Llevas meses trabajando en tu TFG. Noches enteras en el laboratorio. Datos que crees que son oro puro. Y entonces llega el día de la defensa. El tribunal te mira, el presidente abre tu documento por la sección de metodología, y en menos de cinco minutos desmonta todo tu diseño experimental con una simple pregunta: “¿Por qué no controlaste esta variable?”
Se te cae el alma a los pies. Todo ese esfuerzo, todo ese tiempo, arruinado por un error que podrías haber evitado.
Según datos de experiencia docente en universidades técnicas españolas, entre el 40% y el 60% de los TFG de ingeniería presentan fallos metodológicos graves en su diseño experimental. No hablamos de erratas: hablamos de errores que invalidan conclusiones y convierten meses de trabajo en papel mojado.
La metodología experimental y diseño de experimentos para TFG de ingeniería es precisamente donde más estudiantes tropiezan. No porque sean menos capaces, sino porque nadie les explicó las reglas del juego antes de empezar a jugar.
El NIST/SEMATECH Engineering Statistics Handbook lo deja claro: un diseño experimental riguroso no es un lujo académico, es la base sobre la que se sostienen todas tus conclusiones.
En este artículo encontrarás los 9 errores fatales que arruinan TFGs de ingeniería, con soluciones aplicables y recursos gratuitos. Sin rodeos, sin teoría innecesaria: solo lo que necesitas saber para no ser parte de esa estadística.
Los 9 errores que debes evitar:
- No delimitar el problema antes de diseñar
- Elegir variables y niveles sin criterio técnico
- Hacer OFAT en lugar de diseño factorial
- Ignorar las interacciones entre variables
- Tamaño muestral insuficiente o no justificado
- No aleatorizar ni bloquear correctamente
- No replicar el experimento
- Diseño sobredimensionado
- Desconexión entre diseño, análisis y conclusiones
Qué Es Realmente un Diseño de Experimentos
Aclaremos algo fundamental: hacer pruebas no es lo mismo que diseñar experimentos. Esta confusión es el origen de la mayoría de problemas.
Cuando “haces pruebas” simplemente estás probando cosas a ver qué pasa. Es como cocinar sin receta: a veces sale algo comestible, pero no sabes exactamente por qué ni puedes replicarlo.
Cuando diseñas experimentos, en cambio, estás siguiendo una metodología que te permite:
- Establecer relaciones causales (no solo correlaciones)
- Controlar factores de confusión que distorsionan resultados
- Optimizar recursos (tiempo, dinero, materiales)
- Obtener conclusiones que se sostienen ante un tribunal
El DOE funciona como un puente entre tu hipótesis inicial y las conclusiones que vas a defender. Sin ese puente bien construido, tus datos son solo números sin significado.
Y aquí viene algo que muchos subestiman: en ingeniería, las conclusiones erróneas tienen consecuencias prácticas reales. Si tu TFG concluye que un material resiste determinada carga y tu diseño experimental era defectuoso, eso podría traducirse en estructuras que fallan o procesos ineficientes.
Para entender cómo estructurar correctamente esta sección, te recomiendo consultar nuestra Plantilla de Metodología Experimental Paso a Paso 2025.
Los 9 Errores Fatales (Con Soluciones Prácticas)
Vamos al grano. Estos son los errores que aparecen una y otra vez en TFGs de ingeniería. Cada uno incluye su síntoma, consecuencia y solución.
Error #1: No Delimitar el Problema
El síntoma: Cuando alguien te pregunta “¿qué quieres demostrar exactamente?” y tu respuesta es vaga. Frases como “quiero ver cómo influyen estos factores” son señales de alarma.
La consecuencia: Si no sabes exactamente qué pregunta quieres responder, no puedes diseñar un experimento que la responda. Es como intentar llegar a un destino sin saber cuál es.
La solución: Formula tu pregunta de investigación usando el criterio SMART: Específica, Medible, Alcanzable, Relevante y Temporal. Este error se evita siguiendo nuestra Guía de Delimitación del Problema de Investigación en TFG.
