Saltar al contenido
Volver a los resultados

Experimento Factorial Fraccionado — Diseño Experimental Factorial Fraccionado

Propuesto por
D. J. Finney (formal development); foundations in Ronald Fisher's factorial design work
Año
1945 (Finney); broader development 1950s–1970s by Box, Hunter
Tipo
Quantitative experimental design
Familia
Experimental design

Este texto es una traducción automática y aún no se ha revisado. Leer el original en inglés

Tamaño de letra

¿Qué hace?

Un experimento factorial fraccionado es un diseño experimental eficiente en recursos que prueba solo una fracción cuidadosamente elegida de todas las combinaciones posibles de factores y niveles.

Al explotar el principio de que las interacciones de orden superior suelen ser insignificantes, identifica los efectos principales y las interacciones de bajo orden de k factores utilizando muchas menos corridas que un diseño factorial completo, lo que lo convierte en el caballo de batalla de los experimentos de cribado industrial y de ingeniería.

La intuición detrás del método

Suponga que desea estudiar 7 factores, cada uno en dos niveles. Un factorial completo requeriría 128 corridas, lo cual es poco práctico y costoso. Un factorial fraccionado toma una mitad (o un cuarto) seleccionada estratégicamente de esas combinaciones: 64 o 32 corridas. El truco está en que cada corrida omitida corresponde a una interacción de orden superior que es casi con certeza cero en la práctica. Usted intercambia la capacidad de estimar esas interacciones improbables por una reducción drástica en el costo experimental, al tiempo que captura los efectos que más importan. La clave es saber exactamente qué efectos se confunden (se aliñan) entre sí, para poder interpretar los resultados correctamente.

Historia

Los diseños factoriales fraccionados surgieron del trabajo fundamental de Ronald Fisher sobre experimentos factoriales en la Estación Experimental de Rothamsted en las décadas de 1920 y 1930. D. J. Finney introdujo formalmente la réplica fraccionada en un artículo de 1945 en los Annals of Eugenics, demostrando que un subconjunto cuidadosamente elegido de corridas podría estimar efectos principales sacrificando solo interacciones de orden superior. George Box, J. Stuart Hunter y William Hunter popularizaron y sistematizaron la metodología para la experimentación industrial a través de su influyente serie de libros de texto a partir de 1978, estableciendo la resolución y el aliñamiento como los conceptos clave que los profesionales utilizan hoy en día. Los diseños siguen siendo una piedra angular de Six Sigma, la formación en Diseño de Experimentos (DOE) y la ingeniería de calidad en todo el mundo.

Cuándo usarlo

Utilice un diseño factorial fraccionado cuando tenga muchos factores (típicamente cinco o más) para cribar y no pueda permitirse un factorial completo, cuando los recursos (tiempo, material, costo) sean limitados y cuando se suponga que las interacciones de orden superior son insignificantes — una suposición razonable en la mayoría de los entornos físicos, químicos y de ingeniería. Es el primer paso estándar en una estrategia de experimentación secuencial (cribado → optimización). NO lo utilice cuando necesite estimar todas las interacciones de orden superior (use un factorial completo en su lugar), cuando tenga menos de cuatro o cinco factores (un factorial completo es asequible), cuando el aliñamiento de interacciones de dos factores sea inaceptable sin corridas de seguimiento, o cuando la superficie de respuesta deba caracterizarse en detalle (use metodología de superficie de respuesta en su lugar).

Limitaciones y consideraciones

  • El aliñamiento significa que algunos efectos no se pueden estimar de forma independiente dentro de una sola fracción; la resolución de los aliñamientos requiere corridas adicionales.
  • La suposición de que las interacciones de orden superior son insignificantes puede no cumplirse en sistemas biológicos, sociales o complejos.
  • Requiere alfabetización estadística para especificar correctamente los generadores, verificar la resolución e interpretar el patrón de aliñación.
  • Con muy pocas corridas (por ejemplo, un diseño de Resolución III de 8 corridas para 7 factores), hay poca potencia para detectar efectos que no sean los grandes.

