You are on page 1of 402

ESTADISTICA EXPERIMENTAL Aplicada a ciencia e ingeniera

Aplicada a ciencia e ingeniera

ESTADSTICA EXPERIMENTAL

Ediiciin CONCYTEC Ed c n CONCYTEC

PALACIOS C.. SEVE1RO PALACIOS C SEVERO

Palacios C. Severo

ESTADSTICA EXPERIMENTAL Aplicada a ciencia e ingeniera PALACIOS C. Severo CEO Proceso SEVERO espc02@yahoo.com espc01@hotmail.com (+511) 996696214, Lima Per (+5152) 952672846, Tacna Per (+505) 84566216 Centro Amrica Primera edicin: ISBN: Hecho el Depsito Legal en la Biblioteca Nacional del Per N PALACIOS C. Severo CONCYTEC en la presente edicin Tiraje: 1000 ejemplares Subvencin CONCYTEC N Consejo Nacional de Ciencia, Tecnologa e Innovacin TecnolgicaCONCYTEC Presidente: Dr. Augusto Mellano Mndez Av. Del Aire 485, San Borja, Lima Per Telefax: (51) 01-2251150 www.concytec.gob.pe Impreso por: Derechos Reservados. Prohibida la reproduccin de esta publicacin por cualquier sistema conocido sin la autorizacin escrita del autor; y del editor en la presente edicin.
EIRL

ESTADISTICA EXPERIMENTAL Aplicada a ciencia e ingeniera

La presente obra esta dedicada a la Memoria de: Juan de la Cruz Palacios Avendao Adelaida Calisaya Flores Luz Lucila Zeballos Argandoa Camila Palacios Zeballos Ceferina Chambilla Chambilla Gustavo Vallenas Casaverde Con mucho amor a quienes amor nos dio, que Dios lo tenga en su gloria y nosotros en nuestro corazn

Palacios C. Severo

Un reconocimiento muy especial al Rector de la Universidad Nacional Micaela Bastidas de Abancay Dr. Leoncio Carnero Carnero

ESTADISTICA EXPERIMENTAL Aplicada a ciencia e ingeniera

CONTENIDO
CONTENIDO Prlogo Introduccin Estadstica bsica Introduccin Recopilacin de datos Cuestionario como fuente de datos Presentacin de datos Anlisis de datos Distribucin de frecuencia Criterios de distribucin de frecuencia Medias de tendencia central Medidas de disepersin Problemas Estimacin de parmetros Diferencias significativas Dispersin de los datos problemas Problemas Distribuciones Intervalos de confianza Muestreo Mtodos de muestreo Toma de decisiones Principios para la toma de decisin Planificacin Problemas Anlisis de regresin Introduccin Mtodos de mnimos cuadrados Modelos de regresin Modelo de regresin lineal con k variables Regresin lineal simple Regresin lineal mltiple Regresin polinomial Regresin polinomial cuadrtica Regresin no lineal Coeficiente de correlacin mltiple R Prueba de significanca Pgina 9 11 13 13 14 15 15 16 17 19 19 26 29 39 39 40 43 50 54 55 55 59 62 62 64 67 67 67 70 70 71 73 74 75 76 77 77 5

1 I. II. III. IV. V. VI. VII. VIII. IX. X. XI. XII. XIII. XIV. XV. XVI. XVII. XVIII. XIX. 2 I. II. III. IV. V. VI. VII. VIII. IX. X. XI.

Palacios C. Severo Problemas Principios de diseo experimental Introduccin Tipo de experimentos Unidades experimentales y mustrales Fuente de variacin Control de la variacin del no tratamiento Propiedades del diseo estadstico Replicacin Aleatorizacin Control local Clasificacin de los diseos Estrategia del diseo Diseo de tratamientos Diseo de muestreo Estudio experimental Problemas Diseo experimental aplicado a ciencias Introduccin Limitaciones Prediccin Diseo experimental Diseo aleatorizado Diseo unifactorial con n niveles Diseo de parcelas divididas Problemas Diseo totalmente aleatorizado Problemas Diseo de bloques aleatorizados Problemas Diseo cuadrado latino Problemas Diseo cuadrado greco latino Problemas Prueba de intervalos mltiples de Duncan Diseo doble reverso Problemas Estimacin de parmetros del modelo Polinomio ortogonal Mtodos de anlisis Introduccin Mtodos no paramtricos 81 83 83 84 86 87 90 92 96 97 99 101 103 104 105 106 110 111 111 111 112 113 113 114 118 121 129 131 134 141 143 147 151 153 154 154 157 158 159 161 161 162

3 I. II. III. IV. V. VI. VII. VIII. IX. X. XI. XII. XIII. XIV. 4 I. II. III. IV. a) b) c) V. VI. VII. VIII. IX. X. XI. XII. 5 I. II.
6

ESTADISTICA EXPERIMENTAL Aplicada a ciencia e ingeniera III. IV. V. VI. 6 I. II. III. IV. V. VI. VII VIII. IX. X. XI. XII. XIII. XIV. XV. XVI. XVII. XVIII. XIX. XX. XXI. XXII. A. B. C. D. Prueba U de Mann Whitney Prueba H de Kruskal Wallis Mtodos multivariables Correlacin de Spearman Problemas Diseos experimentales aplicado a ingeniera Introduccin Problemas Diseos bifactoriales Comparacin mltiple Diseo anidado Problemas Diseos factoriales Diseo factorial 2n Diseo factorial 2 Problemas Diseo factorial 2 Problemas Diseo factorial 2k replicado Problemas Diseo 2k con pruebas centrales Diseo confundido Diseo factorial 2k con dos bloques Diseo factorial 2k con cuatro bloques Diseo factorial 2k con bloques replicados Algoritmo de Yates Problemas Diseo factorial fraccionado Medio fraccionado del diseo 2k Cuarto fraccionado del diseo 2k Problemas Diseo Plackett Burman Problemas Diseos factoriales 3n Problemas Diseos rotables Diseos rotables con dos factores Diseo trigonal Diseo pentagonal Diseo hexagonal Problemas Diseo octogonal 162 165 166 168 171 173 173 176 177 180 182 184 186 188 189 195 205 221 225 228 231 233 233 235 236 237 239 244 245 247 250 258 263 266 270 275 275 275 276 276 280 281 7

Palacios C. Severo E. F. G. Diseo compuesto centrado Problemas Diseo experimental comercial EXCO Diseo Severo Diseo factorial centrado de dos factores Diseo Factorial centrado de tres factores Diseo rotable centrado de n factores Problemas Superficie respuesta Introduccin Superficie respuesta Polinomio de primer orden Prueba de significancia Prueba de falta de ajuste Mxima pendiente ascendente Polinomio de segundo orden Caracterizacin de la superficie respuesta Diseo de superficie respuesta cuadrtico Superficie de respuesta cuadrtica Exploracin de superficie respuesta Punto estacionario Criterio de formas cuadrticas Anexo Referencias 282 291 295 298 300 305 308 311 323 323 323 324 325 326 328 331 333 340 350 354 367 368 387 393

7 I. II. III. IV. V. VI: VII: VIII: IX. X. XI. XII. XIII.

ESTADISTICA EXPERIMENTAL Aplicada a ciencia e ingeniera

PRLOGO
El objetivo primordial del presente libro es presentar los conceptos
para diferentes situaciones reales que se ven a diario en el campo social, industrial y experimental. Se ha concebido primordialmente como un texto introductorio en planificacin y control de operaciones a nivel laboratorio, bach e industrial. Tambin se ha proyectado como un libro de referencia para agronomomos, alimentarios, pesqueros, biologos, medicos, civiles, gegrafos, ambientalistas, mecnicos, mineros, metalurgistas y qumicos de Pre, Postgrado y Maestra, practicantes y cientficos encargados de la planificacin y operacin de sistemas productivos tanto en la ciencia como en la ingeniera. El libro es el resultado de conferencias ofrecidas en diferentes centros acadmicos latinoamericanos. Se ha intentado resaltar los conceptos tcnicos y afirmando sin duda y sin excusas que la presentacin es exactamente fidedigna. Se presentan los conceptos que considero pueden contribuir ms a la comprensin de los principios, con referencia a los que pueden realizarse con los conocimientos bsicos y las posibilidades e instrumentos de la tecnologa actual. Se ha intentado presentar un marco conceptual que estimule la habilidad del lector de las diversas ramas del saber (Biologa, Medicina, Ciencias Sociales, Economa, Administracin, Ingenieras y reas Tcnicas) para entender la manera en que los factores (variables) interactan en un sistema real de trabajo. La orientacin del libro, no esta matemticamente sofisticado. Los conocimientos previos necesarios como el clculo, probabilidades y estadstica descriptiva. En algunas secciones se realiza el uso de operaciones elementales de matrices. El libro est diseado como un manual dividido en partes con captulos para su mejor comprensin. Se propone servir como fuente de referencia para tratar casos especfic0s de los lectores. Los ejemplos resueltos (fueron desarrollados aplicando los programas estadsticos Statgraphics Centurion y ESPC elaborado para el presente libro), sirven para ilustrar y ampliar las teoras, sin lo cual el lector sentira un vaci. Las demostraciones de procesos industriales se in9

Palacios C. Severo cluyen en ello. Los problemas suplementarios completan la revisin del material tratado en cada tema. El material cubre un curso habitual con el fin de flexibilizar, ampliar y mejorar los sistemas curriculares, siendo este un libro de consulta para inters de otros temas. No deseo finalizar sin agradecer a mi amigo Luis Solrzano Espinola por la revisin minuciosa y detallada de la presente edicin del presente libro, su tiempo y esfuerzo es un aporte a la ciencia y tecnolga como l siempre viene desarrollando en las aulas con los estudiantes de pre grado. Finalmente deseo agradecer a CONCYTEC por tan importante aporte a la educacin a nivel de nuestro pas, as mismo estoy en deuda con muchas universidades latinoamericanas gubernamentales como privadas por la cooperacin para la elaboracin del presente, de igual manera con prestigiosos colegas por su colaboracin para la culminacin de tan importante tema. Palacios C. Severo CEO Proceso SEVERO Mvil: (+511) 996696214 espc02@yahoo.com
EIRL

10

ESTADISTICA EXPERIMENTAL Aplicada a ciencia e ingeniera

INTRODUCCIN
Si su trabajo tiene que ver con la investigacin cientfica tecnolgica (ciencias e ingeniera). Probablemente se ha dado cuenta que la mayora de los libros de estadstica (bsica y avanzada) son abstractos y no ayudan mucho en el tratamiento de la base de datos, pero usted sabe que el proceso al cual estudia funciona (de manera eficiente y sin problemas), es por ello que se tuvo que realizar el esfuerzo a fin de brindar al amable lector un texto con caractersticas nuevas a fin de poder llenar muchos vacos, los cuales son parte de la experiencia. Lo que desea saber el investigador es como analizar e interpretar los datos de un proceso para tomar una decisin sobre los rangos ptimos, pero necesita saber cmo llevar a cabo una prueba experimental (laboratorio, bach e industrial); sabe que la estadstica experimental le ayudara a seleccionar los rangos (niveles) y variables (factores) significativas del procesos innovativo, pero requiere ideas sobre como seleccionar estos. En la presente obra le explicaremos y despejaremos sus dudas. La palabra estadstica se origina, en las tcnicas de recoleccin, organizacin, conservacin, y tratamiento de las diversas bases de datos propios, con que los antiguos gobernantes controlaban sus sbditos y dominios econmicos. Estas tcnicas evolucionaron a la par con el desarrollo de las matemticas utilizando sus herramientas en el proceso del anlisis e interpretacin de la informacin. Estadstica Experimental aplicada a ciencia e Ingeniera, el libro que en esta ocasin presento a los lectores de habla hispana, es un importante aporte. Por lo til y por la novedad de su enfoque, a la falta de bibliografa. Para comprender los beneficios que pueden derivarse de la utilizacin de los conceptos (fundamentos) presentados, conviene tener presente la complejidad creciente de nuestras industrias (automatizacin), impuesta por los diferentes factores que estn incidiendo en el cambio vertiginoso que caracteriza a nuestra poca (competitividad) y que, en mayor o menor grado, con mayor o menor velocidad, llega a todas las regiones y pases del mundo. Veamos algunos de los factores de complejidad en operaciones industriales. La planta recibe rdenes de produccin que deban ser procesados y cumplidos en un 11

Palacios C. Severo lapso determinado, utilizando recursos internos y externos casi siempre escasos. La importancia de los resultados, anticipado en la toma de decisiones, empieza a buscar respuestas a otro tipo de preguntas Qu es lo mejor? Cmo optimizar un determinado conjunto de variables para alcanzar un fin especfico? Que significan nuestros datos y que grado de confianza podemos tener en ello visto una prediccin. El mundo actual requiere otras herramientas analticas, aquellas que nos permitan crear modelos (lenguaje de comunicacin) y definir relaciones entre diversos factores (interacciones). Esto requiere entre otras cosas que podamos guardar conjuntos particulares de datos aparte de las rutinas de anlisis (numrico y sostenible) que se realicen en base a ella. El presente texto no pretende teorizar el saber estadstico, desde luego, no es un libro para estadsticos, ya que, adrede se obvia el rigor cientfico de lo expuesto en beneficio de la sencillez necesaria para el nefito; con un lenguaje coloquial se conduce al lector a travs del contenido, a partir de dos o tres ejemplos que ilustran la aplicabilidad de los temas tratados. El avance tecnolgico en la informtica ha contribuido enormemente al desarrollo de la estadstica, sobre todo en la manipulacin de la informacin, pues en el mercado existen paquetes estadsticos de excelente calidad, como el SAS, SPSS, SCA, Statgraphics, amn de otros, que corren en un ordenador sin mayores exigencias tcnicas, permitiendo el manejo de grandes volmenes de informacin y de variables.

12

ESTADISTICA EXPERIMENTAL Aplicada a ciencia e ingeniera

1
ESTADSTICA BSICA
(...) Conseguimos obtener as la frmula estadstica para conocer aproximadamente la posicin de un electrn en un instante determinado. Pero, personalmente, no creo que Dios juegue a los dados. Albert Einstein

I.

INTRODUCCIN

En las ltimas dcadas la estadstica ha alcanzado un alto grado de

desarrollo, hasta el punto de incursionar en la totalidad de las ciencias e ingeniera; inclusive, en la lingstica se aplican tcnicas estadsticas para esclarecer la paternidad de un escrito o los caracteres ms relevantes de un idioma. La estadstica es una ciencia auxiliar para todas las ramas del saber humano; su utilidad se entiende mejor si tenemos en cuenta que los quehaceres y decisiones diarias embargan cierto grado de incertidumbre y la estadstica ayuda en la incertidumbre, trabaja con ella y nos orienta para tomar las decisiones con un determinado grado de confianza. Los crticos de la estadstica afirman que a travs de ella es posible probar cualquier cosa que sucede en la naturaleza, lo cual es un concepto profano que se deriva de la ignorancia en este campo y de lo polifactico de los mtodos estadsticos. Sin embargo muchos investigadores tendenciosos han cometido abusos con la estadstica, elaborando investigaciones de intencin, teniendo previamente los resultados que les interesan mostrar a personas ingenuas y desconocedoras de los hechos. Otros, por ignorancia o negligencia, abusan de la estadstica utilizando modelos inapropiados o razonamientos ilgicos y errneos que conducen al rotundo fracaso de sus investigaciones. A veces nuestras vidas parecen estar controladas por estadsticas. De informes sobre el tiempo, lectura de las presiones sanguneas, todos tenemos que ver rutinariamente con una amplia variedad de medidas estadsticas. 13

Palacios C. Severo El anlisis estadstico es til para la investigacin (tecnolgica y cientfica), pues ayuda a resumir e interpretar el gran volumen de cifras que resultan an en la encuesta ms pequea. Los principios estadsticos que se usan en la investigacin provienen en gran escala de las ciencias sociales, economa e ingeniera. Como resultado hay gran cantidad de libros enteros sobre estadstica, probablemente ms que sobre cualquier otro aspecto de la investigacin. El propsito de la presente obra es darle a usted una visin panormica de los tipos de medidas estadsticas ms importantes que se usan. Si usted requiere informacin ms detallada, consulte algunos de los muchos libros buenos en estadstica que estn disponibles1. Aunque existen centenares de medidas y pruebas estadsticas que pueden utilizar los investigadores, nosotros estudiaremos los de amplia aplicacin para desarrollar los trabajos prcticos. II. RECOPILACIN DE DATOS

El primer paso para describir un fenmeno natural es reunir los datos estadsticos necesarios. La fuente de los datos puede clasificarse como internas o externas. Los datos internos incluyen estadsticas sobre las operaciones de la empresa, tales como estadsticas de produccin, comercializacin, transformacin, etc. Los datos estadsticos no vinculados con el funcionamiento de la empresa propiamente dicha se llaman datos externos. La gerencia de produccin de una fbrica de fundicin puede necesitar informacin sobre la cantidad de cierto metal en el mercado nacional, con el propsito de estimar las ventas a 10 aos plazo. Hay enormes cantidades de datos comerciales, empresariales, farmacuticos, que pueden consultarse en las bibliotecas pblicas y en las universidades. El gobierno es el mayor editor de estadsticas anuales, mensuales, semanales, diarias. Una publicacin anual del Instituto Nacional de
1

Ver referencias bibliogrficas

14

ESTADISTICA EXPERIMENTAL Aplicada a ciencia e ingeniera Estadstica contiene ms de mil pginas de datos sobre precios, educacin, produccin y otros puntos, que son de utilidad para los que procesan datos: economistas, analistas y dems profesionales. III. CUESTIONARIO COMO FUENTE DE DATOS Los datos estadsticos relativos a la opinin corriente de los consumidores sobre determinados programas de televisin, nuevos productos, candidatos polticos y otros, no pueden hallarse en publicaciones. Por ello, este tipo de informacin debe reunirse a travs de la entrevista personal, por cuestionarios o algn otro medio. La ventaja de ello es el alto porcentaje de respuestas posibles. Sin embargo, es por regla general ms costosa que enviar cuestionarios por correo. Las firmas de analistas y consultores saben que es inconveniente el formulario postal como instrumento para recopilar datos por ser relativamente bajo el porcentaje de respuestas a ciertos cuestionarios. La conveniencia principal del cuestionario como tcnica de recopilacin de datos es sus costos relativamente bajo. IV. PRESENTACIN DE DATOS Grfica de lneas simples y de barras simples. Cualquiera de estos dos tipos de grfico puede utilizarse ventajosamente para representar la tendencia general de la produccin. El cmulo de datos estadsticos dentro de una empresa, de fuentes publicadas, o recopilados por entrevistas personales, no est usualmente apta para un anlisis. Los datos deben organizarse y presentarse en una tabla o grfico, antes de efectuar ningn anlisis ni interpretacin. Si se necesitan cifras exactas de un informe convendra presentar los datos en una tabla. En caso contrario, es preferible un grfico para atraer la atencin del lector. Grfico de lneas mltiples y de barras mltiples. La tendencia o movimiento de las exportaciones de dos comercializadoras se pueden representar grficamente. Grfico de barras de componentes. El gerente de ventas de una embotelladora desea graficar el total de ventas en tres aos y tambin la variedad de los productos en relacin con el total. Podra utilizar un grfico de lneas o un grfico de barras. 15

Palacios C. Severo Grfico de barras bi direccionales. Para indicar los cambios porcentuales puede utilizarse un grfico bi direccional, que tambin es til para ilustrar ganancias y prdidas, produccin o ventas cobre lo normal o bajo lo normal de un perodo a otro. Por ejemplo, se representan los cambios porcentuales de ventas correspondientes a cinco aos de ventas:
Sucursales Mercado Central Mercado Sur Mercado Norte Mercado Este Mercado Oeste 2005 10 5 2 6 10 Ventas 2010 8 7 4 3 11 Cambio Porcentual -20 +40 +100 -50 +10

V.

ANLISIS DE DATOS

Un anlisis de datos suele seguir los siguientes pasos: Anlisis exploratorio de datos: Estadstica descriptiva de cada variable por separado. Se obtienen medidas de tendencia central, variabilidad, representacin grfica, etc. Se pretende conocer cada variable as como detectar errores, valores extremos. Estadstica Bivariable: Estudia las relaciones entre pares de variables, utilizando estadsticos como el coeficiente de correlacin Chi cuadrado, t de Student, etc. y representaciones grficas diversas. Anlisis Multivariante: Analiza simultneamente dos o ms variables. Los mtodos pueden ser predictivos cuando existe una variable criterio o independiente que se explica o identifica por un conjunto de variables independientes, predoctoras o explicativas (Regresin lineal, Regresin cuadrtica, anlisis discriminante, anlisis de varianza) o reductivos cuando se estudian las relaciones entre un conjunto de variables o casos sin que exista una variable a identificar (componentes principales, anlisis factorial, correspondencia binaria, correspondencia mltiple). Usos de variables en el anlisis Las variables pueden ser definidas para medir una determinada salida o respuesta o bien para explicar por que se obtiene una determinada salida. Por ejemplo en el estudio de una enfermedad, las variables edad, antecedentes, severidad del estado, tratamiento son variables
16

ESTADISTICA EXPERIMENTAL Aplicada a ciencia e ingeniera explicativas o independientes. Las variables discretas sana/no sana es la variable dependiente. En ciertos anlisis exploratorios todas las variables se usan como un nico conjunto, sin distincin entre independientes y dependientes. Anlisis apropiado de datos Son dos motivos por lo que resulta difcil la eleccin de la tcnica estadstica adecuada para un investigador con datos reales. El primero es que los libros de estadstica y los cursos curriculares se presentan en un orden lgico desde el punto de vista de la enseanza de las materias, pero desde el punto de vista del proceso del anlisis de datos. La segunda es que los datos reales contienen mezcla de tipos de datos que hacen la eleccin del anlisis arbitrario. Una buena estrategia consiste en aplicar diferentes anlisis al mismo conjunto de datos, lo que nos proporcionar informacin variada sobre el fenmeno en estudio. Para decidir el anlisis apropiado se clasifican las variables como: Independiente frente a dependientes Nominal u ordinaria frente intervalos

VI. DISTRIBUCIN DE FRECUENCIA Los problemas industriales abarcan una gran masa de datos cuantitativos a los que deben darse ciertas formas significativas antes de poder efectuar ningn anlisis e interpretacin. Una forma de uso corriente es la distribucin de frecuencia. Existen dos tipos de variables, a saber: discretas y continuas. El anlisis de la distribucin de frecuencia se refiere a datos continuos. Ordenamiento Los datos que se haya sin agrupar son difciles de analizar. Sea, por ejemplo, determinar los ingresos bajos y los elevados y un punto central de concentracin, si lo hubiere. 17

Palacios C. Severo Por lo tanto es esencial, para analizar las entradas, organizar los datos que estn sin agrupar en una forma agrupada llamada distribucin de frecuencia. Segn la naturaleza de la variable estudiada las distribuciones de frecuencias pueden ser: Datos no agrupados: se presentan cuando el nmero de valores que puede presentar la variable no es muy elevado, y en ese caso podemos observar todos los valores de esa variable. Este caso se presenta cuando la variable es discreta y continua no presenta excesivos valores. Datos en intervalos: se presenta cuando la variable es continua o cuando es discreta pero con elevado nmero de valores. En esta situacin se agrupan dichos valores en intervalos o clases. Los intervalos se notan: ei1 eies intervalo i-simo. Se llama amplitud del intervalo a la distancia que existe entre los extremos.

ai ei ei1
Se llama marca de clase al punto medio de un intervalo. Este punto es importante porque es el representante del intervalo.

x
i

i 1

e 2

i 1

Se llama densidad de frecuencia de un intervalo a la frecuencia correspondiente a cada unidad de la variable en dicho intervalo.

di

ni ai

Los intervalos se suelen tomar abiertos por la izquierda y cerrados por la derecha, salvo el primero que se toma cerrado por los dos lados. En este tipo de distribuciones se pierde parte de la informacin al
18

ESTADISTICA EXPERIMENTAL Aplicada a ciencia e ingeniera agruparlas en intervalos, ya no se puede hablar de valores concretos sino de intervalos. Cuanto mayor sea la amplitud de los intervalos menos intervalos habr, y por tanto menos precisin tendremos. En cambio, cuanto menor sea la amplitud de los intervalos menos intervalos habr, y mayor ser la precisin, sin embargo la distribucin ser mas grande y ms difcil de manejar. Intervalo de clase Con el propsito de preparar una distribucin de frecuencia a partir del ordenamiento y el apuntado, los ingresos podran agruparse arbitrariamente en clases con un intervalo digamos 250 dlares. Este valor se denomina amplitud de clase. El intervalo de clase es, sencillo, la amplitud de los ingresos mensuales para cada clase. Una manera conveniente de determinarlo es encontrar la diferencia entre los lmites inferiores de dos clases adyacentes o la diferencia entre las marcas de clase adyacente. VII. CRITERIOS DE DISTRIBUCIN DE FRECUENCIA En la prctica, la cantidad total de clases vara usualmente de un mnimo de 5 a un mximo de 20. El hecho de que sean muy pocas o muchas clases no nos aclara la caracterstica esencial de los datos. Por ejemplo, si organizamos los ingresos de los operadores de computadoras solamente en dos clases:
Ingreso Mensual (US$) De 250 a 400 De 400 a 600 Cantidad de operarios 25 23

Un anlisis de distribucin de frecuencia no revelara mucho acerca de la estructura de los ingresos de los operarios. Siempre que sea posible, el intervalo entre todas las clases se la distribucin de frecuencia deber ser igual. Los intervalos desiguales originan problemas al graficar y al calcular promedios y otras medias estadstica. VIII. MEDIDAS DE TENDENCIA CENTRAL Una medida de tendencia central es un nmero que representa el valor central de un conjunto de valores. Habitualmente, estas medidas se 19

Palacios C. Severo llaman promedios. He aqu algunos ejemplos: el ingreso promedio de una familia, es de US$ 1500 por ao; para el peso promedio de 60 fardos de fibra de llama utilizados para el tejido de alfombras y un dimetro promedio de pistones maquinados durante un jornal. En el presente se consideran las herramientas estadsticas que ms comnmente se usan: Media aritmtica Generalmente se le llama media o promedio. La media es simplemente la suma de una serie de datos numricos dividida por el nmero total de ellos. Es apropiado usar la media cuando los resultados son simtricos y tienen una distribucin normal. Pero existen casos que estudiaremos a continuacin: Datos no agrupados: Si los datos no estn agrupados la media aritmtica se calcula tomando todas las mediciones y dividiendo la suma por el nmero de stos. Datos agrupados: La resistencia a la traccin de varios filamentos son 6, 6, 7, 7, 8, 8, y 9,4. Estos valores se agrupan en una distribucin de frecuencia. El punto medio de cada clase se usa para representar la clase. El punto medio de la clase se multiplica entonces por el nmero de frecuencia en esa clase. La suma de estos productos se divide por la cantidad total de datos para obtener la media aritmtica. Ejemplo 1.1 La tabla 1.1 muestra los puntajes de tres artculos en una prueba de degustacin, usando preguntas cualitativas de escalas, a fin de cuantificar los valores. Todos los productos probados tienen la misma media. La media de 20 es esta escala es bastante descriptiva de la distribucin normal del producto 1, pero sera engaoso si se usara para describir el producto 2 el producto 3. La mayora de los resultados en una investigacin tienen una distribucin normal (es decir, en forma de campana alrededor de un punto medio) pero otras distribuciones son lo bastante
20

ESTADISTICA EXPERIMENTAL Aplicada a ciencia e ingeniera comunes como para que se deba verificar siempre, antes de usar la media, si sta es en realidad descriptiva.

Xi n

i 1,2,...n

La media tiene otra debilidad sobre la que se debe estar alerta: se ve afectada por las observaciones extremas.
Tabla 1.1 Puntaje de tres productos en preguntas de degustacin Nivel de Producto degustacin 1 2 3 5 10 20 0 4 5 20 50 3 70 20 50 2 5 20 0 1 10 20 0 Media 20 20 20

Ejemplo 1.2 Si los ingresos de dos profesionales se promedian con los ingresos de diez peones, el ingreso para todos los doce ser de ms de US$ 250, que obviamente es una cifra engaosa, si se evita usar la media para datos que no tengan una distribucin normal o para datos que incluyan observaciones extremas, sta es la medida estadstica ms til para describir el promedio.
Tabla 1.2 Mano de obra por da para cada producto Personal Jornal (US$) Producto 1 Producto 2 Calificado 20 8 8 Semi calificado 10 5 5 No calificado 5 3 2

Media aritmtica ponderada Permite calcular un promedio que toma en cuenta la importancia o el factor que tiene cada valor sobre el total. Todas las medias aritmticas son ponderadas. Si no se dan factores especficos a todos y cada uno de los valores de la serie.
X X i mi mi

Ejemplo 1.3 Una empresa desea contratar tres tipos de personal: calificado, semi calificado y no calificado, para la produccin de ciertos artefactos. La 21

Palacios C. Severo gerencia desea conocer el costo promedio de mano de obra por da para cada producto. El promedio aritmtico simple es:
Y 0,644 1,661X1 0,0160X2

El costo de mano de obra promedio del producto 1 es,


11,678 5 3 187,72 US $

Y para una unidad del producto 2 es,


2 Ag Fe 2 AgO Fe 2

El anlisis de esta manera es incorrecto, ya que no se toma en cuenta que se trabaja con diferente personal. Ejemplo 1.4 Se compra material de construccin a tres empresas comercializadoras siendo sus costos: 80 kilo a 0,5 dlares por kilo, 20 kilo a 0,7 dlares y 10 kilos a 0,9 dlares. Determine el precio promedio por kilos de alambrn.
Tabla 1,3 Precio por kilo de alambrn Precio por kilo (Xi) Kilo comprado (mi) 0,5 80 0,7 20 0,9 10 Total 110

Aplicando la frmula
X X i mi mi

X 0,50,8 / 110 ... 0,910 / 110/80 / 110 ... 10 / 110 0,5727 US$ / kilo

Comparando con el promedio simple


X1 X 900/10
22

ESTADISTICA EXPERIMENTAL Aplicada a ciencia e ingeniera


X 0,580 0,720 0,910/ 110 0,5727 US$ / kilo

Media armnica Es el inverso del valor medio, se la utiliza con frecuencia para la medicin y anlisis de flujos volumtricos.
H n 1 Xi

Ejemplo 1.5 Calcular el flujo volumtrico medio (FVM) de dos bombas que entregan combustible 10000 litros a razn de 500 litros por minuto y 10000 litros a razn de 100 litros por minuto, n = 2
1 H 2 166,7 litros / min 1 / 500 1 / 100

El resultado tambin puede obtenerse calculando el tiempo necesario para bombear 10000 litros con los dos flujos volumtricos y dividiendo el resultado por el nmero total de litros bombeados, es decir:
r1 = 10000/500 = 20 min r2 = 10000/100 = 100 min FVM = (10000 + 10000)/120 = 166,7 l/min

Obsrvese que el valor medio es de 300 litros por minuto, casi el doble de la media armnica. Media geomtrica La media geomtrica Xg es la n-raz de los productos de la n observaciones medidas, de amplia utilidad en economa.
X g n Xi

En forma logartmica
Log X g nLogX i n

Una aplicacin importante es determinar el incremento porcentual promedio en ventas, produccin u otras variables correspondientes a un lapso dado. 23

Palacios C. Severo Una modificacin de la frmula es:


ltimo Lapso 1 Log X g Log Pr imer Lapso 1 n 1

Ejemplo 1.6 Supongamos que durante cinco aos de una economa inflacionaria, las entidades crediticias pagan tasas altas de inters de 10, 20, 25, 30 y 40 por ciento. Hallar la tasa de inters promedio anual de un depsito de 1000 dlares.
Ao 1 2 3 4 5 Tasa de inters 10 20 25 30 40 Tabla 1.4 Economa inflacionaria Factor de crecimiento Ahorro al final de ao (US$) 2 1000*2 = 2000 3 2000*3 = 6000 3,5 6000*3,5 = 21000 4 21000*4 = 84000 5 84000*5 = 420000

El factor de crecimiento anual, ser:


X 2 3 3,5 4 5/ 5 3,5 veces cada ao

Pero 3,5 = 1 + 25/10 Corresponde a una tasa de inters promedio de 20% anual. Entonces, el depsito de 1000 dlares crecer en cinco aos:
SCcolumna 37 2 412 392 412 / 4 158 / 16 2,75
2

Este es un valor excedente al real en ms de US$ 10521 - 8,75 un error muy considerable. Usando la media geomtrica, el factor de crecimiento promedio Anual corresponde a una tasa de inters promedio de 235% anual o 3,35 = 1 + 235/100 entonces el depsito de 1000 dlares crecer en cinco aos a:
SCtratamientoo 352 312 562 362 / 4 158 / 16 94,25
2

24

ESTADISTICA EXPERIMENTAL Aplicada a ciencia e ingeniera Siendo est la media ms apropiada para el caso. Media cuadrtica De un conjunto de nmeros Xn es denotado por la raz cuadrada de la media cuadrtica y es definida como:
Xq X n
2

Ejemplo 1.7 Evalu los datos que se muestran a continuacin 1, 5, 7 y 9


X q 6,24

Mediana Se llama mediana de una variable estadstica a aquel valor de la variable tal que el nmero de observaciones menores que l es igual que el nmero de observaciones mayores. Se nota Me y se puede considerar como el punto de abscisas cuya ordenada en la curva vale .

N / 2 N i1 M e ei1 a AB AC i M e ei1 ai BB CC N / 2 N i1 ni ni

Datos no agrupados: La mediana es el valor correspondiente a un punto de una escala con respecto al cual la mitad superior agrupa igual cantidad de valores que la mitad inferior. Para determinar la mediana de datos no agrupados se ordenan, en primer lugar, de menor a mayor. 25

Palacios C. Severo Datos agrupados: Ordenar algunas observaciones no agrupadas de menor a mayor y elegir el valor central representa poco trabajo. Sin embargo, si son muchas las observaciones siempre es un problema ordenarla y encontrar el punto medio. En cambio, en datos cuantitativos es posible clasificarla directamente en clases y hallar una aproximacin de la mediana en funcin de la distribucin de frecuencia resultante. La mediana se puede clasificar con la frmula siguiente:
n / 2 F Mediana L i f

Donde: L n F f i Lmite inferior de la clase en que se ubica la mediana Cantidad de datos Frecuencia acumulativa para la clase inmediata inferior Frecuencia en la clase media Amplitud del intervalo de clase

Ejemplo 1.8 Ordene los valores por su magnitud, obtenga la mediana. 92,3 92,6 92,5 92,8 92,4. Resulta ser la mediana 92,5 Moda La moda es la nica medida que se puede definir para caracteres cualitativos. Se define la moda de una distribucin como aquel valor que se ha presentado ms veces, es decir, es aquel que su frecuencia absoluta es mxima. Si la distribucin es agrupada en intervalos se habla de intervalo modal. Una moda en una distribucin no tiene por qu ser nica, puede haber ms de una en una misma distribucin, y entonces se habla de distribuciones bimodales, trimodales, o en general plurimodales. Datos no agrupados: El modo se define como el valor de la observacin que aparece con mayor frecuencia. Cuando existe solo un mo26

ESTADISTICA EXPERIMENTAL Aplicada a ciencia e ingeniera do, la distribucin se llama unimodal, si existen dos valores que aparecen con frecuencia, la distribucin recibe la denominacin bimodal. Datos agrupados: El modo observado para datos agrupados en una distribucin de frecuencia es el punto medio de la clase en donde se encuentra el mayor nmero de frecuencia. IX. MEDIDAS DE DISPERSIN

Las medidas de dispersin nos van a informar sobre el grado de esparcimiento de la distribucin, es decir, nos van a decir si los valores que aparecen estn ms o menos concentrados. Por tanto, nos van informar tambin sobre el grado de representatividad de la medida de posicin, pues cuanto ms concentrados estn los valores que toma la variable mejor representar un solo valor a toda la distribucin. Varianza La varianza es una medida de dispersin que mide el grado de esparcimiento de una distribucin alrededor de la media aritmtica. Cuanto ms grande sea la varianza ms esparcidos estarn los valores de la variable. La varianza se suele notar 2 y se calcula:

X ni N

X i X f i

Al igual que en la media aritmtica los Xi representan a los valores de la variable si es una distribucin no agrupada y a las marcas de clase si es una distribucin agrupada en intervalos. La varianza es la suma de las desviaciones de los valores de la variable sobre la media aritmtica ponderada por las frecuencias. Por lo tanto, cuanto menor sea la varianza ms agrupada estar la distribucin en torno a su media aritmtica. La varianza viene expresada en las mismas unidades que la variable pero al cuadrado. Desviacin tpica La desviacin tpica se define para obtener una medida de dispersin que venga expresada en las mismas unidades que la variable. Se define como la raz cuadrada de la varianza. 27

Palacios C. Severo


Coeficiente de variacin Tanto la varianza como la desviacin tpica son medidas de dispersin absoluta, es decir, nos hablan de la dispersin de la variable que estamos estudiando, pero no nos permiten comparar la dispersin de dos distribuciones distintas. El coeficiente de variacin es una medida de dispersin relativa que nos va permitir comparar dos distribuciones distintas, se define como el cociente entre la desviacin tpica y la media aritmtica.

CV

El coeficiente de variacin es un coeficiente adimensional y solo se puede definir cuando la media aritmtica es distinta de cero. Para comparar la dispersin de dos distribuciones basta con comparar sus coeficientes de variacin, aquella que su coeficiente de variacin sea menor es la que esta ms concentrada en torno a su media aritmtica.

28

ESTADISTICA EXPERIMENTAL Aplicada a ciencia e ingeniera Problemas (1) (2) Un operario que trabaja a jornal gana por mes US$ 150, otro mes US$ 120 y otro mes US$ 140. Cunto gana en promedio mensualmente? Los ingresos sobre ventas en una tienda comercial se evalan cada semestre. Los siguientes datos representan, los ingresos (en dlares) por cada mes: 300, 280, 350, 320, 290 y 325 Determine el ingreso medio de la muestra. Durante dos semanas se ha observado la temperatura en C al medio da, siendo los resultados: Determine la temperatura media de la muestra. Calcular la media de los datos agrupados:
Y n 40 3 41 4 42 6 43 2 44 2 45 3 46 1 47 1 12 8 10 9 14 11 18 10 9 11 8 10 10 11

(3)

(4) (5)

(6)

Un grupo de micro empresarios, trabajan con obreros eventuales. Ciertos das trabajan con seis, ocho y cuatro. En la mayora de las veces trabajan con siete obreros, siendo en total ocho micro empresas. Cul es el promedio de obreros por micro empresa Supongamos que se han registrado 50 observaciones referentes a los pesos de 50 garrafas de gas licuado, la muestra fue obtenida de la produccin por hora y las unidades estn dadas en kilogramo
9.8 9,2 9,4 9,4 9,4 9.3 9,3 9,5 9,2 9,3 9,5 9,5 9,4 9,5 9,4 9,2 9,3 9,4 9,3 9,3 9,4 9,4 9,2 9,2 9,4 9,2 9,3 9,4 9,3 9,3 9,3 9,2 9,6, 9,2 9,3 9,3 9,1 9,6 9,3 9,4 9,5 9,3 9,3 9,4 9,2 9,4 9,3 9,1 9,6 9,4

48 2

49 2

50 4

(7)

(8) (9)

Calcule el peso promedio de las garrafas Si el peso estndar es de 10 kilos cuanto de gas falta en promedio La temperatura registrada en un vivero, a cierta hora de un da cualquiera, en grados centgrados, fueron 30, 32, 39, 32, 33, 31, 38, 37, 32 y 31. Determine la media en grados Fahrenheit. Un proyecto econmico muestra que el consumo de alimentos de un barrio marginal de 350 personas es en promedio de US$ 120 mensuales. Halle la media del gasto diario en alimentacin. El ingreso percapite mensual en un pas es US$ 250. El sector del magisterio constituye el 60% de la poblacin que percibe el 29

Palacios C. Severo 2/5 del ingreso total. Calcule el ingreso medio por habitante del sector. Una empresa A tiene 80 empleados con un sueldo promedio mensual de 180 dlares por empleado. La empresa B tiene 120 empleados con un sueldo promedio mensual por empleado de 200 dlares por empleado, calcular: Cul es el sueldo promedio mensual de las dos empresas en conjunto Se agrega una tercera empresa con 40 empleados y un sueldo promedio mensual de 250 dlares por empleado. Cul es el sueldo promedio de las tres empresas en conjunto? Se compran 100 kilos de carne de res a 2,3 dlares por kilo, 50 kilos de carne de cerdo a 2,8 dlares por kilo y 20 kilos de carne de cordero a 1,8 dlares por kilo. Un plato de Buffet tiene un costo de 8 dlares en donde se incluyen los tres tipos de carnes a razn de 1:0,5:0,2 respectivamente. Determine el promedio de platos Buffet que podrn prepararse y cuanto de carne sobra? Una empresa industrial fabrica azulejos a 60 dlares por metro cuadrado, jarrones a 20 dlares la unidad y floreros a 5 dlares por unidad. Un decorador desea adquirir dichos productos pero cuenta tan slo con 500 dlares y tiene un ambiente de 20 metros cuadrados. Determine el promedio de cada producto para la decoracin del ambiente? Un proyecto minero posee cuatro ingenios aurferos. El ingenio A tiene una ley de cabeza de 8 gramos por tonelada y trabajan 20 mineros. El ingenio B tiene una ley de cabeza de 4 gramos por tonelada y trabajan 12 mineros. El ingenio C tiene una ley de cabeza de 12 gramos por tonelada y trabajan 25 mineros. El ingenio D tiene una ley 2 gramos por tonelada y trabajan 25 mineros. Determine la media aritmtica y la media geomtrica de la ley de cabeza? Si el costo real del oro es de 30,2 dlares por gramo. Evalu el costo de mano de obra, siend0 la relacin de produccin de A=2B, C=5D, A=3D en cada ingenio? En que ingenio se trabaja a perdida? Se tiene sospecha de que en las aguas subterrneas las concentraciones de nitritos superan las normas establecidas para la crianza de peces, dicha concentracin es de 0,03 mg NO2/l. Para tratar de verificar la sospecha, se midieron los niveles de nitritos

(10)

(11)

(12)

(13)

(14)

30

ESTADISTICA EXPERIMENTAL Aplicada a ciencia e ingeniera en diez puntos aleatorios del acufero y se obtuvieron los siguientes datos. Estime el nivel de confianza al 90% que las concentraciones de nitritos superan las normas establecidas para que sea factible la existencia de vida pisccola en la zona. Los datos obtenidos de una muestra aleatoria simple de tamao 30 de la distribucin X, porcentaje de incremento del contenido de alcohol en la sangre de una persona, despus de ingerir cuatro cervezas es.
X 41,2
0,05 0,03 0,05 0,04 0,06 0,07 0,03 0,04 0,03

0,02

(15)

s 2,1

Calcular un intervalo de confianza del 90% para el porcentaje medio de alcohol en la sangre de una persona, despus de tomar cuatro cervezas. Si se calcula un intervalo de confianza del 95%, cual ser el de mayor o menor amplitud. (16) El 2000 se reforestaron ms de 3 millones de acres con dos mil millones de plantas de viveros. Una grave sequa durante las siguientes estaciones mat a muchas de estas plantas. Se obtuvo una muestra de 1000 plantas y se descubri que 300 estaban muertas. Obtener un intervalo de confianza del 90% de la proporcin de plantas del vivero muertas. Utilizar dicha informacin para estimar el nmero de plantas muertas en la poblacin. (17) La capacidad de los equipos de vidrio producido en una determinada empresa de vidrio tiene una distribucin normal. Una muestra aleatoria de 7 de ellas dio como resultado un varianza de 62 mililitros. Dar una estimacin, mediante un intervalo de confianza del 95% de la varianza de la capacidad del equipo de vidrio que fabrica dicha empresa. (18) Se quiere estudiar la eficacia de un tratamiento para eliminar una bacteria de un pino. En una muestra aleatoria de 150 pinos sometidos al tratamiento, 118 resultaron sanos. En otra muestra aleatoria de 130 pinos no tratados, los pinos sanos fueron 91. Construir un intervalo de confianza del 95% para la diferencia en la taza de pinos sanos entre los tratados y los no tratados. A que conclusin llega respecto a la efectividad del tratamiento. (19) Para estudiar el rendimiento de dos tipos de cereales se hacen 20 determinaciones en parcelas donde se ha sembrado cereal del tipo A y 18 determinaciones en parcelas con cereales tipo B con los resultados siguientes.
X A 14,5 Kg / rea

s A 3,23

Kg / rea

X B 15,3

Kg / rea

s B 1,85

Kg / rea

31

Palacios C. Severo Son igualmente efectivos para el cultivo los cereales A y B al nivel de confianza del 90% (20) Se realiz un estudio para comparar en lcteos el contenido de sodio en el plasma y en leche. Se obtuvieron las siguientes observaciones sobre el contenido de sodio (mili moles por litro de leche), en 10 envases aleatoriamente seleccionadas.
Envase Leche Plasma 1 93 147 2 104 157 3 95 142 4 81 141 5 95 142 6 95 147 7 76 148 8 80 144 9 79 144 10 87 146

Hallar un intervalo de confianza del 95% de la diferencia media de los niveles de sodio en los fluidos del lcteo (21) En el departamento de control de calidad de una empresa, se quiere determinar si ha habido un descenso significativo de la calidad de su producto entre las producciones de dos semanas consecutivas a consecuencia de un incidente ocurrido durante el fin de semana. Deciden tomar una muestra de la produccin de cada semana, si la calidad de cada artculo se mide en una escala de 100, obtienen los resultados siguientes: Suponiendo que las varianzas de la puntuacin en las dos producciones son iguales, construye un intervalo de confianza para la diferencia de medias al nivel de 95%. Interpreta los resultados obtenidos. (22) Sospechamos que nuestro cromatgrafo est estropeado, y queremos determinar si los resultados que nos proporciona son lo suficientemente precisos. Para ello, realizamos una serie de 8 mediciones del contenido de una solucin de referencia que, sabemos, contiene 90% de un determinado compuesto. Los resultados que obtenemos son: 93,3 86,8 90,4 90,1 94,9 91,6 92,3 96,5 Construir un intervalo de confianza al nivel de 95% para la varianza poblacional. Qu conclusiones podemos realizar? (23) Se ha hecho un estudio sobre la proporcin de enfermos de cncer de pulmn detectados en hospital que fuman, obtenindose que de 123 enfermos 41 de ellos eran fumadores. Obtener un intervalo de confianza para dicha proporcin. Estudiar si dicha proporcin puede considerarse igual a la proporcin de fumadores en la poblacin si sta es de un 29%. (24) Para estudiar la efectividad de un medicamento contra la diabetes se mide la cantidad de glucemia en sangre antes y despus de la administracin de dicho medicamento, obtenindose los resultados siguientes:
32 Semana I Semana II 93 93 86 87 90 97 90 90 94 88 91 87 92 84 96 93

ESTADISTICA EXPERIMENTAL Aplicada a ciencia e ingeniera


Antes Despus 7,2 5,2 7,3 5,4 6,5 5,3 4,2 4,7 3,1 4,1 5,3 5,4 5,6 4,9

Estimar la reduccin producida por el medicamento. (25) Eres el encargado de un departamento de produccin en una fbrica y recibes un lote de 2000 piezas necesarias para la fabricacin de un artculo. Tienes la responsabilidad de aceptar o rechazar el lote, si estimas que la calidad de ste no es suficiente. El fabricante te asegura que, en este lote, no hay ms de 100 piezas defectuosas, pero decides tomar una muestra para estimar la proporcin de las mismas. a) Cuntas piezas decides examinar para que, con un nivel de confianza del 95%, el error que cometas en la estimacin de la proporcin poblacional de defectuosas no sea mayor que 0.05? b) Si decides tomar una muestra de 100 artculos escogidos al azar en el lote y realizas el recuento de piezas defectuosas en esta muestra, encontrado 4 artculos defectuosos. Construye para la proporcin de defectuosos en el lote, un intervalo de confianza al nivel de 95% de confianza. Se debe rechazar el lote? (26) Los tiempos de reaccin, en mili segundos, de 17 sujetos frente a una matriz de 15 estmulos fueron los siguientes: Suponiendo que el tiempo de reaccin se distribuye Normalmente, determine un intervalo de confianza para la media a un nivel de confianza del 95%. (27) Se considera una poblacin representada por una variante , de suerte que la media poblacional es igual a 25 y la varianza poblacional es igual a 240. Supuesto extradas muestras de tamao 100, muestreo aleatorio simple, determinar la probabilidad de que el estadstico media muestral, Ax, este comprendido entre los valores 23; 55 y 28,1. (28) La duracin aleatoria de las unidades producidas de un artculo, se distribuye segn la ley normal, con desviacin tpica igual a seis minutos. Elegidas al azar cien unidades, resulto ser la duracin media de 14,35 minutos. Elaborar el intervalo de confianza del 99% para la duracin media de las unidades producidas. (29) Se estudiaron 40 muestras de aceite crudo de determinado proveedor con el fin de detectar la presencia del nquel mediante una prueba que nunca da un resultado errneo. Si en 5 de dichas muestras se observo la presencia de nquel podemos creer al proveedor cuando asegura que a lo sumo el 8% de las muestras contienen nquel? 33
448 534 460 523 514 452 488 464 592 562 490 584 507 507 513 461 492

Palacios C. Severo (30) La resistividad elctrica de ciertas barras de aleacin de Cromomolibdeno es una variable N(12,5; 4,1).Un investigador acaba de calibrar un aparato que mide dicha resistividad y para comprobar que lo ha hecho bien utiliza el sistema consistente en medir cuatro barras y aceptar que el calibrado es bueno si encuentra al menos un valor inferior y otro superior a 12,5. Determinar el nivel de significacin del contraste que esta llevando a cabo. Es sensible el contraste a una mayor o menor dispersin de la variable resistividad? (31) En una muestra de 65 sujetos las puntuaciones en una escala de extroversin tienen una media de 32,7 puntos y una desviacin tpica de 12,64. a) Calcule a partir de estos datos el correspondiente intervalo de confianza, a un nivel del 90%, para la media de la poblacin. b) Indique, con un nivel de confianza del 95%, cual sera el mximo error que podramos cometer al tomar como media de la poblacin el valor obtenido en la estimacin puntual. (32) En una muestra aleatoria de 90 pacientes se mide el nivel de glucosa en sangre en ayunas. Se obtiene X 132 mg/dl y s2=109. Construir el intervalo de confianza al 95%. (33) Para evaluar una vacuna para la gripe se selecciona un grupo de 200 individuos de riesgo. Se eligen 100 de ellos y se les suministra la vacuna; de ellos 10 pasan la gripe. Construir un intervalo de confianza al 95% para la probabilidad de pasar la gripe si se esta vacunado. En los otros 100 pacientes sin vacunar la pasan 20. Es eficaz la vacuna? (34) Se analizan 9 zumos de fruta y se ha obtenido un contenido medio de fruta de 22 mg por 100 cc de zumo. La varianza poblacional es desconocida, por lo que se ha calculado la desviacin tpica de la muestra que ha resultado ser 6,3 mg de fruta por cada 100 cc de zumo. Suponiendo que el contenido de fruta del zumo es normal, estimar el contenido medio de fruta de los zumos tanto puntualmente como por intervalos al 95% de confianza. (35) Una firma comercial encuesta a 100 individuos para conocer sus opiniones sobre la eleccin de dos productos alternativos A y B recientemente fabricados. El resultado de la encuesta arroja que el producto A lo han elegido 55 individuos y el producto B 45. Hallar un intervalo de confianza al 95% para la proporcin de individuos que eligen cada producto. (36) En un proceso de fabricacin de pilas alcalinas se sabe que su duracin media es de 1100 horas y que dicha duracin sigue una distribucin normal. El nuevo proceso busca reducir la disper34

ESTADISTICA EXPERIMENTAL Aplicada a ciencia e ingeniera sin de la duracin de las pilas por lo que se hace necesario construir intervalos de confianza para la citada dispersin con coeficientes de confianza 90% y 98%. Construir dichos intervalos a partir de una muestra de tamao 20 cuya dispersin es 2240 horas. Se sabe que la longitud de los dimetros de los tornillos fabricados por una mquina sigue una distribucin normal y se busca un intervalo en el cual se encuentre la variabilidad de las longitudes de los tornillos fabricados por la mquina con una probabilidad del 80%. Construir dicho intervalo sabiendo que una muestra de 16 tornillos presenta una variabilidad cuantificada en 30. Un granjero dispone de dos criaderos diferentes A y B con varias granjas cada una para la cra de pollos. Con el objetivo de estudiar la mortalidad de los pollos en las dos criaderos observa el nmero de pollos muertos tomando una muestra de 4 granjas en el criadero A y otras 4 granjas en el criadero B obteniendo los siguientes resultados: N de pollos muertos en las granjas del criadero A: 16 14 13 17 N de pollos muertos en las granjas del criadero B: 18 21 18 19 Suponiendo normalidad en los criaderos, se trata de estudiar si la mortalidad de los pollos puede considerarse diferente en los dos criaderos con un nivel de confianza del 95%. Resolver el problema bajo la hiptesis adicional de varianzas iguales en los criaderos. Al analizar 40 muestras de una aleacin de bajo punto de fusin de tipo babit se ha detectado ausencia de cadmio en 12 de ellas. Determinar un intervalo de confianza para la proporcin de muestras de dicha aleacin que no contienen cadmio. La cantidad de azufre encontrado en plantas secas de mostaza sigue una distribucin normal X. se ha observado una muestra de extensin 9 con los siguientes resultados 0,7 0,8 0,6 0,95 0,65 1 0,9 0,2 0,55. Si aceptamos como valor de el valor calculado de la desviacin tpica muestral S , Cul sera el tamao mnimo de la muestra que habra de ser considerada para que el intervalo de confianza al 95% para el nivel medio de azufre tenga una longitud inferior a 0,1? La prdida de peso de un determinado producto diettico en 16 individuos despus de un mes fue (en kg): 3,2 2 2,5 3,3 5 4,3 2,9 4,1 3,6 2,7 3,5 4,2 2,8 4,4 3,3 3,1 35

(37)

(38)

(39)

(40)

(41)

Palacios C. Severo Determinar un intervalo de confianza para la varianza con nivel de confianza del 99%, si la prdida de peso es aproximadamente normal. Se consideran lo siguientes tiempos de reaccin de un producto qumico, en segundos: 1,4 1,2 1,2 1,3 1,5 1,3 2,2 1,4 1,1 Obtener un intervalo de confianza del 90% para el tiempo de reaccin. Suponer la variable normal con desviacin tpica poblacional conocida = 0,4. El tiempo, en minutos, que esperan los clientes de un determinado banco hasta que son atendidos sigue distribucin normal de media desconocida y desviacin tpica igual a 3. Los tiempos que esperaron diez clientes elegidos al azar fueron los siguientes: 1,5 2 2,5 3 1 5 5,5 4,5 3 3 Determinar un intervalo de confianza de coeficiente de confianza 0,95, para el tiempo medio de espera. La duracin en minutos de un determinado viaje es una variable aleatoria con distribucin normal de media desconocida y desviacin tpica igual a 3. En una muestra tomada al azar de diez realizaciones del viaje en cuestin se obtuvieron los siguientes tiempos: 10,1 6,5 5,5 7,9 8,2 6,5 7,0 8,1 6,9 7,7 a) Realizar la estimacin de mxima verosimilitud de la duracin media del viaje. b) Calcular la probabilidad de que, en valor absoluto, la diferencia entre media estimada la real sea menor que 1 minuto. Las velocidades de difusin del bixido de carbono a travs de la porosidad del suelo son distintas.
20 19 27 30 22 32 23 28 23 15 28 26 23 35 26 18 22 25 26 35 20 19 22

(42)

(43)

(44)

(45)

Comprobar si se puede afirmar que las velocidades de difusin son distintas al nivel de confianza del 95% (46) Una transformadora de productos lcteos recibe diariamente la leche de dos granjas. Se desea estudiar la calidad del producto acopiado, se extraen dos muestras al azar y se analiza el contenido en materia grasa, obtenindose los siguientes resultados.
Granja A Granja B

Arenoso Arcilloso

X A 8,7%

2 s A 1,02% 2

X B 10,9%

Se pide construir un intervalo de confianza del 95% para la diferencia del contenido medio en grasa de leche de ambas granjas. (47) En una determinada raza de ganado vacuno los terneros incrementan 12 kg. de peso cada semana, en los primeros meses de
36

2 s B 1,73% 2

n A 33 nB 27

ESTADISTICA EXPERIMENTAL Aplicada a ciencia e ingeniera vida. Para comprobar se someti al pesado de ocho terneras al cumplir las cuatro semanas y posteriormente dos semanas.
Ternero Peso 4 semanas Peso 6 semanas 1 130 138 2 125 140 3 128 139 4 127 141 5 129 137 6 123 137 7 131 142 8 130 142

(48)

(49)

(50)

(51)

(52)

Comprobar si la suposicin es cierta calculando los intervalos de confianza al 95% para la diferencia media de peso. Se ha realizado un estudio sobre la tasa de supervivencia de pjaros adultos en trpico y en zonas templadas. Inicialmente se marcaron 500 pjaros adultos en las patas y se liberaron a una regin tropical. Un ao despus, se volvi a capturar 445. Suponiendo que los no recuperados fueron victimas de un depredador, la tasa de supervivencia estimada de un ao para los pjaros adultos en la regin es 0,80. Un experimento similar en otra zona templada, dio como resultado de 252 de los 500 pjaros con una tasa de supervivencia estimada de 0,504. Hallar un intervalo de confianza del 90% de la diferencia en las tasas de supervivencia de un ao para las dos zonas. Una muestra de tamao 10 de una poblacin de mujeres presenta una altura media de 172 cm. y una muestra de 12 varones de otra poblacin presenta una altura media de 176,7 cm. Sabiendo que ambas poblaciones son normales con varianzas 225 y 256 respectivamente, se trata de analizar si con una probabilidad del 95% se puede asegurar que los varones son ms altos en media que las mujeres o viceversa. Los responsables municipales de la salud miden la radiactividad en el agua de una fuente natural en una zona abundante en granito. Realizadas 12 mediciones en diferentes fechas del ao se observ una media de 3,6 picocurios con una desviacin tpica de 0,82. Determinar, al 95% y al 99%, intervalos de confianza para la radiacin media y para la varianza. En una muestra de 65 sujetos las puntuaciones en una escala de extroversin tienen una media de 32,7 puntos y una desviacin tpica de 12,64. a) Calcule a partir de estos datos el correspondiente intervalo de confianza, a un nivel del 90%, para la media de la poblacin. b) Indique, con un nivel de confianza del 95%, cual sera el mximo error que podramos cometer al tomar como media de la poblacin el valor obtenido en la estimacin puntual. Los tiempos de reaccin, en mili segundos, de 17 sujetos frente a una matriz de 15 estmulos fueron los siguientes: 448, 460, 514, 488, 592, 490, 507, 513, 37

Palacios C. Severo 492, 534, 523, 452, 464, 562, 584, 507, 461 Suponiendo que el tiempo de reaccin se distribuye normalmente, determine un intervalo de confianza para la media a un nivel de confianza del 95%. (53) De una poblacin cuya distribucin se desconoce se obtiene una muestra aleatoria de 2000 valores en que la media muestral resulta ser 225 y la desviacin tpica muestral 10. Suponiendo que la varianza muestral coincida con la de la poblacin, estimar un intervalo para la media de la poblacin con un nivel de confianza del 95% (54) En una muestra de 100 personas de un barrio de Lima se ha observado una proporcin de 0,18 personas que leen el peridico diariamente. Puede ser que la verdadera proporcin de personas que leen el peridico en ese barrio sea 0,20?

38

ESTADISTICA EXPERIMENTAL Aplicada a ciencia e ingeniera X. ESTIMACIN DE PARMETROS

Otra cosa que los investigadores tratan de hacer con frecuencia es obtener inferencias sobre la poblacin con base en los resultados de una experiencia a partir de una muestra. El hecho de que 50 personas en una prueba prefieran el producto A al producto B por un margen de dos a tres, es importante solo en la medida en que le permita concluir en que la poblacin como un todo tambin prefiere el producto A. Esto es se llama inferencia estadstica, tomar una decisin sobre la poblacin entera en base a las caractersticas de una muestra. Para hacer una inferencia sobre la poblacin, usted debe de aplicar un lmite de confianza o un intervalo de confianza al resultado que encontr en el estudio. Ejemplo 1.9 En un estudio X se encontr que el 30% de los informantes tienen conocimiento del producto A, es poco factible que exactamente el 30% de la poblacin entera tenga ese conocimiento del producto A, pero la cifra de la poblacin deber estar cerca del 30%. S la muestra es lo suficientemente grande y estuvo bien tomada. A la diferencia entre los resultados de la muestra y la poblacin se la llama error muestral. El intervalo que se conexa al resultado de la encuesta para estimar o inferir la cifra de la poblacin se llama intervalo de confianza. XI. DIFERENCIAS SIGNIFICATIVAS A veces en un proyecto de investigacin se propone comparar resultados entre dos muestras. Las comparaciones ms comunes son: Dos o ms subgrupos dentro de una misma muestra Tienen las personas con ingresos superiores de US$ 10000, opiniones diferentes de las que tienen las personas con ingresos por debajo de Sus 10000? Son distintas las evaluaciones de productos confeccionados por los varones a las evaluaciones hechas por las mujeres? Muestras tomadas en diferentes puntos en el tiempo Aument el conocimiento del producto durante el ao pasado? Es la participacin en las Universidades mayor de lo que era hace cinco aos? Lo primero que usted hace, es observar los resultados en forma simple y directa. 39

Palacios C. Severo Si las respuestas de los hombres y mujeres son iguales, usted no necesita de una prueba estadstica adicional. Si la participacin en las Universidades no ha cambiado desde hace cinco aos usted ya tiene una respuesta. Pero si los resultados son distintos entre cualquiera de sus sub-grupos entonces usted tiene que confrontar dos preguntas bsicas Es la diferencia de los resultados tan pequea como para sugerir que sta probablemente ocurri por azar? est si usted repite la prueba. Hay una buena probabilidad de que el resultado sea el contrario? Es el resultado lo bastante grande como para que probablemente sea el resultado de una verdadera diferencia? s usted repite la prueba varias veces, Es muy factible que sta resulte igual cada vez? Antes de hacer una prueba estadstica, usted debe tener una hiptesis es decir una relacin que usted querr probar como verdadera o falsa. En estadstica, usualmente se supone que dos poblaciones son iguales hasta que se pruebe lo contrario. Esto se llama hiptesis nula. Empezamos con la hiptesis nula, si la diferencia entre dos muestras es lo bastante pequea como para que fcilmente pudiera haber ocurrido por azar, entonces la hiptesis nula no puede ser rechazada y usted debe concluir que la diferencia entre las dos muestras no es estadsticamente significativa al nivel de significacin del 95 por ciento (o cualquier nivel de, significacin que usted elige). En cambio, si la diferencia en los resultados de la toma de datos es tan grande que no es factible que esto haya ocurrido por azar, usted rechaza la hiptesis nula y concluye que la diferencia entre las dos muestras es estadsticamente significativa al nivel de significacin del 95 por ciento. Adems de estas medidas de la diferencia en dos muestras, hay otras pruebas estadsticas que son tiles para evaluar diversas clases de resultados. XII. DISPERSIN DE LOS DATOS PROBLEMAS La varianza mide la dispersin de los datos con respecto a la media aritmtica y la desviacin estndar es simplemente la raz cuadrada positiva de la varianza. Daremos las definiciones para su aplicacin. Datos no agrupdos: La varianza tambin se basa en desviaciones a partir de medias. Para hallar la varianza a de un producto, se eleva al cuadrado las desviaciones a partir de las medias X X , luego tambin
2

40

ESTADISTICA EXPERIMENTAL Aplicada a ciencia e ingeniera se suman X X 2 y se promedian dividiendo por el nmero total de productos, o sea n.