Error #2: Variables y Niveles Sin Criterio
El síntoma: “He elegido estos tres niveles de temperatura porque… bueno, porque me parecían razonables.” Los factores son arbitrarios, los niveles están puestos “porque sí”.
La consecuencia: Tu experimento puede no detectar efectos reales (niveles demasiado juntos) o confundir efectos (factores irrelevantes que introducen ruido).
La solución: La elección debe basarse en tres pilares:
- Revisión bibliográfica: ¿Qué han usado estudios previos?
- Análisis preliminar: ¿Tienes datos piloto que sugieran rangos?
- Justificación documentada: Cada factor debe estar explicado
🎥 Recurso recomendado: El curso gratuito de JMP sobre Diseño de Experimentos explica paso a paso cómo identificar factores y niveles correctamente.
Error #3: Hacer OFAT en Lugar de Factorial
El síntoma: Tu estrategia consiste en variar un factor a la vez (One-Factor-At-a-Time). Primero pruebas diferentes temperaturas, luego diferentes presiones… cada variable por separado.
La consecuencia: OFAT no detecta interacciones. Y en ingeniería, las interacciones son casi siempre la parte más interesante. Puede que la temperatura óptima sea diferente según la presión. Con OFAT, nunca lo descubrirás.
Imagina que quieres hacer la pizza perfecta y pruebas primero diferentes temperaturas de horno (siempre con la misma masa), y luego diferentes masas (siempre con la misma temperatura). Nunca descubrirás que la masa fina necesita más temperatura que la gruesa. Eso es una interacción.
La solución: Usar diseños factoriales, al menos de tipo 2k. Estos diseños permiten detectar tanto efectos principales como interacciones, y son mucho más eficientes.
🎬 Video recomendado: Este recurso de JoVE sobre el experimento factorial 2×2 explica efectos principales, interacciones y procedimiento de forma visual.
Para profundizar con ejemplos prácticos en español, este capítulo de LibreTexts es excelente.
Error #4: Ignorar las Interacciones
El síntoma: Has hecho un diseño factorial (bien por ti), pero luego analizas los datos como si fueran variables independientes. Las interacciones aparecen brevemente en una tabla que nadie comenta.
La consecuencia: Tus conclusiones no reflejan la realidad del sistema. En el mejor caso, son incompletas. En el peor, engañosas.
La solución: Si tu diseño es factorial, tu análisis debe incluir específicamente el estudio de interacciones: gráficos de interacción, tablas ANOVA que las incluyan, interpretación explícita.
Error #5: Tamaño Muestral Sin Justificar
El síntoma: “Hice 5 pruebas porque no tenía más tiempo/material.” No hay ninguna justificación del tamaño muestral en la metodología.
La consecuencia: Potencia estadística baja. Aunque exista un efecto real, tu experimento puede no detectarlo. Concluyes “no hay diferencia significativa” cuando sí la hay, pero tu muestra era demasiado pequeña.
La solución: Antes de ejecutar el experimento, calcula el tamaño muestral necesario basándote en el tamaño del efecto esperado, la variabilidad estimada y el nivel de significación y potencia deseados.
El NIST Engineering Statistics Handbook incluye guías específicas sobre determinación de tamaño muestral en contextos de ingeniería.
Error #6: No Aleatorizar ni Bloquear
El síntoma: Tus pruebas se ejecutan en orden secuencial: primero todas las de temperatura baja, luego todas las de temperatura alta. Sin ningún tipo de aleatorización.
La consecuencia: Efectos de confusión y sesgos sistemáticos. Si el equipo de medición deriva con el tiempo o hay un factor ambiental que cambia, tus resultados estarán sesgados sin que lo sepas.
La solución: Aleatoriza el orden de ejecución. Y si hay factores de ruido conocidos (diferentes lotes, diferentes días), usa bloques para neutralizar su efecto. Los apuntes de la UC3M explican cuándo y cómo aplicar estas técnicas.
Error #7: No Replicar
El síntoma: Cada combinación de factores se prueba exactamente una vez. Tienes un diseño factorial 23 con 8 combinaciones… y exactamente 8 datos.
