{"id":4872,"date":"2026-09-24T16:49:29","date_gmt":"2026-09-24T14:49:29","guid":{"rendered":"https:\/\/ellistat.com\/?p=4872"},"modified":"2026-09-24T16:49:30","modified_gmt":"2026-09-24T14:49:30","slug":"planes-experiencia-diseno-inteligente-optimizacion-bayesiana","status":"publish","type":"post","link":"https:\/\/ellistat.com\/es\/plans-experience-smart-design-optimisation-bayesienne\/","title":{"rendered":"Dise\u00f1os experimentales: Smart Design y optimizaci\u00f3n bayesiana: lo que realmente cambia para la industria"},"content":{"rendered":"

Durante d\u00e9cadas, se ha repetido lo mismo en las clases de estad\u00edstica industrial: en dise\u00f1os experimentales<\/strong>, todo se invent\u00f3 entre las obras de Fisher<\/a> (1926, y luego El dise\u00f1o de experimentos<\/em> en 1935) y en la d\u00e9cada de 1950. La teor\u00eda se consideraba completa.<\/p>\n\n\n\n

Eso ya no es cierto. En una reciente intervenci\u00f3n, Maurice Pillet<\/a>, cofundador de Ellistat y referente franc\u00e9s en materia de calidad y Six Sigma, present\u00f3 dos enfoques que cambian de forma concreta la forma de llevar a cabo las pruebas en las empresas: los Dise\u00f1os inteligentes<\/strong> y el\u2019optimizaci\u00f3n bayesiana<\/strong>. Esto es lo que hay que recordar.<\/p>\n\n\n\n

Las limitaciones de los dise\u00f1os experimentales cl\u00e1sicos<\/strong><\/h2>\n\n\n\n

En dise\u00f1os experimentales<\/a> Los m\u00e9todos tradicionales han prestado un gran servicio. Pero se basan en hip\u00f3tesis que a menudo se pasan por alto.<\/p>\n\n\n\n

La hip\u00f3tesis de linealidad<\/strong><\/h2>\n\n\n\n

Un plan de dos niveles (un m\u00ednimo y un m\u00e1ximo) supone que la respuesta var\u00eda de forma lineal entre ambos l\u00edmites. Esto es cierto a nivel local, del mismo modo que la Tierra parece plana cuando miramos nuestros pies. En cuanto el \u00e1mbito de estudio se ampl\u00eda o el fen\u00f3meno es no lineal, el modelo resulta enga\u00f1oso. Es necesario pasar a modelos con m\u00e1s niveles, lo que conduce a dise\u00f1os experimentales con un n\u00famero de ensayos que a menudo resulta prohibitivo.  <\/p>\n\n\n\n

La elecci\u00f3n de los terminales<\/strong><\/h2>\n\n\n\n

Segundo escollo: si el valor m\u00ednimo y el m\u00e1ximo se han elegido mal, el punto \u00f3ptimo puede encontrarse fuera del dominio estudiado. En ese caso, el plano dar\u00e1 una respuesta v\u00e1lida\u2026 pero en el lugar equivocado.<\/p>\n\n\n\n

Los planos de cribado y el problema de los alias<\/strong><\/h2>\n\n\n\n

Cuando hay muchos factores (seis, por ejemplo), se suelen utilizar dise\u00f1os de cribado: la tabla L12 de dos niveles o la L18, que incluye tres niveles. Su principal inconveniente es que los efectos de los factores se mezclan parcialmente (se superponen) con las interacciones. Por lo tanto, resulta imposible determinar sin ambig\u00fcedad si el efecto observado se debe al propio factor o a una interacci\u00f3n entre dos factores.<\/p>\n\n\n\n

Smart Design: conseguir los efectos principales, la curvatura y las interacciones con pocos intentos<\/strong><\/h2>\n\n\n\n

Un pliego de condiciones que durante mucho tiempo fue imposible de cumplir<\/strong><\/h3>\n\n\n\n