X X n
i

Como la media verdadera no se conoce prcticamente, la desviacin estndar verdadera es una magnitud terica. Sin embargo a puede obtenerse aproximadamente a partir de la desviacin estndar estimada S(X).
S X X X n 1
i

En el anlisis estadstico se utiliza una cantidad denominada grados de libertad que designaremos para el futuro como GL. Esta cantidad permite tener en cuenta y corregir, desde el punto de vista matemtico, las restricciones impuestas a los valores. En este caso al calcular la desviacin estndar, el nmero n de observaciones sta fijado y la desviacin estndar estimada se puede calcular a partir de la media. De la n observaciones slo n-1 pueden variar, el ltimo valor queda determinado por X y n. Por lo tanto al estimar la desviacin estndar a partir de una muestra de la poblacin de datos, solo hay n-1 grados de libertad. Elevando al cuadrado la desviacin estndar estimada se tiene la varianza estimada S X 2 . Ejemplo 1.10 Se han realizado cinco anlisis de un producto para determinar la concentracin de un componente X. Los resultados fueron: 98 97,7 87 96 y 93 X 94,32
S X 982 97,7 2 87 2 96 2 932 471,6 2 4,54 5

Datos agrupados: Para ilustrar el clculo de la desviacin estndar para datos agrupados veamos los siguientes jornales de obreros. En primer trmino se hallan los puntos medios X de cada clase de jornal. Luego se eleva al cuadrado las X X 2 se multiplican por el nmero adecuado de frecuencia de clase para dar f X 2 . 41

Palacios C. Severo
S X
Jornal (US$) 3a5 5a7 7a9 Total Cantidad (f) 2 5 3 10

fX X2 n
X
X
2

fX

fX

4 6 8

16 36 64

32 180 192 404

8 30 24 62

S X

404 62 1,4 US$ 10 10

La desviacin estndar puede emplearse como denominador comn para colectar la dispersin de las dos distribuciones y la representatividad de las dos medias. Otra aplicacin es la desviacin estndar como instrumento de anlisis se da en su relacin con la media de una distribucin normal. Una relacin se halla en funcin del porcentaje de observaciones dentro de una desviacin estndar debajo de la media y una desviacin estndar incluye un 95% de las observaciones. La X 3(S ) incluye alrededor de 99,7% de las observaciones. Desviacin media Otra medida de la dispersin de los valores es la desviacin media real, se trata simplemente de la media aritmtica de las desviaciones de las medias sin tener en cuenta lo siguiente:
md X X i

X mediana n

Para una desviacin normal, la desviacin estndar verdadera es aproximadamente igual 1,25 veces la desviacin media. Ejemplo 1.11 Calcular la desviacin media del ejemplo 1.10. md = 3,456 La dispersin de los resultados ser 3,456
42

ESTADISTICA EXPERIMENTAL Aplicada a ciencia e ingeniera Problemas (55) Calcule el valor medio, mediana y moda de la siguiente distribucin de datos:
X 110 -119 100 109 90 99 80 89 70 79 60 69 50 59 40 49 30 39 20 29 10 - 19 Y 1 0 2 5 10 13 9 4 5 0 1

(56) Se recibe materia! de dos fuentes de abastecimiento. Los anlisis de muestras provienen de las dos fuentes que se indican a continuacin. Se desea saber si se justifica que existe diferencia entre las dos fuentes. (57) El anlisis de gas natural indica el siguiente concentrado de CO2 en volumen: 24,6 23,7 23,4 23,8 24,1 23,9 Calcule el intervalo de confiabilidad de la media verdadera? (58) En una refinera de plata, se analiza el contenido de plata en los residuos para establecer su concentracin en los lingotes. Las muestras obtenidas durante dos turnos dieron los resultados.
Hora Turno 1 Turno 2 1 89 87 2 92 87 3 98 97 4 97 97 5 98 97 6 97 98 7 97 97 8 98 97 Fuente 1 Fuente 2 85 79 74 71 76 75 88 77 73 79 84 77 77 78

Trate de saber si la diferencia entre los anlisis de los dos turnos es significativa. (59) La informacin obtenida de cuatro reactores qumicos diferentes, acerca del efecto de la temperatura sobre cierta reaccin es la siguiente:
Temperatura (C) 800 900 980 1 10,4 10,9 12,1 Rendimiento del reactor 2 3 4 12,9 11,7 13,5 10,8 10,6 13,5 11,6 12,8 10,2

Determinar mediante anlisis de varianza de dos caminos, si la varianza entre los reactores y entre la temperatura es altamente significativo. (60) Un fabricante de hipoclorito sabe que la cantidad de cloro contenido en su producto decrece con el tiempo y eventualmente se 43

Palacios C. Severo estabiliza en torno al 0,3%. El fabricante desea estimar la cantidad de cloro en el hipoclorito para un tiempo dado, con el fin de informar a los vendedores y retirar el producto caducado. Para ello se analizan sobre los porcentajes de cloro disponible por unidad de producto restante de 8 a 42 semanas despus de fabricado.
Semanas desde la fabricacin 8 10 12 14 16 18 20 22 24 26 28 30 32 34 36 38 40 42 Cantidad disponible de cloro (%) 0,49 0,48 0,46 0,45 0,44 0,46 0,42 0,41 0,42 0,41 0,41 0,4 0,41 0,40 0,41 0,40 0,39 0,39 0,49 0,47 0,46 0,43 0,43 0,45 0,42 0,41 0,40 0,40 0,40 0,40 0,40 0,38 0,40 0,48 0,45 0,43 0,43 0,43 0,40 0,40 0,41 0,38 0,47 0,43

Realizar el anlisis de regresin y anotar la ecuacin del modelo lineal, el coeficiente de correlacin. (61) Se sabe por experiencia, que el incremento de peso de los embriones de pollo al transcurrir el tiempo sigue la ley de tipo exponencial. En un experimento se obtuvieron los pesos (gramos) de un embrin desde el sexto da de su nacimiento hasta e decimosexto que aparecen a continuacin. Crear una tabla con la variable das y peso con datos anteriores. Realizar un anlisis de regresin para comprobar que valores siguen la ley exponencial. Grfique los datos y la lnea de regresin ajustada. Estime el peso de un pollo a los 7,5 a los 16 y a los 18 das de su nacimiento. Justificar si alguna de las estimaciones obtenidas es poco fiable. (62) En la siguiente tabla se refiere al nmero Y de bacterias por unidad de volumen presentes en un cultivo despus de X horas.
X Y 0 32 1 47 2 65 3 92 4 132 5 190 6 275 Da Peso 6 0,02 7 0,05 8 0,07 9 0,13 10 0,18 11 0,26 12 0,43 13 0,74 14 1,13 15 1,88 16 2,81

44

ESTADISTICA EXPERIMENTAL Aplicada a ciencia e ingeniera Ajustar los datos a una curva del tipo Y = aXb Calcular los valores del coeficiente de correlacin Visualizar la lnea de regresin y los datos obtenidos Estimar el valor de Y para un valor de X = 3,5 (63) La tabla adjunta muestra cinco observaciones de un fenmeno cintico El investigador sugiere un modelo de ajuste del tipo U = ke-bT Estimar los parmetros k y b. (64) La presin de un correspondiente a diferentes volmenes V se dan en la tabla. Obtenga por regresin el coeficiente de correlacin de los modelos lineales, exponenciales y cuadrticos. (65) En una reunin medica se probo con una droga fue tomada por 14 personas, de las cuales 6 lo hacen por primera vez y 8 ya son habituales de ella. La droga produjo en el primer grupo sueos de duracin 11, 12, 13, 16, 17 y 15 horas, mientras que en el segundo grupo 8, 7, 9, 10, 6, 7, 9 y 8 horas. a) Media y desviacin tpica de cada grupo b) Formar el estadstico que se distribuye segn una t de Student de 12 grados de libertad, sabiendo que las poblaciones tienen la misma media y desviacin tpica. (66) Segn una encuesta realizada sobre una muestra de 2500 personas elegidas al azar, el 80% est decidido a votar en las ltimas elecciones. a) Puede ser cierto que llegue a votar el 85% de la poblacin? b) Con un 99% de nivel de confianza ente qu valores estar el porcentaje de los votantes de la poblacin (67) Suponga que de una poblacin consistente en los valores 0, 2, 4, 6 y 8, se toman muestras de tamao 2 con reemplazo.
X 0 2 4 6 8 Frecuencia 1 1 1 1 1 Frecuencia relativa 1/5 = 0,2 1/5 = 0,2 1/5 = 0,2 1/5 = 0,2 1/5 = 0,2 V (cm) P (Kg/cm) 50 60 60 54 70 46 90 24 100 10 U T 103 0 102 1 10 2 1 3 0,1 4

Demostrar que es razonable aproximar la distribucin muestral de por una distribucin normal, una vez que se conoce la media y la desviacin estndar de la distribucin muestral. (68) En un experimento de laboratorio se mide el tiempo de una reaccin qumica. Se ha repetido el experimento 98 veces y se 45

Palacios C. Severo obtiene que la media de los 98 experimentos es de 5 segundos con una desviacin de 0,05 segundos. Cul es la probabilidad de que la media poblacional m difiera de la media muestral en menos de 0,01 segundos? (69) Se establece un control de calidad para un proceso de produccin de balas. Se ha dispuesto que cuando el proceso est bajo control, el dimetro de las balas es de 1 cm., con una desviacin tpica de 0,003 cm. Cada hora se toman muestras de nueve balas y se miden sus dimetros. Los dimetros de media de diez muestras sucesivas, en centmetros, son: 1,0006 0,9997 0,9992 1,0012 1,0008 1,0012 1,0018 1,0016 1,0020 1,0022 Establecer cules son los lmites de control y explicar qu concluyes sobre el proceso de produccin en estos instantes. (70) Un investigador quiere estimar la media de una poblacin usando una muestra suficientemente grande para que la probabilidad de que la media muestral no difiera de la media poblacional en ms del 25% de la desviacin tpica sea 0,95. Hallar el tamao de muestra necesario. (71) La efectividad en das de un determinado antibitico, sigue una distribucin normal de media 14 das y desviacin tpica desconocida. Fue administrada a 16 enfermos, obtenindose una desviacin tpica muestral de 1,4 das. Determinar la probabilidad de que la efectividad media en la muestra no supere los 3 das, que es el tiempo mnimo de efectividad requerido. (72) Se realiza un anlisis de la duracin de 40 pilas alcalinas obtenindose los siguientes resultados:
Duracin Xi 1,55 1,95 1,95 2,45 2,45 2,95 2,95 3,45 3,45 3,95 3,95 4,45 4,45 4,95 Frecuencia absoluta nj 2 1 4 15 10 5 3

Ajustar las duraciones de las pilas alcalinas a una distribucin normal con media 3,5 y desviacin tpica 0,7. (73) Un estudio de gentica con reses consisti en varios machos apareados con grupos separados de hembras. Cuando nacan terneros, se usaban en un estudio de pesos hereditarios. En la siguiente tabla se presentan los pesos al nacer de ocho terneros de cada uno de los cinco grupos de apareamiento.
Macho 177 61 100 56 Peso al nacer 113 99 103 75 62

46

ESTADISTICA EXPERIMENTAL Aplicada a ciencia e ingeniera


200 201 202 203 75 58 57 59 102 60 56 46 95 60 67 120 103 57 59 115 98 57 58 115 115 59 121 96 98 54 101 105 94 100 101 75

Escriba el modelo lineal, explique cada trmino, calcule el anlisis de varianza y muestre los cuadrados medios esperados. Pruebe la hiptesis nula Ho: 2 = 0 para los machos. (74) Los datos del ejercicio 3.5 corresponden a las concentraciones de colesterol en anlisis de laboratorio a 2 muestras de cada uno de 8 pacientes. Suponga un modelo aleatorio para el estudio. Escriba el modelo lineal, explique cada trmino, calcule el anlisis de varianza y muestre los cuadrados medios esperados. Estime las componentes de la varianza para pacientes y muestras y determine intervalos de confianza medios al 90%. (75) Un patlogo de plantas tom cuatro muestras, de 3 libras cada una, de lotes de 50 toneladas de semilla de algodn acumulada en varias cosechas durante la temporada de limpia. Las muestras se analizaron en el laboratorio para buscar aflatoxin, que es una toxina producida por organismos asociados con las semillas. A continuacin se proporcionan las concentraciones de aflatoxin en partes por billn para las muestras de ocho lotes.
Lote 3469 72 3849 52 3721 24 3477 80 3669 72 3873 76 3777 80 3461 - 64 39 56 64 29 38 11 23 10 Afloxin (ppb) 57 63 13 25 83 88 55 21 66 53 49 34 0 5 11 23 66 31 71 51 81 10 20 37

(76) Suponga que los lotes y sus muestras son efectos aleatorios. Escriba el modelo lineal para el estudio, explique los trminos, calcule el anlisis de varianza completo y muestre los cuadrados medios esperados. (77) Piense en problemas de investigacin en su rea de inters que requieran muestras (u observaciones) de la unidad experimental debido a que no sea posible medir la unidad en su totalidad. Escriba un modelo lineal para su estudio; identifique los trminos y bosqueje el anlisis de varianza, muestre las fuentes de variacin, los grados de libertad y los cuadrados medios esperados. (78) Se realiz en conjunto un estudio sobre cartuchos para filtrado de partculas de alta energa, usados en respiradores comercia47

Palacios C. Severo les para proteccin contra partculas de materia. Una prueba especfica incluy tres filtros elegidos al azar de cada uno de dos fabricantes, se hicieron tres rplicas de prueba independientes de cada filtro, las medidas fueron el porcentaje de penetracin por medio de una prueba estndar de aerosol.
Filtro 1 1,12 1,10 1,12 Fabricante I 2 3 0,16 0,15 0,11 0,12 0,26 0,12 4 0,91 0,83 0,95 Fabricante II 5 6 0,66 2,17 0,83 1,52 0,61 1,58

Escriba un modelo lineal para este estudio, explique los trminos, calcule el anlisis de varianza y muestre los cuadrados medios esperados. Pruebe la hiptesis de que no existen diferencias entre la penetracin porcentual promedio de los filtros de los dos fabricantes. Calcule las medias, sus errores estndar y las estimaciones del intervalo de confianza de 95% para las medias de cada fabricante. (79) Un cientfico de suelos estudi el crecimiento de plantas de cebada en tres niveles diferentes de salinidad en un medio controlado. Tena dos contenedores rplica de cada tratamiento, en un diseo totalmente aleatorizado y midi tres plantas de cada rplica. Los pesos en seco de las plantas, en gramos, son los siguientes:
Salinidad Control 6 barras 12 barras Contenedor 1 2 3 4 5 6 11,29 7,37 5,64 4,20 4,83 3,28 Peso (g) 11,08 6,55 5,98 3,34 4,77 2,16 11,10 8,50 5,69 4,21 5,66 2,69

Escriba un modelo lineal para un anlisis de datos, explique los trminos, calcule el anlisis de varianza y muestre los cuadrados medios esperados. Pruebe la hiptesis de que no hay diferencia entre las medias de los niveles salinos. Calcule el error estndar de una media de nivel salino. Haga una particin de las sumas de cuadrados para la salinidad en dos sumas de cuadrados polinomiales ortogonales (lineal y cuadrtica), cada una con 1 grado de libertad y pruebe la hiptesis nula de que no hay regresin lineal o cuadrtica. (80) El ndice de porosidad es una medida usada por los cientficos de suelos para ayudar en la prediccin del movimiento, almacenamiento, disponibilidad del agua y las condiciones de oxigena48

ESTADISTICA EXPERIMENTAL Aplicada a ciencia e ingeniera cin del subsuelo. Un cientfico de suelos us un diseo de muestreo especial para tomar muestras del suelo de una de las granjas experimentales de la universidad para medir el ndice de porosidad del suelo. Se hizo una particin de la granja en campos de aproximadamente 4 hectreas, cada una con 8 secciones. El plan de muestreo incluy una seleccin aleatoria de los campos dentro de las secciones. A continuacin se presenta el ndice de porosidad de cada sub muestra:
Seccin 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 Porosidad 3,846 3,712 5,629 2,021 5,087 4,621 4,411 3,357 3,991 5,766 5,677 3,333 4,355 6,292 4,940 4,810 2,983 4,396 5,603 3,683 Campo 9 10 11 12 13 14 15 Seccin 17 18 19 20 21 22 23 24 25 26 27 28 29 30 Porosidad 5,942 5,014 5,143 4,061 3,835 2,964 4,584 4,398 4,193 4,125 3,074 3,483 3,867 4,212 6,247 4,730

Campo 1 2 3 4 5 6 7 8

Suponga que todos los efectos son aleatorios. Escriba un modelo lineal para el estudio, explique cada trmino, calcule el anlisis de varianza para los datos y muestre los cuadrados medios esperados. Estime las componentes de la varianza para campos, secciones y muestras.

49

Palacios C. Severo XIII. DISTRIBUCIONES Al tratar con grandes cantidades de datos, es conveniente ordenarlos de tal manera que la frecuencia de la aparicin de rangos de valores dados, puedan ser tabuladas y graficadas. Este ordenamiento se realiza estableciendo rangos llamados intervalos de clase la frecuencia relativa de los intervalos de clase se denomina distribucin emprica y se utilizan para estimar las distribuciones tericas. Ensayos estadsticos Existen varios tipos de ensayos estadsticos que se emplean para determinar si la diferencia entre dos conjuntos de valores es real y significativa o a errores azarsticos. Ensayo t La distribucin t de Student aparece al comprobar la hiptesis de la media de una totalidad general de distribucin normal siendo incgnita la varianza.
n 1 1n 2 X 2 f (X ) 1 N n a 2

Ejemplo 1.12 Consideremos los datos del ejemplo 1.10, se trata de saber si la diferencia entre el valor medio y el supuesto valor medio 96 es significativa.
S X 2,03 S X 4,54 Hiptesis : o GL 4 X 94,32

X o

SX 0,82

50

ESTADISTICA EXPERIMENTAL Aplicada a ciencia e ingeniera El valor tabulado de t para un nivel de significacin del 99% y 4 GL, es igual 3,75, como el valor calculado de t es inferior al valor tabulado, la hiptesis no es rechazada. Chi-cuadrado Esta prueba puede utilizarse para comparar los resultados de una encuesta con frecuencia terica o esperada.
X2 f f f
2

Ejemplo 1.13 La alimentacin de flujo continuo que se realiza a cuatro reactores industriales que han sufrido un total de cuarenta fallas durante un ao, la distribucin de las fallas, por bombas fue:
Bomba 1: Bomba 2: Bomba 3: Bomba 4: 16 9 6 9

El capataz de mantenimiento sostiene que la bomba 1 ha sufrido un nmero excesivo de fallas, en comparacin con los resultados posteriores se trata de saber si esta afirmacin es justificada. Como hay cuatro categoras posibles de nmeros y como el nmero total est dado, el nmero de GL es tres. Esto corresponde a un nmero de probabilidades aproximadamente igual a 0,25 e indica que, si todas las bombas operan en las mismas condiciones, el valor del Chicuadrado sera de 5,4 es decir una vez cada cuatro, por la sola accin del azar. Por lo tanto la probabilidad que la hiptesis de mantenimiento esta equivocado es del 25 por ciento en la poblacin, La prueba puede usarse siempre que los resultados, las respuestas o los encuestadores se pueden organizar en varias categoras. Distribucin F El anlisis de varianza que se realiza mediante el ensayo F permite la separacin de la varianza total de un proceso, en sus componentes. Con el ensayo F el nmero de GL correspondiente a las dos varianzas no necesita ser idnticas. 51

Palacios C. Severo La mayora de los textos de estadstica tabulan valores de F para los niveles de probabilidad 0,05 y 0,01. El nmero de GL, con la varianza en el numerador, se indica normalmente en la parte superior de la tabla, mientras que el nmero de GL con la varianza en el denominador se encuentra en la columna de la izquierda. Ejemplo 1.14 Para un ensayo de laboratorio de rutina, se ha propuesto un procedimiento analtico simplificado. Es necesario determinar si el procedimiento propuesto arroja los mismos resultados que el convencional, es decir, si los valores medios de un ensayo por duplicado son iguales y si la precisin del ensayo propuesto es igual al antiguo.
Convencional 89,7 89,6 89,5 89,6 89,8
X 1 89,64 GL 4 S12 ( X ) 0,013

Propuesto 89,8 89,6 89,4 89,5 90,0 89,7 89,2


X 1 89,6 GL 6
2 S 2 ( X ) 0,07

Los valores medios de las muestras con los dos mtodos son similares pero la diferencia con la varianza es significativa al nivel del 0,05 de probabilidad. Consultado la tabla de valores F indica el valor de 6,2 para el nivel de probabilidad correspondiente y el nmero de GL existente. Para determinar si los valores de varios conjuntos de medicin, es necesario el clculo de varianza de los valores medios de los conjuntos. Si la varianza de los valores medios es slo normal resulta. Ejemplo 1.15 Tres reactores ubicados en diferentes lugares, que emplean sin embargo el mismo proceso. Se desea saber si los valores medios correspondientes a los tres reactores son similares. Entre valores medios
S 2 X 3,825
52

ESTADISTICA EXPERIMENTAL Aplicada a ciencia e ingeniera Entre conjuntos


S X 0,3988
2

F
Reactor

S2 X
2

S X

9,59
2 11,6 12,4 12,9 11,9 48,8 12,2 3 9,80 10,9 10,4 10,1 41,2 10,3

Suma de conjunto Media

1 10,4 10,0 11,8 11,2 43,4 10,85 2 SC / K 1490,61


2 X / K 1482 ,96

2 , X 1492 2

La tabla F para los GL establecido indica los valores de 4,26 y 8,02 respectivamente. Como el valor calculado es mayor que el valor tabulado, se concluye que los valores medios de los tres reactores son significativamente diferentes. Logaritmo normal La distribucin logartmica normal es de amplio uso en la fsica estadstica, geologa estadstica, estadstica econmica, biologa. Logstica La funcin de distribucin se diferencia un poco de la funcin normal de distribucin, se utiliza en las investigaciones mdico-biolgicas para analizar la eficiencia de diferentes medicamentos, nutrientes, venenos, etc. Pareto La distribucin de Pareto encuentra amplia aplicacin en los problemas de la estadstica econmica. Weibull-Gnedenko Se usa con frecuencia en la teora de fiabilidad para describir el tiempo de funcionamiento sin fallo de los instrumentos. 53

Palacios C. Severo Pearson Se usa ampliamente en la estadstica matemtica para suavizar las distribuciones de los datos empricos. XIV. INTERVALOS DE CONFIANZA El desarrollo del anlisis estadstico implica la determinacin terica de la distribucin de ciertos valores, como el valor medio, la desviacin estndar y la varianza, que se puede esperar si slo acta al azar. La teora estadstica constituye una herramienta poderosa, para determinar, en un grado razonable de certidumbre, si las diferencias observadas son debidas al azar. Por definicin:
Reordenando Z X n Intervalo de confianza

Z X

/ n

Por lo tanto, para un cierto nivel de probabilidad que determina el valor de Z, puede afirmarse que el intervalo de confiabilidad de estar dado por,
X Z Z X n n

Si no se conoce la desviacin estndar verdadera, an puede determinarse un intervalo de confiabilidad. Esta estimacin utiliza la distribucin t en lugar de la distribucin Z porque el concepto t incluye la variacin adicional introducida por la estimacin de la desviacin estndar, reordenando:
X tS X n X tS X n

Ejemplo 1.16 Establecer el intervalo de confiabilidad para la media verdadera de los datos del ejemplo 1.10.
GL 4 S X 4,54 t0,95 2,78 t0,99 4,6
54

ESTADISTICA EXPERIMENTAL Aplicada a ciencia e ingeniera


Nivel

95% 99%

Intervalo 94,32 2,784,54 / 5 99,96 y 88,68

94,32 4,604,54 / 5 103,65 y 84,94

Se observa que para un nivel de confiabilidad del 95% ser ms correcto afirmar el resultado del anlisis como 5,64 por ciento en lugar de 94,32%. XV. MUESTREO Nadie necesita beber todo un vaso de leche daada para poder decir que esta mala - una muestra es suficiente. Realizar un muestreo es ms barato y ms rpido que hacer un censo de toda una poblacin. Y en la mayora de los casos, desde luego, tomar una muestra es la nica alternativa factible para la investigacin simplemente no es prctico pensar siquiera en encuestas a toda la poblacin. Pero si la muestra se desarrolla con propiedad, sta puede proporcionar suficiente precisin para propsitos de toma de decisiones. El muestreo en la investigacin requiere estas dos dimensiones: a) Seleccionar las unidades de la poblacin que se incluir en el estudio. b) Interpretar los resultados del estudio con el fin de estimar los parmetros de la poblacin a partir de los datos de la muestra y probar hiptesis, usualmente sobre la diferencia entre dos muestras o entre una muestra y un resultado esperado. XVI. MTODOS DE MUESTREO Hay dos grandes mtodos de muestreo: Probabilstico y no probabilstico. a) Muestreo probabilstico

Este es el tipo de muestreo ms objetivo y cientfico. Un requisito del muestreo probabilstico es que cada unidad en la poblacin tenga una probabilidad igual y conocida a ser seleccionada para la muestra. El criterio de investigador no debe influir en la seleccin de los informantes. Hay varias formas de muestreo: 55

Palacios C. Severo Muestreo simple al azar Es el tipo ms bsico. Implica seleccionar informantes completamente al azar; es tal como si los nombres se sacarn de un sombrero. Obviamente, esto requiere un marco de muestreo perfecto; es decir, una lista completa de todas las unidades en el universo. Muestreo estratificado al azar Implica primero agrupar la poblacin en segmentos homogneos y luego hacer el muestreo de datos de cada segmento o estrato. Muestreo de agregados Implica tomar muestras de grupos de entrevistados como unidad y no como elemento individual. Con el fin de lograr eficiencia en entrevistas de muestreo a muestreo. Muestreo sistemtico Se incluye cada n-simo elemento de la poblacin en la muestra. Este es un procedimiento comn que se puede combinar con un muestreo de agregados y muestreo estratificado. La ventaja principal del muestreo probabilstica es su precisin. Es el mejor camino para desarrollar una muestra que sea perfectamente representativa de la poblacin. El muestreo probabilstica tiene varias desventajas importantes que resulta su utilizacin amplia: a) Para seleccionar una muestra probabilstica es necesario tener una lista o un marco de muestreo, correspondiente a toda la poblacin. b) A pesar de los mejores intentos de muestreo, los errores de no respuesta pueden afectar la precisin del resultado. c) El muestreo probabilstica es muy costoso de realizar, es especial para estudios de muestra a muestra. Errores Si bien es cierto que buenos mtodos de muestreo pueden producir resultados muy costosos, ninguna muestra es absolutamente precisa.

56

ESTADISTICA EXPERIMENTAL Aplicada a ciencia e ingeniera Ejemplo 1.17 Supongamos que una muestra probabilstica local indica que el 40% de los hogares entrevistados se tiene un gato para erradicar las ratas transmisoras del virus Hanta. Es poco probable que un censo de todos los hogares revele que exactamente en el 40% de ellos haya un gato. Si la muestra original fue bien tomada, bien ejecutada y fue suficientemente grande hay una buena probabilidad de que el nmero real de hogares con gatos, revelado al censo est cerca del 40%; pero probablemente no ser exacta mente esa cifra. Estos errores o diferencias entre los resultados de la encuesta y las cifras comparables de la poblacin, viene de dos fuentes: factor de muestreo y factor no mustrales. Error de muestreo En el ejemplo 1.17 sobre posesin de gatos es posible medir el error muestral del estudio y anexar un lmite de confianza a la cifra de la encuesta, a fin de estimar los datos de la poblacin total. Supongamos que el estudio sobre la posesin de gatos ha utilizado una muestra probabilstica de 1000 hogares. En este caso la cifra de 40 por ciento de poseedores de gatos tendra un intervalo de ms o menos 3 por ciento a un nivel de confianza del 95 por ciento. En otras palabras las probabilidades son 95 en 100 de que el intervalo de confianza incluya el verdadero porcentaje de hogares que poseen gatos, en la poblacin total. Eso es el error de muestreo: el intervalo que debe anexarse a cualquier resultado de una encuesta, debido a que proviene de una muestra. Las muestras grandes tienen menos errores de muestreo que las muestras pequeas. Error no muestral La importancia y el impacto del error no muestral generalmente son sub-estimados por los investigadores, Entre los errores no mustrales se pueden mencionar lo siguiente: a) Incapacidad de localizar informantes correctos. b) Negativa de los informantes a empezar la investigacin. c) Terminacin de la encuesta por los informantes durante la investigacin porque consideran que es muy larga, muy tediosa. 57

Palacios C. Severo d) e) f) g) h) i) j) Mentiras intencionales de los informantes. Mala memoria, suposiciones insesgadas. Mal entendimiento del procedimiento. Manipulacin por parte del investigador. Sesgos introducidos por el investigador. Errores de anotacin. Errores de codificacin.

Es decir, la precisin de los mejores mtodos de muestreo probabilstico pueden anularse por algn problema de alguna de ests reas. Sin embargo, el impacto de estos errores potenciales no mustrales en mayor parte se pasa por alto en todo muestreo. Para solucionar los errores mustrales, consiste bsicamente en una planeacin cuidadosa y una atencin estrecha a los detalles de realizacin del proyecto. Error en la prediccin En un diagrama de dispersin en el que no todos los puntos caen en la lnea de regresin. Si todos los puntos hubiesen cado sobre la recta y si la cantidad de observaciones hubiera sido lo suficientemente grande, no se habra dado error en la prediccin del proceso. La prediccin perfecta es prcticamente inexistente. An en los casos que nos ocupa, existen factores que no son de prediccin perfecta, quizs se deba a causas de imperceptibilidad en la composicin de los factores. Lo que necesita, entonces, es una medida que pudiera indicar hasta qu punto es precisa la prediccin de Y, basada en X, o viceversa, cun imprecisa podra ser. Esta medida se llama error de estimacin.
S yx Y Yp

N 2

Syx representa la desviacin estndar de las Y sobre la base de las X. Esta medida de error es similar a la desviacin estndar que mide la dispersin alrededor de un promedio; el error de la estimacin mide la dispersin alrededor de una lnea promedio, llamada lnea de regresin. b) Muestreo no probabilstico

Existen tres tipos de muestreo no probabilstica:


58

ESTADISTICA EXPERIMENTAL Aplicada a ciencia e ingeniera Muestreo por conveniencia Deja la seleccin de los informantes primordialmente a los investigadores. Muestreo por criterio Implica seleccionar nicamente cierto tipo de informantes para participar en el estudio. Muestreo por cuotas Se estructura la muestra de tal modo que incluya nmeros especficos de informantes con caractersticas que se sabe o se cree que afecta al tema de la investigacin. XVII. TOMA DE DECISIONES Los ejecutivos de muchas empresas estn empezando a tomar en serio la importancia de las aproximaciones cuantitativas en la toma de decisiones. Este es un cambio importante. As probablemente no es por puro accidente que el tema est ganando importancia en la gestin empresarial - investigacin - consultora. El nfasis se debe a las herramientas estadsticas que reducen la incertidumbre de la toma de decisiones, con problemas que pueden ser parcialmente estructuradas. Estas herramientas intentan ir ms all que simplemente proporcionen informacin del que tome la decisin. El fin es el de ayuda a que se pueda alcanzar una decisin reconociendo, por supuesto, el juicio profesional. Los problemas que se ajustan bien a los sistemas de toma de decisiones son aquellas en las que existe suficiente estructuracin de forma que las ayudas analticas sean de gran utilidad requiriendo siempre el juicio del profesional. Un aspecto muy importante de toma de decisiones es que se da la efectividad ms que la eficiencia. Entonces hay que aumentar el nmero 59

Palacios C. Severo de posibles soluciones para que el ejecutivo pueda mejorar la efectividad de una decisin. El informe sobre evaluacin de los distintos resultados para la toma de decisiones como un punto clave para la implementacin de los grupos de trabajo que han de compartir la informacin. Distinguiendo especialmente las tareas administrativas - gestin de calendario planificacin - agenda. Principios de decisin Cuando existe una situacin en el cual se pueden distinguir dos o ms alternativos, una decisin consiste en seleccionar una de estas alternativas de accin excluyente el otro a los otros. Con esta definicin podemos proceder a examinar el proceso completo de toma de decisiones, el cual puede concebirse integrando por las siguientes etapas: a) Recoleccin de datos. b) Establecimiento de alternativas. c) Asignacin de medidas de utilidad para cada alternativa en relacin con algn criterio de efectividad. d) Decisin (seleccin de una alternativa). e) Aplicacin de la alternativa. Este proceso de complemento general, podra descomponerse en decisin de diseo y operativo y para dicho propsito, decisiones personales. Ejemplo 1.18 Consideremos un proceso de una persona que est prximo a salir de su casa, para ir al trabajo un da cualquiera de agosto y desea determinar si ponerse abrigo y, en tal caso cual de ellos. Recoleccin de datos Nuestro individuo se asoma a la ventana y observa que el sol brilla pero a travs de nubes espesas. A travs del noticiero de su televisor se informa que la temperatura actual es de 8C y que se predice alcanzar un mximo de 12C. La oficina metereolgica menciona un 40% de probabilidad de lluvia.
60

ESTADISTICA EXPERIMENTAL Aplicada a ciencia e ingeniera Sabe que ira y volver en movilidad al trabajo y que tendr que caminar dos cuadras entre la ruta y su oficina. No tiene paraguas para protegerse. Establecimiento de alternativa La alternativa del individuo basado en su disponibilidad de vestuario: a) Usar un sobre todo. b) Usar un impermeable, y c) No usar ningn abrigo. Asignacin de medidas con algn criterio de efectividad El criterio de efectividad del individuo, ser en este caso el de comodidad personal, que es una medida subjetiva. El determinar a continuacin, de alguna manera intuitiva, la utilidad de su comodidad personal para cada alternativa. Decisin (seleccin de la alternativa) Supongamos que el individuo, en camino al trabajo, ha asignado medidas de utilidad para cada alternativa, de tal manera que una de ellas posee una utilidad mayor que cualquiera de las otras, la decisin o seleccin de una alternativa, se tomar en favor de aquella que tenga la mayor medida de utilidad. Si dos alternativas tienen igual medida de utilidad y esta es mayor que la de la tercera, se deber emplear entonces algn mtodo aleatorio de seleccin. En este caso el lanzamiento de una moneda podra servir. Ejecucin de la alternativa escogida En nuestro ejemplo la ejecucin es sencilla. El hombre toma el abrigo escogido de su armario o simplemente se va al trabajo si ha decidido no llevar abrigo. Visto de esta manera el proceso de decisin entramos ahora a establecer algn principio general de utilidad en el diseo de la estructura de las decisiones en un sistema Montecarlo. Alguno de estos principios puede aparecer obvios o triviales, y sin embargo no violados con frecuencia en el diseo. 61

Palacios C. Severo XVIII. PRINCIPIOS PARA LA TOMA DE DECISIONES 1. 2. 3. 4. 5. Los datos son base necesaria para la decisin. Sin algn dato es imposible establecer alternativas o asignar medidas de utilidad a las mismas. Los datos recolectados deben ser de dos clases: aquellos que sirven para establecer las alternativas y los que se pueden usara para fijar las medidas de utilidad. Los datos recolectados deben se directamente aplicables o tales que, mediante una transformacin, puedan hacerse aplicables para el criterio de efectividad que se usan. Suponiendo que se ha establecido alternativas y asignado medidas de efectividad, los datos adicionales sern tiles que afectan las utilidades asignadas. La recoleccin de datos deber tomarse antes de establecer alternativas y averiguar utilidades. Aunque este principio parece obvio, realce la exigencia frecuentemente escuchada acerca de la oportuna recoleccin de datos. La exactitud que se requiera en los datos en funcin de las tcnicas utilizadas parece asignar medidas de utilidad a las alternativas. Este principio refuerza el anlisis de la sensibilidad de los modelos matemticos. Sin un modelo dado es relativamente sensible a un parmetro dado, o si este parmetro es ponderado ligeramente, se disminuye la exigencia de exactitud. Asumiendo que, para una decisin determinada, las cinco etapas del proceso de decisin estn bien definidas y que esta decisin es de naturaleza repetitiva, la totalidad del proceso de decisin puede delegarse a un nivel ms bajo de la organizacin. Ntese que en cada uno de estos casos debe tomarse una decisin de diseo. Las alternativas son: Retorne al proceso de decisin o delegarlo a un sistema automtico. AL tomar la decisin, el diseador del sistema deber asignar medidas de utilidad a las alternativas.

6.

7.

XIX. PLANIFICACIN La planificacin de una operacin propone asegurar que todos los recursos necesarios para producir, se encuentran y en las cantidades necesarias y, adems, que el desperdicio de los recursos sea mnimo. El plan de operaciones suministra solo el marco general dentro del cual las actividades especficas habrn de desarrollarse.
62

ESTADISTICA EXPERIMENTAL Aplicada a ciencia e ingeniera En torno al plan de operaciones asigna recursos disponibles a los diferentes requerimientos de producciones. Tipos de planificacin Existen diferentes categoras de planeamiento para diferentes perodos: Planificacin a largo plazo Se relaciona con el mantenimiento de la lnea apropiada por medio de la investigacin y desarrollo, y en el suministro de las factibilidades para las actividades. El plan incluye planeamiento para al expansin, modernizacin. Planificacin intermedia Se relaciona con la asignacin de recursos a las necesidades del proyecto, tales como la adquisicin de materiales, equipos y nuevos productos. Planificacin a largo plazo Establece programas que asignan recursos, a los proyectos actuales. Este tipo de plan, que usualmente cubre seis meses a dos aos, establece el nivel general de actividades.

63

Palacios C. Severo Problemas (81) Calcular los valores t correspondientes a una distribucin t de Student en los siguientes casos: a) El rea a la derecha de t es 0,20 y n = 10 b) El rea a la izquierda de t es 0,40 y n = 8 c) El rea a la derecha de t es 0,05 y n = 50 (82) Calcular los valores de F correspondientes a una distribucin F de Sndecor en los casos siguientes: a) = 0,01 y (2,8) grados de libertad b) = 0,05 y (7,3) grados de libertad (83) Elegidas 26 personas al azar de una poblacin y sometidas a un test de modernismo dan como media X 40 y S 6 . Se quiere saber si la verdadera media de la poblacin puede ser tan alta como 44. (84) El fabricante de una dieta de adelgazamiento dice que su producto permite una reduccin media de peso de 3,5 kg. Con objetivo de investigar su eficacia, se seleccionaron al azar 40 personas, observando en ellas el peso antes de aplicar la dieta, X y el peso despus de acabar el tratamiento, Y, lo que proporcion una varianza para la diferencia de
3 Sd

Si suponemos que tanto X como Y siguen distribuciones normales, determinar la probabilidad de que los individuos de la muestra haya una reduccin media de masa de 3 kg. (85) La efectividad en das de un determinado antibitico, sigue una distribucin normal de media 14 das y desviacin tpica desconocida. Fue administrada a 16 enfermos, obtenindose una desviacin tpica muestral de 1,4 das. Determinar la probabilidad de que la efectividad media en la muestra no supere los 3 das, que es el tiempo mnimo de efectividad requerido. Preocupados por una posible subestimacin de la varianza poblacional, que podra llevar a subestimar la probabilidad de que no se alcance la efectividad mnima, se desea determinar la probabilidad de que con una muestra de 16 enfermos se subestime la varianza en ms de un 20%. Si la muestra es de 61 pacientes, esta probabilidad aumenta o disminuye? Determinar el tamao de muestra necesario para que la probabilidad anterior sea 0,05. (86) En una muestra de 19 individuos se observa que un determinado trastorno emocional se produce a partir de una edad media de
64

1 39

X
40 1

Yi X Y

1,8

ESTADISTICA EXPERIMENTAL Aplicada a ciencia e ingeniera 50 aos y una desviacin tpica de 6 aos. Se supone que estamos ante un fenmeno que sigue la ley normal. Fijar los lmites del intervalo de confianza para la varianza con un nivel de confianza del 99% Realizar lo mismo que en el apartado anterior para n = 200 En cierto barrio se quiere hacer un estudio para conocer mejor el tipo de actividades de ocio que gustan ms a sus habitantes. Para ello van a ser encuestados 100 individuos elegidos al azar. Explicar qu procedimiento de seleccin sera ms adecuado utilizar: muestreo con o sin reposicin. Como los gustos cambian con la edad y se sabe que en el barrio viven 2500 nios, 7000 adultos y 500 ancianos, posteriormente se decide elegir la muestra anterior utilizando un muestreo estratificado. Determinar el tamao muestral correspondiente a cada estrato. Sea la poblacin de elementos 22 24 26 Escriba todas las muestras posibles de tamao dos, escogidas mediante muestreo aleatorio simple. Calcule la varianza de la poblacin. La variable altura de las alumnas que estudian en una escuela de idiomas sigue una distribucin normal de media 1,62 m y la desviacin tpica 0,12 m. Cul es la probabilidad de que la media de una muestra aleatoria de 100 alumnas sea mayor que 1,60 m Se ha tomado una muestra de los precios de un mismo producto alimenticio en 16 comercios, elegidos al azar en un barrio de una ciudad, y se han encontrado los siguientes precios: 95, 108, 97, 112, 99, 106, 105, 100, 99, 98, 104, 110, 107, 111, 103, 110. Suponiendo que los precios de este producto se distribuyen segn una ley normal de varianza 25 y media desconocida: Cul es la distribucin de la media muestral? Determine el intervalo de confianza, al 95%, para la media poblacional. La media de las estaturas de una muestra aleatoria de 400 personas de una ciudad es 1,75 m. Se sabe que la estatura de las personas de esa ciudad es una variable aleatoria que sigue una distribucin normal con varianza 2 = 0,16 m2. Construye un intervalo, de un 95% de confianza, para la media de las estaturas de la poblacin. Cul sera el mnimo tamao muestral necesario para que pueda decirse que la verdadera media de las estaturas est a menos de 2 cm de la media muestral, con un nivel de confianza del 90% 65

(87)

(88)

(89)

(90)

(91)

Palacios C. Severo (92) Las ventas mensuales de una tienda de electrodomsticos se distribuyen segn una ley normal, con desviacin tpica US$ 900. En un estudio estadstico de las ventas realizadas en los ltimos nueve meses, se ha encontrado un intervalo de confianza para la media mensual de las ventas, cuyos extremos son US$ 4663 y US$ 5839. Cul ha sido la media de las ventas en estos nueve meses? Cul es el nivel de confianza para este intervalo? (93) Se desea estimar la proporcin, p, de individuos daltnicos de una poblacin a travs del porcentaje observado en una muestra aleatoria de individuos, de tamao n. Si el porcentaje de individuos daltnicos en la muestra es igual al 30%, calcula el valor de n para que, con un nivel de confianza de 0,95, el error cometido en la estimacin sea inferior al 3,1%. Si el tamao de la muestra es de 64 individuos, y el porcentaje de individuos daltnicos en la muestra es del 35%, determina, usando un nivel de significacin del 1%, el correspondiente intervalo de confianza para la proporcin de daltnicos de la poblacin. (94) En una poblacin una variable aleatoria sigue una ley normal de media desconocida y desviacin tpica 2. Observada una muestra de tamao 400, tomada al azar, se ha obtenido una media muestra al igual a 50. Calcule un intervalo, con el 97 % de confianza, para la media de la poblacin. Con el mismo nivel de confianza, qu tamao mnimo debe tener la muestra para qu la amplitud del intervalo que se obtenga sea, como mximo, 1? (95) Una marca de nueces afirma que, como mximo, el 6% de las nueces estn vacas. Se eligieron 300 nueces al azar y se detectaron 21 vacas. Con un nivel de significacin del 1%, se puede aceptar la afirmacin de la marca? Si se mantiene el porcentaje muestral de nueces que estn vacas y 1- = 0,95, qu tamao muestral se necesitara para estimar la proporcin de nueces con un error menor del 1% por ciento? (96) La duracin de las bombillas de 100 W que fabrica una empresa sigue una distribucin normal con una desviacin tpica de 120 horas de duracin. Su vida media est garantizada durante un mnimo de 800 horas. Se escoge al azar una muestra de 50 bombillas de un lote y, despus de comprobarlas, se obtiene una vida media de 750 horas. Con un nivel de significacin de 0,01, habra que rechazar el lote por no cumplir la garanta?
66

ESTADISTICA EXPERIMENTAL Aplicada a ciencia e ingeniera

2
ANLISIS DE REGRESIN
La falacia del cuadro estadstico estriba en que es unilateral, en la medida en que representa slo el aspecto promedio de la realidad y excluye el cuadro total. La concepcin estadstica del mundo es una mera abstraccin, y es incluso falaz, en particular cuando atae a la psicologa del hombre. Carl Jung

I.

INTRODUCCIN

Las tcnicas estadsticas estudiadas hasta ahora tenan por objeto


fundamental la comprobacin de ciertas hiptesis. Un campo ms til e importante del anlisis estadstico en el diseo consiste en el desarrollo de modelos matemticos que representen situaciones fsicas. Este tipo de anlisis se denomina anlisis de regresin, se ocupa de desarrollar una cierta relacin matemtica que incluye el modelo matemtico, su significacin estadstica y su confiabilidad. Se puede demostrar que est ntimamente relacionada con el modelo del anlisis de varianza. II. MTODOS DE MNIMOS CUADRADOS Se predice una variable dependiente en funcin de una variable independiente simple; en muchos problemas de este tipo la variable independiente se observa sin error o con error que es despreciable se compara con el error de la variable independiente. Ejemplo 2.19 Al medir la cantidad de xido formado en la superficie de un menaje de aluminio, las variables de anodinado electroltico suelen ser cantidades, pero la medicin del espesor del xido anodizado esta sujeto a variables aleatorias consideradas. 67

Palacios C. Severo As, a pesar que la variable independiente puede ser estable en X, las mediciones repetidas de ella pueden atribuirse a diversas causas, principalmente a errores de medicin y a la existencia de otras variables incontrolables capaces de influir en el valor de X cuando este fija. En esta forma la medicin del espesor de la capa anodizada pueden variar en toda la superficie para el mismo perodo a la misma variable ejecutada. Estudiemos el caso de regresin Y sobre X lineal, esto es, para cualquier X dada la media de la distribucin de las Y esta dada por:

Y X
es el valor de una variable aleatorizada y podemos elegir a tal que la media de la distribucin de esta variable aleatoria sea igual a cero. Ejemplo 2.20 Consideremos una regresin de Y sobre X sea lineal, suponiendo un fenmeno fsico de tensores, se flexiona variando la carga.
X Y 1 35 2 64 3 96 4 124 5 156 6 182

Consideremos n pares de observaciones (Xi,Yi), deseamos determinar la lnea que de el mejor ajuste. Si predecimos y por medio de la ecuacin:

Y bo bX
Donde

i YI Y i
68

ESTADISTICA EXPERIMENTAL Aplicada a ciencia e ingeniera Puesto que no podemos minimizar cada i por separado, debemos tratar de hacer una sumatoria i; tan cerca de cero como sea posible, minimicemos la suma de cuadrados de las i.

Yi bo bX i

Ntese en la figura, que la minimizacin de la suma de cuadrados de las distintas verticales a partir de los puntos respecto a la lnea. Una condicin necesaria para que exista un mnimo relativo es la acumulacin de las derivadas parciales con respecto a bo y b.

2Yi bo bXi X i 0 2Yi bo bXi 1 0


Siendo las ecuaciones normales,
Y nb b X
i o 1 i

X Y b X b X
i j o i 1

2 i

Este conjunto de ecuaciones lineales con la incgnita b i denominados casos normales, da los valores para la lnea con el mayor ajuste a un conjunto de datos. Ejemplo 2.21 Ajuste una lnea recta a los datos por el mtodo de mnimos cuadrados, utilice para estimar el coeficiente de evaporacin de una gota de combustible, cuando la velocidad del aire proveniente de una turbina es de 190 cm/seg.
X Y 20 0,18 60 0,37 100 0,35 140 0,78 180 0,56 220 0,75 260 1,18 300 1,36 340 1,17 380 1,65

X 2000 X 532000

Y 8,35
XY 2175,4

69

Palacios C. Severo
8,35 2175 , 4 10 bo 2000 bo 2000 b 532000 b

Resolviendo bo = 0,069, b = 0,0038

Y 0,069 0,0038(190) 0,79 mm / seg

III. MODELOS DE REGRESIN En las aplicaciones de la estadstica se exige estimar el carcter de la dependencia entre las variables estadsticas observadas. Ejemplo 2.22 Entre los parmetros de los procesos tecnolgicos, la produccin acabada, la luminosidad de las estrellas y sus dimensiones, la cantidad de precipitacin fluvial en sectores, el rendimiento de cosecha, el engorde de ganado, la recuperacin de material valioso de un mineral, la transformacin de un producto, etc.

Y bo Y bo Y bo Y bo Y bo Y bo

bX bi X i bi X i bii X ii
2

bij X ij

bLogX bi X b j1/ X bii X ii


2

Y 1 / bo bX

Y 1 / bo bi X i ... bn X n

bi X i

bij X ij

2 Y 1 / bo bi X i bij X ij bij X ij

LogY bo LogY bo

bX bLogX

En este caso, el problema fundamental consiste en el aislamiento de los datos experimentales con ayuda de curvas especialmente elegidas llamadas lneas o superficie de regresin que con mayor o menor seguridad caracteriza la dependencia de correlacin entre las variables en observacin.
70

ESTADISTICA EXPERIMENTAL Aplicada a ciencia e ingeniera Las funciones ms usadas en el anlisis de regresin estadstica son: IV. MODELO DE REGRESIN LINEAL CON K VARIABLES Generalizando el modelo de regresin lineal de dos y tres variables, el modelo de regresin de K-variables que tiene la variable dependiente Y y K- 1 variables independientes X1, X2, , Xk, puede escribirse de siguiente manera.

Y bo bi X i ... bk1 X k1 i
Donde: bo es el intercepto bi a bk-1 son las pendientes, y i la perturbacin La regresin lineal se debe interpretar como ya se ha visto, nos proporciona la media o valor esperado de Y condicional a los valores fijos (en muestras repetidas) de X1, X2, ..., Xk-1 es decir E(Y/X1,X2, ..., Xk-1) V. REGRESIN LINEAL SIMPLE

Determina la relacin entre una sola variable de regresin X y la respuesta Y. Usualmente se supone que la variable X es continua y controlada por el investigador. Si el experimento esta diseado se eligen los valores X y se observan los valores correspondientes a Y. El valor esperado de Y para cada valor de X es:

E(Y / X ) bo bX
En donde los parmetros de la recta bo son constantes desconocidas. Se supone que cada observacin Y puede describirse mediante el modelo,

Y bo

bX

Donde es un error aleatorio con media cero y varianza 2. Los parmetros del modelo bo y b pueden estimarse mediante mnimos cuadrados si se tiene n pares de datos. 71

Palacios C. Severo Ejemplo 2.23 El forjado de hierro a cierta temperatura afecta en la dureza del templado, para investigar esta relacin se ha tomado las siguientes muestras:
X Y 6 68 9 67 11 65 13 53 22 44 26 40 28 37 33 34 35 32

X 183 X 4665 Y 440 Y 23232 XY 7701 X 20,33 Y 48,89

Suma de cuadrados de los factores:


2 S X 1 / 84665 1 / 9183 118

S Y2 1 / 823232 1 / 9440 215,11

Suma de cuadrados de los productos cruzados


S XY 1/ 87701 1/ 9183(440) 155,71

S YY 1 / 823232 440 / 9 215,11

La pendiente es:
b1 155,71 / 118 1,32

En el origen:
bo Y 48,89

Y Y bi X X
Y 48,89 1,32 X 20,33

Y 75,73 1,23X
72

ESTADISTICA EXPERIMENTAL Aplicada a ciencia e ingeniera La prueba de significanca de regresin de los datos, es:
Fuente Regresin Error Total Tabla 2,5 Anlisis de varianza SC GL CM Fo Ft(99%) 205,53 1 205,53 150,153 > 12,2 9,58 7 1,3688 215,11 8 R = 95,54%

VI. REGRESIN LINEAL MLTIPLE Muchos problemas de regresin en la vida real son con ms de dos variables. El problema general se ajusta al modelo lineal,
Y bo b1 X 1 b2 X 2 ... bk X k

Se conoce como regresin lineal mltiple. El mtodo de mnimos cuadrados se usa para estimar los coeficientes de regresin, las ecuaciones normales en el mtodo son:
Nbo X 1bo X 2bo X 3bo X 1b1 X b
2 1 1

X 2b2 X 1 X 2b2
2 X 2 b2

X 3b3 X 1 X 3b3 X 2 X 3b3 X 32b3

Y X 1Y X 2Y X 3Y

X 1 X 2b1 X 1 X 3b1

X 2 X 3b2

Ejemplo 2.24 Determine la funcin mltiple de la relacin entre dos factores X1 y Xz a partir de los siguientes datos:
X1

X2

4 7 9 12 32

1 2 5 8 16
X1 8

Y 7 12 17 20 56

X 12

X 22

X1X 2

X 1Y

X 2Y

16 49 81 144 290
X2 4

1 4 25 64 94

4 14 45 46 159

28 84 153 240 505


Y 14

7 24 85 160 276

Ecuacin normal
4bo 32bo 16bo 32b1 16b2 290b1 159b2 159b1 94b2 56 505 276

Resolviendo la determinante obtenemos los coeficientes: 73

Palacios C. Severo
bo = 0,6440 b1 = 1,6610 b2 = 0,0169

Resultando el modelo lineal mltiple


Y 0,644 1,661X 1 0,0160 X 2

El procedimiento para el anlisis de varianza es:


Fuente Regresin Error Total Tabla 2.6 Anlisis de varianza SC GL CM Fo Ft(95%) 95,556 2 47,778 19,55 > 19 2,444 1 2,444 98,000 3 R = 97,51%

Se concluye que al menos una variable afecta significativamente a la regresin.


Fuente Regresin bo b1 b2 Error Total Tabla 2.7 Anlisis de varianza SC GL CM Fo 95,556 2 47,778 19,55 784,000 1 784,000 320,78 11,036 1 11,036 4,52 0,001 1 0,001 <1 2,444 1 2,444 894,007 6 Ft(95%) 19 161 161

> > <

VII. REGRESIN POLlNOMIAL La aplicacin prctica de la regresin polinomial tiene un objeto esencial el incremento de los grados de alisamiento que exige realizar de nuevo todos los clculos. En este caso es til emplear los polinomios ortogonales en el modelo:
Y bo bi X i
2 bij X ij bij X ij

Aplicando el criterio de mnimos cuadrados, igualando a cero las derivadas parciales de Y con respecto a los coeficientes bo, b1,.. .,b12, reacomodando algunos trminos, se tiene las k+1 ecuaciones normales.

74

ESTADISTICA EXPERIMENTAL Aplicada a ciencia e ingeniera Resolviendo el sistema, por cualquier mtodo, se obtiene bo, b1, b2,..., b12 que son los estimadores mnimos cuadrados que nos permiten estimar Y a partir de la ecuacin matriz.
Nbo X 1bo X 2 bo
2 X 1 bo 2 X 2 bo

b1 X 1 b1 X 12 b1 X 1 X 2 b1 X 13 b1 X 1 X 22 b1 X X 2
2 1

b2 X 2 b2 X 1 X 2 b2 X 22 b2 X 12 X 2
3 b2 X 2

b11 X 12 b11 X 13 b11 X 12 X 2 b11 X 14 b11 X 12 X 22


2 2

b22 X 22 b22 X 1 X 22
3 b22 X 2

b12 X 1 X 2 b12 X 12 X 2 b12 X 1 X 22 b12 X 13 X 2


3 b12 X 1 X 2 3 2

Y X 1Y X 2Y X 12Y X 22Y X 1 X 2Y

b22 X 12 X 22 b22 X 24 b22 X 1 X

X 1 X 2 bo

b2 X 1 X

b11 X X 2
3 1

b12 X X
2 1

2 2

Las pruebas estadsticas son las mismas que para los casos de regresin mltiple con slo dos cambios en los grados de libertad, en lugar de un F con (r-2, n-r) grados de libertad tendremos una F con (r-k-1, n-r) grados de libertad, donde k es el grado del polinomio que se ajusta. VIII. REGRESIN POLINOMIAL CUADRTICO Un polinomio de grado k en una variables
Y bo bi X i bii X ii2 bij X ij

que se aplica para estimar los efectos polinomiales de un factor cuantitativo. Ejemplo 2.25 Ajustar los siguientes datos a un polinomio de segundo orden restando mil al factor X y 23,2 al factor Y, para facilitar los calculas:
X Y 850 0 860 8,2 870 16,6 890 27 890 39,7 900 52,8 910 68,6 920 82,5 930 99,6 940 108,5 950 128,5

desarrollando un artificio matemtico para X, siendo


X 1 X 900 / 10
X1 Y -5 0 -4 8,2 -3 16,6 -2 27 -1 39,7 0 52,8 1 68,6 2 82,5 3 99,6 4 108,5 5 128,5

X 0
2 X 110

75

Palacios C. Severo
XY 1429,8
2 X Y 9209 Y 886,8

11bo 0bo 11bo

0b1 11b1 0b1

110b2 0b2 1958b2

886,8 1429,8 9290

resultando los coeficientes


bo = 76,64 b1 = 13 b2 = 0,3974

el modelo polinomial de segundo orden es:


Y 76,64 16 X 0,3974X

reemplazando con el valor original

Y 1195278 13,8X 0,003474X ,


IX. REGRESIN NO LINEAL Es una prctica comn de la ingeniera bosquejar parejas de datos sobre varias clases de hojas para graficar, con el fin de determinar si para una escala de transformacin adecuada, los puntos caern cerca de una lnea recta. De ser as el tipo de transformacin nos lleva a una forma funcional de la ecuacin de regresin y las constantes necesarias pueden determinarse aplicando el mtodo de mnimos cuadrados a los datos transformados. S un conjunto de datos que consta de n puntos se linealiza cuando son graficados sobre el papel semi logartmico indica que la curva de regresin es exponencial para cualquier X considerada, la medida de la distribucin de las Y est dada por X, entonces la ecuacin predictiva ser:

LogY Log XLog


Ejemplo 2.26 Una fabrica de llantas decide analizar una variedad de sus productos para saber cuanto tiempo se puede usar despus de un recorrido estndar.
76

ESTADISTICA EXPERIMENTAL Aplicada a ciencia e ingeniera


Recorrido Porcentaje 1 98,2 2 91,7 5 81,3 10 64 20 36,4 30 32,8 40 17,7 50 11,3

X X Log Y XLog Y

= = = =

158 5530 130312 2121224

130312 2121224

8 Logb o 158 Logb o

158 Logb 5530 Logb

cuya solucin es

LogY 2,002 0,0188X


en forma exponencial: Y 100(0,96) X X. COEFICIENTE DE CORRELACIN MLTIPLE R2

En el caso de dos variables se define R2 como la bondad de ajuste de la ecuacin de regresin; es decir, nos da la proporcin o porcentaje de variacin total en la variable dependiente Y explicada por las variables independiente X. Este sentido de R2 puede fcilmente extenderse a modelos de regresin de ms de dos variables. Por consiguiente, en el modelo de tres variables estamos interesados en conocer la proposicin de las variables en Y explicada conjuntamente con las variables X1 y X2. El valor que nos da esta informacin se conoce como el coeficiente de correlacin mltiple y se denota por R2, conceptualmente es igual que R2. La suma total de cuadrados es igual a la suma de cuadrados de las dependientes ms la suma de cuadrados residuales. Por definicin.

R SCerror / SCtotal
Dado que los valores de la ecuacin son generalmente computados en forma rutinaria, R2 puede calcularse fcilmente. Note que R2 esta comprendido entre 0 y 1. Si es uno, significa que la lnea de regresin ajustada explica el ciento por ciento de la variacin de Y. De otro lado, si es cero, el modelo no explica nada de la variacin en Y. Tpicamente, sin embargo, R2 esta entre estos valores extremos. 77

Palacios C. Severo

Se dice que el ajuste del modelo es mejor mientras ms cerca de uno est R2. XI. PRUEBAS DE SIGNIFICANCIA No podemos utilizar la prueba t para verificar la hiptesis conjunta segn la cual las pendientes de las distintas variables son simultneamente cero. Sin embargo esta hiptesis conjunta puede verificarse mediante la tcnica de ANAVA y puede demostrarse del modo siguiente. Recordemos la identidad (ver el libro Manual de la Teora del Diseo Experimental publcado por el Autor).

SCtotal SCerror SCresidual


SCtotal tiene como es costumbre N-1 grados de libertad. SCresidua tiene N-3 grados de libertad por motivos ya conocidos y SCerror tiene 2 grados de libertad en razn de que es funcin de b1 y b2.

Por lo tanto, siguiendo el procedimiento ANAVA, podemos elaborar las tablas.

F b1 Yi X 1i b2 Yi X 2i / 2/ i2 /( N 3)
Fuente Regresin Error Total Tabla 2.8 Clculo de anlisis de varianza SC GL CM
b1 Y1 X 1i b2 Y2 X 2 i
i
2

N 3 N 1

SC / GL

SC / GL / 2

Fo

2 Yi

R =

b1 Y1 X 1i b2 Y2 X 2 i / Yi 2

Puede demostrarse ahora que bajo el supuesto de que los i distribuidos normalmente y de que la hiptesis nula b1=b2=0, la variable. La aplicacin prctica de la regresin tiene por objeto esencial el incremento de los grados del modelo, el alizamiento exige realizar calculas precisos. Para estimar los parmetros:

Y , bo , b1 , b2 ,..., b11 , b22 ,..., b12 ,..., b13


78

ESTADISTICA EXPERIMENTAL Aplicada a ciencia e ingeniera Para obtener los coeficientes aplicamos las matrices aqu detalladas, FUNCIN MATEMTICA: DISEO FACTORIAL 22
Y
X1 X2

X 12

X 22

X1 X 2

X 1Y

X 2Y

Y1 Y2 Y3 Y4
Y

1 1 1 1 4

+ +

+ +

1 1 1 1 4

1 1 1 1 4

+ +

X 1Y

+ +

X 2Y

+ +

Nbo X 1bo X 2 bo

b1 X 1 b1 X
2 1

b2 X 2 b2 X 1 X 2 b2 X
2 2

Y X 1Y X 2Y

b1 X 1 X 2

Ejemplo 2.27 Evalu los datos


4bo = 300 4b1 = 30 4b2 = 10 bo = 75 b1 = 7,7 b2 = 2,5

Y 65 80 70 85 300

X1Y - 65 + 80 - 70 +85 30

X2Y - 65 - 80 + 70 + 85 10

Resultando el modelo
SCtotal 9,32 9,42 ... 102 10,22 153,4 /16 1,18
2

FUNCIN MATEMTICA: DISEO FACTORIAL 23


Y
X1 X2 X3

X 12

X 22

X 32

X 1Y

X 2Y

X 3Y

Y1 Y2 Y3 Y4 Y5 Y6 Y7 Y8
Y

1 1 1 1 1 1 1 1 8

+ + + +

+ + + +

+ + + +

1 1 1 1 1 1 1 1 8

1 1 1 1 1 1 1 1 8

1 1 1 1 1 1 1 1 8

X 1Y

+ + + +

X 2Y

+ + + +

X 3Y

+ + + +

Nbo X 1bo X 2 bo X 3bo

b1 X 1 b1 X 12 b1 X 1 X 2 b1 X 1 X 3

b2 X 2 b2 X 1 X 2 b2 X 22 b2 X 2 X 3

b3 X 3 b3 X 1 X 3 b3 X 2 X 3 b3 X 32

Y X 1Y X 2Y X 3Y

79

Palacios C. Severo

Ejemplo 2.28 Evalu los datos


8bo = 548,74 8b1 = - 0,86 8b2 = 4,24 8b3 = - 2,48 bo = 68,59 b1 = - 0,11 b2 = 0,53 b3 = - 0,31

Y 68,72 69,06 69,44 67,75 67,93 68,73 68,72 68,39 548,74

X1Y

X2Y

X3Y

- 0,86

4,24

- 2,48

el modelo es:

Y 68,59 0,11X 1 0,53 X 2 0,31X 3


FUNCIN MATEMTICA: DISEO HEXAGONAL
Y
X1 X2

X 12

X 22

X 14

X 24

X 12 X 22

X 12Y

X 22Y

X 1Y

X 2Y

X 1 X 2Y

Y1 Y2 Y3 Y4 Y5 Y6 Y7 Y8 Y9

1 1 1 1 1 1 1 1 1 9

2,9

2,3

2,3

0,75

Para mayor detalle ver el tpico de Diseo Hexagonal. FUNCIN MATEMTICA: DISEO COMPUESTO CENTRADO DE DOS FACTORES
Y
X1 X2

X 12

X 22

X 12Y

X 22Y

X 1Y

X 2Y

X 1 X 2Y

Y1 Y2 Y3 Y4 Y5 Y6 Y7 Y8 Y9 Y10 Y11 80

1 1 1 1 1 1 1 1 1 1 1

ESTADISTICA EXPERIMENTAL Aplicada a ciencia e ingeniera


Y12 Y13 1 1 13

Problemas

(97) Se dan los datos correspondientes al tiempo de secado de cierto barniz y a un aditivo que reduce el tiempo de secado, al aplicarlo sobre un producto que es novedoso. (98) Se realiza un tratamiento a un cierto tipo de aleacin, requiriendo cierta fuerza de ruptura, dicho producto es una pieza como parte de un componente de autopartes.
Fuerza Aleacin Fuerza Aleacin 38 1 31 1 48 2 35 2 85 3 42 3 59 4 59 4 40 1 18 1 60 2 34 2 68 3 29 3 53 4 42 4 Barniz Secado 0 12 1 10,5 2 10 3 8 4 7 5 8 6 7,5 7 8,5 8 9

(99) Los datos corresponden al tiempo que tardan diez tcnicos en ensamblar computadoras por las maanas, los cuales trabajan 8 horas como jornada laboral. (100) Al problema (98) adicione otra aleacin siendo los datos: (101) Al problema (99) adicione los datos de trabajo en la tarde
Tarde 9,6 15,1 12,6 24,5 12,8 22,1 15,6 21,6 16,9 Aleacin Aleacin 5 15 5 15 5 15 5 15 10 20 10 20 10 20 10 20 Tiempo Maquina 11,1 10,9 10,3 14,2 12,0 13,8 15,1 21,5 13,7 13,2 18,5 21,1 17,3 16,4 14,2 19,3 14,8 17,9 15,3 19,0

(102) Un gerente de ventas tiene la responsabilidad de seleccionar nuevos vendedores. Con el fin de lograr una mejor seleccin posible de un grupo de aspirantes, diseo un test. Su objeto era predecir el volumen de ventas de un individuo sobre la base del puntaje. Sin embargo para determinar si exista alguna relacin entre su test y las ventas pidi a varios vendedores antiguos que se sometieran al test. En la tabla se registran los puntajes de sus respectivos test y sus ventas semanales.
Vendedor Nataniel Alberto Hugo Emilio Carlos Test 3 4 2 3 4 Venta semanal 5 7 4 6 4

20,6

a) Cul es la variable dependiente

81

Palacios C. Severo b) Represente grficamente con las variables independientes y dependientes. c) Determine la ecuacin de la recta. d) Si Nataniel es un aspirante al puesto a vendedor. Obtuvo 3 puntos en el test, sobre la base de la ecuacin de regresin. Cul ser la cifra de sus ventas semanales medias segn pronstico? e) Obtenga el coeficiente de correlacin e interprete. (103) Supongamos que una ecuacin de regresin mltiple es: Y 16,18 0,06 A 21,18B 2,14C 3,47D 0,7 E Qu significa el coeficiente 3,47 Qu significa cada uno de los coeficientes de los factores Qu significa 16,18 en la ecuacin de regresin Si todos los factores se hacen cero cual es el valor inicial con que se empieza el desarrollo de la ecuacin de regresin. (104) Interprete un coeficiente de correlacin igual a 0,99 0,98 0,88 0,79 0,67 0,56 0,45 -0,89 -0,78 -0,06

82

ESTADISTICA EXPERIMENTAL Aplicada a ciencia e ingeniera

3
PRINCIPIOS DE DISEO EXPERIMENTAL
(...) Demostrar que la realidad nos pasa delante de los ojos como un relato, en el que hay dilogos, enfermedades, amores, adems de estadsticas y discursos. Tom Wolfe

I.

INTRODUCCIN

Disear estadsticamente un experimento, es realizar una prueba o

una serie de pruebas, buscando caracterizar las variables o factores de mayor influencia en un ensayo de inters, evaluado a travs de varias variables respuesta tal que, si deliberada o sistemticamente se introducen cambios controlados en algunas de las variables explicativas del proceso, siempre sea posible observar o cuantificar los cambios que stos generan en las variables respuesta buscando adicionalmente, minimizar el efecto de las variables no controlables, procurando con ello estabilizar y minimizar la variabilidad de las respuestas. Aunque la aplicacin o uso del diseo experimental se da en cualquier rea del conocimiento, este debe cumplir las siguientes fases: 1. Caracterizacin de un proceso. En esta fase, se busca determinar los rangos de las variables o factores controlables de mayor influencia en las variables respuesta que a la vez minimizan el efecto de las variables no controlables (factores o variables). 2. Depuracin y optimizacin de un proceso ya caracterizado. En esta fase se hallan los niveles de los factores estudiados que proporcionan la respuesta ptima a la solucin del proceso caracterizado en la fase anterior.