Las condiciones de la fuente no sustituyen una revisión científica independiente ni la validación por un motor de análisis.

Fortalezas

  • Reduce drásticamente el número de corridas experimentales en comparación con un factorial completo, ahorrando tiempo y recursos.
  • La estructura sistemática de aliñación significa que el investigador siempre sabe exactamente qué efectos están confundidos; no hay ambigüedades ocultas.
  • Secuencial y combinable: las fracciones se pueden plegar o combinar con nuevas fracciones para desaliñar efectos importantes en una segunda etapa.
  • Ampliamente soportado en software estadístico (R, SAS, JMP, Minitab) y extensamente documentado en la literatura.
  • La estructura de diseño ortogonal hace que la estimación de parámetros sea sencilla y estadísticamente eficiente.

Aplicaciones

  • Cribado de docenas de variables de proceso en la fabricación química o farmacéutica para identificar las pocas que más afectan el rendimiento o la pureza.
  • Optimización de tratamientos agrícolas — combinaciones de fertilizantes, riego, pesticidas — durante una temporada de crecimiento con parcelas limitadas.
  • Estudios de diseño de productos de ingeniería donde los parámetros de material, geometría y proceso deben explorarse dentro de un presupuesto fijo de prototipos.
  • Experimentación de software y web (indicadores de funciones, elementos de interfaz de usuario) cuando ejecutar un factorial completo en muchas funciones simultáneamente no es factible.
  • Desarrollo de métodos de química analítica — identificación de qué concentraciones de reactivos, temperaturas y configuraciones de instrumentos impulsan el rendimiento del ensayo.
  • Proyectos de mejora de calidad en fabricación utilizando marcos DMAIC o Six Sigma.

Cómo funciona

Cómo funciona

1

Identifique todos los k factores a investigar y establezca sus niveles (típicamente dos niveles — bajo y alto — codificados como -1 y +1). Aclare la(s) variable(s) de respuesta a medir. Con más de cinco o seis factores, generalmente se justifica un diseño fraccionado; con menos de cuatro, un factorial completo suele ser factible.

2

Elija la fracción 2^(k-p), donde p define cuántas columnas de factores se generan multiplicando columnas existentes. Una media fracción (p=1) utiliza 2^(k-1) corridas; una cuarta fracción (p=2) utiliza 2^(k-2) corridas. La resolución del diseño (III, IV, V) determina qué efectos se aliñan: la Resolución III confunde efectos principales con interacciones de dos factores; la Resolución IV confunde interacciones de dos factores entre sí; la Resolución V o superior mantiene los efectos principales y las interacciones de dos factores libres entre sí.

Fórmula
2^{k-p}
3

Construya la matriz de diseño escribiendo primero un factorial completo en los k-p factores base, luego cree las p columnas adicionales multiplicando las columnas existentes según el(los) generador(es) elegido(s). Verifique la estructura de aliñación (patrón de aliñación) para confirmar que es aceptable para la pregunta de investigación.

4

Realice las corridas experimentales en un orden aleatorio para protegerse contra sesgos sistemáticos relacionados con el tiempo. Aplique bloqueo si existe un factor de molestia como lote, día u operador. Registre la respuesta medida para cada corrida, incluidas las corridas replicadas o de punto central incluidas para estimar el error puro.

5

Estime los efectos principales y de interacción utilizando mínimos cuadrados ordinarios o el algoritmo de Yates. Calcule las magnitudes de los efectos y sus errores estándar. Utilice un gráfico de probabilidad normal de efectos, un gráfico semilogarítmico o el método de Lenth para distinguir los efectos activos (reales) del ruido, especialmente cuando no hay corridas replicadas para proporcionar una estimación directa del error.

6

Interprete cada efecto estimado a la luz de la estructura de aliñación: una estimación significativa puede reflejar el efecto nombrado, su alias, o ambos. Utilice el conocimiento del tema, corridas de confirmación de seguimiento o un diseño de plegado para desaliñar efectos que no se pueden resolver a partir de la fracción actual. Informe la resolución y el patrón de aliñación de manera transparente para que los lectores puedan evaluar qué fue y qué no fue estimable.