Lo que los empresarios quieren, en realidad, es todo a la vez:<\/p>\n\n\n\n

    \n
  • conocer los efectos principales sin ambig\u00fcedades; ;<\/li>\n\n\n\n
  • detectar una posible no linealidad; ;<\/li>\n\n\n\n
  • identificar las interacciones significativas; ;<\/li>\n\n\n\n
  • combinar factores cualitativos de dos niveles y factores cuantitativos de tres niveles; ;<\/li>\n\n\n\n
  • hacer el menor n\u00famero posible de pruebas.<\/li>\n<\/ul>\n\n\n\n

    Hasta hace muy poco, con seis factores, solo hab\u00eda dos opciones: el dise\u00f1o completo (poco realista) o un dise\u00f1o de superficie de respuesta con al menos 54 ensayos. Sin embargo, el modelo completo (efectos principales, t\u00e9rminos cuadr\u00e1ticos, interacciones) cuenta con 28 coeficientes, la mayor\u00eda de los cuales son nulos en la pr\u00e1ctica. El problema es que no se sabe de antemano cu\u00e1les son.<\/p>\n\n\n\n

    Lo que cambia con el Smart Design<\/strong><\/h3>\n\n\n\n

    Las recientes publicaciones cient\u00edficas de N\u00fa\u00f1ez et al. (2020) (2023) han permitido construir una nueva familia de dise\u00f1os. Su propiedad clave: los efectos principales no est\u00e1n correlacionados ni con los t\u00e9rminos cuadr\u00e1ticos ni con las interacciones. Si est\u00e1 seguro de sus efectos principales, las correlaciones restantes son lo suficientemente d\u00e9biles como para estimar los efectos de segundo orden.<\/p>\n\n\n\n

    En el ejemplo presentado por Maurice Pillet (un catalizador de dos niveles y otros cinco factores de tres niveles), basta con un plan de 18 ensayos<\/strong> cuando se necesitaban 54.<\/p>\n\n\n\n

    \u00bfC\u00f3mo se analiza?<\/strong><\/h3>\n\n\n\n

    En lugar de una selecci\u00f3n paso a paso cl\u00e1sica (imposible con menos ensayos que coeficientes), el an\u00e1lisis se basa en la b\u00fasqueda del mejor subconjunto de t\u00e9rminos<\/strong> : el programa comprueba todas las combinaciones posibles y selecciona el modelo m\u00e1s adecuado. El resultado reproduce la estructura real del fen\u00f3meno, a veces con un t\u00e9rmino superfluo de escaso efecto, sin que ello tenga consecuencias pr\u00e1cticas para las conclusiones.<\/p>\n\n\n\n

    Para que la herramienta resulte \u00fatil en el d\u00eda a d\u00eda, se han precalculado m\u00e1s de 2 000 planos y se han integrado en el software Ellistat. El usuario introduce sus par\u00e1metros y el software le propone los planos disponibles junto con sus criterios de calidad.<\/p>\n\n\n\n

    La afirmaci\u00f3n de Maurice Pillet es muy clara: en la empresa, ya casi solo realiza dise\u00f1os inteligentes.<\/p>\n\n\n\n

    Optimizaci\u00f3n bayesiana: encontrar el rango de funcionamiento cuando no se sabe d\u00f3nde buscar<\/strong><\/h2>\n\n\n\n

    El caso t\u00edpico: la soldadura por l\u00e1ser<\/strong><\/h3>\n\n\n\n

    Algunos procesos \u00abdan problemas\u00bb: un ajuste funciona, se cambia un par\u00e1metro y ya nada sale bien. Maurice Pillet cita el caso de una misma pieza soldada con l\u00e1ser por dos proveedores, cada uno con ajustes totalmente diferentes, y ninguno con resultados realmente satisfactorios. Probablemente exista un rango en el que el proceso funcione a la perfecci\u00f3n. Pero, \u00bfd\u00f3nde?<\/p>\n\n\n\n

    En este caso, un dise\u00f1o experimental cl\u00e1sico, que explora los extremos de un \u00e1mbito ya delimitado, no resulta adecuado.<\/p>\n\n\n\n

    \u00bfHacer cuadrillas? Mala idea<\/strong><\/h3>\n\n\n\n

    El instinto natural es dividir el espacio en cuadr\u00edculas: 4 \u00d7 4 = 16 pruebas. El problema es que cada valor de cada factor se comprueba cuatro veces, y una peque\u00f1a zona favorable puede pasar desapercibida.<\/p>\n\n\n\n