83

Palacios C. Severo En cualquier aplicacin de la estadstica en el diseo y anlisis de un experimento, es necesario que quienes lo desarrollen entiendan claramente el problema objeto de estudio, que posean un amplio conocimiento del material experimental a usar, que conozcan las posibilidades existentes para procesar los datos y adems posean el conocimiento estadstico necesario para interpretar adecuadamente los resultados del experimento. II. TIPOS DE EXPERIMENTOS

Se clasific los experimentos como pertenecientes a dos tipos. a) El experimento absoluto en el cual el inters principal es la estimacin y las propiedades fsicas de la poblacin a ser estudiada. Estas propiedades se esperan que sean constantes, de ac el trmino absoluto. En estos experimentos un factor singular es estudiado frecuentemente para examinar un nmero reducido de niveles de un factor. La seleccin de los tratamientos se hace generalmente mediante procesos aleatorios, por tanto, si el experimento puede ser repetido, el mismo grupo de tratamientos no necesariamente ser utilizado. Por esta razn, el tratamiento es considerado una variable aleatoria y el modelo sealado es un modelo de efectos aleatorios o Modelo II, bajo el cual se detectan y estiman componentes de variacin asociada a una poblacin compuesta. b) El experimento comparativo. Frecuentemente cuando se estudia un grupo de tratamientos, los resultados absolutos varan errticamente mientras que los resultados relativos permanecen razonablemente estables. En tales situaciones es posible establecer, que en circunstancias similares se espera que ciertos tratamientos sean sustancialmente mejores que otros. En tales campos de la experimentacin, los experimentos tienden a ser comparativos y tienen un inters secundario dado por los resultados absolutos. La teora estadstica del diseo de experimentos se relaciona inicialmente con este tipo de experimentos. Los experimentos comparativos son bsicamente experimentos en los cuales los tratamientos se comparan por sus efectos medios sobre una variable respuesta con el objeto principal de determinar cul de ellos es mejor en algn sentido. El propsito de este tipo de experimento es proveer informacin necesaria para tomar decisiones administrativas satisfactorias. La principal caracterstica de este tipo de experimentacin es que todos los tratamientos de inters estn incluidos en el expe84

ESTADISTICA EXPERIMENTAL Aplicada a ciencia e ingeniera rimento. Consecuentemente, la estructura matemtica bsica es el modelo de efectos fijos ya que bajo experimentos repetidos se seleccionaran los mismos tratamientos. En este caso, es de inters la deteccin y estimacin de relaciones constantes entre las medias del universo de objetos considerados, Para estos modelos, el inters primordial es probar varias hiptesis relacionadas con las medias de los tratamientos. El experimento comparativo comienza con un planteamiento exacto del problema a ser resuelto. Esto es, se debe hacer una especificacin detallada de los objetivos del experimento con una formulacin precisa de la hiptesis a probar. Es insuficiente solamente establecer en forma simple comparar estos tratamientos. Esta especificacin define la poblacin a la cual las conclusiones sern aplicadas, determina los factores, tratamientos y sus niveles, especifica las variables respuesta a ser medidas y establece las diferencias crticas a ser detectadas. Sin estas especificaciones, ningn experimento podr ser diseado adecuadamente. Como lo fundamental en la decisin sobre las hiptesis son los experimentos planeados, es necesario que se tenga en cuenta las siguientes caractersticas generales para estos ensayos. 1. Simplicidad: Ac se debe tener en cuenta que tanto la seleccin de los tratamientos como la disposicin experimental deber hacerse lo ms simple posible. 2. Grado de precisin: El experimento deber tener la capacidad de medir diferencias entre tratamientos con los grados de precisin que desee el investigador. Para cumplir con este propsito se deber tener entonces un diseo apropiado y un nmero de repeticiones adecuado. 3. Ausencia de error sistemtico: Se debe planear un experimento con el propsito de asegurar que las unidades experimentales que reciban un tratamiento no difieran sistemticamente de aquellas que reciben otro, procurando de esta manera obtener una estimacin insesgada del efecto de tratamientos. 4. Rango de validez de las conclusiones: Las conclusiones debern tener un rango de validez tan amplio como sea posible. Los experimentos que contribuyen a aumentar ste rango son los experimentos replicados y los experimentos con estructuras factoriales. 85

Palacios C. Severo 5. Clculo del grado de incertidumbre: En todo experimento existe algn grado de incertidumbre en cuanto a la validacin de las conclusiones. El experimento deber ser concebido de modo que sea posible calcular la posibilidad de obtener los resultados observados debidos nicamente al azar. UNIDADES EXPERIMENTALES Y MUSTRALES

III.

El elemento bsico en los experimentos comparativos es la unidad experimental. Este concepto se usar en la siguiente definicin. Los elementos sobre los cuales se hacen las mediciones y a los cuales un tratamiento puede ser asignado independientemente se denomina unidad experimental y al conjunto de unidades experimentales se les denomina material experimental. Cada unidad experimental contiene una o ms unidades mustrales en las cuales las condiciones experimentales planeadas previamente se realizan. Ejemplo 3.29 a) En un experimento agrcola para evaluar el rendimiento de algunas variedades de olivo, la unidad experimental puede ser una porcin de terreno de tamao ptimo preestablecido, usualmente denominada parcela, o un nmero de plantas o un nmero de mazorcas. b) En un estudio farmacutico, un paciente sometido a un tratamiento de un frmaco puede ser considerado como una unidad experimental. c) En un trabajo de plaguicida la unidad experimental puede ser un insecto, una colonia o toda una especie. En general la definicin de la unidad experimental depende de los objetivos de la investigacin. Por definicin, las unidades experimentales deben estar en capacidad de recibir diferentes tratamientos. En la conduccin del experimento existen dos grupos de variables. 1) Las variables respuestas que proporcionan las mediciones del experimento, las cuales varan debido a la diversidad presente entre las unidades experimentales. 2) Las variables explicativas que influyen en las respuestas y que se denominan factores. Entre estos existen los denominados factores de clasificacin que segn sus valores definen los niveles de clasificacin sobre los cuales se hace la inferencia.
86

ESTADISTICA EXPERIMENTAL Aplicada a ciencia e ingeniera Por su naturaleza las unidades mustrales de la misma unidad experimental deben recibir el mismo tratamiento, consecuentemente la asignacin del tratamiento a estas unidades mustrales no es independiente. Esta distincin es importante dado que para hacer inferencia sobre los efectos del tratamiento, se requiere tener un conocimiento de la estimacin de la variabilidad inherente al material experimental, esta variabilidad es conocida como el error experimental. Esta estimacin es dada por la variacin entre unidades idnticamente tratadas las cuales inicialmente pudieron haber sido tratadas de manera distinta. Solo la unidad experimental considerada como un todo satisface este requisito. La variacin entre las unidades experimentales provee una estimacin del error experimental. En general, la variacin entre unidades mustrales dentro de las unidades experimentales es un valor muy pequeo al calcular los errores de estimacin de los efectos del tratamiento. IV. FUENTES DE VARIACIN

Los tratamientos se asignan a las unidades experimentales para determinar si tienen un efecto sobre la respuesta de inters. Cualquier efecto podr resultar en diferencias sistemticas de respuesta entre unidades experimentales. Ser obvio que para detectar estas diferencias, las unidades experimentales debern ser lo ms homogneas posibles; esto es, que la variacin entre unidades experimentales uniformemente tratadas va a ser menor en relacin con las diferencias de tratamiento. Si esto no ocurre, la variacin de las unidades experimentales pueden resultar en un fracaso para encontrar diferencias de tratamientos; los cuales van a ser importantes para la investigacin. Desafortunadamente, las unidades experimentales generalmente no sern homogneas porque, ellas poseen diferentes propiedades fsicas inherentes para una o ms caractersticas. Frecuentemente detrs del control del experimentador, estos factores inherentes causan diferencias sistemticas entre las unidades experimentales creando fuentes de variacin no deseadas. Estas fuentes son de escaso inters prctico y no estn relacionadas con el estudio. Por esta razn, se conocen como fuentes extraas de variacin. No es necesariamente cierta que todas estas fuentes de variacin sean conocidas por el experimentador. Sabemos que estos factores pueden ser usados para clasificar las unidades experimentales en subgrupos ms homogneos, aunque tambin 87

Palacios C. Severo son conocidos como factores de clasificacin, hasta tanto ellos sean de inters para el experimentador. Mientras el error experimental es una variacin aleatoria, no toda variacin aleatoria es error experimental. La variacin entre unidades mustrales dentro de las unidades experimentales es tambin una variacin aleatoria, pero, no debe drsele mucho valor al juzgar los efectos de los tratamientos. Los tratamientos son parte de la estructura de la unidad experimental y hay una diferencia bsica entre la clasificacin y los factores de tratamiento. Los factores de clasificacin son propiedades inherentes a la unidad experimental y solo raramente pueden ser cambiados por el experimentador. Cada combinacin especfica de niveles de factores se denomina tratamiento. Ejemplo 3.30 Se planea un experimento para evaluar el rendimiento de un tubrculo en funcin del tipo de variedad V1, V2 y V3 y los nutrientes N y P a los niveles (10; 30) y (20; 40) respectivamente. Los posibles 12 tratamientos VNP son:
(V1 ,10,20) (V2 ,10,20) (V3 ,10,20) (V1 ,30,20) (V2 ,30,20) (V3 ,30,20) (V1 ,10,40) (V2 ,10,40) (V3 ,10,40) (V1 ,30,40) (V2 ,30,40) (V3 ,30,40)

El concepto de tratamiento implica que: 1. Cualquier unidad experimental esta en capacidad de recibir cualquier tratamiento. 2. La asignacin de tratamientos a la unidad experimental esta bajo el control del experimentador. Bajo esta definicin, en un experimento que compare medicamentos por ejemplo, el gnero nunca podr ser considerado como un factor (tratamiento). El gnero de un sujeto particular es una propiedad intrnseca del sujeto que no podr ser asignado al experimentador. Los medicamentos, sin embargo, constituyen un tratamiento dado que a cada sujeto incluido en el estudio (unidad experimental) se le puede asignar un medicamento.
88

ESTADISTICA EXPERIMENTAL Aplicada a ciencia e ingeniera La distincin entre tratamiento y factores de clasificacin no es absoluta. Estos tratamientos sern aplicados a muestras de madera con superficies speras o suaves. La superficie de madera no representa un factor tratamiento a menos que el experimentador pueda especificar los tipos de superficies de las piezas. As, si el experimentador tiene una oferta de pedazos speros de madera y puede decidir cuales son suaves, entonces el tipo de superficie ser un factor tratamiento. Si el tipo de superficie es una propiedad intrnseca de las especies maderables elegidas, entonces ser un factor de clasificacin. Como afirman Cochran y Cox (1957), los tratamientos deben tener las siguientes particularidades: 1. Presentar la finalidad, es decir si pretende simplemente mostrar al ganador entre los diferentes tratamientos o si adems se desean encontrar indicios acerca del comportamiento de los tratamientos. Un caso particular, es el ensayo con un fertilizante compuesto de dos sustancias A y B principalmente. El resultado no muestra si la efectividad del fertilizante se debe a alguno de los dos componentes o a los dos conjuntamente. Ser necesario un experimento ms extenso, con tratamientos adicionales que den luces sobre ste hecho. Si el propsito es encontrar el mejor de los tratamientos prcticos, entonces ciertos tratamientos pueden omitirse por su no practicidad. 2. La respuesta en algunos casos, puede deberse a las condiciones bajo las cuales se aplica un tratamiento dependiendo del medio circundante a este, tal vez habr un favorecimiento en su efecto sobre las unidades experimentales. Esta situacin es muy frecuente en trabajos con sustancias qumicas aplicadas sobre suelos, en los que su efecto sobre las plantas se ve comprometido con los componentes del terreno, o de las plantas mismas. Luego debe decirse si habr controles sobre el terreno, por ejemplo homogenizando el suelo mediante la aplicacin de estos componentes en cantidades considerables (estas decisiones se toman previo un anlisis de suelos). No se debe perder de vista la poblacin sobre la cual se desea hacer inferencia, porque un procedimiento como el descrito, tal vez cambie la poblacin objetivo. 3. Los tratamientos propuestos, generalmente no son los que en la prctica se prueban. Por desconocimiento, por descuido, por materiales, instrumentos, etc., se obtienen tratamientos diferentes a los de inters. Un caso muy comn es cuando un tratamien89

Palacios C. Severo to est definido para ser aplicado de una forma especfica y resulta aplicndose de otra; por ejemplo una sustancia para controlar plagas, la cantidad aplicada puede ser alterada, o el momento de su aplicacin puede ser diferente. Aqu, de una parte se ha modificado la dosis, y de otra, el tiempo hace que los animales a controlar estn posiblemente en una etapa de su desarrollo diferente a la prevista. Siendo extremistas, se puede afirmar que la mayora de los tratamientos en el acto no corresponden a la definicin original; por ms cuidado que se tenga en mantener una cmara de muchas temperaturas, se procura naturalmente, que estas estn muy cerca de 20oC durante el ensayo, por ejemplo. 4. En muchos experimentos se presenta la necesidad de un tratamiento testigo o control. Este trmino se refiere a un tratamiento en el que no se tiene un inters particular, pero puede servir de comparacin para revelar si los dems tratamientos son efectivos. Se recomienda la inclusin de un testigo cuando las condiciones fsicas, qumicas, ambientales, etc., donde se apliquen los tratamientos enmascaran la relevancia de stos; por ejemplo, el caso donde la fertilidad de un terreno sea muy alta tender a esconder el efecto del nutriente adicional. Otras situaciones se presentan en animales, en los cuales sus rasgos genticos, condiciones fisiolgicas o morfolgicas, no revelarn claramente la efectividad de las dietas en la ganancia de peso. Otra justificacin para la consideracin de un testigo suele ser cuando existe un desconocimiento muy alto acerca de la efectividad de los tratamientos objetos de estudio. V. CONTROL DE LA VARIACIN DEL NO TRATAMIENTO

Para hacer valida la comparacin entre tratamientos, se deben separar los efectos de fuentes extraas de variacin de los efectos de tratamientos y de la estimacin del error experimental. Si esto no se puede hacer, se obtendrn estimaciones sesgadas tanto de las diferencias de tratamientos como del error experimental. Lo que se necesita son mtodos a travs de los cuales la variacin debida a fuentes distintas a los tratamientos sea controlada, de tal forma que los efectos de tratamiento puedan ser estimados en forma segura y adecuada. Los mtodos que hacen esta distincin, estn referenciados en forma conjunta como control del error.

90

ESTADISTICA EXPERIMENTAL Aplicada a ciencia e ingeniera El objetivo principal de estos mtodos, es obtener un estimador insesgado del error experimental resultante de mejorar la precisin asociada con la estimacin de diferencias de tratamiento. Estos mtodos pueden ser tcnicos (experimentales) o estadsticos. Los mtodos tcnicos son aquellos impuestos por el experimentador. Seleccin de ms unidades experimentales homogneas. Esto incluye hacer condiciones ambientales ms uniformes para mantener las variables potenciales constantes. El criterio para la seleccin del material deber ser el de obtener el mximo beneficio con unos recursos dados (generalmente escasos). Sin embargo, el experimentador esta limitado a la disponibilidad de material con el cual debe realizar el estudio, aunque tenga pocas alternativas de eleccin en la unidad experimental a ser usada. Consecuentemente, el uso de ms unidades experimentales homogneas no siempre es posible. Las unidades experimentales deben ser lo ms representativas de la poblacin para la cual el experimento va a sacar conclusiones. Por esta razn, controlando experimentalmente algunos factores extraos y mantenindolos constantes en algn valor especfico puede seriamente limitar la aplicabilidad de los resultados experimentales. La tcnica experimental es responsabilidad del experimentador y debe ser siempre examinada para asegurar que esta sea lo ms precisa posible. En la mayora de ocasiones, la variabilidad asociada con una tcnica determinada es relativamente pequea, y hasta ahora solo se ha podido obtener un muy limitado mejoramiento en la precisin del experimento. Hay casos, donde los errores de tcnica aumentan considerablemente la variabilidad. Tales errores deben prevenirse pero no sobredimensionarse. Las tcnicas estadsticas son mtodos que deben obtener ventajas de las caractersticas de las unidades experimentales (diseo experimental) y cuando hay informacin disponible adicional de tipo cuantitativo o cualitativo se tienen ms ventajas. Una funcin bsica de los diseos de experimentos es la de reducir la necesidad de control exacto del ambiente experimental, dado que el control de dichos factores es costosa y tediosa. Es a travs del diseo de experimentos que las fuentes conocidas de variabilidad se controlan. Esto se consigue arreglando las unidades experimentales en subgrupos ms homogneos conocidos como bloques los cuales estn basados en valores comunes de los factores de clasificacin. Haciendo esto, algunas de las variaciones naturales entre unidades experimentales son asociadas con otro factor 91

Palacios C. Severo cuya contribucin a la estimacin del error experimental puede ser eliminada. En muchos experimentos la precisin de la comparacin de tratamientos puede ser aumentada usando variables concomitantes y/o auxiliares, este tipo de anlisis, conocido como el anlisis de varianza se recomienda usar cuando la variacin entre unidades experimentales es, en parte, debida a la variacin en algn otro carcter medible no suficientemente controlable, para ser usada en la asignacin de unidades experimentales a los bloques sobre las bases de resultados similares. Frecuentemente, la agrupacin de estas variables cuantitativas en bloques, construidos a partir de rangos de valores no es efectiva ya que la variacin dentro de bloques puede ser ms grande. Ms an, se puede requerir mucho ms grados de libertad para controlar este factor. Este aumento de los grados de libertad puede ser usado para estimar el error experimental. El control estadstico a travs del uso del bloqueo y/o el anlisis de la varianza elimina la variacin debida a fuentes extraas conocidas. Es a travs de la aplicacin de la aleatorizacin, como las fuentes de variacin desconocidas para el experimentador pueden ser controladas. El concepto de aleatorizacin y su funcin se discuten mas adelante. Como ltima consideracin, el incremento en la repeticin, no reduce el error de la varianza, pero mejora la precisin de las estimaciones dado que el error estndar se disminuye proporcionalmente a la raz cuadrada del tamao de la muestra. Este incremento en la cantidad de reduccin que debe realizarse aumentando las replicaciones, solo deber realizarse cuando todas las dems opciones han sido eliminadas y la precisin deseada no ha sido obtenida. VI. PROPIEDADES DEL DISEO ESTADSTICO

Finney (1955) establece que por el diseo de experimentos se entiende: a) Especificaciones de las unidades experimentales a las cuales los tratamientos han sido aplicadas. b) Especificaciones de mediciones que pueden ser tomadas en cada unidad experimental. Seleccin de un grupo de tratamientos para comparacin. Mientras la responsabilidad principal es del experimentador, la estadstica contribuye respecto a la eleccin ptima de las combinaciones de tratamien92

ESTADISTICA EXPERIMENTAL Aplicada a ciencia e ingeniera tos a ser usadas, por ejemplo, en un experimento factorial fraccionado o en la exploracin de superficies de respuesta. Esto se conoce como un diseo de tratamientos. La asignacin de los tratamientos a las unidades experimentales (aleatorizacin), esto es lo que caracteriza el diseo estadstico de experimentos. El diseo estadstico de experimentos es esencialmente el plan para poner a funcionar el experimento, especificando el arreglo de las unidades experimentales en el tiempo y/o espacio y el patrn de observaciones que van a reportar informacin. El diseo, por lo tanto, es una secuencia compleja de etapas tomadas para garantizar que los datos sern obtenidos de la forma que permitan un anlisis objetivo, soportado en inferencias vlidas respecto al planteamiento del problema, el cual debe ser lo ms preciso posible y adems viable econmicamente. El diseo de un experimento es una funcin importante, dado que ninguna tcnica estadstica puede revelar informacin no implcita inicialmente en los datos. Para cualquier grupo de datos, el anlisis apropiado de los mismos es determinado por el diseo de experimentos. La habilidad, por lo tanto, de obtener un anlisis significativo se basa inicialmente en la forma en que se han recolectado los datos. Un buen diseo experimental, es aquel que proporciona la informacin requerida con el mnimo esfuerzo experimental. Muchos criterios han sido propuestos para contar con un experimento estadsticamente vlido. En general, los requisitos estadsticos para el buen diseo de experimentos son: Proveer estimaciones insesgadas para los efectos del tratamiento. Hasta donde es posible la comparacin de tratamientos deben estar libres de sesgos sistemticos. Es la comparacin de tratamientos el inters principal, por lo tanto es de primordial importancia que estas comparaciones reflejen diferencias debidas a los tratamientos, y no a las diferencias inherentes a las unidades experimentales. Es importante que el experimento este diseado para asegurar que las unidades experimentales que reciban un tratamiento especifico no difieran de otros tratamientos. 93

Palacios C. Severo Requerir que la precisin asociada con la estimacin de efectos este de terminada al mismo tiempo que las estimaciones mismas. En este sentido, el experimento esta auto contenido. Para esto, debe haber una medicin del error experimental. Esta estimacin es necesaria para asegurar la significanca estadstica de las diferencias de tratamientos. Si esta estimacin no es insesgada, se presentar una prdida de eficiencia del experimento lo cual conllevara a un desperdicio de tiempo, materiales y dinero. Si el experimento no provee una estimacin del error experimental, ser necesario usar una estimacin de un experimento previo. La validez del procedimiento se basa en el hecho que la magnitud del error experimental deber permanecer invariante desde el ltimo experimento (un supuesto que frecuentemente es insostenible).

Las comparaciones de tratamientos, deben de ser lo suficientemente precisas para detectar las mnimas diferencias de importancia prctica para el investigador. Cuando se comparan tratamientos, si existen unas mnimas diferencias esto proveer una ganancia real. As, si un tratamiento debe ser cambiado por otro, este debe ser mejor, aunque sea por una mnima diferencia. Claramente el experimento deber tener suficiente precisin para detectar tales diferencias o de lo contrario no tiene sentido realizarlo. La precisin de un determinado experimento depender de: 1. La variabilidad intrnseca del material experimental y de la precisin del trabajo experimental. 2. La cantidad de replicaciones del tratamiento, y 3. El diseo del experimento. Las conclusiones tienen un rango amplio de validez. Las condiciones encontradas en la prctica, nunca sern exactamente las obtenidas cuando se lleva a cabo el experimento. Deben procurarse que las conclusiones sobre los resultados del experimento se hagan sobre condiciones similares del experimento. Si las conclusiones se aplican, deber haber confiabilidad de que las condiciones donde se apliquen sean similares. Cumpliendo esto el experimento debe tener un rango amplio de validez. Entre ms amplio sea el rango de condiciones investigadas en el experimento, mayor ser la confiabilidad de estas conclusiones cuando no cumplan las condiciones de homogeneidad, en aquellos casos donde las condiciones sean algo distintas.
94

ESTADISTICA EXPERIMENTAL Aplicada a ciencia e ingeniera Se debe tener cuidado, para verificar que la organizacin del experimento no se torne muy compleja y tener en cuenta adems que si un grupo de tratamientos no es investigado totalmente, no se podrn obtener conclusiones significativas. El diseo debe ser lo ms simple posible para alcanzar los objetivos del experimento. La seleccin del diseo depende de la naturaleza de las fuentes de variacin en el material experimental. Se debe elegir el diseo ms simple posible que permita controlar adecuadamente la variabilidad conocida. A medida que el diseo experimental se torna ms complejo, hay una menor flexibilidad haciendo difcil la organizacin lo cual puede llevar a cometer errores cuando se realiza el experimento. Entre ms simple el diseo, ms fcil ser llevar a cabo ajustes por las equivocaciones que siempre suelen aparecer. Una consecuencia general de los experimentos comparativos es que puede conducir a decisiones administrativas, mientras es verdad que la hiptesis nula para igualdad de efectos de los tratamientos siempre ser rechazada dados determinados recursos, se debe recordar que el manejo de la no significanca implica equivalencia. Algunas acciones debern tomarse siempre sobre la base de los resultados obtenidos; bien sea, mantener todo tal cual o cambiar por un nuevo tratamiento. Las decisiones diarias son un proceso de dos etapas: 1. Examen (anlisis) de las probabilidades asociadas a los datos estimados con las conclusiones (accin estadstica). 2. Basados en estos resultados, se toma la decisin para implementar una accin (decisin de gestin). El trabajo del estadstico es el de presentar las probabilidades de la primera etapa lo ms acertadamente posible para lograr minimizar el nmero de decisiones incorrectas a tomar en la segunda etapa. Un buen diseo de experimentos puede ser obtenido al aplicar los principios bsicos establecidos por Fisher (1935). Ellos son: 1. Replicaciones de algunos o todos los tratamientos para estimar la magnitud del error experimental. 2. Aleatorizacin de los tratamientos a las unidades experimentales para tener as una estimacin vlida del error experimental 95

Palacios C. Severo as como estimaciones insesgadas de los efectos de los tratamientos. 3. El uso del control local de fuentes de variacin extraas conocidas a travs del uso de sub-grupos homogneos de unidades experimentales. En el diagrama de Fisher, segn las condiciones del experimento, se escoge el diseo experimental, se formula un modelo lineal apropiado y se lleva a cabo el anlisis estadstico basado en la escogencia del diseo y del modelo.

Diagrama de Fisher Principios de la experimentacin

Para mayor claridad se lleva a cabo en las siguientes secciones una explicacin ms amplia de estos principios. VII. REPLICACIN Es el proceso de repetir en condiciones similares el experimento para cada tratamiento se denomina replicacin. Cundo el nmero de replicaciones es igual para todos los tratamientos el diseo se denomina balanceado, en caso contrario se dice que es desbalanceado. Un nmero adecuado de replicaciones permite al experimentador obtener una estimacin del error experimental. La replicacin es la asignacin del mismo tratamiento a ms unidades experimentales, o sea que hace referencia al nmero de unidades experimentales de cada tratamiento, no al nmero de observaciones. El propsito de la replica es proveer una estimacin del error experimental. Se obtiene de comparar unidades experimentales tratadas igual pero que antes del experimento tenan la oportunidad de ser tratadas de manera diferente. Las mltiples mediciones tomadas en una unidad experimental no satisfacen esta definicin, dado que esto no es replicacin; las repeticiones reducen la variacin asociada con mediciones
96

ESTADISTICA EXPERIMENTAL Aplicada a ciencia e ingeniera y/o errores mustrales, pero no proveen ninguna informacin relacionada con los errores experimentales. Adems de proveer una estimacin de error experimental, las replicaciones aportan la precisin del experimento al reducir el error estndar asociado con la comparacin de tratamientos. Esto se desprende del hecho que la varianza de la media disminuye inversamente proporcional a la raz cuadrada del nmero de replicas. Esto provee una forma para controlar el tamao de la varianza del error. A pesar de que el incremento en el nmero de replicaciones da precisin a las estimaciones, stas no se pueden incrementar indefinidamente. Un punto para su disminucin se alcanza cuando el incremento en los costos de la experimentacin no es compensado con una reduccin en la varianza. Cuando el nmero de replicas se torna demasiado grande, y las diferencias entre tratamientos detectadas son demasiado pequeas, la importancia prctica que resulta es una prdida de recursos valiosos. Las replicaciones tambin proveen formas para incrementar el rango de las condiciones estudiadas en el experimento. No hay requisitos para que las replicaciones sean adyacentes en tiempo o espacio, dado que cuando se usan conjuntamente con el control local se puede investigar un mejor rango de condiciones experimentadas. VIII. ALEATORIZACIN La aleatorizacin es fundamental para que el diseo de un experimento sea vlido. Es el procedimiento que permite que cada unidad experimental tenga iguales condiciones para recibir cualquier tratamiento. Esto no significa que el experimentador podr escribir como quiera la identificacin de tratamientos (nombres o smbolos) en el orden que se le ocurra. La aleatorizacin es un proceso fsico que asegura que cada tratamiento tenga igual probabilidad de ser asignado a cualquier unidad experimental. Este es el punto en el cual, el procedimiento experimental con las leyes de azar son explcitamente introducidas. De acuerdo con Brownlee (1957) una de las principales contribuciones que el estadstico puede hacer es insistir en la aleatorizacin del experimento. La aleatorizacin es necesaria ya que provee las bases para obtener un tests vlido de significanca al destruir cualquier sistema de corre97

Palacios C. Severo lacin que pueda existir entre las unidades experimentales. Un supuesto valido que resalta el anlisis de varianza es que los errores experimentales son independientes. Es bien sabido que los errores asociados con las unidades experimentales adyacentes en tiempo y/o espacio estn correlacionados. Una correlacin positiva entre las unidades experimentales va a tener una mayor varianza del tratamiento que si las observaciones fueran independientes. Consecuentemente la probabilidad del error tipo I ser mayor que el valor preestablecido. Con una correlacin negativa, los efectos son opuestos a aquellos con una correlacin positiva. Con la asignacin de tratamientos al azar con las unidades experimentales, posiblemente sujetas a las restricciones, el efecto de la correlacin se disminuye entre las unidades experimentales. La aleatorizacin no hace que los errores sean independientes pero asegura que, en promedio, las correlaciones sean cero. Como resultado, los datos pueden ser analizados si el supuesto de independencia de los errores es verdadero. Una segunda funcin de la aleatorizacin es la de proveer medios para evitar sesgos en la estimacin del error experimental y los efectos de tratamiento. La estimacin del error experimental se obtiene comparando las unidades experimentales tratadas de manera similar. Para que esta estimacin sea vlida, es necesario garantizar que las unidades experimentales tratadas de manera similar no sean diferenciables de manera relevante de las unidades experimentales tratadas de manera distinta. La forma de asegurar que la estimacin del error sea vlida se obtiene realizando una asignacin aleatoria de los tratamientos. La aleatorizacin tambin provee estimaciones insesgadas de los efectos de tratamiento al controlar los efectos de fuentes de variacin desconocidas. Esto provee la seguridad de haber asignado adecuadamente estas fuentes de variacin, las cuales deben ceirse a normas donde el experimentador no tiene ni el tiempo ni el conocimiento para investigar, pero que de otra forma, podrn conducir a conclusiones erradas. Esta es la nica forma de asegurar que la comparacin entre tratamientos no sean sesgadas por un tratamiento que fue asignado de manera premeditada, para hacer mejores o peores algunas unidades experimentales. La aleatorizacin romper cualquier patrn asociado con factores desconocidos de tal forma que ningn tratamiento ser favorecido frente a los dems. La aleatorizacin nunca elimina la variacin causada por factores extraos desconocidos, pero distribuye

98

ESTADISTICA EXPERIMENTAL Aplicada a ciencia e ingeniera sus efectos en promedio, equitativamente sobre todos esos factores extraos. Finalmente, la aleatorizacin es necesaria para abolir los sesgos personales, conscientes e inconscientes, de las personas que intervienen en el experimento, incluyendo al experimentador. La historia cuenta con un gran nmero de experimentos en Inglaterra sobre efectos de comida suplementaria para colegios de nios de distritos pobres que fueron invlidos porque la seleccin de los nios fue dejada en manos de los profesores. Parece ser que se les asign el mejor suplemento a los nios ms desnutridos. Hay un problema que aparece al aplicar la aleatorizacin cuando el nmero de unidades experimentales es muy pequeo. En estos casos es posible que los arreglos producidos por la aleatorizacin aparezcan al experimentador como bien, deseables o inaceptables. Por ejemplo, la secuencia:

XXXYYYZZZ
Es apenas una forma de las 1670 secuencias posibles de tres tratamientos con tres replicas en el tiempo. Este patrn sin embargo, probablemente no ser aceptado por la mayora de experimentos. Tal relacin sugiere, una falta de conocimiento por parte del experimentador. Youden (1964) sugiere tres formas para manejar esta dificultad, todas ellas, colocando restricciones a la aleatorizacin: 1) Incorporar al diseo de experimentos la condicin que hace el arreglo inaceptable, esta sera la mejor forma para manejar el problema. Tal vez no sea prctico o deseable, sin embargo, para introducir estas futuras restricciones al diseo puede ocurrir que: a) Pierde grados de libertad en la estimacin del error experimental debido a la eliminacin de la otra fuente de variacin que puede no estar completamente compensada. b) El experimento se vuelve ms complicado, o c) Que se hayan usado hasta ahora distintos sistemas de agrupacin. 2) Rechazar arreglos extremos cuando ellos ocurran y realeatorizar: el mayor problema aqu ser el de determinar subjetivamente lo que es un arreglo extremo. Si esto se puede hacer, entonces esta ser una solucin ms razonable. 99

Palacios C. Severo 3) Seleccionar un diseo al azar de un grupo predeterminado de arreglos aceptables. IX. CONTROL LOCAL

Al proceso de clasificacin de las unidades experimentales en grupos homogneos, se le denomina Control Local. Ejemplo 3.31 Un ejemplo de control local en el ejemplo 3.30 puede ser controlar el nivel de fertilidad del terreno. Para esto se determinan unidades homogneas de terreno llamadas bloques segn el grado de fertilidad, cada bloque se subdivide en parcelas de igual rea preferiblemente y sobre estas se aleatorizan los tratamientos buscando que cada unidad experimental reciba un nico tratamiento y que la totalidad de los tratamientos estn en el bloque (caso de bloques completos). Una funcin primaria del diseo de experimentos es el de reducir el control exacto del ambiente experimental debido a que tal control es un hecho costoso y tedioso, y presume que todos los factores que influyen han sido identificados. La funcin principal del control local es la de eliminar los efectos de fuentes conocidas de variacin extrema. El control se acompaa del bloqueo de las unidades experimentales. El bloqueo es un arreglo de unidades experimentales en grupos ms homogneos, basados en caractersticas comunes, de los factores de clasificacin. Los tratamientos se asignan a las unidades experimentales, basadas en la estructura de bloques, as el uso de control local coloca algunas restricciones en la aleatorizacin de tratamiento a las unidades experimentales. Para alcanzar la mxima eficiencia con el bloqueo, es necesario el conocimiento relacionado con varios factores extraos que afectan las unidades experimentales, informacin que solo el experimentador puede proveer. El bloqueo a las unidades experimentales se debe hacer de tal manera que se asocien a fuentes asociadas de variacin extrema con diferencias entre bloques, en este caso se debe cumplir que: 1) Una estimacin ms precisa del error experimental debe ser obtenida, puesto que la contribucin de estos factores, extraos se eliminan, introduciendo adems eficiencia al experimento debi100

ESTADISTICA EXPERIMENTAL Aplicada a ciencia e ingeniera do a que se podrn detectar menores diferencias entre los tratamientos y 2) Las comparaciones de tratamiento no sern sesgadas por diferencias en las unidades experimentales debido a los factores externos. La aplicacin de control local (bloqueo) no remueve el requisito de aleatorizacin, solo impone restricciones al tope de aleatorizacin que se llevar a cabo. Para todos los diseos, la asignacin aleatoria de tratamientos a las unidades experimentales dentro de los lmites impuestos por el control local es esencial para poder tener as una interpretacin vlida de los resultados. La relacin de los tres principios bsicos de un buen diseo de experimentos es la clave de la estructura que provee una estimacin del error experimental y a travs de la aleatorizacin, se asegura la validez de las estimaciones y de las pruebas de significanca. La replicacin tambin trae consigo una reduccin de los errores de la estimacin directamente por medio de la relacin / n e indirectamente a travs de la determinacin de un sistema de control local. X. CLASIFICACIN DE LOS DISEOS

El diseo de un experimento depende solamente de los supuestos relacionados con las propiedades de las unidades experimentales; esencialmente tales caractersticas, determinan las restricciones que deben ser colocadas al aleatorizar los tratamientos a las unidades experimentales, las cuales a su vez determinan el tipo de diseo experimental, los cuales pueden ser clasificados como: sistemticos y al azar. Los diseos sistemticos poseen un patrn regular para la asignacin de tratamientos a las unidades experimentales. Las razones dadas para usar un diseo sistemtico frecuentemente son: 1) Simplicidad, siendo extremadamente sencillo de aplicar. 2) Provee muestreo adecuado del material experimental. 3) Lleva a colocaciones inteligentes u ordenamiento natural de los tratamientos. 4) La aleatorizacin no es necesaria, dada que la heterogeneidad de las unidades experimentales por si solas aleatorizan los efectos de tratamientos. Las desventajas de los diseos sistemticos son: 101

Palacios C. Severo

1) El arreglo de los tratamientos, puede combinarse con un patrn en variaciones no controladas que producen errores sistemticos en la estimacin de los efectos del tratamiento. 2) No hay una estimacin vlida de la varianza del error. En los experimentos al azar, la aleatorizacin elimina esta desventaja, esta es la razn para que estos experimentos sean de tanta importancia. Estos experimentos pueden ser subdivididos, de acuerdo con las siguientes restricciones: ninguna (irrestricto), nica y mltiple. De acuerdo con las restricciones impuestas los diseos pueden ser clasificadas como completos e incompletos, dependiendo si los tratamientos ocurren con la misma frecuencia o no, dentro de cada restriccin que se le impone al experimento que se ha definido. Los diseos de bloques incompletos sern clasificados despus como balanceados o parcialmente balanceados, dependiendo de la varianza asociada con las comparaciones pareadas. Al seleccionar un diseo, se deber elegir el ms simple posible que satisfaga los requisitos del experimento elegido. Si ningn diseo conocido esta disponible para el anlisis, este deber ser construido. Un axioma bsico es el de disear para el experimento y no experimentar para el diseo. Hay investigadores que piensan que la eleccin del diseo y/o tratamientos experimentales debern ser limitados para aquellos que aparecen publicados en la literatura especializada, de esta forma se forz innecesariamente al experimentador a modificar el experimento y ajustarlo al diseo conocido. An cuando un diseo estndar haya sido usado para determinar si los objetivos del experimento han sido logrados, siempre se hace necesario la verificacin y su anlisis estadstico. 1. Sistemtico. Los tratamientos son asignados a las unidades experimentales de acuerdo a algn patrn predeterminado. Tales diseos no proveen estimaciones vlidas del error experimental. 2. Aleatorizados. La asignacin de los tratamientos a las unidades experimentales depende de algn patrn de aleatorizacin. Solo para estos diseos, las tcnicas de anlisis de varianza son validas. a) Irrestrictos. La aleatorizacin no est restringida a ningn arreglo de las unidades experimentales. b) Restriccin nica. La aleatorizacin se restringe a un nico requisito determinado en el arreglo de las unidades experimentales. Estos son los diseos de bloques.
102

ESTADISTICA EXPERIMENTAL Aplicada a ciencia e ingeniera c) Balanceado. Se obtiene la misma precisin para cada par de comparaciones entre tratamientos. d) Parcialmente Balanceado. La precisin no es constante para cada par de comparaciones, pero depende de los tratamientos involucrados. e) Restricciones mltiples. La aleatorizacin se restringe a dos o ms requisitos localizados en los arreglos de las unidades experimentales. La misma subclase general existe para estos diseos como en el caso de los diseos de bloques. ESTRATEGIA DEL DISEO

XI.

En la seleccin de un diseo experimental se debe tener en cuenta las caractersticas propias de la disciplina en donde se realiza; a pesar que los principios estadsticos son los mismos, las estrategias frecuentemente son distintas. La estrategia experimental depende del tiempo para realizar el experimento, el costo de la experimentacin y la cantidad de variacin en el material experimental, como as mismo el factor climtico a la cual se someten los experimentos. El hecho de que no haya una nica estrategia de experimentacin, puede ser ilustrada por la comparacin entre los experimentos agrcolas y los industriales. En general, los experimentos agrcolas: 1. Requieren un tiempo ms largo, frecuentemente meses, y en algunos casos se extienden hasta aos, cuando se relacionan con cultivos perennes 2. Por ejemplo. Usualmente presentan una mayor variabilidad entre las unidades experimentales. Es casi imposible alterar o modificar estos experimentos una vez ha comenzado. Consecuentemente, el campo de la experimentacin agrcola debe estar auto-contenido, y as frecuentemente involucran diseos ms amplios, comprensivos y complejos, de tal manera se puede obtener mucha informacin de cada experimento. Por el otro lado, la mayora de experimentos industriales satisfacen que:

103

Palacios C. Severo 1. La capacidad para realizar experimentos pueden ser muy rpidos, el tiempo de intervalo puede ser solo uno o unos pocos das inclusive horas, y 2. La variacin natural entre las unidades experimentales es generalmente muy pequea. Ms an la mayora de la experimentacin se hace secuencialmente, dado que los resultados estn disponibles para su anlisis antes de terminar el experimento. Como resultado, hay una gran flexibilidad. Como cada observacin o grupo de observaciones estn disponibles, la situacin puede ser revisada antes de comenzar un prximo grupo de ensayos. Con base en los resultados, una decisin como que hacer luego permite hacer ajustes respectivos en el diseo de experimentos. Consecuentemente, se puede usar secuencias de experimentos ms pequeos, y simples, esta es una ventaja. Box (1957) not una paradoja interesante respecto al diseo de programas experimentales; el nico tiempo en el cual el programa de experimentacin puede ser diseado adecuadamente es despus de haber sido culminado. Es comn encontrar en la culminacin de un programa que: 1. Una o ms variables probablemente hayan sido omitidas del experimento. 2. Una o ms variables originalmente incluidas en el experimento aparezcan con un pequeo efecto, por lo tanto no son tan importantes como se pens al principio. 3. Un diseo experimental ms complejo se necesita para solucionar adecuadamente los problemas. 4. Algunas transformaciones a las variables podrn ser apropiadas. La experimentacin deber involucrar indeterminaciones como el hecho que dos experimentadores, que estudian el mismo problema, tendrn la misma opinin relacionada con estos items. Si determinara una serie de normas sobre sistemas de experimentacin rgidos que puedan abolir estas dificultades, tendrn como nico resultado el sacrificio en el conocimiento del experimentador, su experiencia e imaginacin. XII. DISEO DE TRATAMIENTOS
104

ESTADISTICA EXPERIMENTAL Aplicada a ciencia e ingeniera Cada uno de los diseos que controlan el error mencionados en la tabla 3.9 se usa con el fin de comparar los tratamientos entre si. Sin embargo los tratamientos son seleccionados segn alguna estructura, en particular una estructura factorial, la cual se refiere al diseo de los tratamientos. Estos se seleccionan de acuerdo a las metas intereses de la investigacin, el material experimental y los factores disponibles. La escogencia de los tratamientos estar enmarcada dentro de un apropiado diseo que controle el error. Dentro de la estructura factorial de tratamientos se conocen dos clases. Las estructuras factoriales simtricas y las estructuras factoriales asimtricas. En la primera, se tienen k factores cada uno s niveles, donde s es un entero, en este caso se tienen sk tratamientos. En la segunda estructura, se tienen k1 factores con s1 niveles, k2 factores con s2 niveles, km factores con k sm niveles, el cual tiene en total t s1k1 s2k2 ...smm m1 s kj j tratamientos. j
Tabla 3.9 Efecto de diseo de control del error Factores de control del Tipo de diseo Caracterizacin diseo aleatorizado 0 Diseo completamente aleatorizado 1. Diseo Bloque Aleatorizado. 2. Diseo Bloque Aleatorizado generalizado Diseo en bloque 1 3. Diseo Bloque Incompleto aleatorizado 4. Diseo Bloque extendido 5. Diseo Bloque por franjas. 2 Diseo cuadrado latino Diseo cuadrado latino replicado. Cuadrado grecolatino Cuadrado latino mutuamente ortogonales 1. Diseo cuadrado latino. 2. Diseo cuadrado latino incompleto 3. Diseo Cross - Over

3 >3

Cuando se desea reducir el tamao del experimento considerado por motivos muchas veces de tiempo y costos, se trabaja con un diseo de tratamientos factorial fraccionado. XIII. DISEO DE MUESTREO Lo ms importante de un diseo de control del error con sub muestreo es la separacin del error experimental y el error observacional (o de 105

Palacios C. Severo muestreo), o ms precisamente, la separacin de la varianza del error experimental y el observacional. La nocin de sub muestreo puede obviamente ser extendida a ms de un nivel, por ejemplo, para cada unidad experimental se puede tener algunas unidades mustrales y luego para cada unidad muestral se pueden tener algunas unidades observacionales. XIV. ESTUDIO EXPERIMENTAL

Para que el experimento sea exitoso, se deben tener en cuenta lo siguiente: 1) Conocimiento claro del material experimental. Aunque parezca obvio en la prctica, no siempre el desarrollo de un problema requiere de experimentacin ni es simple presentar un claro y apropiado estado del problema. Es necesario abordar todas las ideas sobre los objetivos del trabajo. Un claro estado del problema frecuentemente contribuye a un mejor entendimiento del fenmeno y a una solucin del problema. 2) Escogencia de factores y niveles. El experimentador debe seleccionar las variables independientes o factores a ser estudiados, estos pueden ser cuantitativos o cualitativos. En el caso cualitativo hay que tener en cuenta como se controlarn estos valores en los valores de referencia y como van a ser medidos. Es importante seleccionar los rangos de variacin de los factores y el nmero de niveles a considerar, los cuales pueden ser predeterminados o escogidos aleatoriamente del conjunto de los posibles niveles. 3) Seleccin de las variables respuesta segn los objetivos. En la escogencia de la variable respuesta o variable dependiente, el experimentador ha de estar seguro que la respuesta a medir realmente provee informacin sobre el problema de inters. Es necesario suministrar la forma como se mide esta variable y de ser posible la probabilidad de ocurrencia de estas medidas. 4) Seleccin del diseo experimental. Este paso es de primordial importancia en el proceso de investigacin. Se debe indicar la diferencia a la respuesta verdadera (que tan lejos se admite la realidad de lo observado), que se desea detectar y la magnitud de los riesgos tolerados (grado de confiabilidad), en el orden a escoger un tamao de muestra apropiado (replicaciones); es procedente sealar tambin el orden de recoleccin de los datos y el mtodo de aleatorizacin a emplearse. Siempre es necesario mantener un equilibrio entre la exactitud y los costos. Se deben
106

ESTADISTICA EXPERIMENTAL Aplicada a ciencia e ingeniera recomendar planes que sean eficientes estadsticamente y econmicamente viables. En la conduccin de un estudio experimental es de esencial importancia la escogencia del diseo, esta escogencia depende de cuatro componentes: El diseo de tratamientos. En esta etapa se determinan los tratamientos a ser medidos en el estudio, es decir se establecen cuales y cuantos tratamientos se deben aplicar teniendo en cuenta la naturaleza del experimento. El inters del investigador en el sentido de decidir cuntos factores deben incluirse, cuntos niveles de factores se deben identificar en cada factor y cul es el rango razonable de cada factor. Los aspectos del diseo de tratamientos estn estrechamente ligados con el diseo para controlar el error. Diseo de control del error. Por diseo de control del error se entiende la distribucin aleatoria de los tratamientos en un plan experimental usando la regla de asignacin aleatoria de los tratamientos a las unidades experimentales. Como ejemplos de control de error se tienen los diseos completamente aleatorizados, bloques completos aleatorizados y cuadrados latinos. La escogencia del diseo depende de la variabilidad de las unidades experimentales, la estructura de estas unidades y la precisin de la estimacin deseada por el investigador. Estructura del control del error. Por esta se entiende la asignacin aleatoria de los tratamientos a las unidades experimentales. Muestreo y diseo de observaciones. Hace referencia a determinar el nmero de observaciones tomadas por tratamiento y unidad experimental, lo cual caracterizar los planes experimentales, con sub muestreo. Una vez definidas los componentes anteriores, la respuesta del vector R para el anlisis seleccionado satisface la formulacin del modelo estadstico apropiado est ntimamente relacionado con la estructura del diseo de tratamientos, el diseo del control del error y el muestreo de las observaciones. El diseo seleccionado se asocia a un modelo lineal de la forma Y X si el modelo es de efectos fijos, se descompone la variabilidad de la respuesta (variabilidad total) como una particin ortogonal de las diferentes fuentes de variabilidad, es decir,

SCtotal SC (i)
i 1

107

Palacios C. Severo Donde: siendo PXi Xi( X it X i ) X it , i=1, , q el proyector ortogonal en el espacio columna de X i ; y para X i el bloque X asociado con el i-simo factor de clasificacin X X 1 : X 2 : ... : X 4 5) Conduccin del experimento. Es el proceso de muestreo de recoleccin de datos. S entender que en el proceso haya un ajuste al plan (control). En la mayora de las veces, la realizacin de un experimento no es lo suficientemente fiel al proyecto de investigacin, porque surgen situaciones no consideradas previamente, como en el caso de un cultivo atacado por plagas, el agotamiento producido sobre una unidad experimental que se esta evaluando, o la aparicin de una caracterstica no determinada. De todas formas, se debe tener en cuenta si estos imprevistos alteran los propsitos del ensayo; de otra forma hay que tenerlos en cuenta en el anlisis de los resultados. 6) Anlisis de datos. Las variables que intervienen, o mejor, que se procura sean considerados en un ensayo, pueden relacionarse matemticamente de alguna forma. El problema no est en la consecucin de una expresin matemtica sino en que tanto explica la realidad dicha expresin. Es preferible renunciar a un bello modelo que aceptar una realidad deformada por el. En esta etapa se busca una frmula matemtica que explique el comportamiento de una(s) variable(s) a travs del comportamiento de otras. Existen tcnicas estadsticas, como el anlisis de regresin que suministran estas relaciones. Se debe buscar que el modelo se analice junto con el especialista que lo est investigando. Una vez se ha seleccionado el diseo experimental, se establece la matriz de diseo X, el vector de parmetros y se asocia a un modelo Y X el cual generalmente resulta ser de rango incompleto y estimado por el mtodo denominado mnimos cuadrados a travs de una matriz inversa generalizada de X. Para la estimacin del modelo y anlisis estadstico de los datos, se debe tener en cuenta: 1. Estimacin del modelo. Estimar mediante los mtodos de mnimos cuadrados o mxima verosimilitud los parmetros asociados al modelo, en este ltimo mtodo, se tiene en cuenta la distribucin de la variable respuesta; por este motivo la mayora de los desarrollos realizados en este texto se hacen asumiendo que la variable respuesta sigue
108

SCtotal YY y SC(i ) YPXiY

ESTADISTICA EXPERIMENTAL Aplicada a ciencia e ingeniera una distribucin normal multivariada. Cuando el modelo es de rango incompleto, se realizan clculos muy similares al caso de rango completo, con lo cual simplemente los estimadores son adaptados a este modelo. 2. La teora de estimabilidad. Conocer los principales criterios para caracterizar las funciones estimables. 3. Pruebas de hiptesis. Conocer la estructura distribucional de los estadsticos de prueba para las hiptesis de inters. Una parte del anlisis es el chequeo adecuado del modelo propuesto, lo cual conlleva a un examen crtico de las bases del modelo estadstico y su relacin con los supuestos. En esta etapa recientemente el computador ha jugado un papel importante. Existen diferentes procedimientos y paquetes estadsticos que facilitan el anlisis de los datos. Un paquete estadstico es un conjunto de programas elaborados para el procesamiento de informacin, los cuales se manipulan por medio de una serie de instrucciones y comandos dirigidos a resolver problemas de la estadstica. Entre los paquetes estadsticos de ms amplia difusin en el rea experimental podemos mencionar: el SPSS (Statistical Package for Social Science), SAS (Statistical Analysis System), Statgraphics. 7) Conclusiones y recomendaciones. Hecho el anlisis de los datos, el experimentador puede extraer conclusiones (inferencia) sobre los resultados. Las inferencias estadsticas deben ser fsicamente interpretadas y su significanca prctica evaluada. Las recomendaciones deben de hacerse con base en los resultados. En la presentacin de estos se deben evitar el empleo de terminologa estadstica seca y en lo posible presentar los resultados de manera simple. La elaboracin de grficos y tablas evita la redaccin de resultados y recomendaciones extensas y confusas.

109

Palacios C. Severo

Problemas (105) Desarrolle un bloque completo para el ejemplo 3.31 para el control del nivel de fertilidad del terreno. (106) Determine el bloque de fertilidad para cada bloque que se subdivide en parcelas. (107) Que los tratamientos del problema 100 sean unidades experimentales y reciban un nico tratamiento y que estn por bloques. (108) Una empresa farmacutica desea evaluar por bloques una nuevo producto para el control de la natalidad para ello recurre a un investigador conocedor del tratamiento de dichos productos. El anlisis lo desarrolla en una comunidad cercana a la poblacin y obtiene datos que se tienen que corroborar a nivel macro. Se desea determinar el mejor bloque con el producto. (109) Una capsula para el tratamiento del AH1N1 esta siendo probada en una poblacin para el cual se desarrolla un diseo por bloques, y cada bloque se subdivide en zonas de tratamiento. Se desea determinar el bloque en donde se desarrolla con efectividad el tratamiento de dicha capsula. (110) Un plaguicida para el control de la mosca blanca se viene aplicando en la zona agrcola de la poblacin en donde se comprob que dicha mosca viene desarrollando una plaga sin control. Se desea desarrollar un diseo por bloques a fin de contrarrestar dicha plaga. (111) Un producto qumico se desea probar para el control de la mosca de la fruta, el investigador desea desarrollar un diseo por bloques en diversas zonas agrcolas, para el cual trabaja en varios puntos con dicha plaga. Se desea evaluar dicho diseo con bloques a fin de eliminar dicha plaga.

110

ESTADISTICA EXPERIMENTAL Aplicada a ciencia e ingeniera (112) Un investigador se encuentra con un problema doble, ya que la siembra de un producto viene infectado por una plaga, como as mismo las semillas estn contaminadas con un producto qumico que no permite el desarrollo sustancial de la planta. Para ello desarrolla un diseo por bloques a fin de descartar dichos males y obtener un buen producto al cosechar.

4
DISEO EXPERIMENTAL APLICADO A CIENCIAS
No existe la suerte. Slo hay preparacin adecuada o inadecuada para hacer frente a una estadstica. Robert Heinlein

I.

INTRODUCCIN

Fenmenos naturales. Al fin de esta definicin y revisada corresponden a la meta de la mayora de los proyectos de investigacin en las ciencias de la ingeniera. Y como se logra todo esto. En la ciencia esto se hace a travs de experimentos definidos. La definicin de experimento cientfico es una prueba que se hace a fin de demostrar una verdad conocida o por conocer, examinar la validez de una hiptesis, o determinar la eficacia de algo previamente ensayado. Los fsicos, qumicos agrnomos, metalurgistas, mineros, gelogos, y muchos cientficos comparten el objetivo de entender y predecir causa y efecto. II. LIMITACIONES 111

Palacios C. Severo

Los cientficos en ciencias de la ingeniera tienen ms facilidad en construir y llevar a cabo sus experimentos que los investigadores en las ciencias sociales. Las sustancias qumicas y los tubos de ensayo son ms fciles de controlar que los consumidores y las campaas de publicidad. Algunas de las diferencias entre ambas ciencias que crea obstculo para un experimento perfecto son: Dispositivos imperfectos de medicin: Los cientficos pueden medir y pesar sus resultados. En cambio las ciencias sociales a menudo tienen que obtener sus datos preguntando a sus sujetos (cualitativos). Influencia de la medicin en los resultados: Cuando se pesa un tubo de ensayo esto no afecta ni altera el tubo de ensayo. Pero cuando se pregunta a una persona si alguna vez ha odo a un artista popular esto si afecta a la persona, pues habiendo escuchado anteladamente no lo asociara. Limitaciones de corto tiempo: Los cientficos a menudo se demoran aos, generaciones y hasta siglos en hacer descubrimientos concluyentes. En cambio casi todos los problemas de la sociedad requieren soluciones en das, semanas, a lo sumo en meses. Por esto, rara vez existe el tiempo o el dinero para realizar un experimento en forma tranquila y detallada. Complejidad y control de las variables: El resultado esperado de todos los esfuerzos es el resultado de muchos factores diferentes que incluyen el producto, el precio y venta. Cada uno de estos factores a su vez, esta afectado por muchas otras. Comprenden o siquiera identificar, todas las posibles causas es virtualmente imposible, y ms an el poder controlar con precisin en un experimento continuo. Por esto y otras razones la experimentacin cientfica de las ciencias de la ingeniera proporciona un estndar para los experimentos y siempre que sea posible se debe tratar de traer los atributos de esos experimentos para la aplicacin III. PREDICCIN Los proyectos de investigacin pueden considerarse en una jerarqua segn el grado en que proporcionan hallazgos predictivos, la jerarqua tiene tres etapas:
112

ESTADISTICA EXPERIMENTAL Aplicada a ciencia e ingeniera Investigacin descriptiva: Simplemente plantea lo que existe o describe algo que ha ocurrido en el pasado. No intenta inferir causa y efecto. Investigacin evolutiva: Aade juicio de valor a los datos descriptivos a fin de crear una dimensin de comparado con. Determina si algo es mejor. Aade un elemento analtico implcito de causa y efecto. Investigacin predictiva: Da significado absoluto a los resultados de las investigaciones. Pone causa y efecto en el tiempo futuro. Si usted hace esto, entonces suceder tal y tal caso. La investigacin siempre aspira a alcanzar este nivel predictivo. Los experimentos en la investigacin constituyen un forma de mover los proyectos a lo largo de las jerarquas y hacerla evaluativo y, a veces hasta predictivo. IV. DISEOS EXPERIMENTALES El uso del diseo experimental es esencial en el tratamiento de unidades experimentales (cuantitativo) en investigacin cientfica. Si deseamos comparar n poblaciones se efecta los diseos experimentales. Dichos diseos son conjuntos de reglas (estructurado) que sirven para asociar unidades experimentales. Las unidades experimentales son datos a los cuales se aplica una causa y efecto. Para el anlisis de las unidades experimentales procedemos a describir cada uno de los diseos. a) DISEO ALEATORIZADO

Todo experimento se determina por cierto complejo de condiciones, los cuales bien se crean artificialmente o bien se realizan independientemente de la voluntad del experimentador, y por los resultados del experimento, es decir, por unos sucesos determinados que se observan como resultado de haberse ejecutado dicho experimento de condiciones. Un experimento se considera dado, si estn determinadas sus condiciones e indicado los sucesos. 113

Palacios C. Severo Los experimentos se pueden dividir a grandes rasgos en dos clases. En una de ellas las condiciones del experimentador determinan el modo unvoco la aparicin o no de los sucesos que se emplean. Los resultados de tales experimentos pueden pronosticarse de antemano a base de las leyes de las ciencias naturales. Los experimentos de esta ndole se denominan deterministas. En otra clase de experimentos, con iguales condiciones, es posible la aparicin de los sucesos que entre si se excluyen. El estudio terico de tales experimentos constituye precisamente el objeto de la teora probabilstica, esta ltima lleva el nombre de experimento aleatorio. Ventajas b) Se pueden trabajar con un pequeo nmero de muestras de la poblacin, sin que esto disminuya la exactitud de los datos. c) Se elimina la influencia del factor tiempo (cintica) sobre los resultados del experimento, las variantes cambian de lugar en los diferentes perodos. d) Es econmico, ya que se trabaja con pocas muestras de la poblacin. b) DISEO UNIFACTORIAL CON n NIVELES

En dichos diseos se analizan ciertos experimentos que se usan para comprobar dos condiciones. A menudo se denominan experimentos de comprobacin simple, los datos tienen pequeas variaciones. En la experimentacin donde participan dos clases distintas de equipos, probeta, muestras, etc. con dos mtodos distintos de niveles. Muchos experimentos de estos tipos implican ms de dos niveles del factor. En el presente explicaremos con detalle los diseos aleatorizados. Ejemplo 4.32 Se desea maximizar la fibra de llama que se emplea en una manufactura de alfombras. Se sabe por experiencia que la resistencia es influida por el porcentaje de algodn presente, adems se sospecha que elevar el contenido de algodn incrementar la resistencia, el contenido de algodn debe variar aproximadamente entre 10 y 40 por ciento para que la alfombra resultante tenga otras caractersticas de calidad que se desean.

114

ESTADISTICA EXPERIMENTAL Aplicada a ciencia e ingeniera Se desea probar muestras a cinco niveles de porcentaje de algodn 15, 20, 25, 30, 35 por ciento. As mismo, decide ensayar cinco muestras a cada nivel de contenido de algodn. Este es un experimento unifactorial con a=5 niveles del factor y n=5 repeticiones. Las 25 corridas deben hacerse al azar. Se elige un nmero aleatorio entre 1 y 25 ver tabla 4.10. Supngase que este nmero es 8. Entonces la observacin nmero, 9 (20% de algodn) se corre primero. El proceso se repite hasta que se ha asignado una posicin en la secuencia de prueba a cada una de las 25 observaciones.
Tabla 4.10 Influencia del % de algodn a la fibra de llama % algodn Corrida experimental Total Media 15 1 2 3 4 5 20 6 7 8 9 10 25 11 12 13 14 15 30 16 17 18 19 20 35 21 22 23 24 25

La secuencia de pruebas aleatorizadas es necesaria para evitar que los resultados sean contaminados por los efectos de variables inconvenientes desconocidas, que puedan salir del control durante el experimento. Supongamos que se corren las 25 pruebas en el orden no aleatorizado original (esto es, las 5 muestras con 15 por ciento de algodn se prueban primero, luego las 5 muestras con 20 por ciento de algodn y as sucesivamente).
Tabla 4.11 Maximizar la fibra de llama por la Influencia del % de algodn % algodn Corrida experimental Total Media 15 7 7 15 11 9 49 9,8 20 12 18 12 18 18 77 15,4 25 14 18 18 19 19 88 17,6 30 19 25 22 19 23 108 21,6 35 7 10 11 15 11 54 10,8 Total 376 15,04

Si la maquina que dan los resultados presenta un efecto de calentamiento tal que ha mayor tiempo de funcionamiento menor lectura se tendr (influencia perturbadora), entonces dicho efecto contaminar los datos de respuesta e invalidar el experimento. Si se efecta en orden aleatorio. Es bueno representar grficamente los datos experimentales, en la figura se muestran los diagramas de dispersin a cada nivel de porcentaje de algodn. 115

Palacios C. Severo

Diagrama de dispersin

Interpretando la grfica indica que la resistencia aumenta con el aumento del algodn, hasta un valor aproximado de este ltimo de 30 por ciento. Ms halla del 30 por ciento ocurre un notable decremento en la resistencia. No hay una fuerte evidencia que sugiera que la variabilidad en la resistencia al rededor del promedio dependa del porcentaje de algodn. En base a este sencillo anlisis grfico, sospechamos que: a) El porcentaje de algodn influye en la respuesta, y b) Un porcentaje aproximado de 30 por ciento de algodn dara por resultado la mxima resistencia. Anlisis de varianza Si se desea comparar a-tratamientos o niveles de un factor nico. La respuesta que se observa en cada uno de los tratamientos es una variable aleatoria. Los datos se muestran en la tabla 4.10 Es til describir las observaciones mediante el modelo estadstico2

Yij i ij i, j 1,2,3,4,..., n
Donde: Yij es el ij-sima observacin, es un parmetro comn a todos los tratamientos denominados media global, Ti es un parmetro nico para el i-simo, y ij es el componente aleatorio del error.

