] ISO 5725-1:2023. Accuracy of measurement methods and results. Geneva: ISO.
03 — Protocolo de Implementación
Pipeline DOE en Entornos
Industriales
OphirIAn ha desarrollado un pipeline de implementación de DOE en cinco fases que integra
rigor científico con las restricciones operacionales reales de plantas industriales colombianas:
equipamiento variable, datos históricos escasos, y operadores sin formación estadística formal.
01
Definición del Problema y Variables
Identificación de la variable respuesta (Y) mediante análisis de proceso y VOC (Voice of the Customer). Mapeo de factores controlables, ruido y restricciones operacionales. Validación del sistema de medición con estudios R&R (Repeatability & Reproducibility) según MSA (Measurement System Analysis). Sin un sistema de medición confiable, cualquier DOE producirá conclusiones espurias.
Entregable: MSA Report + Variable Map
02
Screening y Pre-experimento
Para procesos con más de 5 factores potenciales, se aplica un diseño de screening (Plackett-Burman o Factorial Fraccionado de Resolución III) para identificar los "pocos vitales" (Pareto de efectos). Esta fase reduce el espacio experimental un 60–80% antes de la optimización formal, economizando recursos críticos en entornos PYME.
Diseño: Plackett-Burman / 2k–p Res. III
03
Diseño y Ejecución del Experimento Principal
Construcción del diseño óptimo con los factores significativos identificados. Aleatorización completa del orden de corridas para controlar confusión. Bloques para factores de ruido no controlables (turnos, lotes, operadores). Réplicas para estimación del error experimental puro. Implementación con control estadístico de proceso (SPC) en tiempo real.
Estándar: ASTM E2281 / ISO 3534-3
04
Análisis Estadístico y Modelado
ANOVA multifactorial con verificación de supuestos (normalidad Shapiro-Wilk, homogeneidad Levene, independencia DW). Construcción del modelo de regresión polinomial. Validación cruzada y análisis de residuales. Para modelos no lineales: regresión robusta (Huber) o modelos basados en Gaussian Processes cuando el espacio de respuesta es complejo.
Software: R/Python + Minitab/JMP
05
Optimización y Verificación
Localización del óptimo mediante desirability function (Derringer & Suich, 1980) para respuestas múltiples. Confirmación experimental del óptimo con corridas de verificación (mínimo n=5). Análisis de sensibilidad e intervalos de confianza al 95% sobre el óptimo predicho. Protocolización y control estadístico del punto óptimo.
Entregable: Protocolo Operativo + SPC Chart
[7] Derringer G, Suich R. (1980). Simultaneous optimization of several response variables. Journal of Quality Technology, 12(4), 214–219.
[8] ASTM E2281-15. (2015). Standard Practice for Process and Measurement Capability Indices. ASTM International.
[9] ISO 3534-3:2021. Statistics — Vocabulary and symbols — Part 3: Design of experiments. Geneva: ISO.
[10] Automotive Industry Action Group (AIAG). (2010). Measurement Systems Analysis (MSA) Reference Manual (4th ed.).
04 — Integración con ML
DOE + Machine Learning:
El Paradigma Híbrido
La frontera metodológica actual en optimización industrial combina el DOE clásico con métodos
de machine learning para superar sus limitaciones en espacios de alta dimensión, relaciones
no lineales complejas y datos de proceso ruidosos. Este paradigma híbrido, denominado
Model-Based Design of Experiments (MBDoE), es el núcleo del enfoque OphirIAn.
Shahriari et al. (2016) en Bayesian Optimization (IEEE Proceedings) y Snoek et al. (2012)
demostraron que la optimización bayesiana con Gaussian Processes supera al DOE clásico en
espacios de parámetros continuos con 5+ factores, reduciendo el número de
evaluaciones necesarias hasta un 70% para alcanzar el óptimo global, con estimación simultánea
de incertidumbre sobre la predicción.
Enfoque Clásico DOE
Fortalezas: Control de confusión, estimación eficiente de efectos principales,
base estadística sólida, interpretabilidad directa.
Limitaciones: Supuestos de linealidad, explosión combinatoria en alta dimensión,
curvas de respuesta discretizadas.
Enfoque ML / Bayesiano
Fortalezas: Manejo de no linealidades, actualización secuencial (active learning),
estimación de incertidumbre, dimensiones altas.
Limitaciones: Requiere más datos iniciales, menor interpretabilidad causal,
riesgo de sobreajuste sin regularización.
Pipeline Integrado OphirIAn
Fase 1: DOE screening (Plackett-Burman) → identificar factores vitales.
Fase 2: RSM factorial centrado → construir modelo polinomial base.
Fase 3: Gaussian Process Regression sobre residuales → capturar no linealidades.
Fase 4: Optimización bayesiana con acquisition function (EI / UCB) → explorar óptimo global.
Fase 5: Confirmación experimental + control SPC → transferir a producción.
El DOE clásico es el mapa;
el machine learning es el navegador en tiempo real.
[11] Shahriari B et al. (2016). Taking the Human Out of the Loop: A Review of Bayesian Optimization. Proc. IEEE, 104(1), 148–175. doi:10.1109/JPROC.2015.2494218
[12] Snoek J, Larochelle H, Adams RP. (2012). Practical Bayesian Optimization of Machine Learning Algorithms. NeurIPS 2012.
[13] Gregorutti B et al. (2017). Correlation and variable importance in random forests. Stat Comput, 27, 659–678.
[14] Forrester AIJ, Keane AJ. (2009). Recent advances in surrogate-based optimization. Prog Aerosp Sci, 45(1-3), 50–79.
[15] Garud SS et al. (2017). Design of computer experiments: A review. Comput Chem Eng, 106, 71–95.
OphirIAn