    En planes de relleno<\/strong> (dise\u00f1os de relleno de espacio) distribuyen los ensayos de forma equilibrada, de modo que cada ensayo comprueba un valor diferente de cada factor. Con el mismo n\u00famero de ensayos, la probabilidad de \u00abdar en el clavo\u00bb aumenta notablemente. Pero para no pasar nada por alto, uno se ver\u00eda tentado a pasar a 100 ensayos\u2026 de los cuales la gran mayor\u00eda no servir\u00eda para nada.<\/p>\n\n\n\n

    El enfoque secuencial: procesos gaussianos + optimizaci\u00f3n bayesiana<\/strong><\/h3>\n\n\n\n

    La optimizaci\u00f3n bayesiana combina dos herramientas matem\u00e1ticas:<\/p>\n\n\n\n

      \n
    • Los procesos gaussianos<\/strong>, que modelizan la respuesta y, sobre todo, la incertidumbre en cada punto del dominio. A diferencia de los modelos polin\u00f3micos, esta incertidumbre var\u00eda de un lugar a otro.<\/li>\n\n\n\n
    • La optimizaci\u00f3n bayesiana<\/strong>, que elige los pr\u00f3ximos ensayos sopesando dos l\u00f3gicas: aprovechar las zonas prometedoras y explorar aquellas a\u00fan poco conocidas, donde la incertidumbre permite albergar la esperanza de obtener un mejor resultado.<\/li>\n<\/ul>\n\n\n\n

      El proceso se vuelve secuencial: unas diez pruebas iniciales en el plano de relleno; a continuaci\u00f3n, el programa propone las pruebas siguientes, explicando por qu\u00e9. Se llevan a cabo, se observa la convergencia y se detiene el proceso cuando la zona \u00f3ptima est\u00e1 suficientemente documentada. Una l\u00f3gica mucho m\u00e1s cercana a la intuici\u00f3n de los t\u00e9cnicos que el enfoque de \u00abhago todo el plano y luego lo analizo\u00bb.<\/p>\n\n\n\n

      Para familiarizarse con el m\u00e9todo, el programa Ellistat incluye un modo de demostraci\u00f3n que simula un proceso con tres factores (temperatura, presi\u00f3n y tiempo de ciclo).<\/p>\n\n\n\n

      Smart Design u optimizaci\u00f3n bayesiana: \u00bfcu\u00e1ndo utilizar cada uno?<\/strong><\/h2>\n\n\n\n

      Ambos enfoques no son contradictorios, sino que responden a situaciones diferentes:<\/p>\n\n\n\n

        \n
      • Dise\u00f1o inteligente<\/strong> : conoces m\u00e1s o menos el rango de funcionamiento y quieres modelarlo con precisi\u00f3n. Tres niveles como m\u00e1ximo, pocos cambios en los ajustes; ideal cuando modificar un factor resulta costoso.<\/li>\n\n\n\n
      • Optimizaci\u00f3n bayesiana<\/strong> : no conoces bien el proceso y tienes que descubrir en qu\u00e9 casos funciona. Hay que estar dispuesto a cambiar los ajustes a menudo; esa es la condici\u00f3n para explorar.<\/li>\n<\/ul>\n\n\n\n

        En ambos casos, el objetivo es el mismo: resolver problemas industriales cada vez m\u00e1s complejos sin tener que multiplicar el n\u00famero de ensayos.<\/p>\n\n\n\n

        Matem\u00e1ticas avanzadas, invisibles para el usuario<\/strong><\/h2>\n\n\n\n

        Detr\u00e1s de estos m\u00e9todos se esconden herramientas matem\u00e1ticas complejas. El objetivo de Ellistat es hacerlas comprensibles. Como resume Maurice Pillet, la herramienta no est\u00e1 dise\u00f1ada para estad\u00edsticos, sino para t\u00e9cnicos.<\/p>\n\n\n\n