Polinomino ortogonal

116

ESTADISTICA EXPERIMENTAL Aplicada a ciencia e ingeniera Nuestro objetivo ser probar una hiptesis apropiada con respecto a los efectos del tratamiento, y hacer una estimacin de ello. Para probar la hiptesis, se supone que los errores del modelo son variables aleatorias independientes con distribucin normal, con media cero y varianza 2. Se supone que esta ltima es constante para todos los niveles del factor. Este modelo se denomina, anlisis de varianza de clasificacin en un sentido porque slo se investiga un factor. Adems se requiere que el experimento se realice en orden aleatorio, de manera que el medio en que se usan las unidades experimentales (tratamiento) sea lo ms uniformemente posible. Por lo tanto, este diseo experimental es un diseo completamente aleatorizado. Para ilustrar este anlisis de varianza, recordemos que deseamos determinar si al variar el contenido de algodn es una fibra de llama influye en la resistencia. La suma de cuadrados requeridos para el anlisis de varianza se calcula como sigue:

SCtotal YIJ2 Yi / N
2

SCtratamiento YIJ2 / n Yi / N
2

SC error SC total SC tratamient o


Donde
SCtotal SCtratamiento SCerror Yij Yi n N suma de cuadrados del total suma de cuadrados del tratamiento suma de cuadrados del error sumatoria de los componentes del tratamiento sumatoria total de los tratamientos nmero de datos por columna nmero total de datos del tratamiento

SCtotal 7 2 7 2 ... 152 112 376 / 25 636,96


2

SCtratamiento 492 772 882 1082 542 / 5 376 / 25 475,76


2

SC error 636,96 475,76 161,20

En la tabla 4.12 se muestran los resultados del procedimiento. 117

Palacios C. Severo
Tabla 4.12 Anlisis de varianza SC GL CM Fo Ft(99%) 475,76 4 118,94 14,76 > 4,43 161,20 20 8,06 636,96 24 R = 74,6923%

Fuente % algodn Error Total

Hay que notar que la media de cuadrados entre tratamientos (118,94) es mucho mayor que la media de cuadrados dentro del tratamiento (8,06). Esto indica que es probable que las medias de tratamiento sean iguales. Ms formalmente, es posible calcularlas razn Fo=14,76 y comparando con Ft(99%)=4,43, debe rechazarse Ho y concluir que la media de tratamientos difieren; en otras palabras el porcentaje de algodn en la fibra de llama afecta significativamente su resistencia media. c) DISEO DE PARCELAS DIVIDIDAS Los diseos en parcelas divididas y subdivididas se emplean frecuentemente en experimentos factoriales en las que las condiciones del material experimental, o las operaciones experimentales contempladas dificultan el manejo de toda la combinacin de factores. El diseo bsico de una parcela dividida involucra la asignacin de tratamientos de un factor a parcelas principales o parcelas grandes, las cuales se disponen en diseos experimentales clsicos. Los experimentos de parcelas divididas se utilizan cuando se quiere dar mayor precisin o importancia a un factor en comparacin con otro. Este dise se divide en parcelas denominado grande y chicas correspondiendo a estas ltimas la mayor precisin. En algunas ocasiones este es el diseo ptimo a elegir ya sea porque un factor requiere de reas grandes para su evaluacin o por razones econmicas: lminas de riego y variedad de arroz, sistema de cultivo y fertilizacin. Cabe mencionar que la diferencia entre un experimento factorial y uno de parcela dividida est en el proceso de aleatorizacin de los tratamientos. As mientras que en un diseo factorial se hacen todas las combinaciones de tratamiento y se distribuyen aleatoriamente a las unidades experimentales, en el experimento de parcelas divididas primero se distribuyen aleatoriamente los tratamientos de las parcelas grandes y luego los tratamientos de las parcelas chicas dentro de las parcelas grandes. Ejemplo 4.33
118

ESTADISTICA EXPERIMENTAL Aplicada a ciencia e ingeniera Se desea estudiar el efecto de la frecuencia de corte (parcela grande) y tres alturas de corte (parcela chica) en una produccin de materia seca del pasto. El primer paso es localizar el rea donde se realizar el experimento. Si el terreno es homogneo entonces es factible utilizar un diseo completamente al azar, si el terreno muestra un gradiente de variacin la solucin pudiera ser un diseo de bloque al azar.
Frecuencia Corte (das) 20 Tabla 4.13 Experimento de parcelas divididas Altura Replicas Corte (cm) I II III 5 3,69 5,98 5,37 10 3,72 3,20 3,90 155 3,66 2,85 2,60 Total 13,07 12,03 11,87 5 6,48 7,92 4,74 10 3,86 4,54 4,42 15 11,15 3,54 3,91 Total 21,49 16,00 13,07 5 4,90 5,73 12,00 10 5,34 4,28 6,16 15 3,40 5,47 4,78 Total 13,64 15,48 22,94
IV

40

60

6,30 4,51 3,83 14,64 6,30 5,06 3,66 15,03 8,56 6,34 3,75 18,65

23,34 15,33 12,94 51,61 25,44 17,88 22,26 65,58 31,19 22,12 17,40 70,71

Tabla de doble entrada para totales de tratamiento


Frecuencia corte 20 40 60 Total 5 23,34 25,44 31,19 52,60 Altura de corte 10 15 15,33 12,94 17,88 22,26 22,12 17,40 55,33 79,97 Total 51,56 65,68 70,71 187,90

Factor de correccin
FC

187,90 35306,41 980,73


36 36

Suma de cuadrados debido a las replicas


SC replica

48 , 20 43 ,51 47 ,88 48 ,31 FC


9
8842,71 980,73 982,52 980,73 1,79 9

SCreplica

119

Palacios C. Severo Suma de cuadrados debido a las parcelas grandes (frecuencia de corte)
SC pg
SC replica

51,61 65,58 70,71 FC


12

2663,59 4300,74 4999,90 980,73 16,29 12

Suma de cuadrados debida a las parcelas chicas (altura de corte)


SC pch
SC pch

79,97 55,33 52,60 FC


12

Suma de cuadrados debida a las interacciones de los tratamientos (frecuencia de corte y altura de corte)
SCint

6395,20 3061,40 2766,76 980,73 37,88 12

23,34 15,33 ... 17,40 FC SC


4

pg

SC pch

SC int
SC pgx Re p

4174,45 980,73 16,29 37,88 8,71 4


3

13,07 12,03 ... 22,94 18,65 FC


3084,74 980,73 1028,25 980,73 47,52 3

SC pgx Re p

SCerrorpg 47,52 SC rep SC pg 47,52 1,79 16,29 29,44


SCtotal 5,69 5,98 ... 4,78 3,75 FC

SCtotal 1129,74 980,73 149,01

SC errorpch SC total SC pgxrep SC pch SC int


SC errorpch 149,01 47,52 37,88 8,71 54,9
Tabla 4.14 Anlisis de varianza Fuente SC GL CM Replica 1,79 3 0,60 Frecuencia corte 16,29 2 8,15 Error pg 29,44 6 4,90 Altura corte 37,88 2 18,94 Interaccin (f x a) 8,71 4 2,19 120 Fo 1,65 6,21 0,72

ESTADISTICA EXPERIMENTAL Aplicada a ciencia e ingeniera


Error pch Total 54,90 149,01 18 35 3,05

Los efectos de bloque (replica) y frecuencia de corte se prueban utilizando la SCepg; mientras que los efectos de altura de corte (parcela chica) y de la interaccin de frecuencia de corte de altura de corte se prueban utilizando la SCepch.
FC CM fre.cort CM error. pg 8,15 1,65 4,90

FC

CM int 2,19 0,72 CM error. pch 3,05

Problemas (113) Un industrial textil utiliza un gran nmero de telares. Se desea que los telares sean homogneos con el objeto de producir telas de resistencia uniforme. El industrial supone que, aparte de la variacin usual en la resistencia de la tela en muestras del mismo telar, puede existir una variacin significativa de la resistencia entre los distintos telares. Para investigar esto, selecciona cuatro telares al azar y realiza cuatro determinaciones de la resistencia. Este experimento es realizado en orden aleatorio. Realice un anlisis de varianza y vea si existe diferencia significativa.
Telar 1 2 3 4 98 91 96 95 Corrida experimental 97 99 90 93 95 97 96 99 96 92 95 98 Total 390 366 383 388

(114) Una fabrica de calzados cuenta con cinco tipos de cuero curtido. Cada cuero tiene una forma de proceso. Para investigar se escogen cinco cueros al azar, y se mide la cantidad de cuero producido en cinco tiempos diferentes. Obtenindose los datos.
Cuero 1 2 3 4 5 14,0 13,9 14,0 13,6 13,8 Corrida experimental 14,0 14,2 14,0 13,8 13,9 14,0 14,2 14,1 14,0 13,8 14,0 13,9 13,6 13,9 13,8 14,1 14,0 13,9 13,7 14,0 Total 70,3 69,6 70,2 69,0 69,1

Estime la varianza del error experimental

121

Palacios C. Severo (115) Se pide a cuatro qumicos qu determinen el contenido de nitrgeno de un fertilizante cada uno realiza tres determinaciones y los resultados son los siguientes:
Qumico 1 2 3 4 Corrida experimental 44,49 44,04 44,38 45,15 45,13 44,88 44,72 44,48 45,16 44,20 44,10 44,55 Total 133,41 135,16 134,36 132,85

Difieren significativamente los resultados Que anlisis qumico debe ser seleccionado. (116) Un ingeniero de produccin esta interesado en maximizar una aleacin. Sabe por experiencia que la aleacin contiene 3 elementos metlicos. Desea determinar si variando el contenido de un elemento metlico se incrementa la resistencia a la corrosin. Por bibliografa sabe que el contenido de dicho elemento metlico debe variar entre 10 a 30 por ciento para que la aleacin tenga buenas caractersticas.
% metal 1 2 3 4 5 9 23 19 18 11 Corrida experimental 15 12 22 18 7 11 19 14 15 11 7 12 19 19 18 10 17 7 18 25 Total 68 76 74 66 92

Existe diferencia significativa entre las medias (117) Una panadera desea averiguar la tendencia de sus productos para el siguiente ao, bajo las siguientes encuestas, para la diversidad de sus productos en cinco diferentes distritos.
Producto 1 2 3 4 200 700 300 400 Corrida experimental 150 300 100 200 180 500 150 100 200 800 600 150 700 300 250 350 Total 0,89 0,79 0,96 0,85

Describa las observaciones con un modelo matemtico Existe diferencia significativa entre las medias Si existe diferencia aplicar las pruebas de Duncan (118) Se desea evaluar el rendimiento de los estudiantes de cinco colegios en cuatro materias A: matemticas, B: fsica, C: qumica y D: lenguaje
Materia A B C D 20 18 15 25 30 25 20 35 Colegio 25 18 27 32 29 35 27 35 27 33 32 35 Nota 50 40 35 43

(119) Se realiz un estudio de ingeniera de trnsito sobre los retrasos en las intersecciones con semforos en las calles de una ciudad.
122

ESTADISTICA EXPERIMENTAL Aplicada a ciencia e ingeniera Se usaron tres tipos de semforo: a) programado, b) semiautomtico y c) automtico. Se usaron cinco intersecciones para cada tipo de semforo. La medida de retraso utilizada fue el promedio de tiempo que cada vehculo permanece detenido en cada interseccin (segundos/vehculo). Los datos son los siguientes:
Programado 38 37 31 36 35 Semiautomtico 18 21 19 26 23 Automtico 16 11 19 11 17

Escriba el modelo lineal Calcule el anlisis de varianza. Calcule las medias de mnimos cuadrados del retraso en el trnsito y sus errores estndar para cada tipo de semforo. Calcule el intervalo de confianza del 95% estimado para las medias de los tipos de semforo. Pruebe la hiptesis de que no hay diferencia entre las medias de retraso para los tipos de semforo; a un nivel de significacin de 0.05, con la prueba F. Escriba las ecuaciones normales para los datos. (120) Se llev a cabo un experimento para probar los efectos de un fertilizante nitrogenado en la produccin de lechuga. Se aplicaron cinco dosis diferentes de nitrato de amonio a cuatro parcelas (rplicas) en un diseo totalmente aleatorizado. Los datos son el nmero de lechugas cosechadas de la parcela.
Tratamiento 0 50 100 150 200 104 134 146 147 131 Lechuga 114 90 130 144 142 152 160 160 148 154 140 174 156 163 168

Escriba el modelo lineal estadstico para este estudio y explique sus componentes. Calcule el anlisis de varianza. Calcule el intervalo de confianza del 95% estimado para las medias de los niveles de nitrgeno. Pruebe la hiptesis de que no hay diferencia entre las medias de los niveles de nitrgeno con una prueba F a un nivel de significanca de 0.05. Escriba las ecuaciones normales para los datos. Este experimento se llev a cabo con un diseo totalmente aleatorizado de las parcelas en un arreglo rectangular. Muestre una 123

Palacios C. Severo aleatorizacin de los cinco tratamientos con nitrgeno de las 20 parcelas, usando una permutacin aleatoria de 1 a 20. (121) Un fisilogo de animales estudi la funcin pituitaria de las gallinas, bajo el rgimen estndar de muda de pluma forzada que usan los productores de huevo para mantenerlas en produccin. Se usaron 25 gallinas en el estudio. Cinco se utilizaron para la medicin, una previa al rgimen de muda forzada y una al final de cada una de las cuatro etapas del rgimen. Las cinco etapas del rgimen fueron: 1. Premuda (control), 2. Ayuno de 8 das, 3. 60 gramos de salvado al da durante 10 das, 4. 80 gramos de salvado al da por 10 das y 5. Mezcla de malta durante 42 das. El objetivo era dar seguimiento a las respuestas fisiolgicas asociadas con la funcin pituitaria de las gallinas durante el rgimen para explicar por qu vuelven a producir despus de una muda forzada. Uno de los compuestos medidos fue la concentracin de suero T3. Los datos de la tabla son las medidas de suero T3 en las cinco gallinas sacrificadas al final de cada etapa del rgimen.
Tratamiento Premuda Ayuno 60 g salvado 80 g salvado Mezcal malta 94,1 98,8 197,2 102,9 83,1 90,5 103,6 207,3 117,5 89,6 Suero T3 99,4 115,3 177,5 119,9 87,8 73,6 129,1 226,1 112,1 96,4 74,4 117,6 222,8 101,1 82,2

Escriba el modelo lineal estadstico para este estudio y explique las componentes del modelo. Calcule el anlisis de varianza. Calcule un intervalo de confianza de 95% estimado para las medias de los tratamientos. Pruebe la hiptesis de que no hay diferencia entre las medias de los cinco tratamientos con la prueba F a un nivel de significanca de 0,05. Escriba las ecuaciones normales de los datos. Este experimento se llev a cabo en un diseo totalmente aleatorizado, con una gallina en cada una de las 25 jaulas. Proporcione una asignacin aleatoria de los cinco tratamientos a las 25 jaulas, con una permutacin aleatoria de los nmeros 1 a 25. (122) Se recolectaron datos de estudiantes de pedagoga en cuanto a su uso de ciertas estrategias de enseanza estudiadas antes de sus prcticas. Haba 28 estudiantes que haban aprendido las
124

ESTADISTICA EXPERIMENTAL Aplicada a ciencia e ingeniera estrategias (9 en 2002, 9 en 2003 y 10 en 2004). El 2001 haba 6 profesores que no haban aprendido el uso de estas estrategias y se usaron como grupo de control. El investigador registr el nmero promedio de estrategias por semana que cada estudiante usaba durante sus prcticas. El investigador quera saber si el nmero de estrategias usadas variaba con el tiempo.
Nmero promedio de estrategias usadas Control 2001 2002 2003 2004 6,9 7,3 10,9 7,5 5,6 10,6 7,5 14,9 15,9 8,6 6,8 6,1 9,8 8,7 7,6 5,2 7,8 8,8 7,8 5,7 5 7,1 5,7 14,2 11,2 8,9 9,3 7,3 5,9 5,6 10,5 7,3 7,3 10,8

Escriba el modelo lineal estadstico para este estudio y explique las componentes del modelo. Calcule el anlisis de varianza. Calcule un intervalo de confianza del 95% estimado para las medias de los tratamientos. Pruebe la hiptesis de que no hay diferencia entre las medias de los cuatro tratamientos, con la prueba F a un nivel de significanca de 0.05. Escriba las ecuaciones normales de los datos. (123) En cierto estudio de calibracin de espectroscopia de absorcin atmica, las medidas de respuesta fueron las unidades de absorcin de un instrumento segn la cantidad de cobre diluido en una solucin cida. Se usaron cinco niveles de cobre con cuatro rplicas del nivel cero y dos rplicas de los otros cuatro niveles. En la siguiente tabla se dan los datos de espectroscopia para cada nivel de cobre como microgramos de Cu/mililitro de solucin.
0,00 0,045 0,047 0,051 0,054 0,05 0,084 0,087 Cobre mg/ml 0,10 0,115 0,116 0,20 0,183 0,191 0,50 0,395 0,399

Escriba el modelo lineal estadstico para este estudio y explique las componentes del modelo. Calcule el anlisis de varianza. Calcule las medias de mnimos cuadrados y sus errores estndar para cada tratamiento. 125

Palacios C. Severo Calcule un intervalo de confianza del 95% estimado para las medias de los tratamientos. Pruebe la hiptesis de que no hay diferencia entre las medias de los cinco tratamientos, con la prueba F(95%). Escriba las ecuaciones normales de los datos. (124) Considere el experimento del ejercicio 121. Suponga que se perdieron algunas gallinas durante el transcurso del mismo, lo que dio como resultado el siguiente conjunto de observaciones.
Tratamiento Premuda Ayuno 60 g salvado 80 g salvado Mezcal malta 94,1 98,8 197,2 102,9 83,1 90,5 103,6 207,3 117,5 89,6 Suero T3 99,4 115,3 177,5 119,9 87,8 73,6 129,1 112,1 96,4 117,6 101,1

Escriba el modelo lineal estadstico para este estudio y explique las componentes del modelo. Calcule el anlisis de varianza. Calcule las medias de mnimos cuadrados y sus errores estndar para cada tratamiento. Cmo afect la prdida de gallinas a las estimaciones de las medias? Calcule un intervalo de confianza de 95% estimado para las medias de los tratamientos. Pruebe la hiptesis de que no hay diferencia entre las medias de los cinco tratamientos; con la prueba F a un nivel de significanca de 0,05. Escriba las ecuaciones normales de los dato (125) Utilice los datos del ejercicio 51 para determinar cuntas gallinas necesitara el bilogo en cada tratamiento para rechazar la hiptesis nula a un nivel de significanca de 0.05, si la diferencia entre el tratamiento de control y cualquier tratamiento nuevo es de 30 unidades de T3. (126) Use los datos del ejercicio 49 para determinar cuntas intersecciones necesita el ingeniero de trnsito con cada tipo de semforo para rechazar la hiptesis nula a un nivel de significanca de 0.01, si los retrasos medios respectivos en los tres tipos de seal fueron 20, 18 y 16 segundos. (127) Se quiere probar el efecto de cinco dietas en el aumento de peso en cerdos pero se tiene diferente peso inicial en las unidades experimentales. Aqu el factor peso inicial es medible y no puede utilizarse como un criterio de clase (nivel de un factor) por lo que es mejor utilizar un diseo completamente al azar con peso inicial de las unidades experimentales como covariables. De esta manera se ajusta respecto a peso inicial, se tiene ms grados
126

ESTADISTICA EXPERIMENTAL Aplicada a ciencia e ingeniera de libertad para el cuadrado medio del error y se maneja un diseo ms sencillo. Si adems del peso inicial, la edad se los animales fuese otro factor de importancia podra incluirse teniendo as un diseo completamente al azar con dos covariables. (128) Suponga que un investigador en fisiologa esta interesado en planear un experimento para medir el efecto del rea necrtica sobre la fotosntesis de 8 variedades de caf susceptibles a la roya. Planea usar parcelas experimentales de 4 plantas en un lote ubicado en una pendiente del 70 %. Por experimentos anteriores se sabe que la roya es ms agresiva en la zonas bajas que en este caso adems son las ms hmedas y por lo tanto ms favorables para el desarrollo de la enfermedad. El investigador cuenta con 320 plantas y solo puede sembrar grupos de 32 plantas para distribuirlas a lo largo de la pendiente. Por otra parte cuenta solo con 8 equipos para la medir la fotosntesis y decide medir entre 10:00 y 10:15 a.m. Se sabe que tarda en medir la fotosntesis de cada hoja afectada 3 minutos. Qu diseo experimental le recomendara al investigador? De acuerdo con lo recomendado, indquele como hacer el anlisis de los datos y las comparaciones de tratamientos. (129) Un investigador plantea la hiptesis de que el gusano blanco de la papa se puede controlar biolgicamente usando tres especies de nematodos. Para su aplicacin, quiere ensayar tres sistemas diferentes: en la superficie, en la parte media y en el fondo de cada matera formando un crculo. La efectividad del sistema puede variar de acuerdo con el nematodo. Para evitar complejidad, el investigador esterilizara el suelo, aplicara soluciones nutritivas a todas las materas e infestara cada matera con igual nmero de larvas. La infestacin con las larvas se har 8 das despus de la floracin del cultivo de papa y la aplicacin de los nematodos se har 15 das antes de la infestacin. Se consider la matera con 2 kg de suelo y una planta, como unidad experimental. Por tratamiento va a tener 10 unidades experimentales en un invernadero. Qu diseo experimental recomendara. Como asignara los tratamientos a las unidades experimentales Que variable(s) medira Escriba una tabla de anlisis mostrando solamente las fuentes de variacin y los grados de libertad. Son los factores cualitativos o cuantitativos Considere los factores aleatorios y escriba como calcular las componentes de varianza y las pruebas de F 127

Palacios C. Severo (130) Para determinar la permanencia del controlador biolgico beauveria bassiana sobre las hojas del cafeto despus de un aguacero, se piensa hacer un experimento en el cual se usar un solo simulador de lluvia para despachar una misma cantidad de agua con diferentes tiempos de duracin, para una intensidad dada. Los tiempos de duracin son: 30, 60 y 90 minutos en horas de la tarde. Se asperjarn 3 dosis del hongo (108, 1010 Y 1012 esporas por mililitro) debidamente calibradas, donde se espera tener una distribucin uniforme del nmero de gotas por centmetro cuadrado en las hojas. La unidad experimental estar constituida por 10 plntulas de 6 meses de edad. Se quiere medir el nmero de esporas promedio en 5 campos de la hoja. El simulador de lluvia logra regar 30 plantas a la vez. El investigador cuenta con 450 plantas para su experimento. Que diseo experimental recomienda? Qu le indicara al investigador para hacer el anlisis de los datos? (131) Suponga que un ingeniero est interesado en la comparacin de tres procesos qumicos para la manufactura de cierto compuesto. Se sospecha que la impureza de la materia prima usada en el proceso puede afectar el producto final, sin embargo se espera ajustar el proceso al final del anlisis. Usando un diseo completamente aleatorizado con 15 unidades experimentales obtuvo la siguiente informacin:
Tratamiento 1 Impurezas 4,1 2,9 1,5 4,1 2,2 6,8 2,7 3,8 6,4 5,6 6,6 2,2 3,5 3,5 4,6 Produccin 12,5 10,3 9,6 12,6 11,3 11,5 8,6 7,2 11,6 8,9 6,8 4,8 5,6 7,5 6,2

Estime la lnea de regresin para cada tratamiento Lleve a cabo la prueba de hiptesis de que las tres lneas de regresin tienen la misma pendiente Obtenga la estimacin combinada de la pendiente. Obtenga las medias sin ajustar y ajustadas de los tratamientos y comprelos comentando los resultados respectivos.
128

ESTADISTICA EXPERIMENTAL Aplicada a ciencia e ingeniera Obtenga la tabla de anlisis de la varianza e interprete cada uno de los resultados de esta tabla. (132) A continuacin se analizan los datos de un experimento en caa de azcar. En las parcelas grandes se ensayaron dos tratamientos. C: Con compuesto orgnico S: Sin compuesto orgnico En las sub parcelas se ensayaron cuatro tratamientos. 1 Testigo. 2 Cal 1,5 Ton/ha. 3 Cal 3,0 Ton/ha. 4 Cal 4,5 Ton/ha. La respuesta de inters fue el rendimiento del campo en kilogramos por parcela chica de 100.8 m2, y se gener la variable R: para el rendimiento de caa en toneladas por hectrea. V. DISEO TOTALMENTE ALEATORIZADO

Se usa cuando los datos tienen pequea variacin, y adems cuando el nmero de tratamientos tambin es pequeo. Si tenemos N-tratamientos, y queremos ubicar n-elementos para los N-tratamientos procedemos de la siguiente manera. Se eligen aleatoriamente n-unidades experimentales para aplicarle un tratamiento digamos t, luego tenemos n-elementos de las Nn-n restantes para aplicarles el tratamiento t2 y as sucesivamente hasta agotar las Nn unidades experimentales. En muchos problemas es necesario disear experimentos en los que pueda controlarse sistemticamente la variabilidad producida por diversas fuentes extraas. Ejemplo 4.34 Se desea determinar la alimentacin de terneras con productos distintos para el engorde artificial. El experimentador ha decidido obtener cuatro observaciones para cada alimentacin. Solo existe un factor - alimentacin artificial, y el diseo de un factor completamente aleatorizado consiste en asignar aleatoriamente cada uno de los 4x4=16 ensayos a una unidad experimental, o sea la alimentacin de terneras, el engorde artificial correspondiente. 129

Palacios C. Severo

Por lo tanto, se requerirn 16 formas de alimentacin para realizar este experimento, una para cada ensayo. En principio existe un problema serio en el diseo. Como las terneras son distintas, las unidades experimentales contribuyen a la variabilidad observada en la lectura de alimentacin. Como resultado, el error experimental reflejar tanto el error aleatorio como la variabilidad entre los animales.
Ternera 1 2 3 4 Tabla 4.15 Datos de alimentacin de terneras Corrida experimental Total 9,3 9,4 9,6 10 38,3 9,4 9,7 9,8 9,9 38,8 9,2 9,4 9,5 9,7 37,8 9,7 9,6 10 10,2 39,5 Media 9,575 9,700 9,450 9,875

Se desea que el error experimental sea lo ms pequeo posible; en otras palabras, se busca sustraer del error experimental la variabilidad producida por las terneras. Un diseo que logre esto requiere que el experimentador pruebe cada alimentacin, una vez, en cada uno de las cuatro terneras diferentes. El diseo que aparece en la tabla 4.15, se conoce como diseo aleatorizado. La respuesta observada es el incremento de peso diario en gramos. El anlisis estadstico se lleva a cabo en funcin de la prueba F, el valor de Fo se compara con el valor de Ft en funcin de los grados de libertad de los tratamientos y del error experimental. Debemos calcular la varianza total y descomponerla para el tratamiento y el error.
SC total 9,3 2 9,4 2 ... 10 2 10,2 2 153,4 / 16 1,18
2

SC tratamientoo 38,3 2 38,3 2 37,8 2 39,5 2 / 4 153,4 / 16 0,395


2

SCerror 1,18 0,395 0,785

130

ESTADISTICA EXPERIMENTAL Aplicada a ciencia e ingeniera


GL : N 16 n 4 Total : N 1 15 Tratamient : n 1 3 o Error : N n 12
Fuente Terneras Error Total Tabla 4.16 Anlisis de varianza SC GL CM Fo Ft(99%) 0,395 3 0,128 1,96 < 5,95 0,785 12 0,065 1,18 15 R = 66,5254%

El anlisis de la prueba F indica que puede ser rechazado la hiptesis Ho por lo que puede afirmarse que existe diferencia entre las medias de los tratamientos comparados; sin embargo el investigador puede concluir entre cuales tratamientos es que existe diferencia.

Problemas (133) Un tcnico textil desea probar el efecto que tiene cuatro productos qumicos sobre la resistencia de un tipo de tela. Como puede haber variabilidad entre un rollo de tela y otro, decide utilizar un diseo aleatorizado, seleccionando cinco rollos al azar y les aplica los cuatro productos qumicos en orden aleatorio. A continuacin, se proporcionan los resultados de la resistencia. Analice estos datos y haga las conclusiones apropiadas.
Qumico 1 2 3 4 73 73 75 73 Corrida experimental 68 74 71 67 75 72 68 78 73 71 75 75 67 70 68 69 Total Media

(134) Se emplean cuatro laboratorios para realizar un anlisis qumico como parte de un estudio, para determinar si los laboratorios dan en promedio los resultados mnimos, se le enva a cada uno una muestra del mismo material. Los resultados analticos son:
Anlisis 1 2 3 4 58,7 64,5 57,3 61,4 Corrida experimental 62,7 55,9 60,7 56,1 60,3 60,9 60,9 59,1 59,2 58,2 60,3 58,1 61,4 63,1 55,2 62,3 Total Media

Existe diferencia significativa entre los laboratorios Realice un anlisis de varianza 131

Palacios C. Severo (135) Tres diferentes soluciones para lavar estn siendo comparadas con objeto de estudias su efectividad en el retraso de crecimiento de bacterias en envases de leche. El anlisis se realiza en un laboratorio y slo puede efectuarse tres pruebas en un slo da, el experimentador recupera las observaciones durante cuatro das y los datos aparecen a continuacin.
Qumico 1 2 3 13 16 5 Corrida experimental 18 39 22 17 44 24 1 22 4 Total Media

(136) Se desea estudiar la adicin sistemtica para la obtencin de peltre (aleacin de estao, plomo, cobre antimonio) de muy buena calidad, se comparan cinco estndares con el suministro de estao (Sn) y cobre (Cu): a) Sn=92, Cu=2; b) Sn=93, Cu=1; c) Sn =93, Cu=2; d) Sn=94, Cu=1, e) Sn=94, Cu=2
Aleacin A B C D E 1,18 1,45 1,36 1,45 1,96 Corrida experimental 1,20 1,03 0,92 1,27 1,23 1,76 1,62 1,34 1,23 1,41 1,25 1,51 1,78 1,56 1,74 1,67 2,12 1,78 1,83 2,07 1,24 1,60 1,44 1,46 1,76

(137) Se realiz una prueba de la vida til, a temperatura acelerada, de un tipo de calentador tubular. Se probaron seis calentadores, cada uno a cuatro temperaturas distintas: 1520F, 1620F, 1660F y 1708F. Se registr el nmero de horas transcurridas hasta que se present falla en los 24 calentadores utilizados en el estudio.
temperatura 1520 1620 1660 1708 1953 1190 651 511 2135 1286 837 651 Horas hasta la falla 2471 4727 6134 1550 2125 2557 848 1038 1361 651 652 688 6314 2845 1543 729

Investigue las suposiciones necesarias para un anlisis de varianza de los datos. Realice un anlisis de varianza de los datos transformados, y haga una particin de la suma de los cuadrados de la temperatura en contrastes polinomiales ortogonales, para determinar la mejor relacin entre la temperatura y su variable de respuesta. Como las temperaturas de prueba tenan espaciamientos desiguales, use los siguientes coeficientes de contraste:
Temperatura Lineal Cuadrtica Cbica 1520 -0,773 0,382 -0,078 1620 -0,051 -0,637 0,584 1660 0,238 -0,328 -0,765 1708 0,585 0,583 0,259

(138) Un entomlogo cont el nmero de huevos que pone cada una de las 15 hembras de polillas en das sucesivos, en tres variedades
132

ESTADISTICA EXPERIMENTAL Aplicada a ciencia e ingeniera de gusano de tabaco (USDA, campo y resistente). Los siguientes datos son el nmero de huevos puestos en el tercer da despus del apareamiento de cada hembra en cada variedad.
Variedad USDA Campo Resistente USDA Campo Resistente 448 211 0 29 0 0 906 276 9 522 253 348 Nmero de huevos por polilla 28 227 634 48 415 787 18 118 143 1 26 127 319 242 261 566 61 0 275 0 0 14 21 0 369 1 161 734 153 218 137 151 294

El entomlogo desea realizar un anlisis de varianza del nmero de huevos. (139) Un criador de plantas evalu la capacidad de enraizar de nueve clones de pasto en un experimento de laboratorio. Cultiv dos rplicas de cada clon en una solucin oxigenada en un diseo totalmente aleatorizado.
Clon 1 2 3 4 5 6 7 8 9 Replica I Enraizado No enraizado 15 49 13 51 13 51 6 42 16 48 14 50 8 56 9 55 8 40 Replica II Enraizado No enraizado 11 53 11 53 6 58 4 60 12 52 9 55 18 46 10 54 16 48

El cultivador quiere analizar la proporcin de cultivos enraizados o la proporcin de nodos enraizados. (140) Dada la siguiente muestra aleatoria de N = 15 observaciones, ordenadas de menor a mayor: Determine los valores f y sus cuantiles normal estndar. Grafique las observaciones contra los cuantiles normal estndar. Interprete la grfica respecto a la forma de la distribucin a partir de la cual se muestrearon las observaciones. (141) Dada la siguiente muestra aleatoria de N = 16 observaciones, ordenadas de menor a mayor: Determine los valores f y sus cuantiles normal estndar. Grafique las observaciones contra los cuantiles normal estndar.
2 39 3 63 4 87 5 97 10 112 28 156 34 188 35 253 14,3 20 16 20,8 17,3 21,4 17,5 22,7 17,8 23,2 18,7 25,6 18,8 27,8 18,9

133

Palacios C. Severo Interprete la grfica respecto a la forma de la distribucin a partir de la cual se muestrearon las observaciones.

VI. DISEO DE BLOQUES ALETORIZADOS El concepto de bloques fue introducido en agricultura; al observarse que los campos experimentales en agricultura marcaban una heterogeneidad de fertilidad, lo que complicaba la asignacin de los tratamientos de un punto a otro, de aqu que el bloque permita la particin de la variabilidad inherente en el campo experimental despus de la asignacin de los tratamientos en las siguientes componentes: 1. Diferencias entre tratamientos-Variacin entre tratamientos. 2. Variacin dentro de bloques. 3. Variacin entre bloques. De esta forma naci el concepto de diseo en bloque completos aleatorizados. El trmino bloque es usado ms ampliamente para referirse a un grupo de unidad experimental que tienen un conjunto de caractersticas que provocan un problema efectivo de respuesta, una vez que han sido aplicados los tratamientos. El diseo de bloques aleatorizados constituye una de las variantes para el agrupamiento de las unidades experimentales que se utilizan cuando en la conformacin de los grupos en un experimento de com134

ESTADISTICA EXPERIMENTAL Aplicada a ciencia e ingeniera paracin por grupos, se detecta que existen diferencias en cuanto a una caracterstica determinada entre los objetos. A partir de ello se estructura la formacin de los grupos, en funcin de establecer bloques de tratamiento semejantes en cuanto a las caractersticas en cuestin para que compongan cada bloque en forma aleatoria en cada uno de los grupos experimentales posteriores. Esta distribucin permite llevar a cabo un control ms preciso de los efectos de esta caracterstica variable a travs del agrupamiento en bloques elevando con ello la precisin del experimento. Ejemplo 4.35 Se realizo un experimento con el objeto de comparar el efecto del suministro de diferentes niveles de concentrado a las aves de corral para lo cual se aplicaron las siguientes variantes:
A; Sin concentrado (dieta normal) B: 250 gramos de concentrado por cada kilo de ave viva C: 300 gramos de concentrado por cada kilo de ave viva D: 500 gramos de concentrado por cada kilo de ave viva

El experimento se monto utilizando 80 aves de corral, los que fueron agrupados en 5 bloques de acuerdo al peso inicial, que vario entre 1 a 2 Kg. teniendo en cuenta este agrupamiento se formaron unidades experimentales de cuatro aves por corral. Logrndose obtener los resultados en el aumento de peso diario durante la prueba (alimento de concentrado), expresado en Kg/da de peso vivo.
Concentrado A B C D Total I 0,8 1,0 1,2 1,4 5,2 II 1,0 1,1 1,3 1,4 4,8 Bloque III 0,9 1,0 1,1 1,8 4,4 IV 0,8 1,1 1,3 1,6 4,8 V 1,0 1,3 1,1 1,8 4,8
2

Total 4,5 5,5 6 8 24

Media 0,9 1,1 1,2 1,6

SCtotal 12 0,9 2 ... 1,6 2 1,4 2 24 / 20 1,6


SCtratamiento 4,52 5,52 6 2 82 / 5 24 / 20 1,3
2

SCbloque 5,22 4,82 4,42 4,82 4,82 / 5 24 / 20 0,08


2

135

Palacios C. Severo

SCerror 1,6 1,3 0,08 0,22


GL : N 20 n 4 m 5 Total : N 1 19 Tratamiento : n 1 3 Bloque : m 1 4 Error : N n m 1 12
Tabla 4.17 Anlisis de varianza SC GL CM Fo Ft(99%) 1,30 3 0,43 23,4 > 5,95 0,08 4 0,02 5 < 5,41 0,22 12 0,018 1,09 1,6 19 R = 81,25%

Fuente Concentrado Bloque Error Total

Al comparar los resultados de los valores de F encontramos que los efectos de los tratamientos resultan significativos lo que indica que existe una influencia diferente entre los efectos de las diferentes dietas comparadas en cuanto al incremento de peso diario de las aves de corral durante las pruebas. Referente al efecto del agrupamiento en bloque resulto no significativo por lo que las aves de corral se comportan en forma semejante independiente de su peso inicial del experimento. A partir de los resultados podemos concluir desde un punto de vista biolgico el efecto obtenido con la utilizacin de concentrados en la dieta para aves de corral, sin embargo debe de estudiarse con detenimiento los factores que provocan los resultados obtenidos al comparar las dietas. Ejemplo 4.36 Un agrnomo desea determinar el efecto de diferentes fuentes de nitrgeno en la produccin de una materia seca sobre cebada forrajera. Hay cinco fuentes a ser comparadas: (NH4)2SO4, NH4NO3, CO(NH2)2, Ca(NO3)2 y NaNO3 y con un tratamiento control sin nitrgeno. Se deseo aplicar los resultados sobre un rango bastante amplio de condiciones, se hicieron ensayos sobre cuatro tipos de suelo. Para el diseo experimental se eligi un diseo en bloques completamente aleatorizado con los tipos de suelo como factor de bloqueo, se localizaron seis parcelas en cada uno de los cuatro tipos de suelo, y se
136

ESTADISTICA EXPERIMENTAL Aplicada a ciencia e ingeniera asigno aleatoriamente los tratamientos a las parcelas dentro de cada tipo de suelo. La variable de inters es la produccin de cebada bajo varias fuentes de nitrgeno. Los datos obtenidos de realizar este experimento se presentan en la tabla 4.18.
Tabla 4.18 Produccin (kg/parcela) de cebada bajo varias fuentes de nitrgeno Tipo de suelo Tratamiento I II III IV (NH4)2SO4 32,1 35,6 41,9 35,4 NH4NO3 30,1 31,5 37,1 30,8 CO(NH2)2 25,4 27,1 33,8 31,1 Ca(NO3)2 24,1 33,0 35,6 31,4 NaNO3 26,1 31,0 33,8 31,9 Control 23,2 24,8 26,7 26,7

Las sumas de cuadrados se obtienen de la siguiente manera:

SC

total

Y
2 ij

Y
ij

ij

SCtotal 23323,52

740,2 4945183 24

SC tratamient o

Y ij 1 2 Y ij b n ij

SCtratamiento

1 145 129,5 117,4 124,1 122,8 110,4 740,2 2561533 4 24

SC

bloque

Y 1 Y t n
2 ij ij


ij

SCbloque

1 161 183 208,9 187,3 740,2 1927483 6 24

SCerror SCtotal SCtratamiento SCbloque


SCerror 4945183 2561533 1927483 456166

137

Palacios C. Severo

Fuente Suelo Tratamiento Error Total

Tabla 4.19 Anlisis de varianza SC GL CM Fo Ft(99%) 1927483 3 642494 21,13 > 5,42 2561533 5 512306 16,85 > 4,56 456166 15 30411 4945183 23 R = 90,7755%

Ejemplo 4.37 Un agricultor roca hojas de manzana con diferentes concentraciones de un compuesto de nitrgeno, luego determina la cantidad de nitrgeno que permaneca en las hojas inmediatamente despus de la aplicacin y al final de ciertos tiempos preestablecidos. La finalidad de este experimento fue determinar la rapidez a la que el nitrgeno es absorbido por las hojas, hubo dos reproducciones de cada tratamiento segn se muestra en la tabla 4.20
Tabla 4.20 Cantidad de nitrgeno que permanece despus de la aplicacin Concentracin de nitrgeno Tiempo N1 N2 N3 t0 2,29 6,80 8,75 2,54 5,94 9,52 t1 0,46 3,03 2,49 0,19 1,00 2,04 t2 0,00 0,75 1,40 0,26 1,16 1,81

Asumiendo un bloqueo por tiempos, al llevar a cabo el anlisis de varianza y probar la hiptesis de inters H0: N1 = N2 = N3, los resultados del ANOVA se muestran en la tabla 4.21
SC 1 50,43 35,84 9,21 5,83 917576 6 18
1 5,74 18,68 26,01 50,43 351136 6 18
1 4,83 12,74 .. 3,21 309755 2

bloque

SCtratamiento

SCerror 2884143

SCerror exp er 2853167 1764016 2330456 1412880 171574

SCtotal 2884143 1412880 1471262


138

ESTADISTICA EXPERIMENTAL Aplicada a ciencia e ingeniera Con base en stos resultados, se obtiene la tabla 4.21 y a partir de la sta, se concluye que la permanencia de nitrgeno en las hojas se ve afectada por la cantidad de nitrgeno aplicada, pues Fo = 4,09 < Ft(95%) = 6,9. Por otro lado, al parecer los tiempos (bloques) difieren de manera significativa, ya que el cuadrado medio es grande en relacin con el error experimental.
Tabla 4.21 Anlisis de varianza permanencia de nitrgeno en las hojas SC GL CM Fo Ft(95%) 917576 2 458788 10,69 > 6,94 351136 2 175568 4,09 < 6,94 171574 4 42893 30975 9 3441 1471262 17 R = 88,3383%

Fuente Tiempo Nitrgeno Error exp Error Total

Ejemplo 4.38 Un ingeniero qumico piensa que el tiempo de reaccin de un proceso qumico en donde los reactantes actan espontneamente esta en funcin directa del tipo de catalizador empleado, se emplean cuatro tipos de catalizadores a fin de realizar el presente estudio.
Tabla 4.22 Tiempos de reaccin del proceso Lote de materia prima Catalizador I II III IV Yoi 1 73 74 71 218 2 75 67 72 214 3 73 75 68 216 4 75 72 75 222 Yoj 221 224 207 218 Yoo=870

Se estn investigando cuatro catalizadores, en cuatro lotes de materia prima y se observa el tiempo de reaccin. Los datos obtenidos se presentan en la tabla 4.22 Para este conjunto de datos se tiene r = 3; k = 3 y el nmero de veces que cada par de tratamientos aparece en el mismo bloque es:

r k 1 32 2 t 1 3

Este diseo en bloques incompletos balanceado tiene una eficiencia relativa con respecto al DBCA de:

139

Palacios C. Severo
E

t 24 0,889 kT 33

Prefiriendo de esta forma bloques incompletos balanceados. Para comprobar la hiptesis H0: 1 = 2 = 3 = 4, se construyen las diferentes sumas de cuadrados con base en la estructura de las siguientes matrices:
C 2 4I 4 x 4 J 4 x 4 3

8 I 4x4 3

8 I 4x4 3

Con base en estos resultados, se encuentra que:


SCtotal 63156
SCbloque

870 8100 12

1 221 207 224 218 870 5500 3 12

SCtratajus

En la tabla 4.23 se resumen los resultados anteriores a travs del anlisis de varianza. Puesto que Fo = 11,66 > Ft(95%) = 5,41, se concluye que el catalizador empleado tiene un efecto significativo sobre el tiempo de reaccin.
SCerror SCtotal SCtratajus SCbloque 8100 2275 5500 325
Tabla 4.23 Anlisis de varianza para los tiempos de reaccin del proceso Fuente SC GL CM Fo Ft(95%) Bloque 5500 3 1833 28,2 > 5,41 Tratamiento(ajus) 2275 3 758 11,6 < 5,41 Error 325 5 65 Total 8100 11 R = 95,9876 %

1 81 49 16 400 2275 24

140

ESTADISTICA EXPERIMENTAL Aplicada a ciencia e ingeniera

Problemas (142) Se describe un experimento en el cual se determin el factor de forma para distintos embutidos a seis niveles de velocidad. El inters se concentro en las diferencias potenciales del equipo, y la velocidad se consider una variable problemtica.
Embutido 1 2 3 4 5 0,78 0,83 0,83 0,83 0,75 0,75 0,86 0,89 0,88 0,76 Velocidad 0,77 0,80 0,81 0,85 0,89 0,92 0,86 0,79 0,76 0,86 0,81 0,92 0,95 0,98 0,78 0,78 0,85 0,93 1,14 0,97

(143) Un fabricante produce nutrientes en cuatro reactores se sabe que cada reactor tiene sus propias caractersticas de procesamiento de modo que cada reactor se considera una variable problemtica en cualquier corrida experimental en la fabricacin que implica ms de un reactor. El ingeniero de planta sospecha que la velocidad de agitacin influye en la homogenizacin y dilucin de los productos slidos. Cada reactor puede operar a cuatro velocidades de agitacin distinto.

141

Palacios C. Severo Se efectu un diseo de bloques aleatorizados para una empresa exportadora, los datos son:
Agitacin 5 10 15 20 6 9 2 6 Reactor 5 8 6 14 9 14 3 7 4 5 6 9

Existe alguna evidencia de que la velocidad de agitacin influya en la disolucin de los productos. Que recomienda usted al ingeniero de planta respecto a la eleccin de la velocidad de agitacin y el reactor para este proceso. Existe alguna evidencia de que la velocidad de agitacin influya en la disolucin de los productos. Que recomendara usted al ingeniero de planta respecto a la eleccin de la velocidad de agitacin y el reactor del proceso. (144) Se emplean cuatro laboratorios para efectuar un anlisis qumico. Como parte del estudio para determinar si los datos dan un promedio en los resultados, se le enva a cada uno una muestra del mismo material, los resultados son:
Anlisis 1 2 3 4 5 58,7 61,4 60,9 59,1 58,2 Laboratorio 62,7 55,9 64,5 56,1 63,1 57,3 59,2 55,2 60,3 58,1 60,7 60,3 60,9 61,4 62,3

Existe alguna diferencia significativa entre los laboratorios. (145) Se estudia el rendimiento de cuatro detergentes diferentes. Se obtuvieron las siguientes lecturas de blanqueo para 12 cargas de lavado distribuidos en tres modelos de lavado.
Detergente A B C D 45 47 48 42 Lavado 43 46 50 37 31 52 55 49

(146) Considere un experimento de 10 tratamientos y 5 replicaciones en el diseo experimental de bloques completos al azar. Muestre un plan de la aleatorizacin de los tratamientos en las rplicas (Bloques). (147) Quince variedades de maz fueron sembradas en una estacin experimental, con el propsito de seleccionar los de mayor produccin. El ensayo se realiz teniendo en cuenta una estructura de bloques. Se midi el rendimiento de maz tonelada/unidad de superficie y los resultados del ensayo se resumen en la siguiente tabla:
Fuente SC GL CM Fo 142

ESTADISTICA EXPERIMENTAL Aplicada a ciencia e ingeniera


Bloque Variedad Error Total 2 7082935 38033,14 7,38

VII.

DISEO CUADRADO LATINO

El diseo en bloques aleatorios es adecuado cuando una fuente de variabilidad extraa se elimina comparando un conjunto de medias mustrales. Una Caracterstica importante de este tipo de diseo es su balance, que se logra asignando el mismo nmero de observaciones a cada tratamiento de cada bloque. La misma clase de balance puede lograrse en otros tipos de diseo ms complicados, en los cuales es conveniente eliminar el efecto de varias fuentes extraas de variabilidad. El diseo cuadrado latino se usa para eliminar dos fuentes de variabilidad problemtica, en otras palabras, permite analizar sistemticamente por bloques en dos direcciones. En este diseo los renglones y columnas representan, en realidad, dos restricciones a la aleatorizacin. En general, un cuadrado latino PxP, es un cuadrado que contiene P renglones y P columnas, dada una de la P2 celdas contiene una de las P letras que corresponde a un tratamiento, y cada letra aparece una sola vez en cada rengln y columna, ejemplo. 143

Palacios C. Severo

A C B C B A B A C

A B C D B C D A C D A B D A B C

A B E C D

D C C A B E E

E D B D C D E A A C B B A

Su utilidad esta determinado por la bsqueda de ejercer un control efectivo de posibles fuentes de error en el experimento, derivadas stas fundamentalmente de las caractersticas individuales del material experimental; se puede ampliar las posibilidades de control a dos posibles fuentes, con lo que resulta comparativamente con los diseos anteriores. Esta posibilidad de control de dos fuentes de error determinado por el agrupamiento de las unidades experimentales en un sistema de distribucin bi direccional; de tal manera ejecutado, que permita una formacin de los grupos que componen cada variante del experimento, con una distribucin equitativa, teniendo en cuenta dos posibles fuentes de error. Ejemplo 4.39 Se realiz un experimento para investigar la influencia entre los tiempos medios para ensamblar 4 tipos de equipos aspersores distintos. Hay dos fuentes de variacin moderada que afectan la respuesta, la variacin entre los operarios y el efecto de la fatiga. Si una persona ensambla una serie de dispositivos durante un cierto tiempo, se desea evaluar dichas influencias. Por consiguiente cuatro operarios fueron seleccionados y cada uno ensambla los cuatro dispositivos de acuerdo al siguiente diseo.
Filas 1 2 3 4 Total I C=44 B=41 A=59 D=58 202 A 202 50,5 Ensamblado II III A=41 B=30 C=42 D=49 D=41 C=59 B=37 A=53 161 191 B 142 35,5 C 204 51 IV D=40 A=49 B=34 C=59 192 D 188 47 Total 153 181 193 207 763

Tratamiento Total Media 144

ESTADISTICA EXPERIMENTAL Aplicada a ciencia e ingeniera Partiendo de la base de datos obtenemos:


SCtotal 44 2 412 ... 532 59 2 763 / 16 1330
2

SC
SC

fila

153 181 193 207 / 4 763 / 16 365


2 2 2 2 2

columna

202 161 191 192 / 4 763 / 16 226,5


2 2 2 2 2

SCtratamiento 2022 1422 2042 1882 / 4 763 / 16 626


2

SCerror 1330 365 226,5 626 112,5

GL : N 16 n 4 Total : N 1 15 Filas : n 1 3 Columna : n 1 3 Tratamiento : n 1 3 Error : N 3n 2 6

Como se aprecia en la tabla 4.24 del anlisis de varianza la columna de fuente no resulto controlada significativamente ya que el valor de F es menor que el Ft(99).
Fuente Tratamiento Fila Columna Error Total Tabla 4.24 Anlisis de varianza SC GL CM Fo Ft(99%) 626 3 208,66 11,12 > 9,78 365 3 121,66 6,48 < 9,78 226,5 3 75,5 4,02 < 9,78 112,5 6 18,75 1330 15 R = 76,5037%

Ejemplo 4.40 Se presenta un experimento, en donde se probaron cuatro mtodos distintos, A, B, C y D, para preparar mezclas de concreto. Consistieron los mtodos de dos relaciones de cemento y agua, y dos duraciones de mezclado. Los cuatro mtodos fueron controlados por cuatro lotes y cuatro das. El concreto se col en cilindros y se midi la resistencia a la compresin en kg=cm2, a los 7 das de almacenamiento en cmaras especiales con 20C de temperatura y 50% de humedad relativa. Los resultados del diseo que se uso se presentan en la tabla 4.25
Tabla 4.25 Resistencia del concreto a la compresin en kg=cm2 Das Ensamblado Total

145

Palacios C. Severo
I A=303 B=280 C=275 D=304 1162 II B=299 A=321 D=315 C=293 1228 III C=290 D=313 A=319 B=295 1217 IV D=290 C=282 B=300 A=305 1177

1 2 3 4 Total

1182 1196 1209 1197 4784

SCtotal 1433270
SCmtodo
SCdas

4784 28540 16

1 1248 1174 1140 1222 4784 17500 4 16


1 1182 1196 1209 1197 4784 915 4 16

SClote

1 1162 1228 1217 1177 4784 7455 4 16

SCerror SCtotal SCtrat SCdas DClote 2670

Con base en los anteriores resultados, se llega a la tabla 4.26 y a partir de la misma, con un nivel de significanca del 5% el valor F es Ft(95%) > 4,75 y puesto que Fo = 13,1, Se concluye que el mtodo afecta la resistencia a la compresin. Adems, al parecer los das no difieren significativamente en dicha resistencia (cuadrado medio es pequeo en relacin al del error), mientras los lotes si, ya que el cuadrado medio es grande en relacin con el error.
Tabla 4.26 Anlisis de varianza para la resistencia a la compresin en kg=cm2 Fuente SC GL CM Fo Ft(95%) Da 915 3 305 0,68 < 4,75 Lote 7455 3 2485 5.58 > 4,75 Mtodo 17500 3 5833 13,1 > 4,75 Error 2670 6 445 Total 28540 15 R = 90,6447%

146

ESTADISTICA EXPERIMENTAL Aplicada a ciencia e ingeniera

Problemas (148) Se encuentra en estudio el efecto que tienen 5 productos distintos A, B, C, D y E sobre el tiempo de reaccin de un proceso. Cada lote de material nuevo es lo suficientemente grande para permitir que slo se realicen cinco pruebas. Ms an cada prueba tarda hora y media; por lo que solo se pueden realizar cinco ensayos al da. El investigador decide efectuar el experimento usando un diseo cuadrado latino con el fin de controlar sistemticamente las variables: lote de material y da. Obtenindose los siguientes datos.
Filas 1 2 3 4 5 I A=8 C=11 B=4 D=6 E=4 II B=3 E=8 A=5 C=10 D=8 Ensamblado III IV D=7 C=1 A=3 D=7 C=1 E=10 E=6 B=6 B=8 A=3 V E=7 B=2 D=9 A=8 C=2

(149) Un ingeniero agrnomo est investigando el efecto que tienen cuatro mtodos de fumigado (A, B, C y D) sobre el tiempo de cu147

Palacios C. Severo rado de una plaga. Se selecciono cuatro operarios para realizar este estudio. Por otra parte, el ingeniero sabe que cada mtodo produce cierto tipo de intoxicacin, por lo que, el tiempo que se tarde en el ltimo fumigado debe ser menor que el primero, independiente del mtodo. En otras palabras, se produce un patrn en el tiempo de fumigado. Para controlar esta posible fuente de variabilidad el ingeniero utiliza el diseo cuadrado latino:
Fumigado 1 1 1 1 I C=2 B=8 A=9 D=14 Operario II III D=7 A=14 C=1 D=18 B=11 C=10 A=12 B=10 IV B=10 A=7 D=5 C=10

(150) Se va efectuar un estudio de los movimiento para determinar el mejor diseo de trabajo para montar computadoras, cinco diseo se hallan en estudio. Se seleccionan cuatro estudiantes en ensamblaje aleatoriamente entre un grupo de sesenta, se le ensea minuciosamente a trabajar con los cinco diseos.
Estudiante 1 2 3 4 I A=10 B=5 C=6 D=4 II B=3 C=10 D=12 E=8 Diseo de trabajo III IV C=9 D=14 D=5 E=10 E=5 A=10 A=4 B=11 V E=11 A=6 B=6 C=5

Cada estudiante sigue cada diseo durante dos das y se registra el nmero de computadoras montadas: (151) Se efecta un experimento de soldadura, empleando el siguiente arreglo:
Estudiante 1 2 3 Diseo de trabajo I II III A=14 B=16,5 C=11 B=9,5 C=17 A=15 C=11 A=12 B=13

(152) Se fabrica una cubierta de caucho para una avioneta y se experimenta un cuadrado latino, el experimento es descrito:
Prueba 2 3 1 4 I A=251 D=234 C=236 B=195 Maquina II III B=241 D=227 C=273 A=274 D=236 B=218 A=270 C=230 IV C=229 B=226 A=268 D=225

(153) Una investigacin describe los mtodos de preparacin de cierto insecticida. Se usa un diseo cuadrado latino para analizar.
Mezcla 148 I II III Ingredientes IV V VI VII

ESTADISTICA EXPERIMENTAL Aplicada a ciencia e ingeniera


1 2 3 4 5 6 7 A=98 B=69 C=37 D=65 E=56 F=113 G=64 B=17 E=67 F=83 G=60 D=44 C=15 A=62 C=89 A=70 G=83 E=91 B=70 D=65 F=65 D=64 G=70 B=74 F=56 C=68 A=51 E=86 E=63 F=111 D=70 C=61 A=88 G=83 B=45 F=132 D=60 A=75 B=59 G=111 E=57 C=100 G=244 C=218 E=169 A=150 F=220 B=233 D=187

(154) Una agencia de control supone que existe diferencia en el contenido de nitrato en lotes de fertilizante que son suministrados por un proveedor. Existe en estos momentos gran cantidad de lotes en el almacn. Se han elegido aleatoriamente cinco de estos. Mediante un anlisis qumico sobre cada lote se obtienen:
Anlisis 1 2 3 4 5 I A=24,3 B=24,4 C=24,6 D=24,9 E=24,0 II B=24,7 C=24,3 D=24,5 E=24,4 A=24,2 Lote III C=24,3 D=24,9 E=24,7 A=24,5 B=24,8 IV D=24,4 E=24,4 A=24,5 B=24,4 C=24,6 V E=24,3 A=24,4 B=24,6 C=24,4 D=24,9

(155) En un fuelle de herrero se forjan 4 clases de aceros. A una misma temperatura, aunque se sospecha que cada uno de los tipos de acero tiene un punto de caldeo, se trabaja con cada uno de ellos al temple, logrndose los siguientes resultados
Acero 1 2 3 4 I A=48 C=41 B=49 D=46 Caldeo II III B=43 D=47 D=48 A=43 A=45 C=41 C=41 B=46 IV C=41 B=47 D=49 A=46

(156) Se evalan tres muestras de tierra fertilizada con abono: qumico, natural y compost. Siendo los resultados siguientes.
Abono Qumico Natural Compost I A=4,9 B=5,1 C=4,7 Fertilizante II III C=4,0 B=4,3 A=5,3 D=4,8 D=4,8 A=5,1 IV D=4,2 C=4,1 B=4,5

Analice y obtenga sus conclusiones. (157) Se realiza un experimento para determinar si la temperatura (C), de horneado afecta en el vidriado de cierto tipo de azulejo. El experimento proporciono los siguientes datos:
Temperatura 1300 1400 1500 1800 I C=23 A=24 D=25 B=28 Vidriado II III A=21 B=24 B=22 D=27 C=25 A=29 D=23 C=29 IV D=26 C=25 B=28 A=27

149

Palacios C. Severo (158) Se han preparado tres diferentes tipos de soluciones para eliminar el xido de joyas (oro y plata). El anlisis de realiza en un laboratorio, usando un diseo aleatorizado por bloques. Los datos se recopilaron durante tres das.
Solucin 1 2 3 I A=13 C=22 B=9,5 Das II B=44 A=12 C=22 III C=16 B=13 A=39

(159) Se utilizan cinco reactores distintos sobre una solucin galvnica de dorado electroltico. Para evaluar se utilizan varios lotes que slo permiten realizar cinco ensayos por da. La investigacin se realiza mediante un diseo cuadrado latino, con el fin de controlar sistemticamente las variables de material y da.
Reactor A B C D E I A=8 C=6 B=10 D=2 E=8 II B=10 E=1 A=7 C=7 D=4 Das III D=5 A=3 C=1 E=8 B=6 IV C=8 D=7 E=6 B=2 A=4 V E=3 B=8 D=10 A=9 C=11

(160) Se encuentra bajo estudio el efecto que tienen 5 reactivos distintos (A, B, C, D y E) sobre el tiempo de reaccin de un proceso qumico. Cada lote de material nuevo es lo suficientemente grande para permitir que slo se realicen 5 ensayos. Ms an, cada ensayo tarda, aproximadamente, 1 hora y media, por lo que slo pueden realizarse 5 ensayos por da. La investigadora decide efectuar el experimento usando un diseo de cuadrado latino, con el fin de controlar las variables lote de material y da. Ella recolecta los siguientes datos:
Lote 1 2 3 4 5 1 A=8 C=11 B=4 D=6 E=4 2 B=7 E=2 A=9 C=8 D=2 Da 3 D=1 A=7 C=10 E=6 B=3 4 C=7 D=3 E=1 B=6 A=8 5 E=3 B=8 D=5 A=10 C=8

Analice la tabla de ANOVA Diga que otro diseo experimental pudiera utilizarse. Diga que recomendara respecto a la eleccin del reactivo qumico, del da y lote para realizar el proceso qumico en el menor tiempo posible. Realice un anlisis de los residuos. (161) Complete la siguiente tabla de anlisis de varianza, concluya e interprete. Se midi el rendimiento de trigo de 4 variedades (tratamientos) en kg/parcela.
150

ESTADISTICA EXPERIMENTAL Aplicada a ciencia e ingeniera


Fuente Filas Columnas Tratamiento Error Total SC GL CM Fo 1,44 5,04 58,4 7

2,72 90,40

VIII. DISEO CUADRADO GRECO-LATINO Consideremos un cuadrado latino NxN al que se le sobrepone un segundo cuadrado latino cuyos tratamientos se designan con letras griegas. Se dice que los cuadrados son ortogonales si al sobreponerse poseen la propiedad de que cada letra aparezca solamente una vez en cada letra latina. Este diseo se denomina cuadrado greca-latino.
Cuadro 1 2 3 4 I A B C D Columna II III B C C D D A A B IV D A B C

El anlisis de varianza es muy similar al de un cuadrado latino.

151

Palacios C. Severo El factor representado por la letra griega es ortogonal a los renglones, las columnas y los tratamientos de las letras latinas porque cada letra griega ocurre una sola vez en cada rengln, en cada columna y para cada letra latina. Por lo tanto, la suma de cuadrados debido al factor letra griega puede calcularse usando los totales de la letra griega. El error experimental se reduce en esta cantidad. Ejemplo 4.41 Un ingeniero sospecha que en el lugar de trabajo usado por cuatro operarios puede representar una fuerte adicin de variabilidad. Es posible introducir al lugar de trabajo , , , a como un cuarto factor. Se produce el cuadrado greca latino que se muestra a continuacin.
Montaje 1 2 3 4 Total I C=11 B=8 A=9 D=9 37 Operario II III B=10 D=4 C=12 A=10 D=11 B=7 A=8 C=18 41 39
2

IV A=8 D=12 C=15 B=6 41

Yi 33 42 42 41 158

SC total 9 2 10 2 ... 7 2 15 2 158 / 16 173,75

SC fila 332 422 422 412 / 4 158 / 16 14,25


2

SCcolumna 372 412 392 412 / 4 158 / 16 2,75


2

Tratamiento Total Media

A 35 8,75

B 31 7,75

C 56 14
2

D 36 9

SCtratamientoo 352 312 562 362 / 4 158 / 16 94,25

los totales de las lneas de montaje son:


Letra Griega Total de montaje Y1 = 45 Y2 = 38 Y3 = 44 Y4 = 31
2

SCmontaje 452 382 442 312 / 4 158 /16 31,25

152

ESTADISTICA EXPERIMENTAL Aplicada a ciencia e ingeniera


SCerror 173,75 14,25 2,75 94,25 31,25 31,25
GL : N 16 n 4 Total : N 1 15 Filas : n 1 3 Columna : n 1 3 Montaje : n 1 3 Tratamiento : n 1 3 Error : N 4n 3 3
Fuente Tratamiento Fila Columna Montaje Error Total Tabla 4.27 Anlisis de varianza SC GL CM Fo Ft(99%) 94,25 3 31,41 3,017 < 29,5 14,25 3 4,75 0,456 < 29,5 2,75 3 0,91 0,087 < 29,5 31,25 3 10,41 1 < 29,5 31,25 3 10,41 173,75 15 R = 82,0143%

En el anlisis de varianza ninguna de las fuentes de variacin controladas resultaron significativas al anlisis ya que los valores calculados de F siempre son menores que los valores de Ft.

Problemas (162) Se desea saber si hay diferencia entre cuatro combustibles usados en cuatro sembradoras. Disear un experimento grecolatino.
Montaje 1 2 3 4 I A=14 B=16 C=19 D=15 Operario II III B=16 C=21 C=16 D=11 D=18 A=16 A=11 B=15 IV D=14 A=23 B=16 C=15

(163) Con el fin de mejorar la calidad de las gallinas, se han aadido dos productos qumicos en su alimentacin. Las distintas cantidades del primero se indican con A, B, C y D. Las del segundo por , , y . Se alimenta a las gallinas ordenados en grupos de acuerdo con sus pesos iniciales 1 1,5 1,8 y 2 153

Palacios C. Severo kilogramos y cuatro especies diferentes. El incremento de peso por unidad de tiempo viene dado en el cuadro. Realice un anlisis de varianza del experimento, sacar conclusiones de acuerdo a su criterio.
Especies 1 2 3 4 I A=3 B=4 C=8 D=6 Peso II III B=6 C=10 C=6 D=5 D=10 A=5 A=3 B=7 IV D=6 A=6 B=8 C=3

IX. PRUEBA DE INTERVALOS MLTIPLES DE DUNCAN Procedimiento de uso amplio para comprobar las parejas de medias. Para aplicar dicha prueba en muestras del mismo tamao, se disponen en orden ascendente los a - promedios del tratamiento y se determina el error estndar para cada promedio. Ejemplo 4.42 Consideremos los datos de la tabla 4.28, siendo el CMerror = 8,06 para N=25 y n=5, el error tiene 20 GL, organizando los promedios Y de tratamientos en orden ascendente se tiene
Y1 Y5 Y2 Y3 = = = = 9,8 10,8 15,4 17,6

154

ESTADISTICA EXPERIMENTAL Aplicada a ciencia e ingeniera


Y4 = 21,6

Error estndar de cada promedio:

S Yi CM error / n 1,27

r0, 05 (2,20) 2,95 r0, 05 * SYi

r0, 05 (3,20) 3,10 r0, 05 * SYi


r0, 05 (4,20) 3,18 r0, 05 * SYi

r0, 05 (5,20) 3,25 r0, 05 * SYi


Tabla 4.28 Datos para tratamiento Tratamiento Y1 Y5 Y2 Y 9,8 10,8 15,4 Y4 21,6 11,8 10,8 6,2 Y3 17,6 7,8 6,8 2,2 Y2 15,4 5,6 4,6 Y5 10,8 1 Y3 17,6 4

Y3 y Y2 no existe diferencia significativa Y5 y Y1 no existe diferencia significativa X. DISEO DOBLE REVERSO

En los experimentos de nuestro campo, sin duda, el estudio de la influencia de diferentes factores sobre la produccin de ciertos procesos; ocupa uno de los principales lugares por su importancia econmica y social. El costo alto de estos experimentos y su duracin cuando se utiliza los mtodos por grupos, ha exigido estudiar y ampliar nuevas tcnicas que permitan reducir los mismos. Tales circunstancias han llevado a investigar un mtodo experimental en grupo-tratamiento, con el objeto de abaratar los costos y reducir el tiempo de ejecucin de los mismos. Estudios sobre la produccin de leche, huevo, derivados de leche, empollado de huevos, mejoramiento gentico, etc. Han permitido establecer una serie de particularidades propias de los mismos, las que uni-

155

Palacios C. Severo das a las tcnicas experimentales, han dado origen a diseos que logran una medida importante al resolver los problemas planteados. El diseo doble reverso cumple los principios fundamentales del mtodo de comparacin por. grupo-tratamiento, aprovechando las caractersticas y la influencia de los diferentes factores sobre si misma. Ejemplo 4.43 Un total de 24 gallinas fueron seleccionadas para un experimento con el objeto de estudiar la influencia entre ponedoras y ordinarias. Con este fin se utilizo el diseo doble reverso que tuvo sub tratamientos experimentales de 30 das con duracin semanal. Los tratamientos se identifican como: (a) ponedoras y (b) ordinarias.
Gallinas 1 2 3 4 5 6 7 8 9 10 11 12 Total Tabla 4.29 Sub experimentos I II II b=6 a=7 b=3 b=6 a=9 b=2 a=9 b=3 a=9 b=4 a=8 b=2 a=10 b=12 a=7 a=7 b=7 a=10 a=12 b=4 a=15 a=9 b=6 a=11 b=4 a=15 b=4 b=3 a=18 b=8 b=6 a=9 b=7 a=8 b=4 a=12 d = I 2II + III d2 d2 -3 9 -10 100 12 144 -10 100 -7 49 3 9 19 361 8 64 -22 484 -25 625 -5 25 12 144 47 -75 2114 d1

Pasemos a continuacin al anlisis de los resultados de este experimento en relacin a la produccin de huevos por semanas. Los datos en el caso se organizan de acuerdo al esquema que se sigui en el experimento.
Tratamiento A B Total 185 93
2

Media 10,28 23,25

SCtotal 2114 47 75 / 12 2065

SCtratamientoo 47 2 752 / 6 47 75 / 12 1240,33


2

156

ESTADISTICA EXPERIMENTAL Aplicada a ciencia e ingeniera


SCerror 2065 1240,33 824,67
Fuente Tratamiento Error Total Tabla 4.30 Anlisis de varianza SC GL CM Fo Ft(99%) 1240,33 1 1240,33 15,04 > 10,0 824,67 10 82,467 2065,00 11 R = 60,0644 %

En funcin de los resultados existe diferencia significativa en cuanto a la produccin de huevos de las gallinas sometidas a tratamiento y esta en funcin de los datos obtenidos respectivamente. Como puede apreciarse este diseo tiende a dar solucin a las limitaciones en los mtodos precedentes. Este mtodo fue desarrollado ampliamente para la aplicacin en estudios con ms de 3 tratamientos y resulta de amplia utilidad en la prctica actual de trabajo.