Errores comunes

  • Elegir una resolución demasiado baja (por ejemplo, Resolución III) cuando las interacciones de dos factores son plausibles — las estimaciones de efectos principales están entonces sesgadas por esas interacciones, y los resultados pueden ser seriamente engañosos.
  • Ignorar la aleatorización: ejecutar el diseño en orden estándar introduce una confusión con las tendencias temporales que la estructura de aliñación no fue diseñada para manejar.
  • No informar el patrón de aliñación en el escrito, lo que hace imposible que los lectores (o revisores) evalúen qué efectos son estimables.
  • Tratar un resultado de cribado como final sin una corrida de confirmación o una fase de optimización de seguimiento — los diseños factoriales fraccionados son intrínsecamente un primer paso, no la palabra final.

Preguntas frecuentes

¿Qué significa 'resolución' en un diseño factorial fraccionado?

La resolución describe qué efectos se aliñan (confunden) con cuáles. Resolución III: los efectos principales se aliñan con interacciones de dos factores — usar solo cuando se sabe que las interacciones de dos factores son insignificantes. Resolución IV: los efectos principales están libres de interacciones de dos factores, pero las interacciones de dos factores se aliñan entre sí. Resolución V o superior: tanto los efectos principales como las interacciones de dos factores son estimables de forma independiente — preferible cuando las interacciones de dos factores son plausibles.

¿Cómo elijo entre una media fracción y una cuarta fracción?

Una media fracción (2^(k-1)) retiene una mayor resolución pero solo reduce a la mitad el número de corridas. Una cuarta fracción (2^(k-2)) es más pequeña pero típicamente tiene una resolución menor, lo que aumenta el problema de aliñación. Si tiene siete o más factores y los recursos son muy limitados, comience con una cuarta fracción de Resolución IV; si tiene de cuatro a seis factores, una media fracción en Resolución IV o V suele ser factible y preferible.

¿En qué se diferencia un factorial fraccionado de un diseño de Plackett-Burman?

Ambos son diseños de cribado para muchos factores en pocas corridas, pero utilizan diferentes principios de construcción. Los diseños factoriales fraccionados (2^(k-p)) se basan en factoriales completos de dos niveles y tienen una estructura de aliñación clara e interpretable. Los diseños de Plackett-Burman utilizan matrices de Hadamard; son más flexibles en el tamaño de las corridas (cualquier múltiplo de 4) pero tienen una estructura de aliñación más compleja y no jerárquica que dificulta la interpretación de las interacciones de dos factores.

¿Qué debo hacer después de que un factorial fraccionado identifique factores activos?

Un factorial fraccionado es un diseño de cribado, no un diseño de optimización. Una vez identificados los factores activos, pase a una fase de seguimiento: pliegue la fracción original para resolver los efectos aliñados, luego utilice un método de superficie de respuesta (diseño compuesto central o Box-Behnken) o un nuevo factorial completo solo en los factores activos para caracterizar y optimizar la respuesta.

¿Puedo usar un factorial fraccionado con más de dos niveles por factor?

Sí. Existen factoriales fraccionados de tres niveles (por ejemplo, diseños 3^(k-p)) y se utilizan cuando se sospecha curvatura. Sin embargo, requieren significativamente más corridas que los diseños de dos niveles. Para el cribado inicial, casi siempre se utilizan factoriales fraccionados de dos niveles; los diseños de tres niveles o de niveles mixtos son más comunes en la fase de optimización.

Métodos relacionados

Fuentes

  1. Box, G. E. P., Hunter, J. S., & Hunter, W. G. (2005). Statistics for Experimenters: Design, Innovation, and Discovery (2nd ed.). Wiley-Interscience.

    ISBN: 978-0471718130
    Copiado.
  2. Finney, D. J. (1945). The fractional replication of factorial arrangements. Annals of Eugenics, 12(1), 291–301.

    Abrir referencia DOI
    Copiado.