        Conclusi\u00f3n<\/strong><\/h2>\n\n\n\n

        En dise\u00f1os experimentales<\/strong> a\u00fan no han dicho su \u00faltima palabra. Los Smart Designs permiten obtener en 18 ensayos lo que antes requer\u00eda 54, sin ambig\u00fcedades sobre los efectos principales. La optimizaci\u00f3n bayesiana abre el camino a procesos que hasta ahora se ajustaban a ciegas. Para los equipos de m\u00e9todos, calidad e I+D de procesos, esto supone menos ensayos, menos consumo de material y ajustes m\u00e1s robustos.<\/p>\n\n\n\n

        PREGUNTAS FRECUENTES<\/strong><\/h2>\n\n\n\n
          \n
        • \u00bfQu\u00e9 es un \u00abSmart Design\u00bb en un dise\u00f1o experimental?<\/strong> Se trata de una familia de dise\u00f1os recientes que permite estimar los efectos principales sin confundirlos con las interacciones o los efectos cuadr\u00e1ticos, al tiempo que detecta estos efectos de segundo orden con muy pocos ensayos.<\/li>\n\n\n\n
        • \u00bfEn qu\u00e9 se diferencia un plan de cribado de un \u00abSmart Design\u00bb?<\/strong> Un dise\u00f1o de cribado cl\u00e1sico (L12, L18) mezcla parcialmente los efectos de los factores con las interacciones. El Smart Design elimina esta ambig\u00fcedad sobre los efectos principales y admite factores mixtos de dos y tres niveles.<\/li>\n<\/ul>\n\n\n\n
            \n
          • \u00bfCu\u00e1ndo conviene utilizar la optimizaci\u00f3n bayesiana en lugar de un dise\u00f1o experimental cl\u00e1sico?<\/strong> Cuando no se sabe d\u00f3nde se encuentra la zona de funcionamiento de un proceso y es necesario explorarla. Si ya se conoce aproximadamente dicha zona, lo m\u00e1s adecuado es un \u00abSmart Design\u00bb.<\/li>\n<\/ul>\n\n\n\n
              \n
            • \u00bfHay que ser estad\u00edstico para utilizar estos m\u00e9todos?<\/strong> No. En el programa Ellistat, los c\u00e1lculos est\u00e1n ocultos: el usuario introduce sus factores, realiza las pruebas propuestas y lee los resultados.<\/li>\n<\/ul>\n\n\n\n

              <\/p>","protected":false},"excerpt":{"rendered":"

              Pendant des d\u00e9cennies, on a r\u00e9p\u00e9t\u00e9 la m\u00eame chose dans les cours de statistique industrielle : en plans d’exp\u00e9rience, tout a \u00e9t\u00e9 invent\u00e9 entre les travaux de Fisher (1926, puis The Design of Experiments en 1935) et les ann\u00e9es 1950. La th\u00e9orie \u00e9tait consid\u00e9r\u00e9e comme achev\u00e9e. Ce n’est plus vrai. Lors d’une r\u00e9cente intervention, Maurice […]<\/p>\n","protected":false},"author":4,"featured_media":4873,"comment_status":"closed","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"_acf_changed":false,"footnotes":""},"categories":[7],"tags":[],"class_list":["post-4872","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-data-analysis"],"acf":[],"_links":{"self":[{"href":"https:\/\/ellistat.com\/es\/wp-json\/wp\/v2\/posts\/4872","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/ellistat.com\/es\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/ellistat.com\/es\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/ellistat.com\/es\/wp-json\/wp\/v2\/users\/4"}],"replies":[{"embeddable":true,"href":"https:\/\/ellistat.com\/es\/wp-json\/wp\/v2\/comments?post=4872"}],"version-history":[{"count":1,"href":"https:\/\/ellistat.com\/es\/wp-json\/wp\/v2\/posts\/4872\/revisions"}],"predecessor-version":[{"id":4874,"href":"https:\/\/ellistat.com\/es\/wp-json\/wp\/v2\/posts\/4872\/revisions\/4874"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/ellistat.com\/es\/wp-json\/wp\/v2\/media\/4873"}],"wp:attachment":[{"href":"https:\/\/ellistat.com\/es\/wp-json\/wp\/v2\/media?parent=4872"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/ellistat.com\/es\/wp-json\/wp\/v2\/categories?post=4872"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/ellistat.com\/es\/wp-json\/wp\/v2\/tags?post=4872"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}