Problemas (164) Elabore el diseo doble reverso para 14, 15, 20 y 24 pruebas (165) Simule el proceso con tres fertilizantes (Compost, Turba y Qumicos) en la siembra de hortalizas. (166) Establezca la diferencia entre el diseo doble reverso y los diseos aleatorizados. (167) Elabore el modelo del ejemplo 4.43 (168) Aporte un criterio de evaluacin til del diseo doble reverso. (169) A los problemas de (156, 157, 158 y 159) elabore sus anlisis de varianza.

157

Palacios C. Severo

XI. ESTIMACIN DE PARMETROS DEL MODELO Las herramientas principales para el diagnstico de modelos unifactoriales esta basado en los residuos.

ij Yij Y ij
Los residuos del i-simo tratamiento se determinan restando el promedio del tratamiento a cada observacin dentro del tratamiento. Usualmente la comprobacin de linealidad del promedio consiste en graficar los residuos, tal como se muestra. Se recomienda que tal comprobacin de diagnostico sea un paso de rutina en cada proyecto de diseo experimental.
158

ESTADISTICA EXPERIMENTAL Aplicada a ciencia e ingeniera Ejemplo 4.44 Analizar los datos de la tabla 4.10
% 15 20 25 30 35 1 Tabla 4.31 Valores originales y residuos 2 3 4 7 -2,8 15 5,2 11 1,2 17 1,6 12 -3,4 18 2,6 18 0,4 18 0,4 19 1,4 25 3,4 22 0,4 19 1,4 10 -0,8 11 0,2 15 0,2 Orden K 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 ij -3,8 -3,6 -3,4 -3,4 -2,8 -2,8 -2,8 -2,6 -0,8 -0,8 +0,2 +0,2 +0,4 +0,4 +0,4 +1,2 +1,4 +1,4 +1,4 +1,6 +2,6 +2,6 +3,4 +4,2 +5,2 PK=(K-1/2)/25 0,02 0,06 0,10 0,14 0,18 0,22 0,26 0,30 0,34 0,38 0,42 0,46 0,50 0,54 0,58 0,62 0,66 0,70 0,74 0,78 0,82 0,86 0,90 0,94 0,98 5 Yi 9,5 15,4 17,6 21,6 10,8

7 12 14 19 7

-2,5 -3,4 -3,6 -2,6 -3,8

9 8 19 23 11

0,8 2,6 1,4 1,4 0,2

Los residuos se organizan en forma ascendente y se calculan sus puntos de probabilidad acumulada Pk. La grfica de probabilidad normal se deja al lector para que lo desarrolle, con los residuos graficados contra Pkx100 en la escala vertical derecha. En la parte inferior los puntos del residuo. XII. POLINOMIO ORTOGONAL 159

Palacios C. Severo

Cuando los niveles de los factores son equidistantes, puede simplificarse mucho el ajuste del modelo polinomial por el mtodo de mnimos cuadrados. El procedimiento utiliza los coeficientes de los contrastes ortogonales. Adems del ajuste de mnimos cuadrados del polinomio se obtiene el efecto lineal, cuadrtico, cbico, curtico y as sucesivamente, as como la suma de cuadrados del factor. Esto permite probar la contribucin de cada trmino al polinomio. Ejemplo 4.45 Los datos de la tabla 4.32 en este problema el factor independiente, porcentaje de algodn, tienen cinco niveles equidistantes. La suma de cuadrados de los efectos lineales, cuadrticos; cbicos y curticos descompone la suma de cuadrados de tratamiento y pueden ser incorporados al anlisis de varianza como se muestra. Cada efecto tiene un grado de libertad y puede ser probado comparando su suma de cuadrados en la media de cuadrados del error.
% algodn 15 20 25 30 35 Total de tratamiento 49 77 88 108 54 Coeficiente de los contrastes ortogonales Ci Cuadrtico Cbico Curtico 2 -1 1 -1 2 -4 0 0 6 1 -2 -4 2 -1 1 1 5/6 35/2 -155 -57 -100 343,21 64,98 33,95

Efecto Ci Y
SC CiY / n Ci2
2

Lineal -2 -1 0 1 2 1 41 33,62

El modelo polinomial cbico ajustado a los datos es:


Y o 1 P1 ( X ) 2 P2 ( X ) 3 P3 ( X )
SC o Y / N 376 / 25 15,04
SC 1 Ci Y / n Ci2 41/ 5(10) 0,82
SC 2 C i Y / n C i2 155 / 5(14 ) 2,2143

SC 3 CiY / n Ci2 57 / 5(10) 1,14

160

ESTADISTICA EXPERIMENTAL Aplicada a ciencia e ingeniera Como se tiene a=5 niveles de X e Y entre los niveles, d=5 el modelo del polinomio ortogonal es:
Y 15,04 0,82( X 25) / 5 2,2143 X 25 / 5 52 1 / 12
2

1,14(5 / 6) X 25 / 5 X 25 / 5(3(5) 7) / 20
2

resultando el modelo
Y 62,611 9,01 X 0,4814 X 2 0,00786 X 3
Fuente % Algodn Lineal Cuadrtico Cbico Curtico Error Total Tabla 4.32 Anlisis de varianza SC GL CM Fo Ft(95%) 475,95 4 118,94 14,76 > 2,87 (33,62) 1 33,62 4,17 < 4,35 (343,4) 1 343,40 42,58 > 4,35 (64,98) 1 64,98 8,06 > 4,35 (33,95) 1 33,95 4,21 < 4,35 161,20 20 8,06 637,15 28 R = 74,6998%

Los efectos cuadrtico y cbico del porcentaje de algodn son significativos.

5
MTODOS DE ANLISIS
Las cosas complejas y estadsticamente improbables, son por naturaleza ms difciles de explicar que las cosas simples y estadsticamente probables. Richard Dawkins

I.

INTRODUCCIN

161

Palacios C. Severo

No imite al ebrio que utiliza un poste de luz como apoyo, en vez de

usarlo como iluminacin. No deje que el ANAVA (anlisis de varianza) se convierta en muleta de un trabajo de campo mal hecho o como sustituto de pensar. Recuerde estas pautas: Adapte la tcnica al problema, no el problema a la tcnica: evite enamorarse de un mtodo y tratar de acomodarse siempre a cualquier estudio. No se convierta en tecncrata. Los resultados son solo tan buenos como los datos: Las tcnicas estadsticas no arreglan los malos datos. Por eso sea siempre cuidadoso en la elaboracin del diseo y en la toma del vector respuesta. Piense ante, no despus de haber hecho el experimento: no amontone todo lo que se le ocurra en el computador con la esperanza de que ste lo clasifique y lo haga intangible para usted. Primero desarrolle hiptesis; luego ensaye sus preguntas. Puede estar casi seguro de que siempre habr algo que conseguir en un trabajo de investigacin. Considere la investigacin: usted siempre aprende conforme avanza - sobre cosas que usted hubiera querido aadir y sobre otras que hubiera querido dejar por fuera. Una o dos etapas piloto mejorarn la calidad de un gran estudio final. El anlisis estadstico es costoso; por eso, proceda en forma planificada. Encuentre la forma de comunicar los resultados con claridad: La mayora de los investigadores no estn familiarizados con estas tcnicas y por eso hay peligro de confundirlo con datos y con jergas. Busque maneras de comunicar las tcnicas y sus resultados en una forma fcil de entender. Mantenga el anlisis estadstico como un medio, no como un fin: "Correr un anlisis conglomerado" no ayuda mucho si no contribuye al objetivo general del estudio. Empiece con el problema, no con la tcnica.

Las tcnicas estadsticas de anlisis prueban ser herramienta muy valiosa. Su papel ms til generalmente es complementar anlisis y juicios directos reuniendo variables complejas en un solo anlisis. Es arriesgado hacer depender todo el estudio, de una sola tcnica. Un procedimiento mejor es experimentar con estas tcnicas como parte del estudio hecho con otros fines; luego, proseguir con un estudio ms grande despus de que el valor y la aplicabilidad de la tcnica se hayan aprobado.
162

ESTADISTICA EXPERIMENTAL Aplicada a ciencia e ingeniera II. MTODOS NO PARMETRICOS

En la prctica aparecen situaciones en las que los requisitos no estn justificados, como es el caso de una poblacin fuertemente asimtrica. A causa de ello, se han creado mtodos que son independientes de las distribuciones de la poblacin y de los parmetros asociados. Las pruebas no paramtricas se pueden usar como observaciones de contraste ms complicada. Son especialmente tiles cuando se trata con datos no numricos, por ejemplo, cuando los consumidores colocan productos por orden de preferencia. III. PRUEBA U DE MANN-WHITNEY Consideremos dos productos distintos de los cuales obtenemos dos muestras, queremos decidir si hay o no diferencia entre las muestras, o sea, si proceden o no de una misma muestra poblacional. Es conveniente una prueba no paramtrica consistente en los siguientes pasos: 1. Combinar todos los valores mustrales en una ordenacin ascendente y asignar rangos a todos los valores. Si dos o ms muestras son idnticas, se le asigna a cada uno un rango que es la media de los rangos que los ubica con tal coincidencia. 2. Hallar la suma de los rangos para cada muestra, denominndolo Rn y los tamaos mustrales Nn. Por conveniencia elegimos N1 al menor. Una diferencia significativa entre la suma del rango R1 y Rz, implica una diferencia entre las muestras. 3. Para encontrar la diferencia entre las sumas de rangos, usamos:
U Ni N j N i ( N i 19) Ri 2 i j

La distribucin muestral U es simtrica y tiene una media


U
Ni N j 2

y una varianza
2 U

N i N j ( N i N j 1) 12

163

Palacios C. Severo Si Ni y Nj son ambas al menos iguales a 8, resulta que la distribucin de U es aproximadamente normal
z U U

Esta normalmente distribuido con media cero y varianza 1. Un valor correspondiente a otra muestra viene dada por.
U Ni N j N i ( N i 19) Ri 2 i j

Adems
U i U j Ni N j
b33 0,676

Donde:
N = Ni + Nj

Ejemplo 5.46 Se desea determinar si hay diferencia entre los telares I y II, al nivel de significanca del 0,05.
1 2 3 4 5 11,7 11,8 12,6 12,9 14,1 Tabla 5.33 Datos de telares I y II 6 14,7 11 17,8 7 15,2 12 18,3 8 15,9 13 18,9 9 16,1 14 19,6 10 16,9 15 20,5 16 17 18 22,7 24,2 25,3

Combinando los 18 valores de la muestra en ordenacin ascendente, tal como se indica en la tabla 5.33, en la segunda fila se asignan los rangos. Donde
N 8
1

N 10
2

Adems
R 106
1

R 65
2

164

ESTADISTICA EXPERIMENTAL Aplicada a ciencia e ingeniera


U 8 10 8 9 / 2 106 10

U 8 * 10 / 2 40
2 U 8 *10 *19 / 12 126,67

la distribucin es
z 10 40 / 11,25 2,67
Resistencia 18,3 16,4 22,7 17,8 18,9 25,3 16,1 24,2 Suma Textil I Rango 12 10 16 11 13 18 9 17 106 Textil II Resistencia 12,6 14,1 20,5 10,7 15,9 19,6 12,9 15,2 11,8 14,7 Suma Rango 3 5 15 1 8 14 4 7 2 6 65

como la hiptesis Ho que estamos estudiando es que no hay diferencia entre los telares, entonces
Ho si 1,96 z 1,96

Rechazamos y concluimos que hay diferencia entre los telares al nivel del 0,05. IV. PRUEBA H DE KRUSKAL-WALLIS Con esta prueba podemos decidir si dos muestras provienen o no de la misma poblacin. Una generalizacin para k muestras de KruskalWallis con sus pruebas. La prueba puede describirse como: sean k muestras de tamao N k, con suma total N, supongamos que los datos de todas las muestras se ordenan y que las sumas de rangos para las k muestras son Rk respectivamente. Definido:

165

Palacios C. Severo
H Rj 12 3( N 1) N ( N 1) N j
2

Ejemplo 5.47 Una fabrica de tejidos desea comprar una de cinco maquinas diferentes. En un experimento diseado para saber si hay diferencia en la eficacia de tales maquinas, cinco operarios expertos trabajan en cada maquina un tiempo determinado. Los resultados se escogen y ordenan en forma ascendente pero colocada por orden de presentacin.
1 2,5 2,5 4 42 48 50 50 6,5 6,5 6,5 6,5 A B C D E A B C D E 17,5 21 10 2,5 14 53 53 53 53 9 10 11 12 68 72 60 48 64 21 6,5 25 11 16 57 60 61 63 72 53 82 61 65 24 12 14 9 19 14 14 14 16 64 64 64 65 77 63 64 57 70 1 6,5 23 14 17,5 17,5 17,5 19 21 68 68 70 72 4253 5348 7572 6450 6853 6,5 2,5 21 4 6,5 Rango 70 48,5 93 40,5 73 21 21 23 24 25 72 2 75 77 82

H 6,44

Para K-1=4 grados de libertad al nivel de significacin 0,05 X 02,96 . Puesto que 6,44 < 9,49 no podemos rechazar la hiptesis de igualdad entre las maquinas. Podemos aceptar la hiptesis de que no hay diferencia entre las maquinas. V. MTODOS MULTIVARIABLES

Cuando varias variables se analizan juntas, el procedimiento se llama anlisis multivariable. El primer paso analtico en la mayora de los proyectos de investigacin es una tabulacin cruzada directa de los resultados.
166

ESTADISTICA EXPERIMENTAL Aplicada a ciencia e ingeniera Las tcnicas multivariables ms utilizada en el anlisis son: Anlisis de regresin mltiple Interaccin automtica Anlisis discriminante Anlisis de factores Anlisis de conglomerados Escalas multidimensionales Anlisis conjunta.

Las tres primeras tcnicas miden la dependencia entre variables. Estos mtodos tienen que ver con dos tipos de variables, y es importante entender la distribucin entre ellos. Variables dependientes Estas son las variables que usted esta tratando de predecir o explicar. Un ejemplo tpico es el volumen de utilizacin de un producto o de utilizacin de un cierto tipo de equipo. Variable independiente Estas son las variables que explican o predicen diferencias en las variables dependientes. Las otras cuatro tcnicas, estn diseados para medir la interdependencia entre las variables. En este mtodo no hay variable dependiente o independiente. Anlisis de regresin mltiple Este tipo de anlisis enfoca una ecuacin de prediccin que relaciona una variable dependiente y un conjunto de variables independiente. Esta es una de las tcnica multivariable ms bsicas. Es muy til para predecir el intervalo de una variable dependiente. El procedimiento proporciona la ecuacin correspondiente a la lnea recta que mejor se ajusta a los datos. La ecuacin de esta lnea recta se puede usar como ecuacin de prediccin. La ecuacin se desarrolla mediante un procedimiento conocido como mnimos cuadrados y corresponde a una lnea recta, no es apropiado para situaciones donde la relacin entre las variables dependiente e independiente no es lineal. Interaccin automtica 167

Palacios C. Severo

Al igual que la regresin mltiple, la interaccin automtica es un mtodo para analizar la relacin entre una variable dependiente y varias variables independientes. Pero mientras el anlisis de regresin mltiple produce una ecuacin predictiva que describe la relacin, la interaccin automtica genera una serie de ecuaciones de dos vas, seleccionado en cada divisin la variable independiente que explica la mayor variacin en la variable dependiente. Anlisis discriminante El procedimiento determina las variables predictivas ms estrechas que identifican a un subgrupo en la muestra, es decir, identifica las variables que son las discriminadoras entre los miembros de los subgrupos cuyo comportamiento se quiere predecir. La tcnica puede usarse con variables de dos grupos. Anlisis de factores Sirve para analizar las interrelaciones entre variables e intenta reducirlas a un conjunto ms pequeo. En procesos sociales es comn medir un gran nmero de datos, por esta razn se cree que en la mayora de los casos todas estas variables son facetas de un nmero menor de variables subyacentes. El propsito del anlisis de factores es establecer la cantidad de variables que sustenten el fenmeno. Anlisis de conglomerados Define los grupos naturales de objetos que son similares dentro de una poblacin muestra. El anlisis de conglomerado crea sub muestras cuyos miembros son similares entre ellos con los dems. Es decir identifica conglomerados de unidades homogneas. Escalas multidimensionales Es un anlisis matemtico de percepciones y preferencias que los miembros tienen en el espacio muestra. Anlisis conjunta Es una tcnica que separa de sus componentes los juicios globales de los informantes sobre alternativas complejas, tales como caracterstica de un producto.
168

ESTADISTICA EXPERIMENTAL Aplicada a ciencia e ingeniera VI. CORRELACIN DE SPEARMAN Se utiliza este mtodo para medir la correlacin de dos variables X e Y. En lugar de usar valores precisos de las variables, o cuando tal precisin no es alcanzable, a los datos se les puede asignar un rango de 1 a N ordenndolo por su tamao, importancia, preferencia, etc. Dicha asignacin viene dada por:
rS 1 6 D 2 N ( N 2 1)

Ejemplo 5.48 Se analiza agua contaminada de 10 estanques, adems para ver la confiabilidad de dicho anlisis se procede a realizar los clculos analticos para ver su dispersin.
Laboratorio Terico 8 9 3 5 9 10 2 1 7 8 10 7 4 3 6 4 1 2 5 6

Diferencia de rangos:
D D2 -1 1 -2 4 -1 1 1 1 -1 1 3 9 1 1 2 4 -1 1 -1 1

rS 1 (6 * 24) / 10 * (10 2 1) 0,8545

Indica que hay marcada relacin entre los anlisis de laboratorio y terico. Anlisis de varianza El anlisis de varianza es una tcnica que resulta til para mejorar la precisin de un experimento. Supongamos que en un experimento la variable respuesta Y est relacionada linealmente con la variable independiente X. Adems, el experimentador no puede controlar la variable X pero puede medirla al mismo tiempo que a Y. Con el anlisis de varianza se busca adaptar el valor observado de la respuesta para tomar en cuenta el efecto de la variable concominante. Si no se lleva a cabo dicho ajuste, la variable concominante puede aumentar la media del cuadrado del error, con lo que hay mayor dificultad en la deteccin de diferencias reales en la respuesta debidos a los tratamientos. Por lo tanto, el anlisis de covarianza es un mtodo para tomar en cuenta el efecto de algunas variables que no pueden ser controladas. 169

Palacios C. Severo

Ejemplo 5.49 Se usan tres maquinas distintas para producir fibras para una empresa textil. El ingeniero de proceso esta interesado en determinar si existe diferencia en los resultados de la fibra producida por las tres maquinas. Sin embargo, la resistencia de la fibra depende del grosor de la misma, siendo ms resistente las fibras de mayor grosor. Se selecciona una muestra aleatoria de cinco fragmentos para cada maquina siendo. Y: resistencia de cada fibra y X: grosor.
Maquina I Y X 36 20 41 25 39 24 42 25 49 32 207 126 Maquina II Y X 40 22 48 28 39 22 45 30 44 28 216 130 Maquina III Y X 35 21 37 23 42 26 34 21 32 15 180 106
2

SCYY 362 412 ... 342 322 603 / 3(5) 436,40


SC XX 202 252 ... 212 152 362 / 3(5) 261,73
2

SC XY 20 * 36 2 25 * 412 ... 21 * 34 2 15 * 32 2 362 * 603 / 3(5) 282,60 YY 207 2 216 2 180 2 / 5 603 / 3(5) 140,40
2

XX 126 2 1032 106 2 / 5 362 / 3(5) 66,13


2

XY 126 * 207 130 * 216 106 *180 / 5 362 * 603 / 3(5) 96,00

YY SCYY YY 346,40 140,40 206,00 XX SC XX XX 261,73 66,13 195,50

XY SC XY XY 282,60 90,00 186,60


SC SCYY SC XY / SC XX 346,40 282,6 / 261,73 41,27 2 2

SC YY XY / XX 206 186,6 / 195,6 27,99


2 2

SC SC 41,27 27,99 13,28

170

ESTADISTICA EXPERIMENTAL Aplicada a ciencia e ingeniera


Fo SC SC /a 1 /SC / an 1 1

Fo 13,28 / 2 / 27,99 / 11 2,61

F90 , 2 ,11 2,86


XY / XX 186,6 / 195,6 0,954
Fo XY / XX / CM error 186,6 / 195,6 / 2,59 70,08
2 2

F90 , 2 ,11 9,65


Y1 Ajustada Y1 X 1 X 41,4 0,954 25,2 24,13 40,38

Y2

Ajustada Y2 X 2 X 43,2 0,954 26,0 24,13 41,42

Y3

Ajustada Y3 X 3 X 36,0 0,954 21,2 24,13 38 ,80


Tabla 5.34 Anlisis de varianza SC Y X XY Y 66,13 96,0 140,4 195,60 186,6 206,0 27,99 261,73 282,6 346,4 41,27 13,28

Fuente Maquina Error Total Maquina ajustada

GL 2 12 14

GL 11 13 2

CM 2,54 6,64

Problemas (170) Se dan los rangos de 10 estudiantes en mitad de semestre y a fin de semestre obtenido en los exmenes de estadstica. Compute el coeficiente de correlacin de Spearman e interprtelo.
Mitad de semestre Fin de semestre 1 5 4 2 4 1 3 8 10 4 2 5 Estudiantes 5 6 7 6 1 3 6 9 7 8 7 8 9 10 2 10 9 3

171

Palacios C. Severo (171) Una Empresa textilera desea comprar una de cinco maquinas diferentes. En un experimento diseado para saber si hay diferencia en la eficacia de tales maquinas, cinco operarios trabajan en cada maquina un tiempo determinado. Los resultados se escogen y ordenan en forma ascendente pero colocada por orden de presentacin
1 2 2,5 4 24 28 37 39 6 6,5 7 7,5 43 45 52 53 9 10 11 12 58 62 63 64 13 14 15 16 65 66 67 68 17 17,5 19 21 69 71 73 75 23 24 26 28 32 77 78 79 80 82

(172) Se analiza Aire contaminado de 10 Ingenios mineros, adems para ver la confiabilidad de dicho anlisis se procede a realizar los clculos analticos para ver su dispersin. (173) Se analiza Aire contaminado con cido cianhdrico de una empresa minera aurfera, adems para ver la confiabilidad del anlisis qumico se procede a realizar los clculos analticos para ver su dispersin. (174) Se usan tres maquinas distintas para producir Queso cremo para una empresa Lechera. La ingeniera a cargo de la investigacin esta interesada en determinar si existe diferencia en los resultados del Queso cremoso producido por las doss maquinas. Se selecciona una muestra aleatoria de cinco fragmentos para cada maquina siendo. Y: sabor y X: dureza.
Maquina I Y X 0,31 0,29 0,40 0,27 0,32 0,22 0,49 0,20 0,48 0,39 2,00 1,37 Maquina II Y X 0,49 0,20 0,45 0,29 0,30 0,27 0,42 0,35 0,41 0,29 2,07 1,40 Laboratorio Terico 0,011 0,011 0,08 0,06 0,09 0,012 0,07 0,04 0,09 0,012 0,018 0,014 0,06 0,04 Laboratorio Terico 12 11 8 6 9 12 7 4 9 12 18 14 6 4 9 6 3 4 5 6

(175) Se usan tres maquinas distintas para producir Yogur para una empresa Heladera. La ingeniera de proceso esta interesada en determinar si existe diferencia en los resultados del Yogur producida por las tres maquinas. Se selecciona una muestra aleatoria de cinco fragmentos para cada maquina siendo. Y: consistencia y X: sabor.
Maquina I Y X 31 29 40 27 Maquina II Y X 49 20 45 29 Maquina III Y X 39 28 35 26

172

ESTADISTICA EXPERIMENTAL Aplicada a ciencia e ingeniera


32 49 48 200 22 20 39 137 30 42 41 207 27 35 29 140 49 43 47 213 29 24 19 126

(176) Se dan los rangos de 10 estudiantes en mitad de semestre y a fin de semestre obtenido en los exmenes de diseo experimental de una Universidad Estatal del Sur del Per. Compute el coeficiente de correlacin de Spearman e interprtelo.
Mitad de semestre Fin de semestre 1 15 14 2 14 11 3 18 10 4 12 15 Estudiantes 5 6 7 06 11 13 06 09 07 8 17 08 9 10 12 10 09 13

6
DISEOS EXPERIMENTALES APLICADO A INGENIERA
173

Palacios C. Severo

La estadstica ha demostrado que la mortalidad de los militares aumenta perceptiblemente durante tiempos de guerra. Alphonse Allais

I.

INTRODUCCIN

En muchos procesos experimentales de carcter exploratorio, el in-

vestigador se enfrenta con el problema de determinar el efecto de un gran nmero de variables. En estas condiciones, es necesario establecer un procedimiento aceptable para elegir las condiciones de cada uno de los ensayos experimentales. La estrategia estadstica en el diseo de experimentos consiste en el procedimiento sistemtico y controlado para desarrollar las combinaciones correctas de condiciones variables para que el anlisis resulte confiable. En la industria se utilizan tres tipos de diseos fundamentales de experimentacin estadsticamente diseados, que son: a) Diseos Factoriales b) Diseos Rotables c) Operaciones Evolutivas Se ha desarrollado un nuevo diseo de mucha utilidad para los procesos industriales al cual he denominado Diseo Severo. Antes de estudiar con amplitud estos mtodos conviene familiarizarse con la nomenclatura utilizada en este campo del anlisis estadstico. A las variables experimentales las llamamos factores, el valor numrico del factor se denomina nivel. La combinacin de factores que se utilizan en ciertos ensayos experimentales se llama tratamiento. El resultado del ensayo se llama efecto. Si la cantidad de material que se procesa es limitada, de manera que resulta necesario utilizar varios lotes de material, cuyas caractersticas son similares pero no idnticas, cada lote se llama bloque. Si el mismo experimento se repite en las mismas condiciones se llama replica. La aplicacin de estas tcnicas a una estrategia experimental puede ilustrarse considerando la optimizacin de las consideraciones operativa de un proceso.
174

ESTADISTICA EXPERIMENTAL Aplicada a ciencia e ingeniera Ejemplo 6.50 Todo proceso cientfico, tecnolgico y social esta vinculado bajo el siguiente esquema:
a) b) c) El insumo varia por su calidad, cantidad y la variedad. El proceso varia si es continuo (dinmico) o Bach (estacionario). El control si es de calidad, de rendimiento o eficiencia (cualitativo o cuantitativo).

Donde al variar el insumo en el proceso el control es muy distinto para cada caso.

Ejemplo 6.51 Se lixivia un desecho minero conocido como cola (relave, desecho, desmonte) con alto contenido de plata, estao, plomo y cobre. En medio cido bajo dos procesos distintos: a) Clorurado en donde los componentes lixiviados fueron complejos de plata. b) Nitratado en donde se forma compuestos de nitrato de plata. Siendo el insumo el desecho de mineral a diferentes dosificaciones de cloruros y nitratos. El procedo viene a ser la disolucin al dosificarse el cloruro o nitrato en medio cido, a fin de disolver la plata en forma de complejo clorurado de plata o nitrato de plata. El vector de control viene a ser la recuperacin del metal valioso (plata) de la cola (relave, desecho, desmonte). 175

Palacios C. Severo

La recuperacin de la plata de los dos medios acuosos (insumo en donde esta la plata en forma ionica) se efecta por medio de la precipitacin (cementancin) con chatarra de hierro obtenindose los siguientes productos respectivamente.
2 Ag Fe 2 AgO Fe2
2 Ag Fe 2 Ag Fe 2

Dos productos distintos en donde el insumo es el mismo, produciendo un control distinto en la recuperacin del metal valioso, en cada tipo de medio acuoso.

Problema (177) En un centro educativo se ve el rendimiento acadmico de los estudiantes alimentados y desnutridos, Obtenindose el grfico asinttico ascendente y descendente respectivamente. Evalu el insumo en el proceso de aprendizaje? (178) Se procesa un mineral aurfero con dos reactivos con el fin de evaluar el rendimiento de recuperacin de oro de dicho material.
176

ESTADISTICA EXPERIMENTAL Aplicada a ciencia e ingeniera Plante un diseo factorial para el presente proceso? (179) Se realiza la comparacin de dos procesos para la recuperacin de oro, siendo el proceso convencional la cianuracin y el proceso innovativo el Proceso SEVERO. Plantee un diseo experimental para los procesos mencionados. (180) Se tiene una solucin cida de cloruro de plata y desea precipitarse electrolticamente dicho metal, se pide al lector que factores influyen en dicho proceso y a que niveles trabajara. (181) Al problema 169 en vez del proceso electroltico se desarrolla el proceso de cementacin con chatarra de hierro, que factores y niveles utilizara para desarrollar el proceso. (182) Se tiene una solucin cida de cobre, del cual se quiere recuperar el cobre por va electroltica, se pide que se evalu dos factores: densidad de corriente y concentracin de cobre. Proponga un tipo de diseo? (183) Se quiere recuperar cobre de una solucin cida, para el cual se adiciona chatarra de hierro, el cobre producto de dicha precipitacin es de calidad comercial, a partir de dicho cobre se desea producir sulfato de cobre de calidad comercial. Elabore un diseo que produzca una sola variacin con los dos productos obtenidos?

II.

DISEOS BIFACTORIALES

Por diseo Bifactorial se entiende aquel en el que se investigan todas las posibles combinaciones de los niveles de los factores, en cada ensayo completo o rplica del experimento. Por ejemplo, si existen a-niveles del factor A y b-niveles del factor B, entonces cada rplica del experimento contiene todas las ab combina-

177

Palacios C. Severo ciones de los tratamientos. A menudo, se dice que los factores estn cruzados cuando stos se arreglan en un diseo factorial. El efecto de un factor se define como el cambio en la respuesta producida por un cambio en el nivel del factor. Este se conoce como efecto principal. Ejemplo 6.52 Consideremos los datos de la tabla 6.34. El efecto del factor A es la diferencia entre las respuestas promedio en el primero y segundo nivel de ese factor.
Tabla 6.34 Experimento factorial a) Interactivo

b) Sin interaccin

Numricamente
A 12 10/ 2 4 5/ 2 6,5

Interpretando este resultado nos indica que incrementando el factor A del nivel 1 al 2 produce un cambio en la respuesta promedio de 6,5 unidades.
178

ESTADISTICA EXPERIMENTAL Aplicada a ciencia e ingeniera Para el efecto B:


A 5 10/ 2 4 12/ 2 0,5

Interpretando este resultado indica un decremento del factor B del nivel 1 al 2 produciendo un cambio en la respuesta promedio de -0,5 unidades. Como en este caso la diferencia en la respuesta entre los niveles de un factor no es la misma en todos los niveles de otros factores. Cuando esto ocurre existe una interaccin entre los factores. Grficamente podemos visualizar este fenmeno,

Ejemplo 6.53 Un investigador disea un calefactor elctrico para mantener constante la temperatura de una Piscigranja debiendo este ser sometido a ciertas variaciones de temperatura. El nico parmetro de diseo que l puede seleccionar en este punto es el material de la cubierta de calefaccin, y tiene tres alternativas. Cuando el calefactor se manufactura y se enva a la Piscigranja, el investigador no tiene control sobre los extremos de temperatura a que ser expuesto, sabe por experiencia que es probable que la temperatura influya en la duracin efectiva del calefactor. El investigador decide probar los tres materiales de la cubierta a tres niveles de temperatura ( 2C, 8C y 12C). Se prueban tres calefactores a cada combinacin de material de la cubierta y temperatura y las 36 pruebas se ejecutan al azar. En la tabla 6.35 se presenta el experimento y los datos resultantes de duracin observada de los calefactores. 179

Palacios C. Severo
Tabla 6.35 Datos para el experimento del calefactor elctrico Temperatura 2 8 12 20 70 150 188 138 110 230 623 576 82 58 126 126 168 160 136 122 25 70 130 155 479 198 539 106 115 58 45 74 180 34 40 150 174 96 104 229 583 342 80 75 139 120 82 60 938 1404 1457

Material 1 2 3 Total

Yi 1429 1216 1154 3799

SCtotal 20 2 70 2 ... 82 2 60 2 3799 2 / 36 77646,79


SCmaterial 1429 2 1216 2 1154 2 / 3 * 4 3799 2 / 36 10683.72
SCtemperaturaa 9382 14042 14572 / 3 * 4 37992 / 36 39118,72
SCint eraccin 230 2 ... 342 2 / 4 3799 2 / 36 10683.72 39118,72 9613,78

SCerror 77646,97 10683,72 39118,72 9613,78 18230,75

En la tabla 6.36 se muestran los resultados del procedimiento.


Fuente Material Temperatura Interaccin Error Total Tabla 6.36 Anlisis de varianza SC GL CM Fo 10683,72 2 5341,86 7,91 39118,72 2 19558,36 28,97 9613,78 4 2403,94 3,56 18230,75 27 675,21 77646,97 35 Ft(99) 5,53 5,53 4,14 Ft(95) 3,37 3,37 2,74

Se concluye que no existe interaccin para un F t(99)=4,14 entre el tipo de material y la temperatura. Adems son significativas los efectos principales del tipo de material y la temperatura para F t(99)=5,53. En cambio para Ft(95) existe interaccin as como influencia de los efectos principales.

180

ESTADISTICA EXPERIMENTAL Aplicada a ciencia e ingeniera

Grfica de tipo de material contra temperatura.

Como una interpretacin auxiliar de los resultados en este experimento resulta til la construccin de una grfica de las respuestas promedio en cada combinacin del tratamiento. El hecho de que las rectas no son paralelas indica una interaccin significativa tan solo para Ft(95). En general a menos temperatura, mayor duracin, independiente del tipo del material. Al variar la temperatura de baja a intermedia la duracin aumenta con el material tipo 2 mientras que disminuye con el material tipo 1 y 3. Cuando la temperatura varia de intermedio a alta, la duracin disminuye con los materiales tipo 3 y 2, mientras que con el tipo 1 permanece sin cambio, al parecer, el material tipo 2 da los mejores resultados. III. COMPARACIN MLTIPLE

Si el anlisis de varianza indica que hay diferencia en el nivel medio de los renglones y columnas, es de inters llevar a cabo comparacin entre las medias individuales de rengln y columna para describir las diferencias significativas.
Y22 = 9,8 Y32 = 10,8 Y12 = 15,4

Error estndar de cada promedio


SYi CM error / N 675,21/ 4 12,99

Del apndice obtenemos los valores crticos para 27 GL y 95% de significacin 181

Palacios C. Severo
r0,05 (2,27) 2,91*12,99 37,80

r0,05 (3,27) 3,06 *12,99 39,75

Tratamiento Y12 Y32

Tabla 6.37

Yij 21,6 17,6

Y22 9,8 11,8 7,8

Y32 10,8 10,8

Y1 y Y3 no existe diferencia significativa El modelo estimado para el presente caso es:


Material 1 2 3 Y1 1429 1216 1154 Coeficientes de los contrastes ortogonales Lineal Cuadrtico -1 1 0 -2 1 1 1 3 275 151 12604,16 1266,72

r Efecto CiY SC[(CiY)2/n Ci2]

SCo Y / N 3799/ 36 105,52

1SC1 CiY / n Ci2 275/ 3(2) 45,83 2 SC2 CiY / n Ci2 3 *151/ 3(6) 25,164
El modelo del polinomio ortogonal es:
Y 225,11 79,35X 1 25,164X 2
Fuente Material Lineal Cuadrtico Error Total Tabla6.38 Anlisis de varianza SC GL CM Fo 10683,72 4 5341,86 7,91 12604,16 1 12604,16 18,66 1266,72 1 1266,72 1,83 18230,75 27 675,21 31 Ft(65) 3,36 4,22 4,22

> >

El efecto lineal es significativo.


S mod elo SCmaterial SCtemp scint eraccin 59413,22
R 2 SCmodelo / SCtotal 0,765

182

ESTADISTICA EXPERIMENTAL Aplicada a ciencia e ingeniera IV. DISEO ANIDADO

En ciertos experimentos multifactoriales, los niveles de un factor son similares pero no idnticos pero diferentes del otro factor. Tal arreglo se conoce como diseo anidado con los niveles del factor. Ejemplo 6.54 Un industrial compra materia prima por lotes a tres proveedores. La pureza de la materia prima varia considerablemente, lo cual causa problemas en el control del producto terminado. Se desea determinar si la variabilidad en la pureza puede atribuirse a diferencias entre los proveedores. Cuatro lotes de materia prima de cada proveedor se seleccionan al azar y se hacen tres determinaciones de la pureza sobre cada lote. Esto por supuesto, corresponde a un diseo anidado. Los datos despus de codificarse aparecen en la tabla.
Lote Proveedor I 2 3 4 91 91 94 90 93 97 89 94 93 270 278 284 1111 Tabla 6.39 Proveedor II 1 2 3 4 94 93 92 93 91 97 93 96 90 95 91 95 275 285 276 284 1120 Proveedor III 2 3 91 94 93 92 95 95 279 281 1130

Tlote Tproveedor

1 94 92 93 279

1 95 97 93 285

4 96 95 94 285

SC total 313935 33612 / 36 148,31


SC proveedor 11112 11202 11302 / 4 * 8 33612 / 36 15,06
SClote 279 2 270 2 ...2812 285 2 / 3 11112 1120 2 1130 2 / 4 * 8 69,92

SCerror 313935 2792 2702 ... 2812 2852 / 3 63,33

GL : N 36 n 4 m 3

Total : N 1 35
Pr oveedor : m 1 2

Lote: m(n 1) 9
Error : mn(2 1) 24

183

Palacios C. Severo
Tabla 6.40 Anlisis de varianza SC GL CM Fo 15,06 2 7,53 0,97 69,92 9 7,77 2,94 63,33 24 2,64 148,31 35

Fuente Proveedor Lote Error Total

< >

Ft(99) 2,26 2,26

184

ESTADISTICA EXPERIMENTAL Aplicada a ciencia e ingeniera Problemas (184) Un ingeniero de procesos sospecha que el acabado de una pieza no metlica (polietileno) depende de la alimentacin y la temperatura. Selecciona tres niveles de alimentacin y eligi aleatoriamente cuatro niveles de temperatura a continuacin se realiza un experimento Bifactorial.
Alimentacin m/min 0,508 0,635 0,762 160 60 80 76 99 110 111 99 110 107 Temperatura () 180 200 74 99 64 104 60 96 119 104 88 99 92 95 98 114 104 108 88 110 240 98 108 99 92 86 88 104 88 102

Analice los datos. Elabore una grfica de los residuos. Estime los componentes de varianza con la temperatura. (185) Se estudian factores que influyen en la resistencia de ruptura de una fibra. Se eligen al azar tres maquinas y dos operarios y se realiza un experimento Bifactorial usando la fibra de un mismo lote de produccin.
Operario 1 2 1 110 111 112 115 Maquina 2 111 109 114 119 3 114 112 120 117

(186) Un ingeniero electromecnico estudia la fuerza producida por un torno. Sospecha que los factores ms importantes son las revoluciones del motor y la alimentacin. Se selecciona aleatoriamente cuatro niveles de alimentacin y se usan los niveles de velocidad de rotacin baja y alta para representar las condiciones de operacin extrema. Analice los datos.
Velocidad Torno 980 1200 0,15 2,85 2,80 2,45 2,44 Rapidez alimentacin 0,30 0,45 2,86 2,94 2,87 2,88 2,70 2,75 2,78 2,86 0,60 2,83 2,86 2,60 2,72

(187) Se realiz un experimento para determinar si la temperatura influye en la coccin de un azulejo ordinario producto de arcillas contaminadas. 185

Palacios C. Severo
Azulejo 1 2 Temperatura C 850 526 538 532 565 510 590

(188) Un fabricante esta estudiando la tasa de combustible para tres tipos de estufas. Se seleccionan aleatoriamente tres lotes de combustible y se recopilan cuatro observaciones de la razn de calefaccin en cada lote. Analice los datos y obtenga conclusiones.
Lote 1 15 25 20 26 Proceso I 2 16 19 28 20 3 13 15 17 14 1 35 19 17 14 Proceso II 2 27 25 24 21 3 25 18 21 17 1 25 14 15 20 Proceso III 2 27 35 21 29 3 33 38 54 50

800 988 1026 1004 1063 1080 1043

900 528 547 521 570 565 583

(189) Un Ingeniero est estudiando el calibrado y afino de un embolo producido por tres fresadoras. Cada fresadora tiene 2 ejes. Se seleccionan aleatoriamente cuatro componentes de cada eje. Analice los datos.
Lote Proceso I 1 2 9 15 10 13 8 19 16 14 Proceso II 1 2 10 10 11 12 13 11 12 14 Proceso III 1 2 15 9 15 11 14 12 8 12

186

ESTADISTICA EXPERIMENTAL Aplicada a ciencia e ingeniera V. DISEOS FACTORIALES

El trmino experimento factorial o arreglo factorial hace referencia a la constitucin de los tratamientos o combinaciones de tratamientos que se desean comparar. Este trmino no afecta lo que se conoce como diseo de tratamientos, pues este se refiere a la seleccin de factores que se desean estudiar los niveles de los factores a ensayar y combinacin de stos. De esta forma se debe dejar en claro que el diseo de tratamientos es independiente del diseo experimental, el cual hace referencia a la manera en que los tratamientos se aleatorizan a las diferentes unidades experimentales y la forma como se controla la variabilidad natural de las mismas. As el diseo experimental puede ser completamente aleatorizado, bloques completamente aleatorizados, cuadrados latinos, etc., y para cada uno de stos diseos se puede tener un arreglo factorial. En muchos experimentos el xito o fracaso del ensayo depende ms de la seleccin de los tratamientos que se desea comparar que de la eleccin del diseo. Sin embargo, la seleccin de ambos (del diseo y de los tratamientos) es importante por tanto ninguno de los dos debe descuidarse en la planeacin del experimento. En un experimento factorial se investigan simultneamente los efectos de cierto nmero de diferentes factores. La necesidad de estudiar conjuntamente varios factores obedece principalmente a dos razones: a. Encontrar un modelo que describa el comportamiento general del fenmeno en estudio. Esto se restringe al rango de variacin de los niveles de los factores. b. Optimizar la respuesta o variable independiente, es decir, encontrar la combinacin de niveles de los factores que optimizan esa respuesta. Los tratamientos en el anlisis factorial consisten en todas las combinaciones se forman de los distintos niveles de los factores. Por ello, la caracterstica esencial que hace necesario el estudio conjunto de factores es la posibilidad de que el efecto de un factor cambie en presencia de los niveles de otro factor, es decir, que los factores interacten, lo cual conlleva al concepto de interaccin entre ellos. Si se estudia un factor en forma separada el resultado puede ser diferente al que dara con un estudio conjunto, y es mas difcil describir el comportamiento general o encontrar el ptimo. 187

Palacios C. Severo Ejemplo 6.55 Se presenta un experimento de factores por separado que consiste en determinar las condiciones ptimas de almacenaje de los pescados en barcos pesqueros. Los factores estudiados fueron: temperatura, duracin y mtodo de empaque (proporcin de hielo y pescado). La respuesta de inters es una medida de la calidad del pescado al descargue. Al investigar nicamente la temperatura se debe tener varios niveles de temperatura y mantener constante la duracin y el empaque a niveles arbitrarios. Una vez obtenida una temperatura ptima (manteniendo los niveles constantes de duracin y empaque) se investiga otro factor, por ejemplo el empaque con la temperatura ptima y un nivel arbitrario de duracin. Si el empaque ptimo encontrado no es el que se seleccion en la primera etapa se deber estudiar de nuevo la temperatura hacindose necesario ajustes sucesivos. Si el tiempo de obtencin de la variable respuesta es corto y barato se puede seguir este procedimiento secuencial, en caso contrario es ms conveniente el uso de experimentos factoriales. Los diseos experimentales factoriales son ampliamente utilizados por agrnomos, qumicos, metalrgicos, fsicos, economistas, socilogos, industriales, ingenieros y cientficos. Ya sea en el laboratorio, planta piloto o nivel industrial.
Prueba 1 2 3 4 5 6 7 8 Combinacin 1 a b ab c ac bc abc A + + + + Notacin 2 B + + + + C + + + +

Los diseos factoriales son particularmente tiles en la primera fase del trabajo experimental, cuando es comprobado que hay muchos factores por investigar. Conlleva el menor nmero de corridas con las cuales pueden estudiarse n-factores en un diseo factorial completo. Debido a que slo hay dos niveles para cada factor, debe suponerse que la respuesta (rendimiento, calidad, recuperacin) es aproximadamente lineal en el intervalo de los niveles escogidos de los factores.
188

ESTADISTICA EXPERIMENTAL Aplicada a ciencia e ingeniera Si cada variable es continua, existen dos niveles el superior e inferior. Las notaciones arriba mencionadas son obtenidas para asignar los niveles superior e inferior de los factores. La combinacin 1 indica que todas las variables estn en su nivel inferior. Las variables que no aparecen en el resto de combinaciones estn en su nivel inferior. La combinacin a indica los valores superior e inferior por + y - respectivamente. Un diseo experimental 2n puede combinarse geomtricamente y cada combinacin experimental corresponde a un punto en el espacio cartesiano cuyas coordenadas son 1. VI. DISEO FACTORIAL 2n

Los diseos factoriales se usan ampliamente en experimentos que incluyen varios factores cuando es necesario estudiar el efecto conjunto de los factores sobre la respuesta. Hay varios casos especiales del diseo factorial que son importantes debido a su uso generalizado en el trabajo de investigacin y porque constituyen las bases de otros diseos de gran valor prctico. El ms importante de estos casos especiales es el de n factores, cada uno con slo dos niveles. Si todos los factores se estudian con dos niveles, se dice que es un experimento factorial 2n. Los niveles de estos factores pueden ser cuantitativos o bien cualitativos. La seleccin de nicamente dos niveles puede conducir a inferencias errneas. As cuando la respuesta se afecta en forma cuadrtica, los niveles estudiados pueden indicar que no efecto el factor. Este es un riesgo que se corre al usar dos niveles por factor.

Diseo factorial 2n simple

189

Palacios C. Severo En el caso de n = 2, se tiene el factorial ms sencillo 22. VII. DISEO FACTORIAL 22 A este diseo se le llama diseo factorial 22. Los niveles de los factores pueden denominarse arbitrariamente mnimo y mximo. Se tienen cuatro tratamientos que se denotan por cualquiera de los siguientes smbolos. El primer diseo de esta serie, es aquel que tiene Slo dos factores, A y B, Cada uno con dos niveles, con cuatro combinaciones en el plano. Ejemplo 6.56 Un investigador desea estudiar la influencia de la temperatura y el tiempo de acondicionamiento en un experimento. Su vector respuesta Y es la recuperacin del proceso.
Factores A = Temperatura (C) B = tiempo (min) 20 1 Niveles 80 3

El nmero de experiencias de 22 = 4 y el diseo ser:


Tabla 6.41 Notacin de un diseo 22 Diseo Niveles Combinacin X1 X2 A B 1 20 1 a + 80 1 b + 20 3 ab + + 80 3

Prueba 1 2 3 4

Yi 65 80 70 85

El anlisis del diseo 22 nos permite obtener informacin sobre los efectos e interacciones de las variables.
Efecto A = [-1+a-b+ab]/2 = [-65+80-70+85]/2 = 15 Efecto B = [-1-a+b+ab]/2 = [-65-80+70+85]/2 = 5 Interaccin AB = [+1-a-b+ab]/2 = [65-80-70+85]/2 = 0

El efecto principal se calcula simplemente de las diferencias de los promedios de las respuestas cuando el efecto A esta en su nivel superior, menos el promedio de las respuestas cuando A est en su nivel inferior. No existe interaccin con los factores en estudio.
190

ESTADISTICA EXPERIMENTAL Aplicada a ciencia e ingeniera Ejemplo 6.57 Se desea evaluar un proceso donde se estudian dos factores a tres niveles. Para evaluar el error se corren pruebas centrales.
A: B: 8 90 9 115 10 140

Tabla 6.42 Notacin de un diseo 22 con pruebas centrales Diseo Niveles Prueba Combinacin X1 X2 A B 1 1 8 90 2 a + 10 90 3 b + 8 140 4 ab + + 10 140 5 0 0 0 9 115 6 0 0 0 9 115 7 0 0 0 9 115

Yi 80 82 86 95 89 90 91

Para determinar la varianza media del error, evaluamos los puntos 5, 6 y 7 bajo la siguiente expresin:
S2
2 Yi Yi N 1 N N 1 2

S2

892 902 912 270 1 2 6


2

Efecto A = (-80+82-86+95)/2 = 5,5 Efecto B = (-80-82+86+95)/2 = 9,5 Interaccin AB = (+80-82-86+95) = 3,5

Ejemplo 6.58 En una investigacin se desea evaluar el efecto del SO2, sobre una poblacin cercana a una empresa minera que monitorea dicho contaminante para lo cual estudia a la salida de la chimenea, la altura de la chimenea, la velocidad del viento y la distancia promedio a la poblacin respecto de la chimenea y la direccin del viento. Los niveles elegidos para evaluar cada uno de los factores son los siguientes.
Factores Q: Tasa de emisividad (g/s) H: Altura de chimenea (m) V: Velocidad del viento (m/seg) X: Distancia (m) 80 30 5 500 Niveles 0 + 120 60 45 60 7.5 10 650 800

La concentracin de SO2 viene expresada por la relacin: 191

Palacios C. Severo
2 H 106 Q exp 0,5 K vK 1K 2 2

Donde: k1 = 36; k2 = 18,5: son constantes de proporcionalidad. Ejemplo 6.59 Un estudioso desea conocer la influencia de la temperatura y el tiempo de acondicionamiento en un experimento. Particularmente est interesado en entender como al elevar la temperatura del acondicionador cambia las caractersticas del medio produciendo un conjunto de condiciones no favorables para el proceso.
Factores A: Tiempo (min) B: Temperatura (C) 30 10 Niveles + 60 30

Se evalan dos factores fijados a dos niveles, es decir se decide utilizar un diseo factorial completo, en donde N = 2n = 22 = 4 experimentos. Los valores de las variables a experimentar se codifican con valores +1 y 1. Con los recursos que se dispone se decide realizar el experimento por triplicado. Los resultados se visualizan en la siguiente tabla.
Prueba 1 2 3 4 Tabla 6.43 Notacin de un diseo 22 replicado A B Recuperacin 30 10 0,17 0,16 0,15 + 60 10 0,22 0,20 0,21 30 + 30 0,30 0,29 0,31 + 60 + 30 0,37 0,36 0,38 Tabla 6.44 Efecto e interacciones Efectos Interacciones A = 0,06 AB = 0,01 B = 0,15 Bloque = -0,015 Bloque = 0,005 Basado en 1 grado de libertad Fuente Tabla 6.45 Anlisis de varianza SC GL CM Fo Ft(99) 0,0108 1 0,0108 144,00 > 13,74 0,0675 1 0,0675 900,00 > 13,74 0,0003 1 0,0003 4,00 < 13,74 0,00035 2 0,000175 2,33 < 13,74 0,00045 6 0,000075 0,0794 11 R2 = 99,4332%

A B AB Bloque Error Total 192

ESTADISTICA EXPERIMENTAL Aplicada a ciencia e ingeniera Ejemplo 6.60 Se estudia un proceso electroltico en donde interactan dos factores: densidad de corriente y temperatura, en la tabla 6.46 se dan las respuestas y los niveles de trabajo.
Tabla 6.46 Notacin de un diseo 22 con pruebas centrales Experimento Prueba X1 X2 Y 1 0,5 64 68,72 2 0,7 64 67,85 3 0,5 6 69,60 4 0,7 6 69,44 5 0,6 35 68,73 6 0,6 35 68,72 7 0,6 35 68,74

Varianza del error


S 2 68,732 68,722 68,742 / 2 206,162 / 6 0,0001

el modelo lineal viene representado bajo un estudio de Yates.


Y 68,83 0,25X 1 0,6175X 2 0,1775X 1 X 2

Ejemplo 6.61 La remocin del cobre y la recuperacin de cianuro de los efluentes de cianuracin son, sin duda de gran inters desde el punto de vista ambiental y econmico. En este ejemplo se estudian dos objetivos, el primero es la evaluacin preliminar de utilizar aminas para eliminar el cobre de las soluciones de cianuracin por medio de la formacin de un slido que pueda separarse fcilmente por filtracin. El segundo es hacer una evaluacin con diferentes aminas seleccionando la mejor y realizar un diseo experimental 22 utilizando como variables el pH y la cantidad de reactivo adicionado para el compuesto que de mejores resultados en la evaluacin preliminar. Los experimentos preliminares consistieron en adicionar 0,025 g de cada uno de los compuestos a 100 ml de solucin a pH 12 y 8. Despus de filtrar las soluciones con papel de filtrado lento (tamao de poro de 1,5 micrones) se analiz el cobre remanente por absorcin atmica. Una vez seleccionado el mejor compuesto, se realiz un diseo de experimentos factorial 22 utilizando como variables el pH (9 y 12) y la 193

Palacios C. Severo concentracin del compuesto (0,25 y 5 g/L). Todas las pruebas de este diseo experimental se realizaron por triplicado.
Amina Quartamin 2050 Quartamin 60 Dodecilamina Quartamin D86P Frmula R-N(CH3)3Cl R-N(CH3)3Cl CH3(CH2)11NH2 2R-N(CH3)3Cl Niveles 9 0,25

Factores X1: pH solucin X2: Amina (g/L) Experimento X1 X2 9 0,25 12 0,25 9 5 12 5

+ 12 5

Prueba 1 2 3 4

Remocin cobre (%) 9,51 9,00 9,97 0,05 0,09 0,05 60,25 61,63 61,27 55,54 55,12 56,87

Efectos estimados para Y Efectos Interacciones X1: pH = -53,683 AB = -2,1116 X2: Amina = -7,318 Bloque = -0,305 Bloque = 0,855 Errores estndar con 6 GL

El primer paso para interpretar los efectos principales es comprobar que la variacin observada en la respuesta es debida a un efecto real de cada factor y no al error experimental. Para no entrar en detalles, se considera que los dos efectos no son significativos y que no parecen fruto de la imprecisin de la experimentacin. No existe interaccin entre los factores.
Fuente X1: pH X2: Amina X1X2 Bloque Error Total SC 8640,87 160,674 13,3774 1,12655 2,03945 8818,09 Anlisis de varianza GL CM Fo Ft(99) 1 8640,87 25421,18 > 13,74 1 160,674 472,70 > 13,74 1 13,3774 39,36 > 13,74 2 0,56327 1,66 < 13,74 6 0,3399 11 R2 = 99,9769% Valor ptimo = 61,05 Bajo Alto ptimo 9,0 12,0 9,0 0,25 5,0 0,25

Factor pH Amina 194

ESTADISTICA EXPERIMENTAL Aplicada a ciencia e ingeniera


Y 215,327 17,1115X 1 1,5712X 2 0,2963X 1 X 2

De aqu puede verse que la amina y no as el pH afectan la eficiencia de eliminacin de cobre. Un aumento en la cantidad de amina incrementar la remocin de cobre, de la misma manera que lo har una disminucin del pH. El efecto ms importante es el de la cantidad de amina, por lo que valdra la pena explorar cantidades mayores a las estudiadas en este trabajo.
Grfica de Efectos Principales para Y 60 50 40 30 20 10 0 9 pH 12 0.25 Amina 5
0 9 pH 80 60 40 20 Amina=0.25 Amina=5 12 Amina=0.25 Amina=5 Grfica de Interaccin para Y

Grafico de efectos principales

Interaccin de efectos principales

En el grfico de efectos principales vemos que el pH no tiene efecto significativo, la Amina tiene efecto significativo. No existe interaccin en el rango (niveles) trabajado, pero existe interaccin a niveles inferiores de ambos factores.
Contornos de la Superficie de Respuesta Estimada 5 4
Amina
Y

Superficie de Respuesta Estimada


0.0-8.0 8.0-16.0 16.0-24.0 24.0-32.0 32.0-40.0 40.0-48.0 48.0-56.0 56.0-64.0 64.0-72.0 72.0-80.0 80.0-88.0
Y 0.0-8.0 8.0-16.0 16.0-24.0 24.0-32.0 32.0-40.0 40.0-48.0 48.0-56.0 56.0-64.0 64.0-72.0 72.0-80.0 80.0-88.0

80 60 40 20 0 9 9.5 10 10.5 11 pH 0 1 2 5 4 3 Amina

3 2 1 0

9.5

10

10.5 pH

11

11.5

12

11.5 12

Grfico lineal con punto ptimo

Grfico espacial con punto ptimo

En el grfico lineal y espacial se puede visualizar la regin ptima del proceso.

195

Palacios C. Severo Problemas (190) Se presume que el efecto del pH y la temperatura en el rendimiento de cierta reaccin qumica no son independientes. Para determinar el grado de relacin entre los factores estudiados (pH, T), se realiz un diseo experimental 2 2 donde se evalan dos niveles de cada uno de estos factores y se mide el % de rendimiento de la reaccin. Ac se muestran las condiciones del diseo, la matriz del mismo y los resultados experimentales de 2 determinaciones paralelas:
pH + + T (C) + + Rendimiento (%) Replica I Replica II 45 47 73 71 23 26 30 33

Haciendo uso del anlisis de varianza, confirme el resultado. Escriba la ecuacin de regresin teniendo en cuenta solamente los trminos significativos. Analice los efectos principales de los factores estudiados y de la interaccin entre estos sobre el rendimiento mediante los grficos correspondientes. Determine las condiciones experimentales ptimas de T y pH que permiten obtener el mayor rendimiento. (191) Se llev a cabo una investigacin para estudiar el efecto que tienen la concentracin de un reactivo cR y la presencia de un catalizador K sobre el rendimiento de un proceso qumico. El estudio se realiz mediante un diseo factorial 22 en las siguientes condiciones experimentales:
cR + + mK + + Replica I 28 36 18 31 Rendimiento (%) Replica II Replica III 25 27 32 32 19 23 30 29

Analice de manera cualitativa la significacin de los factores de inters (cR, mK) y la interaccin cRmK sobre el rendimiento de la reaccin estudiada y compruebe estadsticamente el resultado de su anlisis. Escriba la ecuacin de regresin obtenida. Qu informacin le brindan los signos de los coeficientes de la ecuacin? De que tipo es la interaccin cRmK?. Analice los grficos de efectos principales de los factores estudiados y de la interaccin entre estos sobre el rendimiento. De196

ESTADISTICA EXPERIMENTAL Aplicada a ciencia e ingeniera termine las condiciones experimentales ptimas de c R y mK para obtener el mayor rendimiento. Reporte el valor del rendimiento y su intervalo de confianza en estas condiciones. (192) En la determinacin potenciomtrica simultnea de NH3 y CO2 con HCl se desea estudiar la influencia de Co(II) y Ni(II) presente en la muestra sobre los resultados obtenidos. Con este objetivo se realizan dos diseos experimentales 22 para estudiar el efecto de Co(II) y Ni(II) sobre la determinacin del NH3 y sobre la determinacin de CO2. Las condiciones del diseo son las siguientes:
Ni(II) + + NH3 Co(II) + + NH3 75,9 76,1 36,7 36,5 66,8 66,5 36,2 36,3 Ni(II) + + CO2 Co(II) + + CO2 56,9 57,2 56,7 56,4 56,5 56,7 56,8 56,7

Analice de manera cualitativa la significacin de los factores de inters (concentracin de Ni y de Co) y la interaccin entre estos sobre el resultado de la determinacin de cada uno de los compuestos qumicos analizados. Compruebe estadsticamente el resultado cualitativo obtenido. Escriba la ecuacin de regresin obtenida. Qu indican los signos de los coeficientes de la ecuacin? Cmo es la interaccin Ni(II) Co(II)?. Analice los grficos de efectos principales de los factores estudiados y de la interaccin entre estos. Determine cuales son las condiciones experimentales ptimas tal que no se afecte la determinacin de NH3 y de CO2. (193) Se desea estudiar el efecto sobre el rendimiento (expresado en %) de un proceso qumico para obtener un compuesto inorgnico de tres factores de manera simultnea: concentracin de un reactivo, pH de la mezcla reaccionante y temperatura de reaccin. Con este objetivo se disea un experimento factorial 23 bajo las siguientes condiciones experimentales:
C (mol/L) + + + + pH + + + + T (C) + + + + 56,0 52,5 37,8 54,2 69,0 72,0 49,1 70,6 Rendimiento (%) 58,0 54,2 39,4 53,0 66,0 70,8 48,2 71,9 59,6 55,5 40,1 55,6 67,5 74,5 47,0 73,2

Afectan de manera significativa los factores estudiados el rendimiento del proceso bajo investigacin 197

Palacios C. Severo Actan de manera independiente estos tres factores sobre el rendimiento de la reaccin Cules son las condiciones experimentales ptimas (194) Un mtodo nuevo de determinacin de manganeso (Mn) fue desarrollado para conocer el contenido de este elemento en un mineral. Para validar el mtodo se tomaron 8 muestras homogneas del mineral y se determin el porcentaje en masa de Mn por dos laboratorios diferentes. Los resultados obtenidos son:
A + + B + + Mn (%) 1,70 1,72 1,75 1,77 1,68 1,67 1,72 1,73

Suponiendo que el contenido real de Mn en la muestra es de 1.71 %, compare el mismo con cada una de las 2 medias experimentales (en caso de existir diferencias significativas entre estas). (195) En muestras de licores amoniacales de nquel, obtenidos en la industria niquelfera mediante la digestin de los minerales, se determin el contenido de este elemento por tres mtodos analticos diferentes: gravimetra, colorimetra y complejometra. Los resultados en % de nquel se encuentran abajo:
A + + + + B + + + + C + + + + Gravimetra 1,76 1,80 1,48 1,27 1,60 1,74 1,27 2,18 Mn (%) Colorimetra 4,44 4,06 5,79 4,34 4,64 5,12 5,57 4,39 Complejometra 1,78 1,85 2,12 1,40 1,72 1,60 1,58 1,23

Cules de los mtodos pueden emplearse para la determinacin de Ni (196) Consideremos un experimento donde el objetivo es estudiar la relacin entre la frecuencia de oscilacin de un reloj de cuarzo patrn y las condiciones de humedad y temperatura. En este caso el instrumento ya cuenta con un dispositivo para minimizar los cambios de temperatura, dado que los fabricantes conocen su impacto en la frecuencia de oscilacin. Los factores seleccionados son temperatura (T) y humedad (H) y sus niveles de prueba se eligen de acuerdo a las condiciones del laboratorio; en este caso los niveles de temperatura son (22oC, 24oC) y para la humedad (20%, 50%).