La consecuencia: Es imposible estimar el error experimental. No puedes saber si la diferencia que observas es real o variabilidad aleatoria.
La solución: Incluye réplicas en tu diseño (mínimo 2-3 por combinación). Si no es posible, considera al menos incluir puntos centrales que te permitan estimar el error.
Error #8: Diseño Sobredimensionado
El síntoma: Has planteado un factorial completo con 6 factores. Eso son 64 combinaciones. Con 3 réplicas, son 192 pruebas. Y tu TFG tiene un plazo de 4 meses.
La consecuencia: Agotamiento, estrés, y en muchos casos abandono del TFG o reducción drástica del alcance a mitad de camino.
La solución: Evalúa si un diseño factorial fraccionado es suficiente. Los fraccionados permiten estudiar efectos principales e interacciones de bajo orden con una fracción del esfuerzo. La UC3M tiene material específico sobre factoriales fraccionados.
Error #9: Desconexión Metodológica
El síntoma: Tu diseño es factorial, pero tu análisis consiste en t-tests simples. O tu diseño incluye bloques, pero tu análisis los ignora completamente.
La consecuencia: Incoherencia metodológica que el tribunal detecta inmediatamente. Es como usar las reglas del ajedrez para jugar a las damas.
La solución: Alinea tu cadena metodológica completa:
- Pregunta de investigación → determina el diseño apropiado
- Diseño → determina el método de análisis correcto
- Análisis → genera conclusiones que responden a la pregunta inicial
Para asegurar coherencia metodológica completa, revisa nuestra Guía de Metodología para Tesis de Máster.
Lo Que los Tribunales Exigen en 2025
Si crees que puedes pasar tu defensa con un diseño experimental “más o menos correcto”, tengo malas noticias: los tribunales de 2025 no son los de 2015.
El rigor estadístico está en auge. Cada vez más profesores tienen formación específica en metodología. Ya no basta con decir “hice tres pruebas y salió esto”. Te van a preguntar por tamaño muestral, potencia estadística, aleatorización.
La reproducibilidad es obligatoria. Los tribunales quieren ver que tu diseño está documentado con suficiente detalle para que otro investigador pueda replicarlo. Protocolos detallados, condiciones exactas, acceso a datos brutos.
El software es esperado. Herramientas como R, Python, Minitab o JMP ya no son “extras”: son herramientas que se asume que sabes usar. Si todo tu análisis está hecho “a mano” en Excel, recibirás preguntas incómodas.
Open Science gana terreno. Algunos tribunales ya valoran positivamente que incluyas un repositorio con tus datos y scripts de análisis.
Checklist Antes de Entregar
Antes de enviar tu TFG al tutor (y especialmente antes de la defensa), pasa esta lista de verificación:
✅ Checklist de Diseño Experimental:
- ☐ ¿El problema de investigación está claramente delimitado?
- ☐ ¿Las variables están definidas y justificadas?
- ☐ ¿El tipo de diseño está justificado técnicamente?
- ☐ ¿Se calculó el tamaño muestral necesario antes de ejecutar?
- ☐ ¿Hay aleatorización documentada del orden de ejecución?
- ☐ ¿Se planificaron réplicas o puntos centrales?
- ☐ ¿El método de análisis es coherente con el diseño?
- ☐ ¿Las limitaciones están reconocidas y discutidas?
Si puedes marcar todos estos puntos, tu metodología experimental está en buena forma. Si no, ya sabes qué áreas necesitan trabajo.
Recursos Gratuitos para Dominar el DOE
No tienes que empezar de cero. Estos recursos de calidad te ayudarán a mejorar tu diseño experimental:
| Recurso | Tipo | Ideal para… |
|---|---|---|
| Curso JMP | Video curso | Fundamentos y software |
| Apuntes UC3M | Documentación | Teoría con ejercicios en R |
| NIST Handbook | Manual técnico | Referencia institucional completa |
| LibreTexts | Libro online | Factoriales paso a paso |
Tu TFG merece un diseño experimental que se sostenga ante cualquier pregunta del tribunal. Ahora tienes las herramientas para lograrlo. El siguiente paso es tuyo.
Leave a Reply