198

ESTADISTICA EXPERIMENTAL Aplicada a ciencia e ingeniera La variable de respuesta es la frecuencia de oscilacin (Y). El diseo experimental seleccionado es un factorial completo 22 con punto central que se muestran a continuacin.
Prueba 1 2 3 4 5 6 Temperatura (C) 22 24 22 24 23 23 Humedad (%) 20 20 50 50 35 35 Frecuencia (Hz) 9,9706 9,9706 99704 9,9702 9,9704 9,9692

En particular en el estudio presentado se muestra cmo evaluar experimentalmente la incertidumbre dada por el fabricante de un equipo para verificar su magnitud en las condiciones del propio laboratorio. Este tipo de estudios podran llevar a mejoras tanto de los equipos como de las instalaciones del laboratorio, buscando tener un menor impacto de las fuentes de incertidumbre detectadas como las ms importantes. (197) En la definicin de las variables de estudio de electrodeposicin de oro se tuvo en cuenta las condiciones impuestas por el proceso previo de desorcin de oro, sobre todo en aquellas que tienen que ver con el electrolito, como la concentracin de oro, la concentracin de cianuro de sodio e hidrxido de sodio, la conductividad, el pH y la temperatura. Con estas queda definida la referencia base para la seleccin y rango de las variables de estudio. Entre las variables mencionadas se seleccionaron el potencial aplicado, la concentracin de hidrxido de sodio y la Densidad de corriente catdica como las de mayor inters para este estudio, y como variables de respuesta se consideraron la eficiencia de corriente, el consumo de potencia, la cintica de la deposicin del oro y su recuperacin.
Factores Potencial (Vols) NaOH (g/L) DC (A/cm) Potencial (Vols) 2,5 3,5 2,5 3,5 2,5 3,5 2,5 NaOH (g/L) 10 10 20 20 10 10 20 Niveles + 2,5 3,5 10 20 0,025 0,075

Prueba

DC (A/cm) 0,025 0,025 0,025 0,025 0,075 0,075 0,075

Consumo energa (Watt-h) 3,43 9,38 4,33 13,94 3,29 9,38 5,73

Tiempo (min) 115,0 78,7 108,5 76,0 78,9 78,7 173,9

199

Palacios C. Severo
3,5 3,0 3,0 3,0 3,0 3,0 20 15 15 15 15 15 0,075 0,050 0,050 0,050 0,050 0,050 15,66 7,79 7,64 6,87 7,75 6,70 113,2 88,9 87,4 80,3 93,8 80,0

Se pretende minimizar el tiempo del proceso, de consumo de energa (mayor eficiencia de corriente) y menor cantidad de hidrxido de sodio a fin de optimizar las condiciones por medio de las ecuaciones logradas. Esto redunda en un beneficio econmico y practico para la recuperacin electroqumica de oro. (198) El reciclado electroqumico de los compuestos de partida en disolucin cido se ha monitorizado por anlisis de la DQO (demanda qumica de oxgeno), cromatografa de placa fina, anlisis de CG-MS y por espectroscopia de UV-VIS. El tiempo de cada electrlisis se ha calculado para circular la cantidad terica de electricidad necesaria para oxidar completamente el sustrato, a partir de las leyes de Faraday, y una concentracin de sustrato a tratar de 0,015 M en un volumen de 150 cm3. El tiempo de reaccin se ha prolongado para aquellos casos en que se observ un mejor comportamiento de la disminucin de la DQO al aumentar la carga elctrica. El plan experimental escogido para estudiar la influencia de las principales variables de reaccin es un diseo factorial completo 23 con ocho barridos experimentales, donde las variables escogidas y sus niveles fueron la temperatura (25 y 40C), la concentracin de electrolito (50 y 96%) y la densidad de corriente (500 y 1000 A/m2).
Factores X1: Temperatura (C) X2: Concentracin (%) X3: DC (A/m) Prueba 1 2 3 4 5 6 7 8 Temperatura (C) 25 40 25 40 25 40 25 40 Niveles + 25 40 50 96 500 1000 DC (A/m) 500 500 500 500 1000 1000 1000 1000

La tecnologa propuesta se presenta como una tcnica universal para degradar compuestos nitratados aromticos en contra de la biodegradacin, en la que las especies microbianas encarga200

Concentracin (%) 50 50 96 96 50 50 96 96

DQO 32487 725 3075 2852 2775 6525 867 4425

ESTADISTICA EXPERIMENTAL Aplicada a ciencia e ingeniera das de degradar son especficas para cada contaminante concreto y mucho ms verstil y cmoda de escalar y disear a nivel industrial que tecnologas basadas en sistemas fotocalticos. Del estudio experimental de la degradacin de los sustratos de partida se realiz en base al diseo de experimentos detallados en la tabla adjunta. La influencia de las variables tenidas en cuenta, temperatura, densidad de corriente y concentracin de electrolito, as como las interacciones entre ellas, se han estudiado estadstica y comparativamente. Se pide demostrar la influencia de dichos factores (199) El propsito de este estudio fue evaluar la remocin de slidos totales, presentes en la vinaza (destilado del alcohol), mediante procesos de electrocoagulacin-electroflotacin utilizando electrodos de aluminio y como variables de operacin pH inicial, concentracin de electrolito y densidad de corriente. Las variables evaluadas fueron densidad de corriente (DC), pH inicial y concentracin de NaCl como soporte electroltico, todas las variables en dos niveles. Los niveles usados para cada variable fueron: DC 20, 40 y 60 mA/cm2; pH 4, 7 y 9; [NaCl] 0, 2000 y 4000 ppm.
Factores X1: DC (mA/cm) X2: pH X3: [NaOH] (ppm) Prueba 1 2 3 4 5 6 7 8 9 10 11 DC (mA/cm) 20 60 20 60 20 60 20 60 40 40 40 pH 4 4 9 9 4 4 9 9 7 7 7 20 4 0 [NaOH] (ppm) 0 0 0 0 4000 4000 4000 4000 2000 2000 2000 Niveles 0 40 7 2000 + 60 9 4000 % Slidos totales Clarificado Espuma 19,81 22,73 20,95 23,49 22,59 24,00 22,09 23,77 21,73 22,77 15,05 17,25 14,56 17,92 15,23 18,69 22,00 23,12 16,88 16,80 20,16 19,15

Que factor influye en el mayor desprendimiento de aluminio al desarrollar la electrocoagulacin-electroflotacin. En que regin del pH ocurre mejor el proceso. (200) La investigacin se desarroll con las aguas residuales de una industria lctea de la regin. Se tomaron muestras tanto del tanque de descargas, como del tanque de homogeneizacin; este ltimo toma las aguas del tanque de descarga de las aguas resi201

Al (g) 0,0663 0,0659 0,0245 0,1301 0,2139 0,0648 0,0658 0,0647 0,2109 0,2091 0,2173

Palacios C. Severo duales de la empresa y las mezcla. A stas se le analizaron: pH, DQO, conductividad elctrica, grasas y aceites. Los anlisis se realizaron el mismo da del muestreo; de acuerdo con los resultados, se decidi que las muestras de agua para la investigacin seran recolectadas slo del tanque de homogenizacin, por ser ste el ms representativo en las caractersticas fisicoqumicas del agua residual lctea. La experimentacin se llev a cabo en un sistema para electrlisis. Este sistema opera como reactor discontinuo a escala prototipo, con capacidad para tratar dos litros de aguas residuales. Consta de una celda electroltica de dos litros en la que estn sumergidos los electrodos; estos electrodos son placas rectangulares metlicas de hierro y aluminio, dispuestas en paralelo y conectadas a una fuente de voltaje de corriente continua que proporciona la corriente elctrica requerida para la electrocoagulacin.
Factores X1: pH X2: DC (A/m) X3: tiempo (min) Prueba 1 2 3 4 5 6 7 8 9 10 11 pH 5 8 5 8 5 8 5 8 7 7 7 5 32,43 5 DC (A/m) 32,43 32,43 43,23 43,23 32,43 32,43 43,23 43,23 37,83 37,83 37,83 Niveles 0 7 37,83 10 + 8 43,23 15 DQO (%) 75,73 62,36 46,55 93,99 70,83 51,44 77,29 93,99 43,88 45,79 42,15

La electrocoagulacin se vislumbra como un tratamiento eficiente para la remocin de contaminantes en las aguas residuales industriales, especficamente en el caso de la industria lctea como se muestra en esta investigacin. Los tres factores bajo estudio (pH, densidad de corriente y tiempo) tienen efecto significativo sobre la remocin de DQO. El diseo de tres factores es bastante ajustado a los datos. En particular, si se tienen niveles ptimos del estudio para pH, tiempo y densidad de corriente. (201) La planificacin de los experimentos se realiz aplicando el diseo experimental factorial 2n; se analiz la influencia de la
202

tiempo (min) 5 5 5 5 15 15 15 15 10 10 10

ESTADISTICA EXPERIMENTAL Aplicada a ciencia e ingeniera temperatura, la relacin lquido/slido y tiempo en la depuracin de especies metlicas de efluentes, manteniendo fija la velocidad de agitacin. Las variables de respuesta consideradas fueron: porcentaje de extraccin de especies metlicas (E) y selectividad (S). Esta ltima, se determin como la relacin entre la recuperacin de un componente dado y el grado de dilucin del mineral. La extraccin de Ni, Co, Fe y Mn como residuo de la depuracin de efluentes. Las condiciones experimentales y niveles de las variables se muestran en la tabla.
Factores X1: Temperatura () X2: tiempo (h) X3: Lquido/Slido (L:S) 30 1 8 Niveles 0 45 2 10 + 60 3 12

YNi 72,2433 6,4475 X 1 4,1325 X 2 0,0625 X 3 2,765 X 1 X 2 YCo 81,0333 3,58 X 1 2,255 X 2 0,3425 X 3 2,165 X 1 X 2

Condiciones fijas del experimento: Velocidad de agitacin 600 rpm; pH 4,06. Los modelos que regulan el proceso son:
R 87,9058 R 96,5456

YFe 71,36 6,22625 X 1 5,24125 X 2 17,0613 X 3 1,51625 X 1 X 2 1,61125 X 2 X 3 R 90,0524 YMn 70,2356 6,5 X 1 4,6675 X 2 0,4925 X 3 3,2425 X 1 X 2 R 95,9567

Elabore un diseo experimental que satisfaga la depuracin del efluente (202) Los residuos slidos de la lixiviacin o colas constituyen un gran problema para el ecosistema de la regin industrial; su tratamiento, disposicin y manejo son objeto de estudios con el fin de encontrar alternativas para minimizar los impactos negativos al medio ambiente. Una cuestin de inters lo constituye la recuperacin de plata y el cobre contenidos en las colas residuales, las cuales son consideradas un mineral de baja ley. Con el objetivo de recuperar especies metlicas de las colas de los procesos de lixiviacin, ya sean las resultantes del proceso cido o del proceso amoniacal, se han realizado estudios de biolixiviacin y lixiviacin qumica con cidos orgnicos producidos por los microorganismos en sus procesos metablicos. En la tabla aparece la matriz experimental correspondiente al plan 23, y un experimento en el nivel central. Con este diseo de experimento se obtuvo el comportamiento de las variables de respuesta Selectividad y Extraccin de Ag y Cu. La selectividad se consider como la relacin entre la recuperacin de un componente dado y el grado de disolucin total del mineral. En todos los experimentos se mantuvieron fijos los parmetros si203

Palacios C. Severo guientes: relacin lquido:slido: L/S=12/1 cm3 de solucin/g de cola; velocidad de agitacin: 630 rpm; tamao de partculas (0,149+0,074) mm. Se realiz el estudio del comportamiento cintico de la disolucin del Ag y Cu. Las muestras de licor de lixiviacin se colectaron a determinados intervalos de tiempo, se filtraron y analizaron por espectroscopia de absorcin atmica.
Factores X1: Temperatura () X2: tiempo (h) X3: Lquido/Slido (L:S) Prueba 1 2 3 4 5 6 7 8 9 T () 30 60 30 60 30 60 30 60 45 t (h) 1 1 5 5 1 1 5 5 3 30 1 1 Niveles 0 45 3 5 + 60 5 9

(203) Se controlaron 3 variables que permitieron conocer las condiciones ptimas del reactor para obtener altos porcentajes de descontaminacin y realizar el escalamiento del reactor a nivel industrial. Las variables escogidas para el estudio fueron:
Factores X1: [H2O2] (ml/L) X2: Volumen a tratar (L) X3: [TiO2] (mg/L) Prueba 1 2 3 4 5 6 7 8 9 10 11 [H2O2] (ml/L) 0 2 0 2 0 2 0 2 1 1 1 Volumen (L) 4 4 12 12 4 4 12 12 8 8 8 [TiO2] (mg/L) 0 0 0 0 200 200 200 200 100 100 100 0 4 0 Niveles 0 + 1 2 8 12 100 200

L/S (cm/g) 1 1 1 1 9 9 9 9 5

% Extraccin Ag Cu 62,96 77,38 71,60 80,53 69,07 77,93 82,40 87,39 64,24 77,58 70,45 80,09 63,72 77,39 87,12 90,91 78,63 80,10

Para el estudio de estas variables se realizaron una serie de experimentos donde la variable de respuesta fue el porcentaje de degradacin medido como el porcentaje de reduccin en la DQO.

Radiacin (W/m) 36,5 44,5 18,0 44,83 26,03 61,83 52,83 35,41 40,17 50,83 34,17

pH 3,85 3,91 5,77 5,41 3,72 5,73 8,43 5,12 4,24 4,2 4,12

Degradacin (%) 23,52 46,19 7,39 33,03 43,34 31,87 14,8 6,62 16,8 19,8 14,84

204

ESTADISTICA EXPERIMENTAL Aplicada a ciencia e ingeniera Del anlisis de los datos obtenga el ANAVA, estime la respuesta ptima, adems de la superficie de respuesta, que permiten obtener un modelo estadstico que describe el comportamiento del sistema de fotodegradacin respecto a las variables experimentales estudiadas y que permitan establecer el grado de confiabilidad de los datos obtenidos. (204) Se seleccionaron modelos lineales del tipo 2n, en los que n representa el nmero de variables a estudiar. Para un diseo experimental con 3 variables (pH, dosis de coagulante y floculante), el nmero de experimentos a realizar es igual a 8. En la tabla se especifica los niveles de cada experimento para una pareja coagulante-floculante determinada. Como se observa en esta tabla los valores probados para el pH son 6 y 9, las dosis de coagulante fueron 20 y 100 mg/L y las del floculante de 0,1 y 1,0 mg/L.
Prueba 1 2 3 4 5 6 7 8 Floculante (mg/L) 0,1 1 0,1 1 0,1 1 0,1 1 Coagulante (mg/L) 20 20 100 100 20 20 100 100 pH 6 6 6 6 9 9 9 9 Concentracin residual Color DQO 47,0 84,5 45 75,0 13 60,5 22,5 55,5 188,5 105,5 180,5 138,5 40,5 82,5 40,5 42,5

Debido a la buena calidad del efluente obtenido bajo las condiciones ptimas determine el modelo de remocin de los parmetros y, con el fin de disminuir el volumen de lodos y los costos del proceso, utilice dicho modelos para realizar un anlisis de sensibilidad de respuesta con respecto a la variacin de dosis para poder reducir la cantidad de coagulante a aplicar, de tal manera de conservar niveles de remocin aceptables para los derivados.

VIII. DISEO FACTORIAL 23

205

Palacios C. Severo Cuando se tienen tres factores, A, B y C, con dos niveles cada uno, entonces hay un total de 8 tratamientos en investigacin. Al diseo se le llama diseo factorial 23, y en este caso la representacin geomtrica de las ocho combinaciones de tratamientos puede hacerse con un cubo como se muestra
7 8

Diseo factorial 23 simple

Al igual que en el diseo factorial 22, existen tres notaciones diferentes para los ocho tratamientos que son de uso general. La primera es la notacin + y -, llamada con frecuencia notacin geomtrica. La segunda es el uso de las letras minsculas para identificar las combinaciones de los tratamientos. La tercera notacin utiliza 1 y 0 para denotar los niveles alto y bajo, respectivamente, de los factores, en lugar de +yEn este diseo se estudian tres factores A, B y C cada uno a dos niveles con ocho combinaciones de tratamiento que se representan grficamente en un cubo. En este tipo de diseo se asume el error al valor de la mayor combinacin, abad. Ejemplo 6.62 En un autoclave se desarrolla un experimento a nivel planta piloto con la finalidad de evaluar la influencia sobre la taza de filtracin de un producto, se estudian tres variables. A: Concentracin, B: Temperatura y C: Presin.
Prueba 206 Tabla 6.47 Datos para un diseo 23 A B C Combinacin Y

ESTADISTICA EXPERIMENTAL Aplicada a ciencia e ingeniera


1 2 3 4 5 6 7 8 + + + + + + + + + + + + 1 a b ab c ac bc abc 71 65 60 65 90 95 86 96

Tabla 6.48 Efecto e interacciones Efectos Interacciones A = 3,5 AB = 4,0 B = -3,5 AC = 4,0 C = 26,5 BC = 2,0 Error estndar 1 GL Fuente Tabla 6.49 Anlisis de varianza SC GL CM Fo Ft(99) 24,5 1 24,5 5,44 < 12,25 24,5 1 24,5 5,44 < 12,25 1404,5 1 1404,5 312,11 > 12,25 32,0 1 32,0 7,11 < 12,25 32,0 1 32,0 7,11 < 12,25 8,0 1 8,0 1,78 < 12,25 4,5 1 4,5 1530,0 7 R2 = 99,7059%

A B C AB AC BC Error Total

Ejemplo 6.63 Al ejemplo 6.62 se le adiciona un factor de mezcla en un experimento a nivel planta piloto para estudiar los efectos que influyen sobre la taza de filtracin de un producto.
Prueba 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 A + + + + + + + + Tabla 6.50 Datos para un diseo 24 B C D Combinacin 1 a + b + ab + c + ac + + bc + + abc + d + ad + + bd + + abd + + cd + + acd + + + bcd + + + abcd Tabla 6.51 Efecto e interacciones Efectos Interacciones Y 71 65 60 65 90 95 86 96 85 88 68 80 83 85 75 70

207

Palacios C. Severo
A = 3,25 B = -7,75 C = 12,25 D = 0,75 AB = 2,25 AC = -0,25 BC = 1,25 AD = -0,25 BD = -4,25 CD = -14,25 ABC = -2,75 ABD = -1,75 ACD = -4,25 BCD = -0,75 ABCD = -1,25 ABCD + + + + + + + +

AB + + + + + + + +

AC + + + + + + + +

Tabla 6.52 Matriz de variables independientes AD BC BD CD ABC ABD BCD ACD + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + +

Los efectos importantes son B, C y CD.


Fuente Tabla 6.54 Anlisis de varianza SC GL CM Fo Ft(99) 240,25 1 240,25 10,79 > 9,33 600,25 1 600,25 26,98 > 9,33 812,25 1 812,25 36,51 > 9,33 267,00 12 1919,75 R2 = 86,09%

B C CD Error Total

Ejemplo 6.64 Se lixivia un mineral argentfero en una salmuera clorurada, de desea evaluar tres factores con el fin de establecer el efecto significativo de cada uno de dichos factores y el rango de cada uno de ellos,
A: NaCl (gr) B: H2SO4 (ml) C: FeCl3 (gr) 100 50 15 150 120 35

A 100

B 50

C 15

Y 68,71

208

ESTADISTICA EXPERIMENTAL Aplicada a ciencia e ingeniera


150 100 150 100 150 100 150 125 125 125 50 120 120 50 50 120 120 85 85 85 15 15 15 35 35 35 35 25 25 25 67,39 64,93 62,16 61,05 65,82 69,21 70,35 64,13 64,88 64,27

Tabla 6.55 Efecto e interacciones Efectos interacciones A = 0,45 AB =-1,27 B = 0,92 AC = 2,50 C = 0,81 BC = 5,42 Errores estndar con 4 GL Fuente Tabla 6.56 Anlisis de varianza SC GL CM Fo Ft(99) 0,414 1 0,414 0,21 < 21,20 1,692 1 1,692 0,87 < 21,20 1,312 1 1,312 0,67 < 21,20 3,225 1 3,225 1,66 < 21,20 12,5 1 12,5 6,42 < 21,20 58,561 1 58,561 30,21 21,20 7,792 4 1,948 85,798 10 R2 = 90,9175%

A B C AB AC BC Error Total

Y 86,83 0,054A 0,089B 1,243C 0,0007AB 0,005AC 0,0077BC


Factor A B C Valor ptimo = 70,1382 Bajo Alto ptimo 100 150 150 50 120 120 15 35 35
Grfica de Interaccin para Y 70 68 66 64 62 + + + + 120 + + -

Grfica de Efectos Principales para Y 66.2 66 65.8

65.6 65.4 65.2 100 A 150 50 B 120 15 C 35

100

AB

150

100

AC

150

50

BC

Efectos e interacciones significativas de factores principales

209

Palacios C. Severo
Contornos de la Superficie de Respuesta Estimada C=25.0 130 110 90 70 50 100 110 120 A 130 140 150
Y 64.0-64.3 64.3-64.6 64.6-64.9 64.9-65.2 65.2-65.5 65.5-65.8 65.8-66.1 66.1-66.4 66.4-66.7 66.7-67.0 67.0-67.3

Contornos de la Superficie de Respuesta Estimada B=85.0 35 31 27


Y 64.0-64.3 64.3-64.6 64.6-64.9 64.9-65.2 65.2-65.5 65.5-65.8 65.8-66.1 66.1-66.4 66.4-66.7 66.7-67.0 67.0-67.3

C
23 19 15 100

110

120 A

130

140

150

Contornos de la Superficie de Respuesta Estimada A=125.0 35 31 27


Y 64.0-64.3 64.3-64.6 64.6-64.9 64.9-65.2 65.2-65.5 65.5-65.8 65.8-66.1 66.1-66.4 66.4-66.7 66.7-67.0 67.0-67.3

C
23 19 15 50 70 90 B 110 130

Superficie respuesta estimada en el plano con punto ptimo de factores principales


Superficie de Respuesta Estimada C=25.0
Y 64.0-64.3 64.3-64.6 64.6-64.9 64.9-65.2 65.2-65.5 65.5-65.8 65.8-66.1 66.1-66.4 66.4-66.7 66.7-67.0 67.0-67.3

Superficie de Respuesta Estimada B=85.0


Y 64.0-64.3 64.3-64.6 64.6-64.9 64.9-65.2 65.2-65.5 65.5-65.8 65.8-66.1 66.1-66.4 66.4-66.7 66.7-67.0 67.0-67.3

67 66.5 66 65.5 65 64.5 130 64 110 100 110 90 70 120 130 140 150 50 B A

68 67 66 65 35 64 31 27 100 110 23 19 120 130 C 140 150 15 A

Superficie de Respuesta Estimada A=125.0


Y 64.0-64.3 64.3-64.6 64.6-64.9 64.9-65.2 65.2-65.5 65.5-65.8 65.8-66.1 66.1-66.4 66.4-66.7 66.7-67.0 67.0-67.3

72 70
Y

68 66 64 62 50 70 B 90 19 23 27 C 31 35

110

130 15

Superficie respuesta estimada en el espacio de factores principales

Aplicacin nanotecnologica Actualmente el desarrollo de la nanotecnologa est asociado a la disponibilidad de nanoestructuras, o tambin, al dominio de las tcnicas de fabricacin de las mismas. En este entorno han aparecido diferentes modos de abordar la fabricacin de nanoestructuras. Se puede trabajar en sentido descendente (de arriba abajo), desprendiendo o aadiendo material a una superficie para darle forma. O por el contrario, se puede partir desde el nivel ms elemental (sentido ascendente, de abajo arriba), desde tomos o molculas que se ordenan espontneamente cuando las condiciones son apropiadas, hasta estructuras ms complejas. As, entre los nue210

ESTADISTICA EXPERIMENTAL Aplicada a ciencia e ingeniera vos materiales que se pueden obtener con esta tecnologa, tienen especial importancia, los films cermicos obtenidos por procesos de electrodeposicin, bien sea electrofortica o deposicin electroltica. En este ltimo mtodo se utilizan disoluciones de alta conductividad, la velocidad de deposicin es del orden de 1 a 1000 nm/min y el espesor del depsito vara de 1 a 104 nm, que puede controlarse variando el tiempo de deposicin, el voltaje o la densidad de corriente, en cuanto a la uniformidad del depsito sta se controla por el campo elctrico. Adems, en la deposicin electroltica catdica, los iones metlicos o complejos se hidrolizan por los OH generados para formar xido, hidrxido o perxido, finalmente los depsitos de hidrxidos y perxidos se pueden convertir en los xidos correspondientes por tratamiento trmico. Dentro de estos materiales se ha observado que las pelculas muy finas de xido de cinc, ZnO, un semiconductor de gap elevado, presentan propiedades pticas muy interesantes, lo que les hace especialmente tiles para determinadas aplicaciones pticas y opto electrnicas como emisor de luz y diodos lser abarcando un amplio rango desde el rojo al ultravioleta debido a sus interesantes propiedades, particularmente su amplio band-gap de 3,37 eV a 300 K. En el presente ejemplo se ha aplicado una tcnica de electrodeposicin sobre un sustrato de vidrio conductor para obtener columnas de ZnO. Ejemplo 6.65 Con el fin de poder investigar, de forma rpida, la influencia que las variables del proceso (densidad de corriente, tiempo de exposicin al electrolito y temperatura de desarrollo del proceso) tienen en la formacin y crecimiento de las columnas obtenidas, se diseo un modelo experimental de tres variables a dos niveles (diseo factorial a dos niveles), de esta manera se ha conseguido optimizar el proceso. Es decir, este mtodo permite con muy pocas experiencias de laboratorio obtener la informacin suficiente para poder abordar, con garantas de xito, la fabricacin de estas estructuras. Las muestras se obtuvieron por electrodeposicin, sobre un sustrato de vidrio de entre 0,5 y 1 cm2, recubierto de una capa conductora de xido de estao y flor. Con el fin de poder controlar la densidad de corriente aplicada, el tiempo de exposicin y la temperatura se utiliz un potenciostato211

Palacios C. Severo galvanostato modelo 263 A y su correspondiente celdilla, introducida en una manta calefactora con termostato. El electrodo de referencia utilizado fue el de Ag/AgCl en una solucin saturada de KCl/AgCl y contraelectrodo de Pt. Como electrolito se emple una solucin de concentracin 510-3 M de ZnCl2 y 0,1 M de KCl en agua desmineralizada. Durante todo el proceso de electrodeposicin se mantuvo la solucin saturada de oxigeno. Los pH iniciales y final de la solucin fueron 6,5 y 6,3 respectivamente. En la tabla se indican las variables a controlar.
Factores X1: DC (mA/cm) X2: Tiempo (seg) X3: Temperatura (C) Prueba 1 2 3 4 5 6 7 8 X1 + + + + X2 + + + + 1 600 65 Niveles 0 + 1,75 2,5 1200 1800 75 85 X3 + + + + Altura (nm) 439 281 611 902 304 256 109 687

Los valores de la variable respuesta, altura de las columnas expresada en nanmetros (nm), se analizaron mediante el programa para computadoras STATGRAPHICS Centurion.
Efectos estimados para Altura Efectos Interacciones A: X1 = 165,75 AB = 268,75 B: X2 = 257,25 AC = 79,25 C: X3 = -219,25 BC = -139,25 Errores estndar con 1 GL Fuente A: X1 B: X2 C: X3 AB AC BC Error Total 212 Tabla 4.12 Anlisis de varianza SC GL CM Fo Ft(99%) 54946,1 1 54946,1 14,03 < 161,4 13235,5 1 13235,5 33,80 < 161,4 96141,1 1 96141,1 24,55 < 161,4 14445,3 1 14445,3 36,89 < 161,4 19701,1 1 19701,1 5,03 < 161,4 38781,1 1 38781,1 9,90 < 161,4 3916,13 1 3916,13 490294 7 R = 99,2013%

ESTADISTICA EXPERIMENTAL Aplicada a ciencia e ingeniera


Altura 1271,33 744,083X 1 0,562118X 2 8,6166X 3 0,2986X 1 X 2 6,616X 1 X 3 0,0116X 2 X 3
Valor ptimo = 924,125 Bajo Alto ptimo 1 2,5 2,5 600 1800 1800 65 85 65
Grfica de Interaccin para Altura 800 700 600
Altura

Factor A: X1 B: X2 C: X3

Grfica de Efectos Principales para Altura 620 570 520


Altura

+ 1 2.5 + 1 2.5 + + 600 1800 +

470 420 370 320 1 X1 2.5 600 X2 1800 65 X3 85

500 400 300 200 AB

AC

BC

Efectos e interacciones significativas de factores principales


Contornos de la Superficie de Respuesta Estimada X2=1200.0
Altura 260.0-320.0 320.0-380.0 380.0-440.0 440.0-500.0 500.0-560.0 560.0-620.0 620.0-680.0 680.0-740.0 740.0-800.0 800.0-860.0 860.0-920.0

Contornos de la Superficie de Respuesta Estimada X3=75.0 1800 1600 1400


X2

85 81 77
X3

1200 1000 800 600 1 1.3 1.6 X1 1.9 2.2 2.5

73 69 65

Altura 260.0-320.0 320.0-380.0 380.0-440.0 440.0-500.0 500.0-560.0 560.0-620.0 620.0-680.0 680.0-740.0 740.0-800.0 800.0-860.0 860.0-920.0

1.3

1.6 X1

1.9

2.2

2.5

Contornos de la Superficie de Respuesta Estimada X1=1.75 85 81 77


Altura 260.0-320.0 320.0-380.0 380.0-440.0 440.0-500.0 500.0-560.0 560.0-620.0 620.0-680.0 680.0-740.0 740.0-800.0 800.0-860.0 860.0-920.0

X3
73 69 65 600 800 1000

Superficie respuesta estimada en el plano con punto ptimo de factores principales

1200 X2

1400

1600

1800

La formacin y crecimiento de columnas de ZnO sobre un sustrato de FTO se favorece con tiempos largos de exposicin ( 30 minutos) de ste al electrolito. La densidad de corriente alta ( 2,5 mA/cm2) tambin favorece la formacin y el crecimiento de las columnas. No obstante este factor tiene menor influencia que el tiempo de exposicin. 213

Palacios C. Severo
Superficie de Respuesta Estimada X3=75.0
Altura 260.0-320.0 320.0-380.0 380.0-440.0 440.0-500.0 500.0-560.0 560.0-620.0 620.0-680.0 680.0-740.0 740.0-800.0 800.0-860.0 860.0-920.0

Superficie de Respuesta Estimada X2=1200.0


Altura 260.0-320.0 320.0-380.0 380.0-440.0 440.0-500.0 500.0-560.0 560.0-620.0 620.0-680.0 680.0-740.0 740.0-800.0 800.0-860.0 860.0-920.0

860 760

600 500

Altura

560 460 360 260 1 1.3 1.6 1800 1600 1400 1200 1000 800 600 X2

Altura

660

400 300 200 73 77 81 85

1.9

X1

2.2

2.5

1.3

1.6

1.9

X1

2.2

2.5

65

69

X3

Superficie de Respuesta Estimada X1=1.75


Altura 260.0-320.0 320.0-380.0 380.0-440.0 440.0-500.0 500.0-560.0 560.0-620.0 620.0-680.0 680.0-740.0 740.0-800.0 800.0-860.0 860.0-920.0

780 680

Altura

580 480 380 280 600 800 69 73 77 81 85

1000 1200 1400 1600 1800 65

X3

X2

Superficie respuesta estimada en el espacio de factores principales

La temperatura alta ( 80 - 90 C) influye negativamente en la formacin y crecimiento de las columnas. Siendo su efecto, en valor absoluto, superior al de la densidad de corriente alta y menor al del tiempo de exposicin al electrolito. El tiempo de exposicin y la densidad de corriente, considerados en conjunto, favorecen mucho la formacin de columnas. Su efecto, en conjunto, es del orden del de el tiempo considerado slo y mucho mayor que el de la densidad de corriente, tambin, considerada sola. Ejemplo 6.66 Los recubrimientos compuestos de Ni-D fueron electrodepositados desde una suspensin de nanopartculas de diamante (tamao promedio 4 nm-sintetizado por PlasmaChem) en una solucin tpica Watts. Las nanopartculas se dispersaron en la solucin mediante agitacin magntica durante 24 horas y 5 minutos en el ultrasonido antes de la electrodeposicin. Los recubrimientos de Ni y Ni-D fueron aplicados sobre un sustrato de acero AISI 1016 el cual se limpi y decap segn las normas ASTM B183 e ISO 9226. La electrodeposicin se realiz empleando un electrodo de disco rotatorio acoplado a un potenciostato-galvanostato y la temperatura de la solucin se control empleando un bao termostatizado con recirculacin. Una malla de platino con suficiente rea efectiva se empleo como nodo inerte y un electrodo de calomel saturado fue usado como electrodo de referencia.
214

ESTADISTICA EXPERIMENTAL Aplicada a ciencia e ingeniera Siguiendo un diseo experimental factorial 2n completamente aleatorizado con replica, se depositaron los recubrimientos compuestos de Ni-D variando la densidad de corriente, la agitacin del bao y la concentracin de nanopartculas de Diamante en los niveles que se presentan en la tabla.
Factores X1: DC (A/cm) X2: Agitacin (rpm) X3: Concentracin (g/L) Prueba 1 2 3 4 5 6 7 8 X1 2 5 2 5 2 5 2 5 X2 400 400 900 900 400 400 900 900 2 400 10 X3 10 10 10 10 20 20 20 20 Niveles 0 3,5 650 15 + 5 900 20

Espesor pelcula (m) 14 40 15 40 14 39 15 39,5

Los recubrimientos compuestos de Ni-D presentan mejor resistencia a la corrosin que los recubrimientos de Nquel puro, cuando son obtenidos a altas velocidades de rotacin del electrodo y alta concentracin de partculas en el bao.
Efectos estimados para Pelcula Efectos Interacciones A: X1 = 25,125 AB = -0,375 B: X2 = 0,625 AC = -0,375 C: X3 = -0,375 BC = 0,125 Errores estndar con 1 GL Fuente A: X1 B: X2 C: X3 AB AC BC Error Total Tabla 4.12 Anlisis de varianza SC GL CM Fo Ft(99%) 1262,53 1 1262,53 40401,0 > 12,25 0,78125 1 0,78125 25,0 > 12,25 0,28125 1 0,28125 9,0 < 12,25 0,28125 1 0,28125 9,0 < 12,25 0,28125 1 0,25125 9,0 < 12,25 0,03125 1 0,03125 1,0 < 12,25 0,03125 1 0,03125 1264,22 7 R = 99,9975%

Pelicula 4,4625 9,075X 1 0,00225X 2 0,0175X 3 0,0005X 1 X 2 0,025X 1 X 3 0,00005X 2 X 3

215

Palacios C. Severo
Valor ptimo = 40.0625 Bajo Alto 2,0 5,0 400,0 900,0 10,0 20,0

Factor X1 X2 X3

ptimo 5,0 900,0 10,0


Grfica de Interaccin para Pelicula

Grfica de Efectos Principales para Pelicula 44 39


44 39

+ -

Pelicula

Pelicula

34 29 24 19 14 2 X1 5 400 X2 900 10 X3 20

34 29 24 19 14 + 2 + AB 5 2 AC 5 400 BC 900 + +

Efectos e interacciones significativas de factores principales


Contornos de la Superficie de Respuesta Estimada X3=15.0 900 800 700
Pelicula 14.0-17.0 17.0-20.0 20.0-23.0 23.0-26.0 26.0-29.0 29.0-32.0 32.0-35.0 35.0-38.0 38.0-41.0 41.0-44.0 44.0-47.0

Superficie de Respuesta Estimada X3=15.0


Pelicula 14.0-17.0 17.0-20.0 20.0-23.0 23.0-26.0 26.0-29.0 29.0-32.0 32.0-35.0 35.0-38.0 38.0-41.0 41.0-44.0 44.0-47.0

44 39

Pelicula

X2

34 29 24 19 14 2 2.5 3 900 800 700 600 500 X2 400

600 500 400 2 2.5 3 3.5 X1 4 4.5 5

3.5

X1

4.5

Superficie respuesta estimada en el plano y espacio de factores principales

La presencia de las nanopartculas en los recubrimientos de Nquel, mejora su microdureza hasta en un 243,3%. La incorporacin de nanopartculas de Diamante en la matriz de Nquel, tiene un efecto positivo sobre el proceso de electrodeposicin, hacindolo ms eficiente. El transporte de masa influye durante el proceso de electrodeposicin de los recubrimientos compuestos Ni-D. Las nanopartculas de Diamante cambian la morfologa de los recubrimientos de Nquel, hacindolos ms compactos.

216

ESTADSTICA EXPERIMENTAL Aplicada a ciencia e ingeniera

Ejemplo 6.67 El licor residual de la tecnologa cida de nquel y cobalto ocupa un lugar cimero entre los efluentes lquidos que poseen un mayor potencial de impacto ambiental en ste proceso debido a su alta acidez y a la presencia de varios metales disueltos (Cr, Mn, Al, Zn, Fe, Ni, Co). En el mbito mundial uno de los aspectos principales a tener en cuenta al disear los procesos de recuperacin de nquel y cobalto usando la lixiviacin cida a presin de minerales oxidados de nquel est relacionado precisamente con el tratamiento a realizar al licor residual que se genera. Para realizar el estudio se utiliz una muestra compsito representativa del licor residual de la tecnologa cida de nquel y cobalto, con un contenido promedio de 8,2 g/L de H2SO4, 4,3 g/L de aluminio y 0,62 g/L de cromo. Como reactivo neutralizante se us una muestra compsito representativa de los slidos residuales industriales del proceso carbonato amoniacal, o sea, una muestra de la suspensin saliente de los alambiques de destilacin de amoniaco que se enva al depsito de colas. En la tabla1 se muestra la composicin qumica de dicha muestra. En ella se observa que el contenido de magnesio en dicha muestra fue 4,11%, siendo ste el elemento neutralizante principal. En el estudio experimental se analiz la influencia de varias variables en el proceso: la temperatura; la relacin Mg/cido, expresada en gramos de magnesio contenidos en los slidos residuales industriales con respecto a los gramos de cido libre en el licor residual; la inyeccin de un agente oxidante, oxgeno del aire y la agitacin. Las principales respuestas que se analizan en el diseo son la neutralizacin del cido libre (H2SO4) y la precipitacin del aluminio y el cromo del licor residual. En el diseo de la matriz experimental se us el mtodo factorial completo (2n). En la tabla se muestran las variables y los niveles usados.
Factores X1: Temperatura (C) X2: Relacin Mg/cido (g/g) X3: Agitacin (Re) 70 1 8000 Niveles 0 75 1,5 10000 + 80 2 12000 217

Palacios C. Severo X4: Inyeccin aire (L/min) 5 7,5 10

La seleccin de la temperatura en el nivel medio de 75 C estuvo basada en pruebas preliminares realizadas. La relacin magnesio/cido fue establecida en el nivel bsico en 1,5 gramos de magnesio contenidos en los slidos residuales por gramos de cido libre contenidos en el licor residual. Dicho valor se determin sobre la base de clculos estequiomtricos con relacin al cido libre contenido en el licor residual y del cido que se genera durante la hidrlisis del aluminio y el cromo. El nivel mnimo de este parmetro se fij en 1 g/g y el nivel mximo en 2 g/g, para un intervalo de precisin de 33,33%. La intensidad de agitacin fue determinada mediante el nmero de Reynolds, tomndose como nivel bsico un valor de 10000 entre los regmenes transitorio y turbulento, con un grado de precisin de 20%, lo que corresponde a un Re de 8000 en el nivel mnimo y de 12000 en el nivel mximo. La inyeccin de aire se realiz para valorar su influencia en la disminucin del contenido de hierro en el licor neutralizado. Se utiliz un reactor de 2 litros de capacidad de dimensiones estndar con un coeficiente de llenado del 85%, para un volumen til de trabajo de 1,7 litros. En la tabla se muestra la matriz experimental descodificada.
Prueba 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 Temp () 70 80 70 80 70 80 70 80 70 80 70 80 70 80 70 80 Relacin (Mg/cido) 1 1 2 2 1 1 2 2 1 1 2 2 1 1 2 2 Agitacin (Re) 8000 8000 8000 8000 12000 12000 12000 12000 8000 8000 8000 8000 12000 12000 12000 12000 Aire (L/min) 5 5 5 5 5 5 5 5 10 10 10 10 10 10 10 10 Al (g/L) 3,66 4,30 2,59 0,78 2,57 0,23 0,20 2,64 2,27 0,85 0,20 1,04 2,64 0,97 2,09 2,14 Cr (g/L) 0,12 0,62 0,31 0,14 0,32 0,06 0,06 0,32 0,32 0,14 0,06 1,04 0,31 0,15 0,31 0,33 pH 3,66 1,20 3,35 3,60 3,33 3,77 3,85 3,33 3,38 3,60 3,80 3,57 3,23 3,59 3,38 3,52

Para realizar los experimentos se midi el volumen de licor residual y se adicion al reactor, secalent la solucin hasta alcanzar la tempe218

ESTADSTICA EXPERIMENTAL Aplicada a ciencia e ingeniera

ratura de trabajo, se puso en funcionamiento el agitador y el compresor de aire, se adicion la suspensin de slidos residuales y se puso en marcha el cronmetro inmediatamente. Finalmente se tomaron las muestras para los anlisis qumicos. Se observa el incremento que tiene lugar en el pH del licor residual y la disminucin que se produce en el contenido de aluminio y cromo en el licor. El pH aumenta de 1,2 a 3,47 y la concentracin de aluminio y cromo disminuyen de 4,3 y 0,62 g/L a 1,5 y 0,21 g/L respectivamente como promedio general de todo el diseo. La concentracin promedio de Ni y Co en el licor obtenido en el diseo es de 0,2 y 0,078 g/L respectivamente, producindose un incremento notable en el contenido de estos elementos en el licor tratado, de modo que el licor que se obtiene constituye una fuente potencial para recuperar stos metales de alto valor en el mercado. En la tabla se muestra el porcentaje de disminucin del cido libre del licor residual y de precipitacin del aluminio y el cromo. Tambin se muestra la disolucin que tiene lugar de metales de los slidos residuales durante la neutralizacin.
Prueba 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 cido libre (%) H2SO4 99,4 99,7 99,5 99,1 99,0 99,7 99,4 98,7 99,1 99,4 99,5 99,0 99,0 99,5 99,6 98,8 Precipitacin Al y Cr (%) Al Cr 37,5 35,3 92,9 85,5 69,9 66,6 33,6 36,7 22,8 36,7 93,1 85,8 65,9 64,7 22,9 38,5 38,8 39,7 63,3 62,1 78,8 71,1 25,0 36,9 24,2 39,7 72,4 67,8 92,1 85,1 36,9 41,8 Disolucin de metales (%) Co Fe Mg 43,6 4,3 27,1 40,4 2,6 24,6 34,1 1,7 21,0 45,8 3,7 31,5 40,1 2,4 32,2 34,9 2,8 22,5 32,8 1,5 21,5 40,8 2,3 27,6 46,5 3,8 33,3 33,6 1,5 20,4 38,3 2,2 22,8 39,4 2,2 30,4 40,1 2,2 28,9 33,6 1,7 20,7 35,8 2,6 22,0 44,3 3,3 33,9

Ni 43,0 25,2 18,1 27,4 22,4 21,3 16,5 22,6 28,0 16,2 19,4 20,7 20,4 17,6 20,5 26,2

Mn 49,5 34,2 23,8 49,4 33,7 24,3 20,7 29,4 47,1 24,6 29,5 30,9 31,8 22,8 25,6 41,9

En la tabla se muestran los valores obtenidos de R2, el error estndar y las pruebas estadsticas Durvin Watson.
Estadigrfo R Error estndar Ni 98,77 2,79 Co 99,86 0,64 Fe 99,51 0,23 Mg 99,63 1,14 Al 99,96 2,07 Cr 99,66 4,43 H2SO4 97,96 0,28 219

Palacios C. Severo Darwin-Watson 1,65 1,48 2,20 1,83 2,10 1,60 1,76

Los valores de R2, indicativos de la proporcin de la varianza de las variables de salida (Y) con respecto a las variables de entrada (X), son altos en todos los casos, lo que denota un buen porcentaje de adaptacin de los datos experimentales a los modelos lineales. Los resultados de la prueba estadstica Durvin Watson indican que no existe correlacin significativa entre los diferentes efectos escogidos como independientes, ya que los valores obtenidos en este estadgrafo son mayores que el valor mnimo de 1,4 que se utiliza como patrn comparativo. A continuacin se presentan los modelos estadsticos de las variables de salida. Los mismos presentan un nivel de confiabilidad o significacin estadstica del 95% y se excluyen las variables e interacciones que no tienen una influencia estadsticamente significativa. Modelos estadsticos de la precipitacin del aluminio y el cromo del licor residual
% Al 54,38 48,35 Re l 17,18Temp
%Cr 55,86 35,41Re lacin 8,52Temp 8,07(Re l )(Temp)

y de la neutralizacin del cido libre:


% Ac 99,28 0,462 Re l

Modelos estadsticos de la disolucin de magnesio, nquel, cobalto, hierro y manganeso del licor residual:
%Mg 26,27 8,70 Re l 1,84Temp 2,23(Re)(Temp)

% Ni 22,84 7,07Temp 6,98 Re l


%Co 39,02 7,13 Re l 4,39Temp 1,56 Aire 1,52(Temp)( Aire)

%Fe 2,56 1,25Temp 0,96 Re l 0,27(Temp)(Rel )

%Mn 32,45 13,5 Re l 10,45Temp 5,05(Temp)(rel)

Donde: Temp = Temperatura Rel = Relacin


220

ESTADSTICA EXPERIMENTAL Aplicada a ciencia e ingeniera

Re = Reynolds En las ecuaciones anteriores se observa que la relacin magnesio/cido y la temperatura son las variables que ejercen una mayor influencia en el proceso. El aumento de la relacin magnesio/cido favorece la neutralizacin del cido libre y la precipitacin del aluminio y el cromo que estn disueltos en el licor residual e influye de forma negativa en la disolucin de Mg, Ni, Co, Fe y Mn de los slidos residuales industriales. El aumento de la temperatura favorece la precipitacin del aluminio y el cromo del licor residual as como la disolucin del Mg, Ni, Co, Fe y Mn de los slidos residuales industriales. Existe una alta correlacin entre las variables de entrada (temperatura, relacin magnesio/cido, agitacin y aire) y las respuestas de salida, siendo el valor de R2 superior al 98%. Las variables que ejercen una mayor influencia sobre las respuestas analizadas son la relacin magnesio/cido y la temperatura. No obstante la inyeccin de oxgeno del aire y el Reynolds ejercen tambin una influencia significativa sobre algunas variables. El orden de influencia de las variables analizadas es en orden decreciente la relacin magnesio/cido, la temperatura, la inyeccin de aire y la agitacin. A los 15 minutos de reaccin, a la temperatura de 80 C, relacin magnesio/cido de 2 g/g, agitacin, Re: 12000 y un flujo de aire de 10 L/min., se neutraliza el 99,6% del cido y precipita el 92,94% del aluminio y el 85,54% del cromo. Se recomienda completar la neutralizacin del licor residual con carbonato e hidrxido de calcio y recuperar el nquel y el cobalto a partir del licor neutralizado con los slidos residuales.

221

Palacios C. Severo

Problemas (205) En un estudio del rendimiento para el desarrollo de un proceso se consideraron cuatro factores, cada uno a dos niveles: tiempo (A): 2,5 a 3, concentracin (B): 14 a 18, presin (C): 60 a 80, y temperatura (D): 225 a 250. Se corrieron dos replicas de un diseo 24, y los datos resultantes se muestran en la siguiente tabla:
A + + + + + + + + B + + + + + + + + C + + + + + + + + D + + + + + + + + Replica I 12 18 13 13 17 15 20 15 10 25 13 24 19 21 17 23 Replica II 14 16 15 17 18 14 19 17 13 22 16 25 21 23 22 26

Que factores y que interacciones influyen en el rendimiento. Elabore grficas e interprete los efectos de los factores principales y las interacciones (206) Un equipo realiz un estudio del rendimiento de un proceso para establecer los parmetros ptimos de operacin. El equipo decidi considerar tres factores, cada uno a dos niveles. Se corrieron dos rplicas y decidieron utilizar un diseo 23. A = Tiempo (2 h, 4 h) B = Concentracin (10%, 20%). C = Presin (55 psi, 85 psi)
A + + + 222 B + + C + + Rendimiento I II 12 14 18 16 13 15 16 17 17 18 15 14

ESTADSTICA EXPERIMENTAL Aplicada a ciencia e ingeniera + + + + + 20 15 19 17

Que factores y que interacciones influyen en el rendimiento. Elabore grficas e interprete los efectos de los factores principales y las interacciones (207) Un investigador qumico desea determinar las condiciones experimentales ptimas para la determinacin colorimtrica de Mn en un mineral. Tres de los factores ms importantes que pueden afectar esta determinacin son: la cantidad de oxidante aadido, la temperatura de calentamiento y la longitud de onda seleccionada para medir la absorbancia de la muestra. Realiza un experimento factorial 23 con diferentes niveles de los factores de inters, obteniendo 8 determinaciones replicadas para todas las posibles combinaciones estudiadas. A continuacin se muestran las condiciones del diseo y los resultados obtenidos:
Vox + + + + + + + + T + + + + 0,45 0,87 0,66 0,88 0,24 0,63 0,55 0,73 Mn (%) 0,46 0,89 0,66 0,90 0,22 0,65 0,55 0,73 0,44 0,89 0,68 0,91 0,25 0,61 0,51 0,71

Qu factores influyen significativamente de manera independiente en el rendimiento de la reaccin Qu interacciones entre factores son estadsticamente importantes y cmo son estas Cules son las condiciones experimentales ptimas (208) Se realiza un experimento factorial 24 en una planta piloto para estudiar los efectos que se supone influyen sobre la rapidez de filtracin de un producto. Se estudia el efecto de 4 factores, temperatura, presin, concentracin de reactivo y rapidez de mezclado. Los resultados del diseo se muestran a continuacin:
A + + + + + Factores B C + + + + + + + + + D + + + Filtracin 45 71 48 65 68 60 80 65 43 100 45 223

Palacios C. Severo + + + + + + + + + + + + + + + 104 75 86 70 96

Plantee la ecuacin de regresin teniendo en cuenta los resultados de la tabla de ANOVA y el error de cada coeficiente. Actan de manera independiente los factores estudiados. Interprete el grfico de efectos principales y el de las interacciones. Halle el valor ptimo de rapidez de filtracin junto a su intervalo de confianza. Se puede simplificar este diseo 24 a un diseo experimental 23 Si su respuesta es positiva, realice partiendo de ste un diseo de experimentos 23. (209) Se aplic un diseo factorial 24 para estudiar un proceso de corrosin selectiva con nitruro en un plasma corrosivo. En el proceso se utiliz C2F6 como gas reactivo y se tomaron como factores de inters el espacio entre nodo y ctodo (A), la presin en la cmara del reactor (B), gasto de C2F6 (C) e intensidad de la corriente aplicada al ctodo (D). La variable de respuesta de inters es la rapidez de corrosin del nitruro de silicio. Los resultados obtenidos son los siguientes:
A + + + + + + + + Factores B C + + + + + + + + + + + + + + + + D + + + + + + + + Rapidez de Corrosin 550 669 604 650 633 642 601 635 1037 749 1052 868 1075 860 1063 729

Estime los efectos de los diferentes factores sobre la rapidez de corrosin. Realice el ANAVA y determine los factores importantes para el rendimiento Escriba la ecuacin de la regresin, teniendo en cuenta los intervalos de confianza correspondientes.
224

ESTADSTICA EXPERIMENTAL Aplicada a ciencia e ingeniera

Determine las condiciones experimentales ptimas que permiten obtener la mayor rapidez de corrosin. Si no todos los factores son importantes, realice un nuevo diseo 2k con k<4 y realice el anlisis de varianza. Rescriba la ecuacin de regresin. (210) Se determin el contenido de nquel en un mineral mediante la tcnica de valoracin complejomtrica por dos vas diferentes: directa y retroceso. Los resultados obtenidos en % en masa son:
A + + + + B + + + + Ni (%) 1,011 0,995 0,986 0,998 0,992 0,989 0,982 0,995 0,990 0,996 0,988 0,999 0,997 0,998 0,994 0,996

(211) Un fabricante de aleaciones de aluminio produce refinadores de textura en forma de lingotes. La compaa manufactura el producto en 4 hornos. Se sabe que cada horno tiene sus propias caractersticas de operacin, de modo que los hornos se considerarn una variable problemtica en cualquier corrida experimental en la fundicin que implique ms de un horno. Los ingenieros del proceso sospechan que la velocidad de agitacin influye en el tamao del grano del producto. Cada horno puede operarse a 4 velocidades de agitacin distintas. Se realiza un diseo de bloques aleatorizados para un refinado en particular bloqueando la variable horno; los datos del tamao de grano resultantes son los siguientes:
Velocidad de Agitacin (rpm) 5 10 15 20 1 8 14 14 17 2 4 5 6 9 Horno 3 5 6 9 3 4 6 9 2 6

Analice la tabla de ANOVA Diga si las sospechas del ingeniero son ciertas. Explique. Explique si fue conveniente bloquear el efecto de los diferentes hornos. Realice un anlisis de los residuos

225

Palacios C. Severo

IX. DISEO FACTORIAL 2k REPLICADO En una variedad del diseo factorial en donde el vector respuesta se repite o replica dos, tres, cuatro, veces. El efecto se calcula multiplicando por el nmero de replicas. La suma de cuadrados se procede similarmente a los efectos. Ejemplo 6.68 Se lleva a cabo una investigacin para estudiar los efectos que tienen la concentracin y un catalizador sobre la reaccin de un proceso.
Factores A = Concentracin B = Catalizador Niveles 15 20 1 2

Prueba 1 2 3 4

Tabla 6.57 Datos para el diseo 22 replicado A B Y1 Y2 Y3 15 1 31 19 32 20 1 30 23 28 15 2 29 36 25 20 2 18 32 27

Yt 82 81 90 77

Efecto A 1 / n * 2 k 1 ab a b 1 1 /3277 81 90 82 2,33

EfectoB 1/3277 90 81 82 0,66

Interaccin AB 1 /3277 82 82 90 2,0

El efecto A (concentracin) es negativo, sugiere que al elevar la cantidad de A, el proceso reducir su rendimiento. El efecto B (catalizador) es positivo, sugiere que al elevar B del nivel inferior al nivel superior, incrementar el rendimiento. El efecto de la interaccin es negativo. Vamos a emplear el anlisis de varianza para confirmar esta interpretacin. Para el presente diseo existe un mtodo especial para realizar los clculos del ANAVA.
SC A 1 / n * 2 k ab a b 1
2

1 /n * 2 k EfectoA 2,332 /34 16,33


2

226

ESTADSTICA EXPERIMENTAL Aplicada a ciencia e ingeniera

SC B 1 / n * 2 k ab b a 1
2

1 /n * 2 k EfectoB 1,33
2

SC AB 1 / n * 2 k ab 1 a b
2

1 /n * 2 k InteraccinAB 12,0
2

La suma total de cuadrados se determina de la misma manera que los diseos aleatorizados.
SCtotal Yi 2 Yi / n * 2 k
2

SCtotal 312 192 ... 322 27 2 330 / 3 * 4 323


2

La suma de cuadrados del error, se calcula similarmente a los diseos aleatorizados.


SCerror 323 16,33 1,33 12 293,34

El anlisis de varianza se presenta en la tabla 6.58


Fuente Tabla 6.58 Anlisis de varianza SC GL CM Fo Ft(99) 16,33 1 16,33 0,485 < 11,3 1,33 1 1,33 0,039 < 11,3 12,00 1 12,00 0,356 < 11,3 293,34 8 33,67 323,00 11 R2 = 9,18%

A B AB Error Total

Ambos efectos principales como la interaccin no es significativa para un 99% de significanca, que nivel de significanca debe tener efectos e interacciones. S notamos que los factores principales afectan el proceso, pero en el anlisis no influye el efecto A. Para solucionar dicho fenmeno tan solo cambiamos los niveles de los factores que influyen, de la siguiente manera.
Factores A = Concentracin B = Catalizador 20 1 Niveles 15 2

Prueba 1 2 3 4

Tabla 6.59 Datos para el diseo 22 replicado A B Y1 Y2 Y3 20 1 30 23 28 15 1 31 19 32 20 2 18 32 27 15 2 29 36 25

Yt 81 82 77 90 227

Palacios C. Severo

Efecto A 1 / n * 2 k 1 ab a b 1 2,33

Interaccion AB 1 /32 81 90 82 77 2,0

EfectoB 1 /3277 90 81 82 0,66

Ejemplo 6. 69 Se lleva a cabo una investigacin para estudiar los efectos que tienen la dosificacin de reactivos qumicos en un proceso
Factores A = Concentracin X B = Concentracin Y C = Concentracin Z 15 1 18 Niveles + 20 2 25

Prueba 1 2 3 4 5 6 7 8

Tabla 6.60 Datos para el diseo 22 replicado Diseo Y1 Y2 Y3 A B C 15 1 18 31 19 32 20 1 18 30 23 28 15 2 18 29 36 25 20 2 18 18 32 27 15 1 25 19 32 31 20 1 25 23 25 27 15 2 25 36 25 29 20 2 25 30 27 18 Tabla 6.61 Efecto e interacciones Efectos Interacciones A = -3,0 AB =-1,667 B =+ 1,0 AC =-0,66 C = -0,66 BC = 0,33 Bloque = 0,416 Error estndar 1 GL

Yt 82 81 90 77 82 75 90 75

A B C AB AC BC Bloque Error Total

Fuente

Tabla 6.62 Anlisis de varianza SC GL CM Fo Ft(95) 54,00 1 54,00 1,48 < 4,54 6,000 1 6,000 0,19 < 4,54 2,666 1 2,666 0,07 < 4,54 16,66 1 16,66 0,46 < 4,54 2,666 1 2,666 0,07 < 4,54 0,666 1 0,666 0,02 < 4,54 0,583 2 0,292 0,01 < 3,68 546,083 15 36,406 629,33 23 R2 = 13,22%

228

ESTADSTICA EXPERIMENTAL Aplicada a ciencia e ingeniera

Todos los efectos principales como la interaccin no es significativa para un 95% de significanca, as mismo el bloque de las replicas no tiene significanca. Problemas (212) En un experimento dirigido a estudiar un sistema particular de filtracin para carbn mineral, se agreg un coagulante a una solucin en un tanque que contena carbn y lodo, lo cual fue entonces colocado en un sistema de recirculacin con objeto de lavar el carbn. Se variaron tres factores en el proceso experimental A: Porcentaje de slidos que circula inicialmente B: Ritmo de flujo del polmero C: pH del tanque La cantidad de slidos en el flujo de entrada del sistema de purificacin determina cuan limpio queda el carbn. Se utilizaron dos niveles de cada factor y se corrieron dos pruebas experimentales para cada una de las 8 combinaciones (n=2). Los porcentajes de slidos en peso obtenidas son
A + + + + B + + + + C + + + + Vector respuesta Replica I Replica II 4,65 5,81 21,42 21,35 12,66 12,56 18,27 16,62 9,73 7,88 13,18 12,87 6,51 6,26 18,23 17,83

Suponga que todas las interacciones son potencialmente importantes y realice un anlisis completo de los datos. Utilice un nivel de significacin de 0.01 (213) Los siguientes datos se obtuvieron de un experimento 23 con tres rplicas (n=3)
A + + + + B + + + + C + + + + Replica I 12 15 24 23 17 16 24 28 Vector respuesta Replica II 19 20 16 17 25 19 23 25 Replica III 10 16 17 27 21 19 29 20 229

Palacios C. Severo

Evalu todos los efectos factoriales. Utilice un nivel de significacin de 0.05 (214) Se llev a cabo un experimento para determinar si existe o no una diferencia significativa en la cantidad de aluminio alcanzada en el anlisis entre cierto niveles de las siguiente variables de proceso. Tiempo de mezcla (T): 2 y 4 horas Velocidad de mezcla (V): 36 y 78 rpm Condicin del Nitrgeno (C): seco y humedad relativa (72%) Estado fsico del propulsor (E): no vulcanizado y vulcanizado
Estado fsico + + + + + + + + Tiempo mezcla + + + + + + + + Velocidad mezcla + + + + + + + + Condicin del nitrgeno + + + + + + + + Cantidad aluminio 16,3 16,0 16,2 16,1 16,0 16,0 15,5 15,9 16,7. 16,1 16,3 15,8 15,9 15,9 15,6 15,8

Suponga que todas las interacciones de tres y cuatro factores son despreciables y analice los datos. Utilice un nivel de significacin de 0.05 (215) Se lleva a cabo un experimento para determinar el crecimiento de plantas de poroto de acuerdo a tres factores: la profundidad de plantado de la semilla: 0,5 cm. y 1,5 cm., la frecuencia de riego: una y dos veces diarias y el tipo de poroto sembrado: pequeo y grande. Se hacen tres rplicas del experimento y se obtienen los siguientes datos.
Profundidad 0,5 1,5 0,5 1,5 0,5 1,5 0,5 1,5 Replica I 6 4 10 7 4 3 8 5 Replica II 7 5 9 7 5 3 7 5 Replica III 6 5 8 6 4 1 7 4

230

ESTADSTICA EXPERIMENTAL Aplicada a ciencia e ingeniera

Calcule los efectos correspondientes a los factores y a las interacciones. Interprete los resultados obtenidos y sugiera condiciones ideales para sembrar. (216) Un ingeniero esta interesado en el efecto de la velocidad de corte (A), la dureza del metal (B) y el ngulo de corte (C) sobre la duracin de una herramienta de corte. Para ello se eligen dos niveles para cada factor y se corren dos rplicas del diseo factorial 23. La tabla siguiente presenta los datos de tiempo de duracin (en horas) de la herramienta.
Combinacin de tratamientos (1) a b ab c ac bc abc I 221 325 354 552 440 406 605 392 Rplica II 311 435 348 472 453 377 500 419

Calcule los efectos correspondientes a cada uno de los factores. Determine cules de estos efectos son importantes usando la tabla de anlisis de varianza.

231

Palacios C. Severo

X.

DISEO 2k CON PRUEBAS CENTRALES

En un estudio factorial simple 2n estudiamos tan solo las combinaciones en el plano cartesiano y no vemos la influencia de los factores en la linealidad supuesta de dicho factor. Por lo que adicionamos pruebas centrales a dicho diseo para evaluar el error aleatorio a dicha muestra as mismo evaluar la curvatura de la funcin matemtica. Tal como se ve en la figura, el plano factorial 1-2 y 3-4 est cruzado por una lnea de curvatura (Gauss).
3 4 3-4

1-2

Diseo Factorial 2n con pruebas centrales

El punto central 5, el cual sirve para evaluar el error aleatorio, tambin nos sirve para analizar la linealidad del modelo matemtico. Por ejemplo, en el punto 5 de interseccin si no existe curvatura, el modelo es lineal, pero si el anlisis nos indica que existe curvatura en el modelo por lo que desechamos el anlisis lineal y continuamos con un tratamiento cuadrtico aumentando pruebas experimentales al diseo inicial (rotacional). Existe un mtodo para replicar ciertos puntos en un diseo factorial 2n lo cual proteger contra la curvatura adems de permitir obtener estimaciones de errores independientes. Dicho mtodo consiste en agregar pruebas centrales al diseo 2n, para lo cual se hacen n rplicas en el eje central. Un mtodo importante para agregar las corridas de rplicas en el centro del diseo es que los puntos centrales no influyan en las estimaciones usuales de los efectos en un diseo 2n. Con una observacin en cada uno de los puntos factoriales. Sea YF el promedio de las cuatro corridas en los puntos factoriales y Sea YC el promedio de las corridas del punto central.

232

ESTADSTICA EXPERIMENTAL Aplicada a ciencia e ingeniera

Si la diferencia

es pequea, entonces los puntos centrales se


F C

encuentran en el plano, y no hay curvatura. Si Y Y es grande entonces existe curvatura. Una suma de cuadrados para la curvatura con un GL esta dado por: n n Y F Y C SCcurvatura F C nF nC Donde nF y nc es el nmero de puntos de la factorial y el central respectivamente (esta cantidad puede comprobarse con el cuadrado medio del error para probar la curvatura).
Y Ao Ai X i Ai j X i X j A jj X 2 j

Donde: Ajj son efectos cuadrticos.

S los puntos factoriales del diseo no son replicados, es posible emplear los nc puntos centrales para construir una estimacin del error con nc - 1 grados de libertad. Ejemplo 6.70 Se esta evaluando el rendimiento de un proceso. Existen dos variables de inters, concentracin de sulfato de cobre y temperatura en el proceso de cabreado cido. Se tiene duda acerca de la linealidad en la regin que se explora, se decide realizar un diseo factorial 2 2 con una sola replica en cada punto factorial, incrementndose cinco puntos centrales.
70 72,3 72,5 72,7 72,2 72,6 85

65

80

El cuadrtico medio del error se calcula a partir de los puntos centrales:


CMerror SCerror / nC 1 Yi Y / nC 1
2

YC 72,3 72,5 72,7 72,2 72,6/ 5 72,46


233

Palacios C. Severo

CM error 72,3 72,46 ... 72,6 72,46 / 4 0,043


2 2

El promedio de los puntos comprendidos en los puntos factoriales es:


Y F 65 80 70 85 / 4 75

La diferencia entre el promedio del factorial y el promedio del central es 2,54 resulta dicho valor muy grande, lo cual nos indica que existe curvatura. La suma de la curvatura de los cuadrados se calcula de la ecuacin general.
SCcurvatura 452,54 /4 5 50,8
Tabla 6.63 Anlisis de varianza del diseo con punto central Fuente SC GL CM Fo Ft(99) A 225,00 1 225,00 5325,56 > 21,2 B 25,00 1 25,00 581,39 > 21,2 AB 0,00 1 50,8 1270,00 > 21,2 Curvatura 50,8 1 0,00 0,00 < 21,2 Error 0,17 4 0,04 Total 300,97 7

El anlisis de varianza indica que ambos factores presentan efectos significativos y que no hay interaccin AB = 0, existe evidencia de curvatura en la respuesta de la regin explorada. XI. DISEO CONFUNDIDO Un diseo confundido es una tcnica mediante el cual se confunden, deliberadamente, ciertos efectos sin importancia, con el propsito de fijar los efectos ms importantes con mayor precisin. En el hecho, al calcular el valor de un efecto o interaccin confundido estamos calculando la suma de los dos. Las situaciones que requieren el uso del presente diseo: a) Aquellos en los cuales no hay suficiente materia prima para efectuar una experimentacin completa. En el diseo experimental se denomina bloque a una agrupacin homognea de experimentos. b) Aquellas en los cuales la experimentacin se realiza usando dos o ms tipos de maquinas.
234

ESTADSTICA EXPERIMENTAL Aplicada a ciencia e ingeniera

XII. DISEO FACTORIAL 2K CON DOS BLOQUES Si deseamos correr una sola replica del diseo 2n. Requerimos una cantidad de materia prima y cada lote de materia prima deber cubrir una prueba de las combinaciones de tratamiento.
Tabla 6.64 Diseo 24 con dos bloques, asignando las corridas Bloque I Bloque II (1) = 71 a = 65 ab = 65 b = 60 ac = 95 c = 90 bc = 86 d = 85 ad = 88 abc = 96 bd = 68 bcd = 75 cd = 83 acd = 85 abcd = 70 abd = 60 626 636 1262

Por lo tanto se requieren n lotes de materia prima. Si estos lotes se tratan como bloques, entonces debemos asignar la mitad de la n combinaciones de tratamiento a cada bloque no replicado. Los efectos e interacciones se calculan idnticamente a un diseo factorial simple no replicada. Ejemplo 6.71 Del ejemplo 6.67, el experimento factorial 24 deseamos tratarlo en bloques. Supongamos que no se pueden efectuar las 24 combinaciones en un mismo da. Decidiendo el experimentador realizar diariamente ocho combinaciones por bloque, por ser apropiado. Es lgico confundir la interaccin de mayor orden ABCD con los bloques.
Fuente Bloque (ABCD) A B C D AB AC AD BC BD CD Error Total Tabla 6.65 Anlisis de Varianza del Bloque SC GL CM Fo 6,25 1 6,25 0,21 42,25 1 42,25 1,14 240,25 1 240,25 8,21 600,25 1 600,25 20,52 2,25 1 2,25 0,08 20,25 1 20,25 0,69 0,25 1 0,25 0,01 0,25 1 0,25 0,01 6,25 1 6,25 0,021 72,25 1 72,25 2,74 812,25 1 812,25 27,77 117,00 4 1919,75 15 Ft(99) 7,71 7,71 7,71 7,71 7,71 7,71 7,71 7,71 7,71 7,71 7,71

< < > > < < < < < < >

La suma de cuadrados del bloque


235

Palacios C. Severo

SCbloque 6262 6382 / 8 1262 / 16 6,25


2

SCA 42,25
SC AB 20,25

SCB 240,25

SCC 600,25 SCAD 0,25

SCD 2,25
SCBC 6,25

SCAC 0,25
SCCD 812,25

SCBD 72,25

Las sumas de cuadrados de los efectos e interacciones se proceden a analizar por diferentes tcnicas (ver algoritmo de Yates). Se ha decidido que las interacciones de tres factores son despreciables, por lo que la suma del error es:
SCerror SC ABC SC ABD SC ACD SC BCD
SC error 30,25 12,25 72,25 2,25 117

Como podemos visualizar el bloque ABCD no influye en el anlisis de las combinaciones de los tratamientos, siendo B, C y CD los efectos e interacciones que presentan significacin, tal como concluimos en el mismo ejemplo del diseo 24. XIII. DISEO FACTORIAL 2k CON 4 BLOQUES Este tipo de diseo es de mucha utilidad cuando se desarrolla experimentos a nivel laboratorio y bach, el nmero de factores es relativamente grande con k>4. Ejemplo 6.72 Consideremos un diseo factorial 25, a cada bloque debemos asignar ocho combinaciones de tratamiento correspondientes, requiriendo un total de cuatro bloques para las 32 pruebas a desarrollar para efectuar el experimento.
Tabla 6.66 Diseo 25 con 4 bloques, asignando las corridas Bloque I Bloque II Bloque III Bloque IV = 2,152 a = 2,025 b = 2,111 e = 2,057 = 2,004 d = 2,170 c = 2,267 ac = 2,013 = 2,301 be = 2,037 ae = 2,033 bd = 2,164 = 1,991 ce = 2,210 de = 2,072 cd = 2,301 = 1,978 abc = 2,220 abd = 2,146 ab = 2,041 = 1,944 bcd = 2,332 acd = 2,114 ade = 2,057 = 2,215 abde = 1,857 abce = 2,025 bce = 2,236 = 2,161 acde = 1,919 bcde = 1,898 abcde = 1,944 16,746 16,770 16,666 16,813 66,995

1 ad bc abe ace cde bde abcd

SCbloque SCABCDE 0,01197


236

SCerror 0,0999

SCtotal 0,4898

ESTADSTICA EXPERIMENTAL Aplicada a ciencia e ingeniera Tabla 6.67 Anlisis de Varianza del bloque SC GL CM Fo 0,0119 1 0,0119 1,7955 0,1173 1 0,1173 17,595 0,0041 1 0,0041 0,0615 0,0167 1 0,0167 2,505 0,0050 1 0,0050 0,750 0,1311 1 0,1311 19,665 0,0005 1 0,0005 0,075 0,0026 1 0,0026 0,390 0,0007 1 0,0007 0,1015 0,0014 1 0,0014 0,210 0,0045 1 0,0045 0,675 0,0003 1 0,0003 0,045 0,0077 1 0,0077 1,155 0,0239 1 0,0239 3,585 0,0352 1 0,0352 5,250 0,0266 1 0,0266 3,990 0,0099 15 0,0067 0,4989 31

Fuente Bloque (ABCD) A B C D E AB AC AD AE BC BD BE CD CE DE Error Total

< > < < < > < < < < < < < < > <

Ft(99) 4,54 4,54 4,54 4,54 4,54 4,54 4,54 4,54 4,54 4,54 4,54 4,54 4,54 4,54 4,54 4,54

XIV. DISEO FACTORIAL 2k CON BLOQUES REPLICADOS Es una variedad del diseo confundido en donde el vector respuesta se repite o replica dos, tres, veces. Para entender mejor este tipo de diseo aplicaremos un ejemplo. Ejemplo 6.73 Se realiza un estudio para determinar los efectos que tienen tres variables A, B y C. Se efectan slo cuatro combinaciones de tratamiento. Por lo tanto, cada rplica del diseo 23 debe recopilarse en dos bloques. Se realiza las reproducciones confundidas ABC en la replica I y AB en la replica II.
Tabla 6.68 Diseo 23 con bloques replicados Replica I Replica II 68,72 a = 67,85 1 = 68,66 a 69,44 b = 69,60 c = 68,17 b 67,93 c = 67,75 ab = 69,02 ac 68,73 abc = 68,72 abc = 68,66 bc 548,74 548,75
" SC ABC a b c abc ab ac bc 1 / n * 2 k 0,0125 2

1 ab ac bc

= = = =

= = = =

68,22 69,10 68,26 68,66

" SC AB 1 abc ab c ac a b bc / n * 2 k 0,0169 2

237

Palacios C. Severo

SCreplica 548,74 2 548,752 / 8 1097,49 / 16 0,0001


2

" " SCbloque SCABC SCAB 0,0506 0,00456 0,005516

SC total 4,36655
Tabla 6.69 ANAVA diseo 2k con bloques replicados Fuente SC GL CM Fo Replica 0,00001 1 0,00001 9,94E<4 < Bloque (replica) 0,05316 2 0,02758 0,2743 < A 0,1040 1 0,1040 1,0344 < B 2,536 1 2,536 25,2238 > C 0,8695 1 0,8695 8,6483 > AB (replica) 0,0269 1 0,0269 0,1381 < AC 0,2047 1 0,2047 2,0360 < BC 0,0650 1 0,0650 0,6465 < ABC (replica) 0,0125 1 0,0125 0,1243 < Error 0,5027 5 0,1005 Total 4,3665 15 Ft(99) 7,71 6,94 7,71 7,71 7,71 7,71 7,71 7,71 7,71

Los efectos principales B y C son significativos, vemos que la replica y los bloques no afectan el proceso. XV. ALGORITMO DE YATES Un mtodo rpido para calcular los efectos e interacciones y que proporciona seguridad en el anlisis de varianza posterior, de un diseo factorial. Construccin de Yates: La primera mitad de la columna se forma sumando el vector respuestas por pares. La segunda mitad de la columna se forma restando el vector respuestas por pares (el segundo menos el primero) y as sucesivamente. Las dems columnas se generan de la misma manera usando los datos de la columna anterior. Los efectos se calculan dividiendo la ltima columna por 2n-1, donde n es el nmero de factores. La suma de cuadrados se calcula, elevando al cuadrado los miembros de la ltima columna y dividiendo por 2n. Si en caso se realizan replicas en el proceso, entonces el calculo de los efectos deber dividirse por k*2n-1, donde k es el nmero de replicas.
238

ESTADSTICA EXPERIMENTAL Aplicada a ciencia e ingeniera

De igual manera para el calculo de la suma de cuadrados multiplicar por k*2n. Ejemplo 6.74 Los datos de la tabla 6.70, analizarlo aplicando la tcnica de Yates. Comprobacin a. La suma total de la vector respuesta deber ser igual al primer valor de la ltima columna, caso contrario se ha ejecutado un mal clculo. b. La suma total de la suma de cuadrados debe ser igual a la suma de cuadrados del total, de la siguiente manera.
Y 68,72 67,85 69,60 69,44 67,75 67,93 68,73 68,72 548,74 Tabla 6.70 Algoritmo de Yates I II III Efectos 136,57 275,61 548,74 139,04 273,13 -0,86 -0,215 135,68 -1,03 4,24 1,060 137,45 0,17 0,52 0,130 -0,87 2,47 -2,48 -0,620 -0,16 1,77 1,20 0,300 0,18 0,71 -0,70 -0,175 -0,01 -0,19 -0,90 -0,225 SC 0,0924 2,2472 0,0338 0,7688 0,1800 0,0612 0,1012 3,4847

1 a b ab c ac bc abc

SCtotal Yi 2 Yi / 2 n
2

Y 68,72 67,85 69,60 69,44 67,75 67,93 68,73 68,72 + Diferencia Efectos

A + + + + 273,9 274,9 -0,86 -0,22

Tabla 6.71 Yates modificados B AB C AC + + + + + + + + + + + + + + + + 276,5 274,6 273,1 274,9 272,2 274,1 275,6 273,8 4,24 0,53 -2,48 1,2 1,06 0,13 -0,62 0,3
2

BC + + + + 274,0 274,7 -0,7 -0,18

ABC + + + + 273,4 274,8 -0,9 -0,23

SCtotal Yi 2 Yi / 2 n 37642,93 37639,4485 3,4847

239

Palacios C. Severo

Problemas (217) Se estudia la recuperacin del cromo, nquel e hierro de los desechos de acero inoxidable. La disolucin de dicho acero se realiza electrolticamente, siendo las variables pH y temperatura, de acuerdo a los estudios termodinmicos el potencial de la aleaciones Ea = 2,897. Elabore el ANAVA y analice los efectos e interacciones del proceso. pH: 8,88 8,43 7,01 6,92 T: 23,9 28,3 24,3 27,5 Ed: 2,16 2,08 2,22 2,19 (218) Un relave con alto contenido de plata 300 g/ton, es tratado por flotacin y cianuracin siendo ambos procesos antieconmicos. Se procede a realizar un estudio de lixiviacin en medio clorurante oxidante, siendo sus variables A: cloruro de sodio 50 - 150 g/l, B: Tiempo 5 - 10 h, C: cido sulfrico 5 0 g/l. Y: 89 87 84 79 86 88 83 82 Elabore el diseo y analice. (219) En un laboratorio de investigacin se produce un derivado qumico, el investigador tiene inters en los efectos de los factores A: H2SO4 87 - 93 %, B: Tiempo 15 - 30 min, C: catalizador 35 45 min, D: Temperatura 60 - 80 C. (220) Un investigador en Bacteriologa esta interesado en el efecto que tienen dos diferentes medios de cultivo y dos lapsos sobre el crecimiento de un virus en particular. Realiza un diseo factorial 22 en orden aleatorio. Analice los datos que se muestran. A: 21 - 37, B: 26 - 34. (221) Se manufacturan circuitos integrados. El proceso bsico de procedimiento consiste en depositar una capa epitaxial en el tablero de silicio pulido. Los tableros se colocan dentro de una campana en el cual se introduce vapores qumicos. El receptor se hace girar y se aplica calor hasta que la capa epitaxial sea la adecuada. Se realiz un experimento empleando dos factores, A: Gasto de arsnico 55 59, B: Tiempo de depsito 1 - 2. Se corrieron cuatro replicas, y se midi el grosor de la capa epitaxial Replica 1: 14,1 13,8 14,8 14,2
240

ESTADSTICA EXPERIMENTAL Aplicada a ciencia e ingeniera

Replica 2: 16,1 13,8 14,7 14,9 Replica 3: 13,9 14,0 14,8 14,4 Replica 4: 13,9 13,2 14,8 14,9 (222) Se utiliza una aleacin ligera de aluminio-titanio para la fabricacin de componentes aeroespaciales. Se realizo un estudio sobre agrietamiento a fin de determinar el efecto de cuatro factores sobre las grietas. Los factores son A: Temperatura, B: Contenido de titanio, C: Tratamiento trmico, D: Contenido de aluminio. Se hicieron dos replicas de un diseo 24, se mide la longitud de grieta en mm.
Replica I 1,7 1,4 1,3 1,6 1,2 1,2 1,4 1,2 2,0 1,8 1,7 1,4 1,8 1,3 1,4 1,3 Replica II 1,9 1,4 1,5 1,5 1,3 1,2 1,4 1,2 2,1 1,8 1,9 1,5 1,9 1,2 1,2 1,3

Estime los efectos de los factores. Realice un ANAVA. Existe algn indicio de que algn factor influya en la variabilidad de agrietamiento. (223) Se realiz un experimento en una prensa de dispositivos para microcomputadoras. Se estudian 5 factores, cada Uno a dos niveles los factores son A: Tiempo, B: Revelado C: Dimensin D: Corrosin, E: Material.
1 a b ab c ac bc abc = = = = = = = = 8 10 32 50 18 21 44 61 d ad bd abd cd acd bcd abcd = = = = = = = = 6 10 30 53 15 22 45 65 e ae be abe ce ace bce abce = = = = = = = = 8 12 35 52 15 20 45 63 de ade bde abde cde acde bcde abcde = = = = = = = = 7 9 34 55 16 20 40 60

Realice un ANAVA Interprete las interacciones significativas Desarrolle un diseo 25 y un diseo con bloques. (224) En un estudio del rendimiento de un proceso se consideran 4 factores, cada uno a dos niveles, A: Tiempo 2,5 - 3, B: Concentracin 16 - 18, C: Presin 70 - 90, D: Temperatura 250 - 200.
241

Palacios C. Severo

Se corre una sola replica de un diseo 24.

Realice un ANAVA Pruebe realizar un diseo por bloques e interprete. (225) Se elabora galletas, y se desea saber si las variables tienen influencia en el proceso siendo A: Material vidrio-aluminio, B: Homogenizado pala-batidor, C: Harina popular-extra. El vector respuesta es lo crocante. Analice los datos de las replicas.
Replica 1 Replica 2 Replica 3 Replica 4 11 9 10 10 15 10 16 19 19 12 11 11 16 17 15 12 10 11 15 18 12 13 14 13 10 12 13 10 15 12 12 13

Y: 12, 18, 13, 16, 17, 15, 20, 15, 10, 25, 13, 24, 19, 21, 17, 23

(226) Se desea realizar una investigacin con el fin de estudiar la influencia de tres factores en la vida media de un pesticida qumico aplicado en el suelo. La unidad experimental lo constituirn recipientes que contienen el suelo sobre el cual se aplica el pesticida. Los niveles de los factores a estudiar son los siguientes:
Factores A: Temperatura (C) B: Humedad (%) C: Suelo (%) Niveles + 25 35 15 35 1 3

Se desarrollan replicas con la finalidad de evaluar la vida media del proceso, siendo los resultados experimentales: Cual de las variables independientes influyen en el proceso? Cuantas pruebas realizar para desarrollar el proceso? Que temperatura, humedad y tipo de suelo el pesticida no es nocivo? (227) Se desea controlar la emisin gaseosa de SO2 de una planta por medio de inyeccin de sosa calcinada en la parte superior del emisor. Dicho mtodo funciona en el laboratorio, pero cuando se implemento a nivel industrial, se formo ocasionalmente NO 2, provocando un gas txico. Con el fin de investigar las condiciones bajo las cuales se produce, se diseo un experimento factorial considerando los siguientes factores a tres niveles:
Factores A: Concentracin de SO2 (ppm) B: Temperatura (C) C: Concentracin de O2 (%) D: Humedad (%) Niveles + 0 3000 150 350 0 6 0 20

Y1: 886, 188, 230, 130, 168, 65, 156, 32 Y2: 850, 190, 235, 127, 170, 60, 160, 30

Se realiza el experimento con la finalidad de controlar la emisin de NO2, siendo los resultados experimentales:
130 150 210 200 110 180 110 150
242

ESTADSTICA EXPERIMENTAL Aplicada a ciencia e ingeniera

Adems se desarrollaron pruebas centrales, siendo estos: Se desea eliminar la presencia de NO2, por lo que se quiere saber que factores deben controlarse? (228) Se desea investigar la influencia de cuatro factores en la vida media del problema 226. Se desea efectuar dos bloques con la finalidad de mezclar los efectos. Se desea verificar los factores de mayor influencia en la vida media del proceso. A que temperatura, humedad y que tipo de suelo el pesticida no es nocivo. (229) En un laboratorio de corrosin se desea evaluar la eficiencia de un inhibidor para disminuir la corrosin de una tubera de hierro, utilizada para el transporte de agua en la industria petrolera. Una de las variables de mayor importancia fue la temperatura promedio del agua que se usa como refrigerante y la otra la concentracin del inhibidor. Los niveles de ambos factores son:
Factores A: Temperatura B: Inhibidor Niveles + 60 90 10 15

130 150 250 140 140 220 150 170 470 740 830 730

Las respuestas obtenidas en diversas probetas de hierro fue la disminucin del espesor a cierto tiempo de inmersin durante un tiempo constante para todas las probetas. 40,2 54,7 29,6 28,8 Desarrollando pruebas centrales con la finalidad de evaluar la varianza del error: 38,6 37,8 37,1 39,0 Mediante un diseo factorial aplique el mnimo ascenso para averiguar en que zona debemos realizar pruebas adicionales para minimizar la corrosin de la tubera de hierro? (230) Se desea minimizar la vida media del problema 226, por el cual se corrieron pruebas adicionales con la finalidad de optimizar dicho proceso, siendo su vector respuesta: 462 298 424 343 247 479 219 313 256 402 491 292 250 484 As mismo se corrieron pruebas centrales siendo estas: 348 340 337 Se desea conocer el modelo y su forma geomtrica? Cuales son los niveles ptimos de las variables que eliminan la permanencia del pesticida? (231) Se desea maximizar la resistencia de un acero que depende de dos aleantes Mo y W.
Factores Niveles + 243

Palacios C. Severo A: Mo (%) B: W (%) 0.2 1.5 0.8 3.5

Un investigador decide experimentar pruebas secuenciales, para lo cual desarrolla las siguientes aleaciones: Suponiendo que la resistencia del acero es una funcin establecida por: R 1000 15W 0,5Mo 1 4,52 Mo Se desea saber: Cual es la combinacin ptima del aleante para alcanzar la mxima resistencia En cuantas pruebas se puede llegar al mximo (232) La eficiencia de un fertilizante depende de sus componentes minerales del suelo que se va a utilizar. Un estudioso decide preparar diversos tipos de suelos y aplicar el fertilizante a una variedad vegetal y la respuesta esta medida en funcin del rendimiento del fertilizante. El contenido de los minerales varia en los siguientes rangos:
Factores A: Fsforo (%) B: Fertilizante (%) C: Nitrgeno (%) D: Carbono (%) 0.2 1.5 0.3 0.0 Niveles + 0.6 3.0 0.9 0.6

E 100 e
f

Suponiendo que la eficiencia del fertilizante se puede estimar mediante la siguiente relacin.
A 0 , 05

B 0,5 100B C 1 Tan C D 1 A 0,5 D 1,5


4 6 4 8

Diga cual es la combinacin ptima del suelo al alcanzar su mximo? En cuantas pruebas se alcanza al objetivo? (233) Se desea estimar el efecto del SO2 sobre la poblacin cercana a una fabrica monitoreando la concentracin de este contaminante y considerando los siguientes factores: la tasa de emisividad Q del contaminante a la salida de la chimenea y la altura del la chimenea. Los niveles elegidos de cada uno de los factores son los siguientes:
Factores A: Tasa de emisividad (g/s) B: Altura (m) 5 30 Niveles + 10 60

Siendo el vector respuesta: 140 180 200 310 130 320 170 300 280 270 265 275 266

244

ESTADSTICA EXPERIMENTAL Aplicada a ciencia e ingeniera

XVI.

DISEO FACTORIAL FRACCIONADO

Los diseos factoriales simples requieren cantidades excesivas de tiempo, material, conviene encontrar otros diseos que requieran menores pruebas de diseo, pero que no desdear una gran cantidad de informacin sobre la naturaleza del vector respuesta que se expresa con los experimentos. Los diseos factoriales fraccionados permiten lograr este objetivo. Si se est dispuesto a conformarse con una investigacin algo menos completa, incluyendo los efectos principales y las interacciones de dos factores y excluyendo los efectos de tres factores o interacciones de alto orden. Los diseos factoriales fraccionadas se usan principalmente para la depuracin o seleccin, es decir, para identificar la variable ms importante que influye en la respuesta. En cualquier diseo que utilice menos pruebas de los que requiera uno de tipo factorial completo, se tendrn los mismos efectos de confusin. Por ejemplo, un efecto principal se puede confundir con uno o ms efectos de interaccin de alto orden, esto es, la estadstica que mide un ejemplo principal puede ser igual a la estadstica que determina algunos de los efectos de las interacciones. Por lo tanto, la estadstica en cuestin puede indicar que existe algn efecto, pero no sealar si est presente el efecto principal, el de interaccin o alguna combinacin aditiva de efectos. Todos los diseos, proporcionan estimaciones confusas. Por ejemplo, si los efectos cuadrticos y cbicos, se confunden las estimaciones de la media y los efectos principales, respectivamente, siempre que no emplee un diseo factorial de dos niveles, las tendencias y otros efectos confunden las estimaciones. Cualquier fenmeno emitido en un modelo ajustado confunde ciertos parmetros estimados en el modelo, sea cual fuere el tipo de diseo empleado. Los buenos diseos factoriales fraccionados se arreglan cuidadosamente de tal manera que la estimacin de los efectos que se piensa son importantes, se confunden por accin de los efectos que se consideran no importantes.
245

Palacios C. Severo

Puesto que en la investigacin es de inters los efectos principales, es fundamental que stos no se confundan con otros efectos principales. En casi todos los diseos factoriales fraccionados comnmente usados, los efectos principales se confunden con interacciones de alto orden. Por lo tanto si un experimentador utiliza uno de estos diseos para medir los efectos principales, deber estar dispuesto a suponer, cuando menos en forma tentativa, que las interacciones con las que se confunden los efectos principales son cero o muy pequeas. Pocos experimentadores evitan usar los diseos factoriales fraccionados debido a la necesidad de hacer tales supocisiones respecto a los efectos de alto orden. XVII. MEDIO FRACCIONADO DEL DISEO 2k Se estudian a partir de k=3 factores en dos niveles cada uno, para lo cual utilizamos un diseo factorial fraccionado del tipo (1/2)n2k donde n es la cantidad que debe disminuirse la fraccin. Ejemplo 6.75 Si tenemos un diseo 23=8 pero queremos una media fraccin por lo tanto tendremos (1/2)*23=4 combinaciones de tratamiento.
Tabla 6.72 Primer media fraccin del diseo 23 A B C Combinacin + c + a + b + + + abc

Ntese que el diseo 23-1 se forma al seleccionar slo las combinaciones de tratamiento que producen la multiplicacin de signos, donde C=AB. Es posible construir la combinacin de tratamientos del diseo 2k-1 completo igualando el factor C por la interaccin -AB, de amplia aplicacin cuando los efectos principales son negativos, pero tienen una gran influencia en el proceso.
Tabla 6.73 Segunda media fraccin del diseo 23 A B C=-AB Combinacin 1 + + ac + + bc + + ab

246

ESTADSTICA EXPERIMENTAL Aplicada a ciencia e ingeniera

El uso del diseo factorial fraccionado a menudo conduce a una gran economa y eficiencia en la experimentacin, especialmente si los ensayos pueden hacerse en sucesin. Por ejemplo, supongamos que se estn investigando k=5 factores (25 ensayos). Es preferible realizar un diseo fraccionado 25-1 (16 ensayos) analizar los resultados y decidir el mejor conjunto de ensayos que deben recopilarse despus. Ejemplo 6.76 Consideremos el experimento de la autoclave, el diseo mostrado en la tabla 6.74, consta de una rplica del diseo 24. En este estudio, los efectos principales B, C y la interaccin CD resultaron diferentes de cero. Utilizaremos el diseo 24-1con D=ABC. Para construir el diseo primero se escribe el diseo base de 23 que se mueve en las primeras tres columnas tal como se indican en la tabla.
A + + + + B + + + + Tabla 6.74 Diseo 24-1con D=ABC C D=ABC Combinacin 1 + ad + bd ab + + cd + ac + bc + + abcd Y 71 88 68 65 83 95 86 70

Los efectos e interacciones se calculan idem a las factoriales normadas.


A 1 / 4 71 88 68 65 83 95 86 70 2,5
B 12 C 10,5 B ACD C ABD

A BCD

D 2
AB 1,2 AC 4,5

D ABC
AB CD AC BD

BC 1,0

BC AD

Podemos concluir que los efectos principales B y C son grandes y que la interaccin AB tambin es significativa.
247

Palacios C. Severo

Para ver la efectividad de este diseo investigaremos un diseo 25-1con cinco factores.
A + + + + + + + + B + + + + + + + + Tabla 6.75 Diseo 25-1con E=ABCD C D E=ABCD Combinacin + e a b + abe + c + + ace + + bce + abc + d + + ade + + bde + abe + + + cde + + acd + + bcd + + + abcde Y 12 18 13 16 17 15 20 15 10 25 13 24 11 21 17 23

Calculo de efectos e interacciones:


A 5,5
D 2,25

A BCDE
D ABCE

B 1,5

B ACDE

C 1,0
AE 0,25 BE 0,75

C ABDE
AB CDE AE BCD BE ACD

AC 3,25

AC BDE

E 0,0 E ABCD AD 5,0 AD BCE

AB 1,75

BC 1,25 CD 1,0

BC ADE CD ABE

BD 1,0 BD ACE CE 0,25 CE ABD

DE 0,0

DE ABC

A D AB AC AD Error Total

Fuente

Tabla 6.76 Anlisis de varianza del diseo 25-1 SC GL CM Fo 121,00 1 121,00 4,73 > 20,25 1 20,25 0,79 < 12,25 1 12,25 0,48 < 42,24 1 42,24 1,65 < 100,00 1 100,00 3,91 > 256,00 10 25,60 550,75 15

Ft(99) 3,29 3,29 3,29 3,29 3,29

La suma de cuadrados del modelo es:


SCmodelo SCA SCD SCAB SCAC SCAD 295,75

XVIII.CUARTO FRACCIONADO DEL DISEO 2k

248

ESTADSTICA EXPERIMENTAL Aplicada a ciencia e ingeniera

Cuando hay un nmero grande de factores. Hay que considerar una fraccin de un cuarto del diseo 2k este diseo contiene 2k-2 ensayos. Este diseo se puede construir escribiendo primero las combinaciones de tratamiento asociado con el factorial completo con k-2 factores. Despus se asocian las dos columnas adicionales con las interacciones elegidas apropiadamente, que incluyen los primeros k-2 factores. Los alias estructurados para un diseo 26-2 son:
A BCE DEF ABCDF D FBC AEF ABCDE AB CE ACDF BDEF

BF CD ACEF ABDE

AE BC DF ABCDF

B ACE CDF ABDEF E ABC ADF BCDEF AC BE ABDF BDEF AF DE BCEF ABCD ABD CDE ACF BEF

C ABE BDF ACDEF F BCD ADE ABCEF AD EF BCDE ABCF BD CF ACDE ABEDF ACD BDE ABF CEF

Ejemplo 6.77 Se ha aplicado la tcnica experimental para la optimizacin de un proceso en donde se consideran seis variables a dos niveles
A: B: C: 1 5 5 3 15 15 D: E: F: 8 14 22 10 18 38

Elegimos un diseo factorial fraccionado del tipo (1/2)226= 24 en que confundimos los siguientes factores e interacciones E=-ABC, F=BCD.
A + + + + + + + + B + + + + + + + + Tabla 6.77 Diseo 26-2con E=ABC y F=BCD C D E=ABC F=BCD Combinacin 1 + aef + + bef + abf + + cdf + acf + bc + + bce + + df + + + abef + + bde + abd + + + cde + + acd + + + bcdf + + + + Abcdef Y 92,0 90,0 91,0 91,2 90,3 92,0 90,2 89,5 92,3 92,8 90,7 90,4 91,6 92,6 91,6 92,0

Los efectos e interacciones son:


249

Palacios C. Severo

A 0,12 D 1,20

AB CE 0,17 AD EF 0,27 AF DE 0,66

E 0,66 AC BE 0,43 BD CF 0,32 ABD CED 0,17

B 0,87

C 0,01
F 0,73 BC AE BF 0,16 CD BF 0,43 ACD ABF 0,14

Obtenemos informacin clara sobre los efectos principales si se consideran que las interacciones de tercer orden y superior son insignificativas. Respecto a las interacciones de segundo orden observamos que estn confundidas entre si y con interacciones de cuarto orden; su anlisis permitir comprobar el comportamiento lineal de nuestros vectores respuestas en la regin experimental estudiada. El anlisis de varianza se muestra en la tabla 6.78. Para decidir si una variable es o no significativa en el rango experimental estudiado, en el nivel de significanca del 99%, el cual nos proporciona esta seguridad en el anlisis de varianza para el vector respuesta indican que A, C y E no son significativas en los niveles elegidos y podemos suponer que estamos en el rango elegido para estas variables.
Tabla 6.78 Anlisis de varianza para el diseo 26-2 Fuente SC GL CM Fo B 3.06 1 3.06 7,89 > D 4.20 1 4.20 10,83 > F 2,18 1 2,18 5,60 > AF+DE 1,76 1 1,76 4,53 < Error 4,27 11 0,39 Total 15,47 15 Ft(99) 4,85 4,85 4,85 4,85

250

ESTADSTICA EXPERIMENTAL Aplicada a ciencia e ingeniera

Problemas (234) Deseamos mejorar el rendimiento de un proceso, en un diseo 25-2 se investigan 5 factores, confundiendo E= ABCD siendo su vector respuesta. Y: 98, 99, 94, 82, 86, 92, 85, 90, 86, 90, 80, 90, 85, 81, 84, 93 (235) Se trabaja a nivel Bach un proceso cataltico, se asume que la respuesta de inters es la reaccin de variables. Cuatro factores han sido propuestos como variables, a dos niveles. Aplique un diseo 26-3 siendo su nivel respuesta. Y: 53, 83, 62, 77, 75, 84, 75, 86 (236) Deseamos mejorar el rendimiento de un proceso, en un diseo 27-4 se investigan 7 factores, confundir D=AB, E=AC, F=BC, G=ABC. Y: 70, 65, 80, 95, 88, 91, 85, 87 (237) Se utiliza un diseo 25-2 para investigar el efecto sobre el rendimiento del proceso de A = temperatura de condensacin, B = cantidad de material 1, C = volumen del solvente, D = tiempo de condensacin y E = cantidad del material 2. Los resultados fueron los siguientes: e = 23.2 ad = 16.9 cd = 23.8 bde = 16.8 ab = 15.5 bc = 16.2 ace = 23.4 abcde = 18.1 Determine la relacin generadora de este diseo. Escriba las relaciones de alias de este diseo. Calcule los efectos. Determine cules de ellos son importantes. Cmo llevara a cabo el anlisis para este experimento. (238) Es posible disear un experimento 25-2 en el cual no se realice ninguna medicin en la cual los factores A y C se encuentren ambos en alto al mismo tiempo? (239) Usted acaba de ser contratado como jefe de planta en una fbrica de cerveza. Una de las primeras noticias que recibe es que el proceso tiene algunos problemas con el grado alcohlico de la cerveza, el cual es muy alto. La persona que ocupaba su puesto anteriormente haba planteado la posibilidad de realizar un experimento factorial fraccionado de la forma 24-1 para estudiar la situacin. La estructura de dicho experimento es la siguiente A = tiempo de fermentacin. B = % de cebada presente.
251

Palacios C. Severo

C = % de arroz presente. D = % de maz presente. (1), ab, c, abc, d, abd, cd, abcd Escriba la matriz de diseo del experimento anterior y diga cuales efectos se encuentran confundidos. Es este un diseo ortogonal? Cul es la resolucin del diseo? Qu crticas le merece esta estructura de experimentacin? Si alguien le propusiera utilizar un experimento de la forma 242 para investigar esta situacin, qu le respondera usted? Un par de semanas despus, ya un poco ms calmado y con un mayor conocimiento del proceso, usted decide que existe un quinto factor influyente: E = tiempo de maduracin. Escriba la matriz de diseo un nuevo experimento, esta vez de la forma 25-2, que permita tomar en cuenta este factor adicional y que evite los problemas presentados en el diseo anterior. Encuentre los efectos confundidos en este nuevo diseo. Cul es la resolucin del mismo? Qu puntos se encuentran dentro de esta fraccin? (240) Usted est recin graduado y acaba de entrar a trabajar en la empresa Soda, la cual elabora galletas. La compaa ha presentado algunos problemas econmicos en los ltimos tiempos, as que su misin es tratar de incrementar la calidad y la productividad. Se le pide estudiar la influencia de tres variables sobre la textura de la galleta: A = tiempo en el horno. B = % de leche. C = tipo de harina (nacional o importada) Escriba la matriz de diseo para un experimento 23 (completo). A partir de esa matriz de diseo tome las siguientes medidas:
Nivel (1) a b ab c ac bc abc Textura 10.0 13.0 8.0 15.1 11.0 12.9 8.1 15.0

Determine cules de los factores son influyentes sobre la textura de la galleta. En los datos anteriores el factor C no es significativo. Cmo podra interpretarse el diseo anterior en funcin de un diseo 2 2, donde slo estuviesen involucrados los factores A y B?
252

ESTADSTICA EXPERIMENTAL Aplicada a ciencia e ingeniera

(241) Usted es gerente de una planta de produccin de detergentes. Se detect que un problema de llenado se deba a la variabilidad en la densidad del detergente, por lo que se decidi realizar un experimento para determinar cules factores del proceso de produccin afectan la densidad. Los factores (a 2 niveles) a considerar son los siguientes: A = tiempo en la torre de secado. B = homogeneidad de la mezcla antes de entrar en la torre. C = tiempo de reposo del detergente antes de ser enviado a la lnea de empaque. D = contenido de carbonatos. E = velocidad del agitador de la mezcla. F = temperatura en la torre de secado. G = orden (normal o inverso) de adicin de ciertos ingredientes. (242) Debido a que cada corrida corresponde a un da de produccin, se decidi reducir el tamao del experimento, de 27 = 128 corridas, a una fraccin de 27-3. Los resultados del experimento son los siguientes:
Nivel (1) adg bdf abfg cdfg acf bcg acbd efg adef bdeg abe cde aceg bcef abcdefg Densidad (g/ml) 338.0 388.5 332.0 239.0 309.5 206.0 343.5 333.5 342.0 213.0 295.0 405.0 393.0 432.0 325.0 193.5

Diga cul es la estructura de confusiones del experimento. Determine cules factores influyen significativamente en la densidad del detergente, as como cules interacciones (de segundo orden) son significativas. (243) Una empresa de consultora debe llevar a cabo para un cliente un estudio experimental para determinar los efectos de seis variables sobre las propiedades fsicas de cierto tipo de asfalto. Llamemos A, B, C, D, E y F a esas variables. Si se lleva a cabo un diseo factorial completo a dos niveles cuntas corridas deben hacerse?
253

Palacios C. Severo

Escriba una cuarta fraccin del diseo que requiera slo 16 corridas. Escriba una relacin generadora para este diseo. En el diseo que usted realiz, qu efectos estn confundidos con A y con BD. (244) Considere un diseo factorial fraccional 25-2. Estudie la estructura de confusiones y la resolucin de las fracciones que se obtienen de las siguientes formas: Partiendo de un 25 completo, se toman aquellos puntos donde las interacciones ABCDE y ABCD estn ambas a nivel alto. Partiendo de un 25 completo, se toman aquellos puntos donde dos interacciones de cuarto orden ABCD y BCDE estn en nivel alto. Partiendo de un 25 completo, tomando los puntos donde dos interacciones de tercer orden estn a nivel alto. Partiendo de un 23, asignando factores adicionales a dos interacciones de segundo orden, por ejemplo AB y AC. (245) Suponga que se le presentan las siguientes alternativas: Correr un diseo 26 completo. Correr un diseo 26-2 replicado cuatro veces. Comente en que condiciones es preferible utilizar uno u otro (246) Se describe un experimento en el cual se utiliz un diseo 25-1 con I = ABCDE para investigar los efectos de cinco factores sobre el color de un producto qumico. Los factores son A: solvente/reactivo, B: catalizador/reactivo, C: temperatura, D: pureza del reactivo y E: pH del reactivo. Los resultados fueron como sigue:
Punto e a b abe c ace bce abc Color -0.63 2.51 -2.68 1.66 2.06 1.22 -2.09 1.93 Punto d ade bde abd cde acd bcd abcde Color 6.79 5.47 3.45 5.68 5.22 4.38 4.30 4.05

Que efectos parecen ser significativos Calcule los residuos. Si uno o ms de los factores son despreciables, contraiga el diseo 25-1 a un factorial completo con los factores significativos. Suponga que debe correr un experimento 25, pero que por restricciones en la elaboracin de la materia prima debe hacerlo en 4 bloques. Indique los puntos del diseo que deben desarrollarse en cada bloque y cuales efectos estn confundidos con los bloques.
254

ESTADSTICA EXPERIMENTAL Aplicada a ciencia e ingeniera

(247) Se estudia la influencia de 7 factores sobre la viscosidad de un aceite producido en una nueva planta experimental. Para ello se utiliz un diseo 27-3 donde I=-ABCE=BCDF=ACDG son los generadores utilizados. Los resultados obtenidos son: Analice los resultados obtenidos y determine los factores significativos sobre la viscosidad.
Nivel e ag bf abefg cfg acef bce abc defg adf bdg abde cd acdeg bcdef abcdfg Viscosidad 33,74 35,90 32,53 35,38 24,46 30,24 23,82 30,27 23,30 23,38 20,67 23,17 26,07 32,09 26,29 32,03

En caso de poder correr una nueva secuencia de puntos, cules escogera? (248) Se describe un factorial fraccionado replicado para investigar el efecto de cinco factores sobre la altura libre de muelles de hojas utilizados en aplicacin automotriz. Los factores son A: temperatura del horno, B: tiempo de calentamiento, C: tiempo de transferencia, D: tiempo de inmersin y E: temperatura del aceite de templar. Los datos se presentan enseguida:
A + + + + + + + + B + + + + + + + + C + + + + + + + + D + + + + + + + + E + + + + + + + + I 7,78 8,15 7,50 7,59 7,54 7,69 7,56 7,56 7,50 7,88 7,50 7,63 7,32 7,56 7,18 7,81 II 7,78 8,18 7,56 7,56 8,00 8,09 7,52 7,81 7,25 7,88 7,56 7,75 7,44 7,69 7,18 7,50 II 7,81 7,88 7,50 7,75 7,88 8,06 7,44 7,69 7,12 7,44 7,50 7,56 7,44 7,62 7,25 7,59

Determine la estructura de confusiones para este diseo.


255

Palacios C. Severo

Cules son los puntos incluidos en este diseo Qu factores influyen en la altura libre media Existe evidencia de que alguno de los factores influya en la variabilidad de la altura libre Analice los residuos de este experimento en cada caso y comente los resultados. (249) Se realiza un experimento para determinar la influencia de la presin (A), temperatura (B) y concentracin (C) sobre la viscosidad de un detergente lquido. Para ello se ha decido utilizar un diseo 23 con una sola rplica, el cual debe desarrollarse en dos bloques. Cul de las siguientes dos opciones preferira y por qu? Opcin 1:
Bloque I a abc Bloque I (1) abc Bloque II (1) bc Bloque II b ac Bloque III b c Bloque III a bc Bloque IV ac ab Bloque IV ab c

Opcin 2:

(250) Si alguien le propone correr un experimento 26 en ocho bloques, qu le dira? (251) En un esfuerzo por incrementar la produccin se realiz un experimento en una planta de manufactura de dispositivos de semiconductor. Se estudiaron cinco factores, cada uno a dos niveles. Los factores y niveles son. A: apertura del diafragma (pequea, grande), B: tiempo de exposicin (20% abajo y arriba del valor nominal), C: tiempo de revelado (30 y 45 seg), D: dimensin de la pantalla (pequea, grande) y E: tiempo de corrosin selectiva (14.5 y 15.5 minutos). El experimento se corri en dos bloques:
Punto a b c abc d abd acd bcd e abe ace bce ade bde 256 Bloque I Produccin 9 34 16 60 8 50 21 44 8 52 22 45 10 30 Bloque II Punto Produccin (1) 7 ab 555 ac 20 bc 40 ad 10 bd 32 cd 18 abad 61 ae 12 be 35 ce 15 abce 65 de 6 abde 53

ESTADSTICA EXPERIMENTAL Aplicada a ciencia e ingeniera cde abcde 15 63 acde bcde 20 41

Indique que efectos estn confundidos con el bloque. Identifique los efectos significativos y realice recomendaciones sobre las condiciones de operacin del proceso. Puede proyectarse este diseo en un 2k ms pequeo. (252) Se desea realizar un experimento 25-1, pero los lotes de materia prima permiten correr un mximo de 10 puntos en cada uno. Indique como debera realizarse este experimento. (253) Una planta qumica produce oxgeno licuando aire y separndolo en los diferentes gases que lo componen por medio de destilacin fraccionada. La pureza del oxgeno obtenido es una funcin de la temperatura del condensador principal y del cociente de presiones entre la columna superior y la inferior. Las condiciones actuales de operacin son temperatura (1) = -220C y cociente de presin (2) = 1.2. Usando los datos que se dan a continuacin, ajuste un modelo de primer orden, pruebe las hiptesis necesarias para comprobar su ajuste y determine el camino de ascenso mximo.
Temperatura (1) -225 -225 -215 -215 -220 -220 -220 -220 Cociente de presiones (2) 1,1 1,3 1,1 1,3 1,2 1,2 1,2 1,2 Pureza (%) 82,8 83,5 84,7 85,0 84,1 84,5 83,9 84,3

(254) El diseo experimental para la lixiviacin de minerales aurferos mediante un Factorial Fraccionado 28-4, toma las siguientes variables y rangos.
Factores X1: Aglutinante (kg/t) X2: Sal oxidante (kg/t) X3: Tipo mineral X4: Humedad (%) X5: Aglomerante (kg/t) X6: Agente lixiviante ppm X7: Radio riego (l/h.m) X8: tiempo curado (h) Prueba 1 2 3 4 X1 + + X2 + + X3 X4 5 0,1 1/2 10 0,0227 0 5 16 X5 + + Niveles 0 10 0,8 1/1 14 0,068 50 7,5 56 X6 + + + 15 1,5 2/1 18 0,1134 100 10 96 X7 + + X8 + + Y 76,3 80,8 86,2 84,3 257

Palacios C. Severo 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 + + + + + + 0 0 0 0 + + + + + + 0 0 0 0 + + + + + + + + 0 0 0 0 + + + + + + + + 0 0 0 0 + + + + + + 0 0 0 0 + + + + + 0 0 0 0 + + + + + 0 0 0 0 + + + + + + 0 0 0 0 79,1 85,7 82,2 81,9 81,8 87,5 71,9 79,3 81,6 87,4 85,0 84,2 85,9 85,6 83,0 85,7

Analice los datos de % de recuperacin de oro de todas las pruebas estadsticamente para determinar el grado de influencia de cada variable independientemente y sus interacciones.

258

ESTADSTICA EXPERIMENTAL Aplicada a ciencia e ingeniera

XIX. DISEO DE PLACKETT BURMAN Es posible construir diseos para investigar hasta K=N-1 factores con slo N ensayos, en donde N es un mltiplo de 4. Frecuentemente estos diseos son tiles en la experimentacin industrial. De particular importancia son las que requieren ocho ensayos para hasta siete factores y diecisis ensayos para hasta quince factores. Se dice que este es una Variedad del diseo factorial fraccionado. Estas variedades son muy tiles para estudiar factores que no han sido estudiados. El primer diseo es una fraccin de un diseo 2 7. Esta puede construirse escribiendo primero los niveles positivo y negativo de un diseo 23 completo con los factores ABC y despus conocido los niveles de los otros cuatro factores con las interacciones de los tres factores originales como aparece: D=AB, E=AC, F=BC, G=ABC. El diseo constituye una fraccin de dieciseisavo y, adems, es una fraccin principal los signos generadores son positivos. Es posible utilizar los siete grados de libertad de este diseo. Para estimar los siete efectos principales. Cada uno de estos factores tiene quince alias. Sin embargo, la estructura de los alias se simplifica considerablemente, si se supone que las interacciones de tres o ms factores son despreciables. Haciendo esta suposicin, cada combinacin lineal asociada a los siete efectos principales de diseo realmente estima el efecto principal y tres interacciones bifactoriales.
A+BD+CE+FG E+AC+BG+DF B+AD+CF+EG F+BD+AG+DE C+AE+BF+DG G+CD+BE+AF D+AB+CG+EF

El diseos Plackett-Burman es tiles cuando N = 8, 12, 16, 20, 24, y 36. A continuacin se presentan los renglones de signos positivos y negativos usados para construir los diseos de Plackett-Burman.
K=7 K=11 K=15 K=19 k=23 K=35 N=8 N=12 N=16 N=20 N=24 N=36 ----+++ ++-+++---+--------+++++++ ++--++++-+-+----+++++++-+-++--++--+-+----+-+++---+++++-+++--+----+-+-++--+-

259

Palacios C. Severo

El diseo de 12 corridas se proyectar en tres rplicas de un diseo 2 2 completo en cualquiera de los 11 factores originales.
Tabla 6.79 Diseo PLACKETT-BURMAN para N=8 y k=7 Prueba A B C D E F G 1 + + + 2 + + + 3 + + + 4 + + + 5 + + + 6 + + + 7 + + + 8 + + + + + + +

Sin embargo, en tres factores el diseo proyectado es un factorial 2 3 completo ms un factorial fraccionado 23-1. Los diseos Plackett-Burman se obtienen escribiendo el rengln apropiado N y k en forma de columna o rengln. Una segunda columna o rengln se genera a partir de la primera moviendo los elementos de la columna o rengln un lugar hacia abajo y colocando el ltimo elemento en la primera posicin. Simultneamente, se genera una tercera columna o rengln a partir de la segunda. Este procedimiento se contina hasta que se genera la columna o rengln k. A continuacin se agrega un rengln de signos negativos para cada factor. Por ejemplo

XYZ YZX

XYZ ZXY

ZXY YZX

Los diseos de Plackett-Burman tienen estructura de alias muy intrincada. En un diseo de doce pruebas, cada efecto principal tiene todo los alias parcial y toda interaccin de dos factores en la que no participe el mismo, la interaccin AB tiene como alias los nueve efectos principales C, D, ... Las propiedades de proyeccin de los diseos Plackett-Burman no son extraordinariamente atractivas. Consideremos el diseo de 12 pruebas. Este diseo se proyecta en tres replicas de un diseo 22 completo en cualquiera de los once factores originales. Sin embargo en tres factores el diseo proyectado es un factor 23 completo ms un factorial fraccionado. Ejemplo 6.78
260

ESTADSTICA EXPERIMENTAL Aplicada a ciencia e ingeniera

Se estudia la flotacin de un mineral sulfurado de cobre. Los factores que inicialmente se consideran importantes son: Colector (A), espumante (B), tiempo de acondicionamiento (C), agitacin (D), temperatura (E), porcentaje de slidos (F) y pH (G). Se consideran dos niveles de cada factor. Se sospecha que slo unos cuantos de estos siete son despreciables. Se decide llevar a cabo el experimento con el propsito de identificar los factores ms importantes para concentrar los estudios futuros sobre estos factores.
Tabla 6.80Diseo PLACKETT-BURMAN para N=8 y k=7 Prueba A B C D E F G Y 1 + + + 92 2 + + + 90 3 + + + 91 4 + + + 91,2 5 + + + 91,6 6 + + + 92 7 + + + 91,6 8 + + + + + + + 92 Y2 31,8 35,8 29,1 36,2 44,5 36,1 38,1 31,6

Donde: Y porcentaje de recuperacin. Y2 porcentaje de eficiencia de la recuperacin, parmetro definido Como

Y2

C hY
Cm h

C = Ley de concentrado obtenido Cm= Ley de cabeza h = Ley mxima de concentracin obtenida Con los datos es posible estimar los siete efectos principales y sus alias:
LA 1 A BD CE FG
L 2,2 D AB CG EF
D

LB 0,2 B AD CF EG LE 2,6 E AC BG DF LG 2,2 G CD BE AF

LC 3 C AE BF DG
LF 0,2 F BC DG DE

Los tres efectos ms grandes son C, D, E. La interpretacin ms simple de datos es que los efectos principales de C, D y E son significativos. Sin embargo, esta interpretacin no es nica, ya que se pude concluir
261

Palacios C. Severo

lgicamente que C, D y la interaccin CD o quizs D, E y la interaccin DE, o quizs C, E y la interaccin CE son los efectos verdaderos.
Tabla 6.81 Diseo PLACKETT-BURMAN para N=8 y k=7 Prueba A B C D E F G Y 1 + + + 94 2 + + + 91 3 + + + 94,6 4 + + + 92,2 5 + + + 92,5 6 + + + 93,2 7 + + + 92,6 8 + + + + + + + 92,6 Y2 3,2 11,7 55,3 48,4 48,4 48,6 35,8 45,0

Obsrvese que CDE en una palabra es la relacin definitiva para este diseo. Por lo tanto, este diseo no se proyecta en una factorial 2 3 completo en CDE; ms bien, se proyecta en dos rplicas de un diseo factorial fraccionado 23-1, de modo que las interacciones no puedan separarse de los efectos principales. Al parecer el experimentador no tuvo xito al escoger los factores. Si hubiese asignado el nivel A en vez de D y B en vez de E, el diseo se habra proyectado en un diseo 23 completo. Para separar los efectos principales y las interacciones bifactoriales, se corre una replica fraccionada con todos los signos invertidos. Los efectos estimados para est fraccin ser:
LA 4,2 A BD CE FG
L 0,4 D AB CG EF
D

LB 0,8 B AD CF EG

LC 1,4 C AE BF DG

L 6,6 E AC BG DF
E

LF 2,8 F BC DG DE

L 0,8 G CD BE AF
G

Al combinar esta fraccin con la original se obtiene las siguientes estimaciones de los efectos:
i A B C D E F G Tabla 6.82 (Li+Li) ( Li+Li) A = 1,6 BD+CE+FG = -2,6 B = -0,3 AD+CF+EG = 0,5 C = 2,2 AE+BF+DG = 0,8 D = 0,9 AB+CG+EF = 1,3 E = -2,0 AC+BG+DF = 4,6 F = 1,3 BC+AG+DE = -1,5 G = -0,7 CD+BE+AF = -1,5

Ejemplo 6.79
262

ESTADSTICA EXPERIMENTAL Aplicada a ciencia e ingeniera

El ejemplo 6.78 se desea estudiar mediante el diseo Plackett-Burman con bloques.


Tabla 6.83 Diseo PLACKETT-BURMAN con bloque Prueba A B C D E F G 1 + + + 2 + + + 3 + + + 4 + + + 5 + + + 6 + + + 7 + + + 8 + + + + + + + def abd ace bcf Bloque I = = = = 366,8 92,0 91,2 92,0 91,6 Bloque II afg = beg = adg = abcdefg = 364,6 731,4
2

Y 92 90 91 91,2 91,6 92 91,6 92

90,0 91,0 91,6 92,0

SCbloque 366,82 364,6 2 / 4 731,4 / 8 0,605


SCtotal 922 902 ... 91,6 2 922 731,4 / 8 3,315
2

SCerror SCB SCG 0,01


SCA 0,125 SCD 0,605

SCB 0,005 SCE 0,845

SCC 1,125

SCF 0,005

Efectos:
A 0,25 E 0,65
Fuente Bloque A C D E Error Total

B 0,05 F 0,05

C 0,75 G 0,55

D 0,55

Tabla 6.84 Anlisis de varianza SC GL CM Fo Ft(99) 0,605 1 0,605 121 > 98,5 0,125 1 0,125 25 < 98,5 1,125 1 1,125 225 > 98,5 0,605 1 0,605 121 > 98,5 0,845 1 0,845 169 > 98,5 0,010 2 0,005 3,315 7 R2 = 99,69%

Para el clculo de los efectos e interacciones y suma de cuadrados, se procedi por la tcnica de Yates. Se ha decidido que las interacciones
263

Palacios C. Severo

de valores mnimos son despreciables, por lo que la suma del error se tomo como la suma de cuadrados de B y F. Para el bloque se tomo la suma de cuadrados de G. Problemas (255) Al problema 193 del diseo factorial fraccionado. Evalu por el mtodo de Plackett-Burman y concluya las diferencias. (256) Se estudia un proceso nuevo con siete factores aplique el mtodo, siendo D=-AB, E=-AC, G=-ABC Y: 94, 91, 94, 92, 93, 91, 94, 95 (257) Se recupera oro por un mtodo innovativo, se tienen siete factores, aplique Plackett-Burman, tome G=-ABC. Se obtiene dos vectores respuesta. Y1: 90,9 90,2 92,8 93,6 92,2 93,5 93,3 94,0 Y2: 92,0 90,0 91,0 91,2 90,3 92,0 90,2 89,5 (258) Se lixivio una cola sulfurada con contenido de plata, plomo y cobre, en medio clorurante-oxidante, con el fin de aumentar la solubilidad de la plata en forma compleja AgCI-. Efectuando el estudio de los diagramas de Pourbaix y estabilidad de los complejos. Estudiamos siete variables A: cloruro frrico, B: Cloruro de sodio, C: Temperatura, D: gas cloro, E: Tiempo, F: tamao de grano, G: porcentaje de slidos. Se decide efectuar el experimento con el propsito de identificar los factores importantes. Y: 85 89 92 95 83 86 92 98 (259) Se lixivio colas refractarias sulfuradas de oro con sales oxidantes en medio cido (Patente del Autor) siendo las variables A: cloruro de sodio B: cido sulfrico, C: agente oxidante D: tiempo, E: tamao de grano, F: porcentaje de slidos, G: temperatura. El experimento se efectu en un tanque de agitacin, Obtenindose el vector respuesta. Y: 94 90 92 96 93 98 95 97 (260) Se lixivio mineral refractario con contenido metlico valioso de oro, rutilo, germanio, indio adicionando sales oxidantes (Patente del Autor) siendo sus variables A: porcentaje de slidos, B: cido sulfrico, C: cido clorhdrico, O: cloruro de sodio, E: Agente oxidante, F: tiempo de acondicionamiento, G: Temperatura. Se efectu el experimento con el propsito de identificar los factores importantes. Por ser un estudio innovativo se efectu dos bloques, siendo: Bloque I, Y: 89 98 86 95 Bloque II, Y: 90 85 88 92 (261) Desarrolle un mtodo para un diseo Plackett-Burman con bloque replicado.
264

ESTADSTICA EXPERIMENTAL Aplicada a ciencia e ingeniera

(262) Es factible adicionar variables ficticias a un diseo de PlackettBurman. (263) Elabore un modelo matemtico para los problemas 170, 171 y 172. (264) En una planta de tratamiento de agua, se estudia un nuevo filtro que presenta problemas en su implementacin, de tal manera que retarda el sistema de filtracin. Despus de realizar mltiples anlisis se ha establecido que la causa se debe a
Factores A: Tipo de agua B: Temperatura de filtracin C: Reciclado D: Flujo de adicin de base E: Material del filtro F: Tiempo de almacenamiento Niveles + Pozo Canal Media Alta S No Media Alta Nuevo Usado Medio Alto

Se desea realizar la experiencia con el menor nmero de pruebas posibles y el menor tiempo posible, como mnimo 8 pruebas. Establezca la estructura Alias, y verifique que efectos estn mezclados entre s y que efectos pueden estimarse como constantes? Suponiendo que las respuestas son las siguientes: Y1: 68, 78, 66, 81, 78, 41, 69, 39 Y2: 70, 80, 63, 85, 80, 45, 71, 41 A que factores se debe el retardo de la filtracin? (265) Una empresa tiene problemas en controlar el tamao de cierto producto. Sus funcionarios han detectado que las variables estn provocadas por la distribucin irregular de la temperatura del horno de secado. Sin embargo en vez de resolver el problema directamente sugiere reducir la influencia de las variables sobre la temperatura, considerando los siguientes factores
Factores A: Tipo de materia prima B: Granulometra del material C: Aglutinante D: Material usado E: Cantidad de carga F: Colorante G: Aditivo Niveles + Original Usada Fina Gruesa 1 8 0 2 120 150 43 63 0 4

Despus de realizar mltiples ensayos se midi el nmero de productos rechazados por cada 100. 10, 21, 17, 15, 30, 5, 12, 25, 36, 45, 28, 16 Como se reducira el nmero de productos rechazados producto de la mala distribucin de la temperatura en el horno de secado?
265

Palacios C. Severo

(266) El diseo experimental para la lixiviacin de minerales aurferos mediante el Plackett-Burman, toma las siguientes variables y rangos.
Factores X1: Aglutinante (kg/t) X2: Sal oxidante (kg/t) X3: X4: Humedad (%) X4: Aglomerante (kg/t) X5: Agente lixiviante ppm X6: Radio riego (l/h.m) X7: tiempo curado (h) 5 0,1 10 0,0227 0 5 16 Niveles 0 10 0,8 14 0,068 50 7,5 56 + 15 1,5 18 0,1134 100 10 96

Se desarrolla el proceso con pruebas centrales.

YF 76,3 80,8 86,2 84,3 79,1 85,7 82,2 81,9 YC 85,9 85,6 83,0 85,7

Analice los datos de % de recuperacin de oro de todas las pruebas estadsticamente para determinar el grado de influencia de cada variable independientemente y sus interacciones.

266

ESTADSTICA EXPERIMENTAL Aplicada a ciencia e ingeniera

XX. DISEOS FACTORIALES 3n La inclusin de ms factores al diseo de tratamientos aumenta la complejidad de los patrones de interaccin entre los factores de tratamiento. El nmero de combinaciones de tratamientos aumenta tanto como se agregan factores al diseo, es decir, un diseo de tres factores con a niveles de A, b niveles de B y c niveles de C, tiene abc combinaciones. Un cuarto factor, D, con d niveles aumenta el nmero de tratamientos en un mltiplo de d. El diseo con dos factores permite la investigacin de la interaccin de primer orden o doble, AB. En el diseo con tres factores las dos interacciones de primer orden adicionales, AC y BC, amplan las inferencias del estudio y debe considerarse adems una interaccin de segundo orden o de tres factores (o triple), ABC. Las interacciones de tercer orden o de cuatro factores como ABCD, introducen mayor complejidad en la estructura de la inferencia de la interaccin.
Varios 0 6 12

Tabla 6.85 Clculos de las particiones de sumas de cuadrados lineales y cuadrticas


Das 14 21 28 14 21 28 14 21 28 Medias 2,75 5,35 12,80 4,10 6,55 10,20 3,10 5,20 7,95 P Y
Cij ij

2 Cij

SC Efectos

Sl -1 -1 -1 0 0 0 1 1 1 -4,7 6,0 7,2 -0,78

Sq 1 1 1 -2 -2 -2 1 1 1 -4,6 18,0 2,3 -0,25

Dl -1 0 1 -1 0 1 -1 0 1 21,0 6,0 147,0 3,50

Dq 1 -2 1 1 -2 1 1 -2 1 6,7 18,0 5,0 0,37

SlDl 1 0 -1 0 0 0 -1 0 1 -5,2 4,0 13,5 -1,30

SlDq -1 2 -1 0 0 0 1 -2 1 -4,2 12,0 2,9 -0,35

SqDl -1 0 1 2 0 -2 -1 0 1 2,7 12,0 1,2 0,23

SqDq 1 -2 1 -2 4 -2 1 -2 1 3,1 36,0 0,5 0,09

SC r PCij Y ij / PC2ij

Efecto PCij Y ij / PC2ij

Clculo de los coeficientes para contraste polinomial ortogonal de las interacciones Sl -1 -1 -1 0 0 0 1 1 1 Dl -1 0 1 -1 0 1 -1 0 1 SlDl 1 0 -1 0 0 0 -1 0 1

Ejemplo 6.80
267

Palacios C. Severo

El camarn desova en el mar y los huevos se transforman en lama mientras son transportados a la costa, pasada la etapa larvaria entran en los estuarios, donde crecen con rapidez y se convierten en preadultos que emigran de nuevo al mar para alcanzar ah su madurez sexual. Como resultado de sus migraciones, el camarn encuentra una amplia variacin de la temperatura y salinidad durante su ciclo de vida, por lo que es de gran importancia conocer cmo afectan su crecimiento para entender su vida y ecologa. Cuando se realiz este experimento haba un gran inters en el cultivo comercial del camarn y, desde el punto de vista de la acuacultura, otro factor importante era la densidad de almacenamiento en los tanques de cultivo, ya que esta afecta la competencia entre los ejemplares adultos y jovenes.
Tabla 6.86 Aumento del peso de los camarones cultivados en acuarios T D S Aumento peso (mg) 25 80 10 86 52 73 25 544 371 482 40 390 290 397 160 10 53 73 86 25 393 398 208 40 249 265 243 30 80 10 439 436 349 25 249 245 330 40 247 277 205 160 10 324 305 364 25 352 267 316 40 188 223 281 Tabla 6.87 Anlisis de varianza para el aumento de peso en los camarones cultivados Fuente SC GL CM Fo Ft(99) Temperatura 15376,00 1 15376,00 5,30 < 7,24 Salinidad 96762,50 2 48381,25 16,66 > 5,61 Densidad 21218,78 1 21218,78 7,31 > 7,24 TS 300855,17 2 150427,58 51,80 > 5,61 TD 8711,11 1 8711,11 3,00 < 7,24 SD 674,39 2 337,19 0,12 < 5,61 TDS 24038,39 2 12019,19 4,14 < 5,61 Error 69690,67 24 2903,78 Total 537327,01 35 Tabla 6.88 Aumento de peso en cuatro semanas de camarones Densidad Temperatura (80C) Temperatura (160C) Salinidad (%) 25 35 25 35 YK 268

ESTADSTICA EXPERIMENTAL Aplicada a ciencia e ingeniera 10 25 40 Media TxD 70 466 359 298 408 275 243 309 71 333 252 219 331 312 231 291 220 346 271

Las interpretaciones deben estar condicionadas a alguna medida de significanca estadstica junto con la significanca biolgica de las respuestas. Se requieren los errores estndar de las medias de celdas y marginales para cualquier prueba estadstica subsecuente de comparaciones especficas; el error estndar para cualquier media es SY CM e / n , donde n es el nmero de observaciones en la media y el error estndar de la diferencia entre cualquier par de medias es S Y i Y j 2CM e / n . Los errores estndar estimados para el experimento de cultivo de camarn se muestran en la tabla 6.89
Media TxD D 10 25 40 71 370 399 293 306 237 Media DxS S 10 25 40 239 201 370 322 301 242

T 25 35

Yi 259 300

D 80 160

Yi 303 255

Interpretaciones de los efectos de los factores La significanca de la interaccin de estos factores indica que temperatura, salinidad y densidad se interrelacionan en cuanto a su efecto sobre el crecimiento del camarn. La interaccin significativa de los tres factores implica que la interaccin entre dos de ellos no es constante para los niveles del tercer factor. Considere la interaccin entre la densidad y la salinidad por separado, a temperaturas de 25 y 35C, como se muestra en las grficas de medias de celdas de aumento en el peso de los camarones cultivados. Para interpretar los resultados se puede usar una comparacin de los efectos simples de la salinidad sobre cada nivel de densidad y temperatura, los efectos simples de la salinidad se estiman mejor como contrastes polinomiales ortogonales lineales y cuadrticas para cada combinacin de temperatura y densidad.
Tabla 6.89 Errores estndar para las medias de celdas y marginales Temperatura: a=2 niveles; Densidad: b= 2 niveles; Salinidad: c= 3 niveles Medias de los factores principales Temperatura Salinidad Densidad CM e CM e CM e 2903,78 2903,78 2903,78 12,7 15,6 12,7 rbc 18 rab 12 rac 18 Medias marginales de dos factores 269

Palacios C. Severo Densidad por temperatura Densidad por salinidad

CM e 2903,78 18,0 rc 9 Salinidad por temperatura CM e 2903,78 22,0 rb 6


25C x x o

CM e 2903,78 22,0 ra 6 Medias de celdas CM e 2903,78 31,1 r 3


35C
500 400 300 200

500 400

x o o x

o
300 200 100 0 10 15 20 25 30 35 x Densidad 80 o Densidad 160

x o
x Densidad 80 o Densidad 160

x o

100 0 40 10 15 20 25

30

35

40

Salinidad

Salinidad

Aumento en el peso de los camarones cultivados en un arreglo factorial de 2x2x3 de temperatura, densidad y salinidad

Los coeficientes cuadrticos de salinidad se calcularon como contrastes polinomiales ortogonales para las cuatro combinaciones de temperatura y densidad, a partir de las medias de celdas de la tabla 6.86, con un patrn similar al que proporciona la tabla 6.88. Por ejemplo, el coeficiente cuadrtico de salinidad a 25C y densidad de 80 es:

70 2466 359 503 83,8 1 2 1 6


con error estndar 2903, / 6(3) 12,7 . Las estimaciones de un ICS del 95% se calcularon para los cuatro coeficientes segn la t 0,5,4,24 2,70 de Bonferroni. Las estimaciones de un ICS del 95% para los coeficientes cuadrticos de una salinidad a 25C son (-118,1; -49,5) para una densidad de 80 y (-91; -22,9) para una densidad de 160, mientras que las estimaciones respectivas para esas densidades a 35C son (-17,5; 51,1) y (44,6; 24,0). Es claro que la cuadratura a 25C es significativa, ya que el ICS
270

ESTADSTICA EXPERIMENTAL Aplicada a ciencia e ingeniera

del 95% no incluye al 0; y no significativa a 35C, pues esos intervalos s lo incluyen.

Problemas (267) Los datos representan el porcentaje de hombres entre 55 y 64 aos con niveles auditivos de 16 decibeles por encima del cero mtrico de sonido. Las categoras por rengln son los niveles de sonido en ciclos por segundo (hertz) y las columnas describen siete categoras ocupacionales.
A 1 2 3 4 5 6 7 Yi
i

1 2,1 1,7 14,4 57,4 66,2 75,2 4,1 31,6 -6,6 6719

2 6,8 8,1 14,8 62,4 81,7 94,0 10,2 39,7 1,5 7730

3 8,4 8,4 27,0 37,4 53,3 74,3 10,7 31,4 -6,8 5046

B 4

5 14,6 12,0 36,5 65,5 79,7 93,3 18,1 45,7 7,5 6850

6 7,9 3,7 36,4 65,6 80,8 87,8 11,4 41,9 3,7 7313

7 4,8 4,5 31,4 59,8 82,4 80,5 6,1 38,5 0,3 7192

pi

1,4 1,4 30,9 63,3 80,7 87,9 5,5 38,7 0,5 7776

6,6 5,7 27,3 58,8 75,0 84,7 9,4

Yi

-31,6 -32,5 -10,9 20,6 36,8 46,5 -28,8

Y 38,2

(268) Un proceso de produccin qumica consiste en la primera reaccin de un alcohol y una segunda reaccin con una base. Se realiz un experimento factorial de 3x2, con tres alcoholes y dos bases, con cuatro reacciones rplica en un diseo totalmente aleatorizado. Los datos se reunieron como porcentaje de la reaccin.
Base 1 2 91,3 90,7 87,3 91,5 1 89,9 91,4 89,4 88,3 Alcohol 2 89,3 88,1 90,4 91,4 92,3 91,5 90,6 94,7 89,5 88,3 93,1 91,5 3 87,6 90,3 90,7 89,8

Escriba un modelo lineal para este experimento, explique los trminos y calcule el anlisis de varianza. Construya una tabla de medias de celdas y marginales. (269) Una compaa prob dos mtodos qumicos para determinar la glucosa en el suero. Se usaron tres recipientes con suero para el experimento, cada uno contena distintos niveles de glucosa mediante la adicin de glucosa al nivel base. Se prepararon tres muestras de suero de cada recipiente independientes del nivel de glucosa, con cada uno de los dos mtodos qumicos. Se midi la
271

Palacios C. Severo

concentracin de glucosa (mg/dl) de todas las muestras en una corrida del espectrmetro.
Glucosa 1 42,5 43,3 42,9 Mtodo I 2 3 138,4 180,9 144,4 180,5 142,7 183,0 1 39,8 40,3 41,2 Mtodo II 2 3 132,4 176,8 132,4 173,6 130,3 174,9

Escriba un modelo lineal para este experimento, explique los trminos, realice un anlisis de varianza para los datos y calcule los residuales. Es necesaria una transformacin de los datos? Explique. Si es necesaria, calcule la transformacin de los datos y el anlisis de varianza respectivo. (270) Se llev a cabo un estudio del efecto de la temperatura sobre el porcentaje de encogimiento de telas teidas, con dos rplicas para cada uno de cuatro tipos de tela en un diseo totalmente aleatorizado. Los datos son el porcentaje de encogimiento de dos rplicas de tela secadas a cuatro temperaturas.
Tela 1 2 3 4 1,8 2,2 2,8 3,2 210 2,1 2,4 3,2 3,6 Temperatura (C) 215 220 2,0 2,1 4,6 5,0 4,2 4,0 5,4 5,6 4,4 4,8 8,7 8,4 3,3 3,5 5,7 5,8 225 7,5 7,9 9,8 9,2 13,2 13,0 10,9 11,1

Escriba un modelo lineal para el experimento y calcule el anlisis de varianza. Divida la suma de cuadrados del efecto principal de la temperatura en particiones con 1 grado de libertad para las sumas de cuadrados de regresin lineal y cuadrtica. Haga una particin de sumas de cuadrados de la interaccin temperatura x tela en sumas de cuadrados de interaccin temperatura lineal x tela y temperatura cuadrtica x tela y pruebe la hiptesis nula de que no hay interaccin para las respectivas particiones. (271) Se realiz un experimento de microbiologa de suelos para determinar el efecto de la fertilidad del nitrgeno en la fijacin de nitrgeno por bacterias Rizhobium. El experimento se ejecut con tres cosechas; alfalfa, soya y habas. Se inocularon dos plantas con el Rhisobium y se cultivaron en un frasco de Leonard con una de las tres siguientes tasas de nitrgeno en el medio: 0,50 y 100 ppm N. Se usaron cuatro rplicas de frascos de Leonard para cada una de las 12 combinaciones de tratamiento, los tratamientos se arreglaron en un diseo totalmente aleatorizado en una cmara de cultivo y se midi la reduccin de acetileno para
272

ESTADSTICA EXPERIMENTAL Aplicada a ciencia e ingeniera

cada tratamiento en la etapa de florecimiento de las plantas. La reduccin de acetileno refleja la cantidad de nitrgeno que fija la bacteria en la relacin simbitica con la planta
Nitrgeno 0 50 100 Alfalfa 2,6 1,1 0,9 1,2 0,0 0,0 0,0 0,0 0,0 0,0 0,0 0,0 Cultivo Soya 6,5 2,6 3,9 4,3 0,6 0,6 0,3 0,8 0,0 0,1 0,1 0,0 Habas 0,8 0,9 2,2 1,2 0,7 0,4 0,3 0,8 0,3 0,1 0,0 0,1

Escriba un modelo lineal para este experimento, explique los trminos y calcule el anlisis de varianza. Realice un anlisis residual y determine si es necesaria una transformacin de los datos. Si lo es, transforme los datos y calcule el anlisis de varianza para los datos transformados. Pruebe la hiptesis nula de que no hay efectos de interaccin de cultivo, nitrgeno o cultivo x nitrgeno. Divida la suma de cuadrados del efecto principal del nitrgeno y de la interaccin nitrgeno x cultivo en particiones con 1 grado de libertad para regresin lineal y cuadrtica. (272) Un agrnomo realiz un experimento para determinar los efectos combinados de un herbicida y un insecticida en el crecimiento y desarrollo de plantas de algodn (delta de hoja suave). El insecticida y el herbicida se incorporaron al suelo usado en los contenedores de cultivo; se usaron cuatro contenedores cada uno con cinco plantas de algodn, para cada combinacin de tratamiento. Los contenedores se arreglaron dentro del invernadero en un diseo totalmente aleatorizado. Se usaron cinco niveles tanto de insecticida como de herbicida para obtener 25 combinaciones. Los datos que siguen son las medias de celdas para el peso de las races secas cuando las plantas tenan tres semanas.
Herbicida Insecticida 0 0,5 1,0 1,5 2,0 0 122,0 72,50 52,00 36,25 29,25 20 82,75 84,75 71,50 80,50 72,00 40 65,75 68,75 79,50 65,75 82,50 60 68,00 70,00 68,75 77,25 68,25 80 57,50 60,75 63,00 69,25 73,25 Cuadrado medio del error experimental = 174 con 75 GL

Calcule las particiones de sumas de cuadrados de regresin con 1 grado de libertad para las sumas de cuadrados de herbicida, insecticida e interaccin. Calcule un polinomio de grado no mayor a la regresin cbica para el herbicida o el insecticida.
273

Palacios C. Severo

(273) Se realiz un experimento sobre la duracin de tela recubierta sujeta a pruebas con abrasivos normales. El diseo factorial de 2x2x3 incluy dos sustancias distintas (F 1, F2) en tres proporciones diferentes (25%, 50%, 75%) con y sin tratamiento de superficie (S1, S2); se probaron dos especimenes rplica de cada una de las 12 combinaciones en un diseo totalmente aleatorizado. Los datos corresponden a la prdida de peso (mg) de los especimenes de tela por la prueba de abrasin.
Proporcin sustancia (%) 25 50 75 Tratamiento de superficie y sustancia S1 S2 F1 194 208 233 241 265 269 F2 239 187 224 243 243 226 F1 155 173 198 177 235 229 F2 137 160 129 98 155 132

Escriba un modelo lineal para el experimento, explique los trminos y calcule el anlisis de varianza. Prepare una tabla de medias de celdas y marginales con sus respectivos errores estndar. (274) Un cientfico de suelos realiz un experimento para evaluar una red de resistencias de cuatro electrodos y calcular la electrocondutividad (EC) del suelo en celdas conductivas de acrlico especiales. El objetivo del estudio era evaluar la relacin entre la EC medida y la salinidad del agua en el suelo con diferentes cantidades de agua. Se incluyeron tres texturas bsicas de suelo, ya que la EC es especfica de la textura; se usaron dos celdas para cada combinacin de tratamiento y los tres tipos de suelo fueron arena arcillosa, arcilla y barro. El agua salina, en tres niveles, se bas en la EC del agua a 2,8, y 16 dS/m (decisiemens/metro) y se establecieron tres niveles de contenido de agua en el suelo, 0%, 5% y 15%. El experimento resultante fue un arreglo factorial de 3x3x3 con dos rplicas en un diseo totalmente aleatorizado; los siguientes son los valores de EC del suelo determinados con base en las lecturas de la red de cuatro electrodos.
Salinidad del agua Arena Arcilla Barro 0 0,60 0,48 0,98 0,93 1,37 1,50 2 5 1,69 2,01 2,21 2,48 3,31 2,48 15 3,47 3,30 5,68 5,11 5,47 5,38 0 0,05 0,12 0,15 0,26 0,72 0,51 8 5 0,11 0,09 0,23 0,35 0,78 1,11 15 0,06 0,19 0,40 0,75 2,10 1,18 0 0,07 0,06 0,07 0,21 0,40 0,57 16 5 0,08 0,14 0,23 0,35 0,72 0,88 15 0,22 0,17 0,43 0,35 1,95 2,87

274

ESTADSTICA EXPERIMENTAL Aplicada a ciencia e ingeniera

Escriba un modelo lineal para este experimento, explique los trminos y calcule el anlisis de varianza. Prepare una tabla de medias de celdas y marginales con sus respectivos errores estndar. (275) Se colocaron cinco varillas de nquel de 1 mm de dimetro en un sujetador metlico en una suspensin de xido de aluminio y se aplic una tensin de 100 volts entre las varillas de nquel y el contenedor con la suspensin de xido de aluminio. Se registr el grueso de la capa de xido de aluminio depositada en las varillas a tres posiciones de altura de las varillas; los datos que siguen son el grueso del depsito en micrones.
Altura 1 2 3 Posicin sujetador varilla de nquel 1 2 3 4 5 125 130 128 134 143 126 150 127 124 118 130 155 168 159 138

Escriba un modelo lineal para este experimento, explique los trminos y establezca las suposiciones del modelo. Sern vlidas las suposiciones del modelo para este experimento Admitiendo esas suposiciones como razonablemente vlidas. Calcule el anlisis de varianza para los datos. (276) Un entomlogo realiz un experimento sobre la energa consumida por las abejas de miel al beber, para determinar el efecto de la temperatura del ambiente y la viscosidad del lquido en el consumo de energa. Los niveles de temperatura fueron 20, 30 y 40C, la viscosidad del lquido se control por las concentraciones de sacarosa, que eran de 20, 40 y 60% del total de slidos disueltos en el lquido que beban las abejas de miel. El entomlogo registr la energa gastada por las abejas en joules/segundo. Los datos que siguen corresponden a tres rplicas de cada uno de los nueve tratamientos en un diseo totalmente aleatorizado.
Temperatura (C) 20 30 40 3,1 6,0 7,7 20 3,7 6,9 8,3 4,7 7,5 9,5 Sacarosa (%) 40 5,5 6,7 7,3 11,5 12,9 13,4 15,7 14,3 15,9 7,9 17,5 19,1 60 9,2 15,8 18,0 9,3 14,7 19,9

Calcule las particiones de regresin de sumas de cuadrados con 1 grado de libertad, las sumas de cuadrados para el % de sacarosa y la interaccin.

275

Palacios C. Severo

XXI. DISEOS ROTABLES Para la forma de anlisis de datos del modelo que sirve como ejemplo consiste slo en adecuar una regresin de primer orden a los datos que genera el experimento de simulacin, un diseo factorial completo de dos niveles o un fraccionado, Plackett-Burman proporcionarn la precisin suficiente para lograr una estimacin de los coeficientes de la ecuacin de regresin. No obstante si se adapta un polinomio de segundo orden o de un orden ms alto a los datos de salida, un diseo factorial fraccionado puede producir estimaciones de parmetros de los coeficientes de los trminos elevados al cuadrado con una precisin relativamente baja. Un diseo rotacional para ajustar un modelo de segundo orden debe tener por lo menos tres niveles de cada factor. Existen muchos diseos que podran emplearse para ajustar un modelo de segundo orden. Uno de los niveles, el central en el cual se repiten las pruebas experimentales, sirven para evaluar la varianza del error experimental desarrollado durante las pruebas y as mismo la variacin de los diversos tipos de materiales empleados en las pruebas experimentales. En este tipo de diseos existen, los que sirven exclusivamente para evaluar tan solo dos factores y otros para tres ms factores. Se diferencias unos de los otros porque son exclusivos para sus tratamientos y sirven solo para tratar fenmenos cuadrticos, no sirven para tratar fenmenos lineales. Los diseos para tres o ms factores se pueden acondicionar para modelar por bloque, o acoplar cualquier diseo que se desarrolle en el proceso de evaluacin sistemtica. XXII. DISEOS ROTABLES DE DOS FACTORES

276

ESTADSTICA EXPERIMENTAL Aplicada a ciencia e ingeniera

Es un diseo Ortogonal de primer orden, esta configurada en una figura regular equilatera con k+1 vrtices en k dimensiones, ests figuras se dan en el plano cartesiano. A. DISEO TRIGONAL

Este es el diseo ms simple que existe en los proceso de evaluacin de factores de primer orden. Si k=3 es un tringulo equiltero regular.
X1 1 -0,5 0,5 0 0 0 X2 0 -0,86 -0,86 0 0 0

B.

DISEO PENTAGONAL

Es uno de los ms simples de segundo orden, los puntos experimentales corresponden a un pentgono. Es un diseo con el cual se puede elaborar un nuevo tipo de anlisis, se deja al estudioso a fin de poder evaluar e interpretar un nuevo diseo para el futuro, dicho diseo se puede aplicar desde dos factores a n factores como una alternativa de diseo experimental.

Representacin esquemtica del Diseo Pentagonal X1 1 0,31 -0,81 -0,81 X2 0 0,95 0,58 -0,58 277

Palacios C. Severo 0,31 0 0 0 -0,95 0 0 0

C.

DISEO HEXAGONAL

Es un diseo utilizado en investigacin, cuando en el proceso se estudian solo dos factores, debiendo ser este siempre cuadrtico, si el proceso es lineal dicha tcnica no es aplicable. Si el proceso en estudio tuviera tres o ms factores, no se puede desglosar y estudiar de par en par, es necesario para este caso desarrollar la tcnica del Diseo Compuesto Central o Estrella. El diseo hexagonal consiste en desarrollar seis pruebas experimentales correspondientes a los vrtices de un hexgono regular, siendo necesario replicar pruebas centrales para estimar el error experimental.

Representacin esquemtica del Diseo Hexagonal

Este diseo es de amplia utilidad a nivel experimental, como su nombre lo indica, los puntos corresponden a un hexgono, considerando de tres a cinco puntos centrales.
X1 1 0,5 -0,5 -1 -0,5 0,5 0 0 0 278 X2 0 0,866 0,866 0 -0,866 -0,866 0 0 0

ESTADSTICA EXPERIMENTAL Aplicada a ciencia e ingeniera

Ejemplo 6.81 Se estudia dos factores con valores reales, los cuales son codificados por las ecuaciones de recta que se representan mediante las ecuaciones lineales que corresponden dos factores reales mediante las siguientes funciones.
A = 0,375X1 + 1,125 B = 1X2 + 2
X1 1 0,5 -0,5 -1 -0,1 0,5 0 0 0 X2 0 0,86 0,86 0 -0,86 -0,86 0 0 0 A 1,5 1,31 0,94 0,75 0,94 1,31 1,25 1,25 1,25 B 2 2,87 2,87 2 1,13 1,13 2 2 2 Y 93,9 89,6 88,8 83,3 81,9 89,3 90,8 90,2 89,3 Ycal 94,51 90,28 88,40 84,70 81,82 89,93 90,17 90,17 90,17 Y - Ycal (Y-Ycal)2

-0,63 -0,03 0,87 0,21

0,397 0,001 0,757 1,155

SCerror 1,155 0,212 / 3 1,14


SCtotal 70706,97 797,12 / 9 110,48
Fuente Regresin Error Total Fuente Ajuste Error Total Tabla 6.90 Anlisis de varianza de regresin SC GL CM Fo Ft(99) 109,34 6 18,22 31,96 > 19,3 1,14 2 0,57 110,48 8 R2 = 98,96% Tabla 6.91 Anlisis de varianza de ajuste SC GL CM Fo Ft(99) 3,22 1 3,22 5,649 < 18,5 1,14 2 0,57 4,36 3 R2 = 73,85%

Ejemplo 6.82 Se procesa un mineral aurfero con sales oxidantes en medio cido, se desea evaluar que factores son significativos (cloruro y nitrato de sodio), con el fin de llegar a establecer el ptimo de recuperacin.
A: NaCl B: NaNO3 25 5 50 15
Efectos e interacciones A: NaCl = -6263,28 B: NaNO3 = -2431,04 Cuadrticos AA = -895,833 BB = -229,854 279

Palacios C. Severo AB = -508,721 Errores estndar con 3 GL Fuente A: NaCl B: NaNO3 AA AB BB Error Total Tabla 6.92 Anlisis de varianza de regresin SC GL CM Fo Ft(99) 13,0137 1 13,0137 54,73 > 34,12 26,3312 1 26,3312 110,74 > 34,12 9,86133 1 9,86133 41,47 > 34,12 12,25 1 12,25 51,52 > 34,12 24,6613 1 24,6613 103,72 > 34,12 0,71333 3 0,237778 128,76 8 R2 = 99,446%

Au 89,3667 5,166 NaCl 1,453NaNO3 2,866 NaCl 4,597 NaNO3 4,06 NaCl.NaNO3

La recuperacin de oro depende de los dos factores para llegar al ptimo, esto en forma lineal, pero los factores cuadrticos y la interaccin tienen efecto negativo para la extraccin de dicho metal precioso.
Factor NaCl NaNO3 Valor ptimo = 92,0389 Bajo Alto ptimo -1,0 1,0 1,0 -0,28 0,86 -0,28
Grfica de Interaccin para Au (X 1000.0) -1 -3 -5 NaNO3=5 NaNO3=15

Grfica de Efectos Principales para Au -1300 -3300

Au

Au
-7 -9

-5300 -7300 -9300 25 NaCl 50 5 NaNO3 15

NaNO3=5

-11

NaNO3=15 25 NaCl 50

Efectos significativos de factores principales

No existe interaccin entre ambos factores principales

En el grfico de interacciones podemos establecer que ambos factores estn en su mximo, y se mantienen como constantes ya que al incremental del nivel mnimo al mximo la extraccin de oro decrese y eso no es recomendable. No existe interaccin entre ambos factores, por lo que se puede manipular independientemente cada uno de ellos.

280

ESTADSTICA EXPERIMENTAL Aplicada a ciencia e ingeniera


Superficie de Respuesta Estimada
Contornos de la Superficie de Respuesta Estimada 15 13
Au -11000.0--10000.0 -10000.0--9000.0 -9000.0--8000.0 -8000.0--7000.0 -7000.0--6000.0 -6000.0--5000.0 -5000.0--4000.0 -4000.0--3000.0 -3000.0--2000.0 -2000.0--1000.0 -1000.0-0.0

Au

(X 1000.0) -1 -3 -5 -7 -9 -11 25 30 35 40 NaCl 5 7 9 11 13 15

NaNO3

11 9 7 5 25 30 35 NaCl 40 45 50

-11000.0--10000.0 -10000.0--9000.0 -9000.0--8000.0 -8000.0--7000.0 -7000.0--6000.0 -6000.0--5000.0 -5000.0--4000.0 -4000.0--3000.0 -3000.0--2000.0 -2000.0--1000.0 -1000.0-0.0

Au

45

50

NaNO3

Superficie respuesta estimada en el plano con punto ptimo

Superficie respuesta estimada en el espacio

El ptimo de recuperacin de oro es 92,0389, cuando se trabaja con un mximo de NaCl y un mnimo de NaNO3. Problemas (277) El estudio experimental que se presenta, estuvo orientado a determinar las granulometras ptimas tanto en la etapa de Rougher como de Scanvenger. Se desea optimizar la recuperacin y el grado de concentracin en funcin de la molienda.
X 72 70 66 64 66 70 68 68 68
1

X 76 84 84 76 68 68 76 76 76
2

Para optimizar estas dos variables, se obtuvo los modelos matemticos:


Y1 1,411 27,5 X 1 10,13X 2 0,22 X 12 0,0832 0,034 X 1 X 2 2 Y2 1,602 34,15 X 1 12,3 X 2 0,228X 12 0,0632 0,04 X 1 X 2 2

Desarrolle el ANAVA y la superficie respuesta Obtenga el ptimo cuando se alcanza un 66% (278) Se estudia un experimento de flotacin a nivel laboratorio siendo sus factores A: tiempo, B: espumante.
A: B: Y: 2 1,5 93,9 2,87 1,31 89,6 2,87 0,94 88,8 2 0,75 83,3 1,13 0,94 81,9 1,13 1,31 89,3 2 2 1,12 1,12 90,86 90,2 2 1,12 84,3

Obtenga el modelo del proceso Analice aplicando el ANAVA (279) Se efectu un proceso electroltico de fabricacin de ocre, cuyo rendimiento esta en funcin de dos variables A: cloruro de sodio, B: intensidad de corriente.
A: B: Y: 10 9,2 7,7 7 7,7 9,2 8,5 8,5 8,5 42,5 57,7 57,7 42,5 27,3 27,3 42,5 42,5 42,5 85,5 90,6 75,4 78,8 80,3 86,6 81,5 83,5 82,6
281

Palacios C. Severo

Obtenga el modelo del proceso Analice aplicando l ANAVA Cree usted la temperatura influye en el proceso Elabore el diagrama Eh-pH De que color es el ocre producido Sin en vez de cloruro de sodio utiliza un electrolito de nitrato de sodio, cual es el producto final.

D.

DISEO OCTOGONAL

Es un diseo utilizado en investigacin, cuando en el proceso se estudian tan solo dos factores, debiendo ser estos siempre cuadrticos (dinmicos), si el proceso es lineal dicho diseo no es aplicable. Si el proceso en estudio tuviera ms de tres factores, no se puede desglosar y estudiar de par en par, es necesario para este caso desarrollar otra tcnica de anlisis de Diseo. Es un diseo de segundo orden, corresponde a un octgono regular en el plano.

Representacin esquemtica del Diseo Octogonal

Diseo de amplia utilidad a nivel experimental, como su nombre lo indica, los puntos corresponden a un octgono considerando de tres a cinco puntos centrales, para evaluar el error experimental.
282

ESTADSTICA EXPERIMENTAL Aplicada a ciencia e ingeniera

X1 -0,71 0,71 -0,71 0,71 1 -1 0 0 0 0 0

X2 -0,71 -0,71 0,71 0,71 0 0 1 -1 0 0 0

Ejemplo 6.83 Se estudian dos factores dinmicos de un proceso en donde se desarrolla un novedoso trabajo, los cuales vienen establecidos mediante las funciones que a continuacin se detallan.
A = 0,005X1 + 0,025 B = 2X2 + 27,5
X1 -1 1 0 0 -0,71 -0,71 0,71 0,71 0 0 0 0 X2 0 0 -1 1 -0,71 0,71 -0,71 0,71 0 0 0 0 Y 90,90 92,20 92,80 93,60 92,20 93,50 93,30 94,00 94,10 94,30 93,90 94,00 Ycal 91,38 92,59 93,08 94,19 91,81 92,93 93,10 93,49 94,02 94,20 94,02 94,02 Y - Ycal (Y-Ycal)2

-0,08 -0,28 0,12 0,02 -0,22


2

0,006 0,08 0,01 0,02 0,0964

SCerror 0,0964 0,22 / 4 0,0834

SCtotal 104320,94 1118 / 12 11,48667


2

Fuente Regresin Error Total

Tabla 6.93 Anlisis de varianza de regresin SC GL CM Fo Ft(99) 11,40237 8 1,425 50,7 > 27,5 0,0843 3 0,0231 11,48667 11 R2 = 0,99266%

283

Palacios C. Severo Tabla 6.94 Anlisis de varianza de ajuste SC GL CM Fo Ft(99) 1,5257 1 1,5257 54,24 > 34,1 0,0843 3 0,0231 1,61 4 R2 = 0,9476%

Fuente Ajuste Error Total

E.

DISEO COMPUESTO CENTRADO

Si se desea cuantificar el efecto de una variable y sus interrelaciones para un producto dado, se puede hacer la suposicin de que la respuesta que se quiere evaluar es una funcin de las variables ms importantes que afectan el proceso y con base a ella se plantea un modelo matemtico.
X2 +

-1,1

1,1

0,0

X1

*1,*1

1,-1

Representacin esquemtica del Diseo Compuesto Centrado

El modelo matemtico que relaciona la respuesta buscada y las variables estudiadas es del tipo.
2 Y Ao Ai X i Aii X ii Aij X i X j Ajjj X 3 Aijk X i X j X k jjj

Donde: Y Estimacin del vector respuesta buscada Ao, Ai, Aii, Aij, Ajjj, Aijk Son los coeficientes del modelo Xi, Xij Valores de las variables codificadas Para estimar los coeficientes del modelo se utiliza el diseo compuesto centrado rotacional que se construye a partir de tres componentes.

284

ESTADSTICA EXPERIMENTAL Aplicada a ciencia e ingeniera

a-1) Un bloque factorial de 2k puntos, donde cada variable toma los valores codificados -1 y +1, hasta cinco variables como mximo. a-2) Un bloque factoriaI fraccionado 2k-1 puntos, donde cada variable toma los valores codificados -1 y +1, cuando hay ms de cinco variables. b) Un conjunto de puntos adicionales cuyo nmero es 2k donde cada variable toma los valores codificados -2k/4 y +2k/4. La figura formada por estos puntos se llama estrella. c) Un punto central cuyos valores codificados es cero, este punto se repite las veces que sea necesario para la estimacin del error experimental. Para explicar el concepto de rotabilidad, supngase que el punto (0, 0,..., 0) representa el centro de la regin en la cual la relacin entre la respuesta buscada Ycal Y las variables independientes Xi que estn siendo investigadas, est dada por la ecuacin general que representa una superficie de alto orden. De los resultados de cualquier experimento se puede calcular S(Y) del error estndar de Ycal en cualquier punto de la superficie ajustada. Este error estndar ser una funcin de las coordenadas del punto Xi, En un diseo rotacional, este error estndar es el nmero para todos los puntos que estn a la misma distancia L del centro de la regin; esto para todos los puntos tales que:
2 X12 X 2 ... X k2 L Ctte

As para un diseo de tres variables se tiene que cada variable asume los siguientes valores codificados:
-1, +1, 0, -2k/4 y +2k/4

La ecuacin del tipo:


2 2 Y Ao A1 X 1 A2 X 2 A11 X 11 A22 X 22 A12 X 1 X 2

La codificacin de las variables se obtiene de:

Xi
Donde:

Vi a b

285

Palacios C. Severo

Vi a b

Nivel de la variable real escogida Valor de la variable en el punto central Amplitud del valor real

Podemos indicar que los valores -1 y +1 corresponden a los niveles inferior y superior de un rango de experimentacin encontrada bien sea por investigacin de referencias especializadas en el proceso estudiado o por experiencia propia. Los puntos estrella -2k/4 y +2 k/4 son puntos por fuera del rango y se incluyen con propsitos exploratorios. El punto central con valor cero representa un nivel en el proceso con el que se supone se obtiene buenos resultados. Supongamos que un proceso depende de tres variables, una de las cuales es la temperatura con un rango de nivel de 30 a 50, se tiene que:
a - 1 = 30 a + 1 = 50

El valor medio se obtiene por;


[30+50]/2 = 40 = a

Luego
1 2k / 4 2k / 4 30 40/ b V1 40/ 10 V2 40/ 10 b 10 V1 23,18 V2 56,82

As tenemos los cinco valores de la temperatura, que se usarn en el bloque de experimentacin; de igual manera se procede para las otras variables. Ejemplo 6.84 Se estudia la lixiviacin (lavado) de un suelo salino para utilizar dicho suelo en la siembra de hortalizas. Aplicaremos dos variables A: lavado alcalino y B: flujo de lavado.
X1 286 X2 A 23 B 1,3 Y 50,00

ESTADSTICA EXPERIMENTAL Aplicada a ciencia e ingeniera + + -1,41 +1,41 0 0 0 0 0 0 0 + + 0 0 -1,41 +1,41 0 0 0 0 0 37 23 37 20 40 30 30 30 30 30 30 30 1,3 2,7 2,7 2 2 1 3 2 2 2 2 2 85,61 97,62 85,76 73,39 76,92 52,92 82,53 78,02 84,61 79,12 64,84 88,46

Ejemplo 6.85 El efecto de las interacciones comparadas con los efectos del primer y segundo orden estimado. Los efectos de alto orden no se pueden ignorar. Por lo que efectuamos puntos extras para obtener un diseo de segundo orden.
A: B: C: 137 32,5 5,5 147 37,5 8,5
X1 0 2 -2 0 0 0 0

Tabla 6.95 Anlisis de varianza de regresin Fuente SC GL CM Fo Ft(99) Regresin 1759,2 5 351,8 5,14 > 3,97 Error 478,8 7 68,4 Total 2238 12 R2 = 0,786%

157 42,5 11,5


X2 0 0 0 2 -2 0 0 X3 0 0 0 0 0 2 -2 Y 66,9 65,4 56,9 67,5 65,0 68,9 60,3

Para estimar los coeficientes bo, b11, b22, b33 obtenemos la ecuacin correspondiente.
15bo 16bo 16bo 16bo 16b11 40b11 8b11 8b11 16b22 8b22 4b22 8b22 16b33 8b33 8b33 40b33 976 10413 , 1055,1 10419 ,

Obtenindose

287

Palacios C. Severo

b 67,11
o

b1 1,944
b33 0,676

b2 0,906
b12 3,088

b3 1,069

b11 1,539
b23 1,212

b22 0,264

b13 2,188

Ejemplo 6.86 Un investigador analiza un proceso en donde influyen dos factores: tiempo y temperatura. Desea evaluar el efecto significativo de ambos factores.
A: tiempo (min.) B: Temperatura (F) 80 170
A: tiempo 80 90 80 90 77,9289 92,0711 85 85 85 85 85 85 85

90 180
B: Temperatura 170 170 180 180 175 175 167,929 182,071 175 175 175 175 175 Y 78,5 77,0 78,0 79,5 75,6 78,4 77,0 78,5 79,9 80,3 80,0 79,7 79,8

Efectos estimados para Y Efectos e interacciones Cuadrticos A: tiempo = 0,989949 AA = 2,50248 B: Temperatura = 1,03033 BB = -1,78252 AB: = 1,5 Errores estndar con 7 GL

Ambos factores tienen efecto sobre el proceso, pero el que tiene mayor efecto significativo es la temperatura, seguido del tiempo. Existe interaccin entre ambos factores, por lo que si se manipula un factor el otro tambin es modificado.
Tabla 6.96 Anlisis de varianza de regresin Fuente SC GL CM Fo A: tiempo 1,96001 1 1,96001 3,70 B: Temperatura 2,1216 1 2,1216 4,01 AA 10,8913 1 10,8913 20,58 AB 2,25 1 2,25 4,25 BB 5,34129 1 5,34129 10,09 288 Ft(99) 5,59 5,59 5,59 5,59 5,59

< < > < >

ESTADSTICA EXPERIMENTAL Aplicada a ciencia e ingeniera Error Total 3,7051 24,5277 7 12 0,5293

R2 = 84,8942%

En la tabla del anlisis de varianza podemos establecer que para un 95% de la estadstica de F, se puede notar que los dos factores principales no tienen influencia en dicho rango. Pero los efectos cuadrticos si tienen influencia en dicho rango para un coeficiente de correlacin del 84,8942 por ciento.
Y 935,283 3,35742 tiempo 9,82069Temperatur a 0,05tiempo 0,03505Temperatur a 0,03tiempo.Temperatur a

En el modelo matemtico se puede notar que la constante esta en su mximo, el cual deber de minimizarse hasta el valor medio de los niveles. Se ve que ambos factores tienen influencia para incrementar la constante hasta un valor positivo, la interaccin tambin tiene efecto significativo sobre el proceso.
Camino de Mximo Ascenso para Y tiempo Temperatura Y 85,0 175,000 79,9400 86,0 176,206 80,0984 87,0 177,825 80,1186 88,0 177,024 80,0336

Al incrementar el tiempo en una unidad y la temperatura de igual manera, se nota que a un tiempo de 88 minutos y una temperatura de 177,024 F se obtiene una respuesta de 80,0336, cercano al valor ptimo de la maximizacin.
Factor tiempo Temperatura Valor ptimo = 80,133 Bajo Alto 77,9289 92,0711 167,929 182,071 ptimo 86,6416 177,174

Al maximizar el proceso, se nota que para llegar al ptimo se requiere un tiempo de 89,9415 minutos y una temperatura de 177,174 F, para obtener un valor ptimo de 80,133.

289

Palacios C. Severo
Grfica de Efectos Principales para Y 80.4 80 79.6 79.2 78.8 78.4 78
Y
Y
80 79.5 79 78.5 78 77.5 Temperatura=170 77 Temperatura=180 80 Temperatura=170 tiempo 90 Temperatura=180 Grfica de Interaccin para Y

80

tiempo

90

170

180 Temperatura

Efectos significativos con tendencia cuadrtica

Existencia de Interaccin en proceso cuadrtico

En la figura se puede notar que ambos efectos no tienden al mximo, ya que tienden al nivel promedio en ambos casos, al incrementar sobre el mximo la respuesta tiende a minimizarse, por lo que es necesario realizar el estudio hasta el valor medio. En la figura de interaccin esta entre el valor mnimo y el valor promedio en ambos factores, por lo cual se confirma que deber trabajarse entre el valor medio y el promedio de ambos factores. En la figura del plano el ptimo esta a un tiempo de 87 minutos y una temperatura de 177 F para obtener una respuesta sobre 80.
Contornos de la Superficie de Respuesta Estimada 180 178
Y 77.0-77.4 77.4-77.8 77.8-78.2 78.2-78.6 78.6-79.0 79.0-79.4 79.4-79.8 79.8-80.2 80.2-80.6 80.6-81.0 81.0-81.4

Superficie de Respuesta Estimada


Y 81 80 79 78 77 80 77.0-77.4 77.4-77.8 77.8-78.2 78.2-78.6 78.6-79.0 79.0-79.4 79.4-79.8 79.8-80.2 80.2-80.6 80.6-81.0 81.0-81.4 82 178 180

Temperatura

176 174 172 170

80

82

84

86 tiempo

88

90

84

tiempo

86

88

90

170

172

174

176

Temperatura

Superficie respuesta estimada en el plano

Superficie respuesta estimada en el espacio

En la figura del espacio se puede establecer que para llegar al ptimo, ambos factores tienden al valor promedio de los niveles para llegar al ptimo. Ejemplo 6.87 Se investiga un proceso con el fin de optimizar los factores X 1 y X2 si son significativos y los rangos en donde estn dichos valores ptimos. Se dan los niveles de dichos factores y el vector respuesta.
X1: X2:
290

1,5 0,1

8,5 0,3

ESTADSTICA EXPERIMENTAL Aplicada a ciencia e ingeniera

X1 1,5 8,5 1,5 8,5 0,0502 9,9497 5,0 5,0 5,0 5,0

X3 0,1 0,1 0,3 0,3 0,2 0,2 0,0585 0,3415 0,2 0,2

Y 1,23 1,891 1,085 1,095 0,848 1,132 2,169 1,228 1,413 1,139

Efectos estimados para Y Efectos e interacciones Cuadrticos A = 0,2682 AA = -0,2954 B = -0,5680 BB = 0,4130 AB = -0,3257 Errores estndar con 4 GL Fuente Tabla 6.97 Anlisis de varianza de regresin SC GL CM Fo Ft(95) 0,1439 1 0,1439 8,69 > 7,71 0,6454 1 0,6454 38,94 > 7,71 0,0997 1 0,0997 6,02 < 7,71 0,10611 1 0,10611 6,40 < 7,71 0,19499 1 0,19499 11,7 > 7,71 0,06629 4 0,01657 1,46927 9 R2 = 95,4879%

A B AA AB BB Error Total

2 Y 1,711 0,2519 X 1 8,774 X 2 0,0120 X 12 20,653 X 2 0,4653 X 1 X 2

El vector respuesta depende del factor X1 para llegar al ptimo, esto en forma lineal, pero el factores cuadrticos X1 y la interaccin tienen efecto negativo sobre dicho vector.
Camino de Mximo Ascenso para Y X1 X2 Y 5,0 0,2 1,276 6,0 0,11522 1,7309 7,0 0,0025 2,853 8,0 -0,1193 4,741 9,0 -0,244 7,416 10,0 -0,372 10,884 Valor ptimo = 2,31558 Bajo Alto 0,05025 9,9497 0,05857 0,34142

X1 X2

Factor

ptimo 9,3195 0,0585

291

Palacios C. Severo
Grfica de Efectos Principales para Y 1.79 1.59 1.39 1.19 0.99 1.5 X1 8.5 0.1 X2 0.3

Grfica de Interaccin para Y 2 1.8 1.6 X2=0.1

1.4 1.2 1

X2=0.1 X2=0.3 1.5 X1

X2=0.3 8.5

Efectos significativos con tendencia cuadrtica


Contornos de la Superficie de Respuesta Estimada 0.3 0.26 0.22
Y 0.7-0.85 0.85-1.0 1.0-1.15 1.15-1.3 1.3-1.45 1.45-1.6 1.6-1.75 1.75-1.9 1.9-2.05 2.05-2.2 2.2-2.35

Interaccin en proceso cuadrtico

Superficie de Respuesta Estimada


Y 2.2 1.9 1.6 0.7-0.85 0.85-1.0 1.0-1.15 1.15-1.3 1.3-1.45 1.45-1.6 1.6-1.75 1.75-1.9 1.9-2.05 2.05-2.2 2.2-2.35 2 0.3 0.22 0.26 0.14 0.18

X2
0.18 0.14 0.1

Y
1.3 1 0.7 0

4 X1

10

X1

10

0.1

X2

Problemas

Superficie respuesta estimada en el plano con punto ptimo

Superficie respuesta estimada en el espacio

(280) Se estudian tres variables A: 6 - 10, B: 70 - 90 y C: 780 - 1080 rangos establecidos en base a experiencia. a) Analizar el bloque factorial: si existe curvatura, utilice el mtodo de pendiente ascendente e incremente el bloque estrella. b) Analice el punto estacionario y el anlisis cannico.
YF : 62 80 60 79 76 82 59 83 YC : 77 76 78 75 75 73 Y : 53 82 70 75 78 74

c) Obtenga el modelo correspondiente. d) Desarrolle el anlisis de varianza. e) Analice, interprete y opine. (281) Se estudian cuatro variables A: 1,5 - 3, B: 15 - 25, C: 0, 5 - 1, D: 800 - 1000. Evalu tal como el problema 256. (282) Se quiere evaluar un proceso en donde se nota la influencia de dos factores A: 400 - 600 y B: 3,5 - 5.
Y : 92 98 89 99 89 90 85 97 89 93 91 92 88

Obtenga el modelo

Y 92 3 A B A 0,9 B 0,9 AB

Analice mediante los mtodos de punto estacionario y cannico.


292

ESTADSTICA EXPERIMENTAL Aplicada a ciencia e ingeniera

(283) Un proceso electroltico, cuyo rendimiento esta en funcin de las variables A: 20 - 40 Y B: 1 - 3. Obtenga el modelo y analice. (284) Con el estudio experimental se desea determinar las condiciones ptimas siendo sus factores El modelo es:
X 1 : 72 70 66 64 66 70 68 68 68 X 1 : 76 84 84 76 68 68 76 76 68 X 1 : 85 90 75 78 80 81 80 81 83 82

(285) Se estudia un experimento a nivel laboratorio siendo sus factores.


X 1 : 1,5 1,31 0,94 0,75 0,94 1,31 1,13 1,13 1,13 X2 :2 2,9 2,9 2 1,13 1,13 2 2 2 Y : 93,9 89,7 88,8 83,3 81,9 89,3 90,9 90,2 89,3
2 YCu 30,98 42,39 X 1 25,9 X 2 4 X 12 3,1X 2 10,16 X 1 X 2

2 Y 1,411 27,5 X 1 10,13 X 2 0,22 X 12 0,083 X 2 0,034 X 1 X 2

Siendo el modelo

(286) Se estudia la lixiviacin con cido sulfrico, de una calcina, obtenida y de la tostacin en presencia de aire, con adicin de xido de calcio, en horno monosolera Bach, de un concentrado de calcopirita rico en pirita. La calcina es de la siguiente composicin: 15,91 % de cobre, 38,06% de hierro, 11,45% de azufre y 3,55% de insolubles. (287) Se estudia las variables A: concentracin de cido; B: temperatura, C: velocidad de agitacin. Siendo su vector respuesta.
Y : 62 80 60 79 67 82 59 83 77 77 78 75 75 73

Obtenga el modelo Analice el ANAVA Aplique el mtodo para evaluar la curvatura (288) Dado el alto contenido de hierro de los licores de lixiviacin, que se obtienen, se procede a la purificacin del cobre con Lix 64N, a partir de licores con 3,59 g/l de cobre y 1,14 g/l de hierro, en lo que se relaciona con el efecto de alguna variables como el pH, concentracin de extraccin, relacin de fases, agitacin y concentracin de cido. Obtenindose los modelos.
2 YCu 96,94 1,23 X 1 2,23 X 2 1,15 X 12 1,16 X 2 0,5 X 1 X 2 2 YFe 12,74 1,25 X 1 1,37 X 2 3,89 X 12 4,11X 2 1,95 X 1 X 2

Analice mediante el ANAVA Establezca los rangos de las variables (289) Se quiere evaluar un proceso de tostacin de un concentrado sulfuroso de zinc, se requiere evaluar la temperatura y la adicin de aire, para la experimentacin se evaluaron los factores
293

Palacios C. Severo

Y : 92,4 98,5 89,9 99,5 89,1 90,5 85,7 97,8 89,2 93,8 91,1 92,4 88,6

A: temperatura, B: aire. Siendo su vector respuesta.

Obtenga el modelo Analice mediante el ANAVA Establezca los rangos de las variables (290) Considere el modelo de primer orden

Donde 1 X i 1 . Determine la direccin de mximo ascenso y planifique un conjunto de experimentos siguiendo dicha direccin (291) Los siguientes datos fueron recogidos por un ingeniero de planta. La respuesta Y es el tiempo de filtrado, X1 es la temperatura y X2 es la presin.
X1 -1 -1 1 1 -1,414 -1,414 0 0 0 0 0 0 0 X2 -1 1 -1 1 0 0 -1,414 1,414 0 0 0 0 0 Y 54 45 32 47 50 53 47 51 41 39 44 42 40

Y 50 1,5 X1 0,8 X 2

Qu tipo de diseo us el ingeniero, cules son sus ventajas. Ajuste un modelo de segundo orden, verifique su validez y analice la superficie ajustada. Cules seran sus recomendaciones si se desea minimizar el tiempo de filtrado. (292) Se desea minimizar el valor de la ceniza en la pulpa de papel (una medida de las impurezas inorgnicas). Se estudian dos variables: temperatura en C y tiempo en horas. Estas variables se codifican como se indica a continuacin: Estas variables se codifican como se indica a continuacin: temperatura 775 , tiempo 3 X X
1

Se lleva a cabo un experimento cuyos resultados se muestran a continuacin:


X1 -1 1 -1 1 X2 -1 -1 1 1 Y 211 92 216 99

115

1 .5

294

ESTADSTICA EXPERIMENTAL Aplicada a ciencia e ingeniera -1,5 1,5 0 0 0 0 0 0 0 0 -1,5 1,5 0 0 0 0 222 48 168 179 122 175 157 146

2 Y 150,0445 58,47059 X 1 3,3529 X 2 6,5281 X 12 10,5829 X 2 0,5 X 1 X 2

Qu tipo de diseo experimental se ha usado. Es rotable. El modelo cuadrtico ajustado es


Fuente Modelo Error Total SC 30688,7 1478,22 32166,92 GL 5 6 11 CM 6137,74 246,37 Fo 24,91 Ft(99) 8,75

>

Es bueno el ajuste de este modelo? Calcule el punto estacionario. Qu tipo de punto es? (puede usar que los autovalores de la matriz son -6,8982802 y 0,6201222)
- 6.528158 0.25 0.25 10.58295

R2 = 95,40

(293) Un ingeniero est investigando la influencia de la temperatura, la presin y la concentracin del catalizador en tiempo que tarda una reaccin en llevarse a cabo. Tras varios experimentos, el investigador ajust la funcin
Y 630 6,4989 X 1 5,2241X 2 1,3165 X 3 1,8089 X 1 X 2 7,078 X 1 X 3
2 4,706 X 2 X 3 6,091X 12 5,12 X 2 3,717 X 32

X1

temperatur a (C ) 350 8

Usando un diseo central compuesto con cinco puntos centrales. Las variables codificadas son las siguientes:
X2 presin ( psi ) 612 20

X3

Hgale al ingeniero las sugerencias que considere adecuadas.

concentracin 0.15 0.03

295

Palacios C. Severo

F.

DISEO EXPERIMENTAL COMERCIAL EXCO

En muchos pases latinoamericanos, existe una discontinuidad en el proceso de transferencia de tecnologa en el sector agropecuario. En la mayora de los casos los resultados de las investigaciones efectuadas a nivel de centros de investigacin, estaciones experimentales, etc., no son sometidos a los diferentes pasos del proceso, los cuales conllevan a la adopcin o revisin de la tecnologa. Esta situacin obedece a factores que casi siempre escapan al alcance de los investigadores. De all se desprende la iniciativa de implementar procedimientos para la validacin de resultados experimentales, que representen un avance en el proceso de investigacin. En este contexto se enmarca la metodologa del Diseo Experimental Comercial (EXCO). El objetivo de el presente estudio es el de aplicar el Diseo EXCO en la validacin de los resultados de un experimento en el que se investiga el efecto de la fertilizacin nitrogenada y la densidad de siembra en el cultivo de maz. Con el objetivo de determinar los mejores niveles de fertilizacin nitrogenada y densidad de siembra en el cultivo de maz), se llev a cabo un ensayo bajo el diseo experimental de bloques al azar con dos repeticiones, y unidades experimentales de 30 m 2 con 10 m2 de rea efectiva. En cada bloque fueron distribuidos al azar 24 tratamientos, los
296

ESTADSTICA EXPERIMENTAL Aplicada a ciencia e ingeniera

cuales fueron el resultado de la superposicin de los diseos Factorial 32, Compuesto Central Rotable (k=2, no=5) y Compuesto Central Rotable Doble Estrella con un nuevo ncleo estrella aadido (k=2, c=2, no=4).
Tratamiento Tratamiento Nivel real Nivel real diseo diseo ensayo 32 DCR DCRE D N ensayo 32 DCR DCRE D N 1 1 1 66 40 13* 5 13 80 120 2 2 2 66 200 14* 5 80 120 3 3 3 94 40 15 1 66 0 4 4 4 94 200 16 2 66 120 5 5 13 60 120 17 3 66 240 6 6 14 100 120 18 7 94 0 7 4 7 15 80 0 19 8 94 120 8 6 8 16 80 240 20 9 94 240 9* 5 9 9 80 120 21 5 70 120 10* 5 10 10 80 120 22 6 90 120 11* 5 11 11 80 120 23 7 80 60 12* 5 12 12 80 120 24 8 80 180 D: Densidad de siembra (Plantas/ha)x 103 ; N: Nitrgeno (kg/ha); * Tratamientos centrales

La situacin antes descrita se aprecia fcilmente al observar la tabla anterior, en el que se ilustran las 24 combinaciones de los niveles reales de los factores, comunes y no comunes para los arreglos de tratamiento sealados. De forma simultnea al establecimiento del experimento, se sembr una parcela comercial de 7000 m2 aproximadamente. A dicha parcela se le aplic la combinacin de niveles de los factores correspondientes al tratamiento central del ensayo. Si la produccin de la parcela arroja un valor comprendido en el intervalo de confianza generado a partir de las repeticiones del tratamiento central del experimento, se consideran validados los resultados. Este intervalo de confianza est dado por la siguiente expresin:
P X t S
/ 2 ( n 1 ) GL

TC

TC

TC

S
/ 2 ( n 1 ) GL

1 n
TC o

Donde: STC no Desviacin tpica de la variable para las no rplicas del tratamiento central. Nmero de rplicas del tratamiento central.
297

Palacios C. Severo

t / 2 ( n 1) GL

Valor tabulado de "t Student", a la derecha del cual hay un rea de a/2. Coeficiente de confianza. Parmetro a estimar.

1a

Se realiz la validacin general del experimento y para cada uno de los arreglos de tratamiento involucrados. El la tabla 6.98 contiene la informacin del rendimiento obtenido para las rplicas del tratamiento central del ensayo, el cual, como se expres en la metodologa, es el mismo tratamiento aplicado a la parcela comercial.
Tabla 6.98. Rendimiento (kg/ha de maz al 12 % de humedad) para las replicaciones del tratamiento central del ensayo experimental tratamiento Bloque Rendimiento tratamiento Bloque Rendimiento 9 1 3886 9 2 4883 10 1 3320 10 2 5972 11 1 2929 11 2 5281 12 1 3750 12 2 4663 13 1 4146 13 2 4256 14 1 3263 14 2 4517
X TC

4239 Kg/ha 886,6 kg/ha

= 0,05 no = 12

STC

Con estos datos se calcularon los promedios y desviaciones tpicas necesarias para obtener los intervalos de confianza. Intervalo de Confianza General IC(95%): 3675,68 kg/ha 4082,32 kg/ha

Intervalo de Confianza para el Factorial 32 IC(95%): 2057,16 kg/ha 5586,70 kg/ha

Intervalo de Confianza para el Diseo Central Rotable IC(95%): 3691,10 kg/ha 4799,51 kg/ha

Intervalo de Confianza para el Diseo Central Rotable Estrella IC(95%): 3508,64 kg/ha 4912,36 kg/ha

298

ESTADSTICA EXPERIMENTAL Aplicada a ciencia e ingeniera

El rendimiento de la parcela comercial fue de 3714 kg/ha, valor que est comprendido en todos los intervalos de confianza generados a partir de los datos experimentales, por lo tanto se consideran validados los resultados. Ello implica que la respuesta obtenida a nivel experimental puede ser reproducida en una escala mayor, bajo las mismas condiciones de manejo del cultivo. Trabajando en el campo hortcola han llegado a conclusiones similares y satisfactorias al aplicar la metodologa. Estos resultados son muy favorables ya que permiten hacer inferencia sobre la posibilidad de aplicacin de tecnologas en medio real, circunstancias en las que la inferencia a partir de los resultados experimentales solamente, se ve ciertamente limitada. El diseo EXCO es aplicable en ensayos con el cultivo de maz, permitiendo la formulacin de recomendaciones ms cercanas a la realidad y facilitando el ajuste de los tratamientos con la finalidad de realizar una mejor caracterizacin de la regin de exploracin en experiencias futuras. G. DISEO SEVERO Propuesto por el Autor, como un diseo de n-niveles para ajustar superficies respuestas lineales y polinomiales de una misma estructura de diseo. Este diseo esta formado por los puntos medios de un cubo, dicha figura geomtrica es establecida para el presente estudio. La figura geomtrica de un diseo convencional es un cubo de 1 unidad por 1 unidad, en el caso del diseo SEVERO al cubo normal de 1 por 1, se le achura los vrtices, a partir del centro de los lados del cubo, tal como se visualiza en la figura. Al cubo de 1 por 1 se le achura las aristas al medio del cubo, es decir a la mitad (0,5) obtenindose de esa manera la siguiente figura geomtrica.

299

Palacios C. Severo

Estructura del Diseo SEVERO

El presente diseo no solo trabaja con los mximos y mnimos tal como los diseos convencionales (+1, -1), aqu se trabaja con el rango de +0,5 y -0,5 logrando con dicho rango disminuir en el consumo de reactivos, materiales, insumo, tiempo, etc. Beneficiando de dicha manera cualquier proceso que se desarrolle en el mbito experimental tanto a nivel de laboratorio como industrial. Es importante mencionar que el presente diseo nace como una herramienta para poder cuantificar los procesos productivos, ya que en estos momentos padecemos de insumos y sobre todo del tiempo necesario para desarrollar experimentos amplios. Siendo los puntos extremos del nuevo vrtice (puntos oscuros) los puntos factoriales y rotacionales y los puntos sobresalientes (puntos claros) los puntos estrellas para una rotacional n factorial. Observemos que el Diseo SEVERO no tiene puntos en los vrtices de la figura creada por los niveles inferior y superior para cada variable. Esto es ventajoso cuando los puntos en los vrtices representan combinaciones de factor-nivel por ser antieconmico e imposible de probar debido a restricciones del proceso.

300

ESTADSTICA EXPERIMENTAL Aplicada a ciencia e ingeniera

Geometra del Diseo SEVERO

Los efectos de las interacciones de tercer orden no existen en el presente caso, por estar confundidos. Los diseos descritos son de mucha utilidad en procesos en donde el insumo, personal y material son restringidos, ya que los niveles del proceso se acortan hasta en un cincuenta por ciento, siendo esto muy loable y econmico para analizar cualquier investigacin. Se estudia en primer lugar el diseo factorial centrado con dos factores, en la tabla se muestran los valores codificados del diseo factorial centrado con dos factores, principio fundamental del denominado diseo Severo, adems se ilustra grficamente las coordenadas por donde se desarrolla el presente trabajo. DISEO FACTORIAL CENTRADO DE DOS FACTORES

301

Palacios C. Severo

X1 -0,5 +0,5 -0,5 +0,5 0 0 0

X2 -0,5 -0,5 +0,5 +0,5 0 0 0

El diseo factorial centrado de dos factores, se crean las siguientes condiciones, al establecer los puntos de los vrtices (puntos oscuros) y como punto central el vrtice (punto claro), como podr notar que los punto oscuros estn configurados en los puntos extremos del nuevo vrtice del cubo, por lo cual viene a ser el punto central del cubo principal (0,5) (similar al diseo factorial) y el punto central (0, 0) el cual forma la campana de Gauss. De acuerdo a ello podemos visualizar que el punto central no recae directamente en el plano sino que esta formando una campana de Gauss, con lo cual se establece que dicho punto no esta en el plano sino en el espacio, lo cual favorece notablemente en el anlisis no es como en los diseos convencionales. Esa pequea diferencia entre el diseo convencional y el diseo presente es una nueva alternativa para demostrar que el punto central nos configura un diseo rotable directamente. Ejemplo 6.88 En un proceso de electrodeposicin de cobre, se procedi a evaluar los factores a tres niveles:
Factores A: Voltaje (Voltios) B: Densidad corriente (A/m) Prueba 1 2 3 4 5 6 302 X1 -0,5 +0,5 -0,5 +0,5 0 0 X2 -0,5 -0,5 +0,5 +0,5 0 0 1 30 A 1,5 2,5 1,5 2,5 2 2 Niveles 0 2 35 B 32,5 32,5 37,5 37,5 35 35 + 3 40 Y 85 86 98 97 89 89

ESTADSTICA EXPERIMENTAL Aplicada a ciencia e ingeniera 7 0 0 2 35 88

Los valores reales para desarrollar las pruebas experimentales, las obtenemos utilizando la siguiente expresin:
X
i

V a b
i

El anlisis para el desarrollo del presente diseo fue se efecto mediante el programa ESPC plus statistics experimental for PC
Efecto Estimado X1:A 0,0 X2: B 12,0 AB -0,5 Errores estndar con 3 GL

Interpretacin de los efectos3 Si visualizamos los signos de los efectos A y B, notamos que ambos son positivos, por lo tanto estn en su nivel mnimo, por lo cual debern ser maximizado, es decir que ambos factores son variables, y debern ser optimizados y establecidos sus rangos de trabajo ptimo. En este caso solamente estamos evaluando y no as optimizando, para desarrollar la optimizacin deber seguirse otro camino, el cual ser desarrollado en el prximo acpite. El factor B es el que tiene mayor significanca por tener un mayor valor numrico. a) Caso Maximizacin
(+) (-) Indica que la variable se encuentra al nivel mnimo y debe ser maximizado hasta el ptimo y establecer su rango de trabajo. Indica que el factor ya no es una variable, por lo tanto viene a ser una constante en el proceso, por lo que se encuentra en el nivel mximo y debe mantenerse como tal. Indica que el factor ya no es una variable, por lo tanto viene a ser una constante en el proceso, por lo que se encuentra en el nivel mximo y debe de mantenerse como tal. Indica que la variable se encuentra al nivel mnimo y debe ser maxi-

b) Caso Minimizacin
(+) (-)
3

Anlisis de signos de los coeficientes de los efectos, segn el caso.

303

Palacios C. Severo

mizado hasta el ptimo y establecer su rango de trabajo.

A fin de ver la influencia de los factores, se analiza la interaccin 4 de los factores, esto quiere decir si, existe cruce de informacin entre los factores y a la vez estos puedan controlarse de una manera independiente a fin de manipular el proceso. Interpretacin de la interaccin5 Notamos que el signo de la interaccin AB es negativo, esto nos indica que no existe interaccin, lo cual lo hemos deducido al visualizar que no existe interseccin entre los valores numricos, por lo tanto no existe cruce de informacin entre los factores en estudio. a) Caso Maximizacin
(+) (-) Indica que s existe interaccin entre las variables, uno depende del otro. Indica que no existe interaccin entre las variables.

b) Caso Minimizacin
(+) (-) Indica que no existe interaccin entre las variables. Indica que s existe interaccin entre las variables, uno depende del otro.

Para corroborar los anlisis desarrollados es que aplicamos el Anlisis de Varianza del proceso.
Tabla 6.99 Anlisis de varianza SC Gl CM Fo Ft(99%) X1: A 0,0 1 0,0 0,0 < 98,49 X2: B 144,0 1 144,0 436,37 > 98,49 AB 0,25 1 0,25 0,75 < 98,49 Curvatura 13,76 1 13,76 41,69 < 98,49 Error total 0,66 2 0,33 Total (corregido) 158,67 6 R2 = 90,2857% Fuente

El que tiene mayor significanca es B = X2, seguido de A = X1 para un coeficiente de correlacin del 90,2857%, el factor A tiene valor cero, por lo cual se le considera una constante en el rango de trabajo.

4 5

Es importante que no exista interaccin, y de esa manera podamos trabajar con los factores principales. Anlisis de signos de los coeficientes de las interacciones, segn el caso.

304

ESTADSTICA EXPERIMENTAL Aplicada a ciencia e ingeniera

La varianza del error viene a ser el cuadrado medio del error, siendo este igual a 0,333 dicho valor es menor que la unidad por lo cual la variabilidad de los datos es bastante adecuada para el trabajo realizado. l clculo de la Suma de Cuadrados del Total se desarrolla mediante la siguiente relacin:
SC Y
2 i

Y
i

Total

La suma de cuadrados del total nos sirve para comprobar que los valores: suma de cuadrados de los factores e interacciones, ms el error deben ser igual a dicho valor numrico. El valor de F de tabla para un 99% de significanca es 98,49 vemos que el F experimental del factor principal B es mayor por lo tanto dicho factor es significativo, por lo que se corrobora que dicho efecto principal est en su mnimo debiendo ser maximizados y a la vez ambos son variables en el proceso. Siendo el modelo matemtico6 lineal para el presente anlisis.
Y 90,2857 0,0 A 6,0B 0,25AB

La constante del modelo matemtico, viene a ser el promedio de los valores del vector respuesta, as mismo es el valor inicial del proceso en estudio, el signo negativo de la constante nos indica que esta en el mximo y debe ser minimizado. a) Caso Maximizacin
(+) (-) Indica que dicho valor es el inicio del proceso y se encuentra en su mnimo y debe ser maximizado hasta el ptimo. Indica que es el mximo valor del vector respuesta, no se puede subir sobre dicho valor, ms al contrario se puede bajar. Indica que es el mximo valor de la vector respuesta, no se puede subir sobre dicho valor, ms al contrario se puede bajar.

b) Caso Minimizacin
(+)

6 Anlisis de signos de la constante del modelo matemtico, segn el caso.

305

Palacios C. Severo

(-)

Indica que dicho valor es el inicio del proceso y se encuentra en su mnimo y debe ser maximizado hasta el ptimo.

En el modelo matemtico tambin podemos visualizar que la interaccin es negativa, o sea que no tiene influencia en el proceso. Adems podemos visualizar que los factores principales son positivos tal como se visualizo en el anlisis de los factores principales. Coeficiente de regresin para Y
Y 90,2857 0,0 A 6,0 B 0,25 AB

Interpretacin del modelo matemtico Si A y B son iguales a cero, entonces el modelo ser igual a la constante, si visualizamos el signo de dicha constante notamos que es positivo, lo cual nos indica que esta en su mnimo y debe maximizarse. Optimizar Respuesta
Factor A B Valor ptimo = 96,7857 Bajo Alto ptimo -0,5 0,5 -0,5 -0,5 0,5 0,5
Grfica de Interaccin para Y 98 95 92
Y

Grfica de Efectos Principales para Y 99 96 93


Y

B=0.5

B=0.5

90 87 84 -0.5 A 0.5 -0.5 B 0.5

89 86 83 B=-0.5 -0.5 A

B=-0.5 0.5

Efectos significativos de factores principales

Interaccin de factores principales

En la superficie respuesta visualizando el grfico (isolneas), podemos interpretar lo siguiente: el valor ptimo est a menor A y mayor B.

306

ESTADSTICA EXPERIMENTAL Aplicada a ciencia e ingeniera


Contornos de la Superficie de Respuesta Estimada 0.5 0.3 0.1
B

Superficie de Respuesta Estimada


Y 83.0-84.5 84.5-86.0 86.0-87.5 87.5-89.0 89.0-90.5 90.5-92.0 92.0-93.5 93.5-95.0 95.0-96.5 96.5-98.0 98.0-99.5

98 95 92
Y

-0.1 -0.3 -0.5

89 86 83 -0.5 -0.3 -0.1 A 0.1 0.3 0.5 0.3 0.1 -0.1 -0.3 -0.5 B 0.5

-0.5

-0.3

-0.1 A

0.1

0.3

0.5

83.0-84.5 84.5-86.0 86.0-87.5 87.5-89.0 89.0-90.5 90.5-92.0 92.0-93.5 93.5-95.0 95.0-96.5 96.5-98.0 98.0-99.5

Superficie respuesta estimada en el plano con punto ptimo

Superficie respuesta estimada en el espacio

La superficie respuesta a nivel espacial nos muestra la forma en que estn ubicados los puntos experimentales, as mismo la direccin en la cual se orienta el proceso. Notamos que la zona de mayor recuperacin se ubica a menor A y mayor B. DISEO FACTORIAL CENTRADO DE TRES FACTORES
X1 -0,5 +0,5 -0,5 +0,5 -0,5 +0,5 -0,5 +0,5 0 0 0 0 0 0 0 X2 -0,5 -0,5 +0,5 +0,5 0 0 0 0 -0,5 -0,5 +0,5 +0,5 0 0 0 X3 0 0 0 0 -0,5 -0,5 +0,5 +0,5 -0,5 +0,5 -0,5 +0,5 0 0 0

Este es una nueva estrategia estadstica elaborada para los procesos donde se tiene tres factores, en este diseo se ahorra mucho tiempo, personal e insumo porque el factor de mayor orden no existe. El presente es un aporte para que la industria logre mejorar su productividad y sea de gran provecho para los estudiosos. Ejemplo 6.89 Se evala el experimento del ejemplo anterior con tres factores a dos niveles.
307

Palacios C. Severo Niveles 0 2 35 1100 B 32,5 32,5 37,5 37,5 35 35 35 35 32,5 32,5 37,5 37,5 35 35 35

Factores A: Voltaje (Voltios) B: Densidad corriente (A/m) C: Agitacin (RPM) Prueba 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 X1 -0,5 +0,5 -0,5 +0,5 -0,5 +0,5 -0,5 +0,5 0 0 0 0 0 0 0 X2 -0,5 -0,5 +0,5 +0,5 0 0 0 0 -0,5 -0,5 +0,5 +0,5 0 0 0 X3 0 0 0 0 -0,5 -0,5 +0,5 +0,5 -0,5 +0,5 -0,5 +0,5 0 0 0

1 30 700 A 1,5 2,5 1,5 2,5 1,5 2,5 1,5 2,5 2 2 2 2 2 2 2

+ 3 40 1500 C 1100 1100 1100 1100 900 900 1300 1300 900 1300 900 1300 1100 1100 1100 Y 85 86 98 97 86 88 98 96 88 89 90 92 89 89 88

Interpretacin de los efectos Si visualizamos los signos de los efectos A, B y C, notamos que son positivos, por lo tanto estn en su nivel mnimo, por lo cual debern ser maximizado, es decir que dichos factores son variables, y debern ser optimizados y establecidos sus rangos de trabajo ptimo.
Efecto Estimado X1:A 0,0 X2:B 7,25 X3:C 27,75 AB -0,25 AC -0,5 BC 0,125 Errores estndar con 8 GL

En este tipo de diseo el efecto de tercer orden no existe. Por lo tanto la suma de cuadrados para dichos efectos tampoco existe. El que tiene mayor significanca es B, seguido de C para un coeficiente de correlacin del 98,47%.
Fuente A: X1 B: X2 C: X3 308 Tabla 6.100 Anlisis de varianza SC GL CM Fo 0 1 0 0 105,125 1 105,125 318,56 1540,125 1 1540,125 4667,05 Ft(95%) 98,49 98,49 98,49

< > >

ESTADSTICA EXPERIMENTAL Aplicada a ciencia e ingeniera AB AC BC Curvatura Error Total 0,125 0,5 0,03125 13,14 0,66 1659,71 1 1 1 1 2 9 0,125 0,5 0,03125 13,14 0,33 0,38 1,51 0,095 39.82 < < < < 98,49 98,49 98,49 98,49

R = 90,6%

Siendo el modelo matemtico para el presente caso:


Y 90,6 0,0 A 3,625B 13,875C 0,125B 0,25 AC 0,0625BC

Interpretacin del modelo matemtico Si A, B y C son iguales a cero, entonces el modelo ser igual a la constante, si visualizamos el signo de dicha constante notamos que es negativo, lo cual nos indica que esta en su mximo y debe minimizarse.
Factor A B C Valor ptimo = 109,378 Bajo Alto ptimo 1,0 3,0 1,204 30,0 40,0 40,0 700,0 1500,0 1500,0

El punto ptimo del presente proceso viene establecido por la tendencia de la hiptesis planteada en un principio, siendo esto que A est en el mximo debe de minimizarse, B y C deben de maximizarse y establecer el ptimo. En la superficie respuesta visualizando el grfico (isolneas), podemos interpretar lo siguiente: el valor ptimo est a mayor B y C. Dejando constante al factor A.
1500 1300 1100 900 700 30 32 34 B 36 38 40

A=2.0

Y 81.0-83.0 83.0-85.0 85.0-87.0 87.0-89.0 89.0-91.0 91.0-93.0 93.0-95.0 95.0-97.0 97.0-99.0 99.0-101.0 101.0-103.0

A=2.0
108 103 98 93 88 83 78 30

32

34 B

36

38

1500 1300 1100 900 C 40 700

81.0-83.0 83.0-85.0 85.0-87.0 87.0-89.0 89.0-91.0 91.0-93.0 93.0-95.0 95.0-97.0 97.0-99.0 99.0-101.0 101.0-103.0

Superficie respuesta estimada en el plano con punto ptimo

Superficie respuesta estimada en el espacio

En el grafico espacial podemos visualizar el comportamiento de las isolneas de igual manera, debe de incrementarse B y C, manteniendo constante el factor A.
309

Palacios C. Severo

DISEO ROTABLE CENTRADO DE n FACTORES


X1 -0,5 0,5 -0,5 0,5 -0,5 0,5 -0,5 0,5 -0,75 0,75 0 0 0 0 0 0 0 X2 -0,5 -0,5 0,5 0,5 -0,5 -0,5 0,5 0,5 0 0 -0,75 0,75 0 0 0 0 0 X3 -0,5 -0,5 -0,5 -0,5 0,5 0,5 0,5 0,5 0 0 0 0 -0,75 0,75 0 0 0

El presente diseo rotable para ajustar un modelo de segundo orden debe tener por lo menos tres niveles en cada factor. El presente diseo es una alternativa frente a los diversos diseos existentes. El presente diseo es simple en el proceso de evaluacin de factores desde K>2, el diseo rotable esta extrado de la figura geomtrica. Ejemplo 6.90 En un proceso electroltico para la fabricacin de sales de aluminio se procedi a evaluar dos factores a tres niveles.
A: B: 0,75 1 1,25 2 1,5 3
X1 -0,5 0,5 -0,5 0,5 -0,75 0,75 0 0 0 0 0 X2 -0,5 -0,5 0,5 0,5 0 0 -0,75 0,75 0 0 0 A 1,00 1,50 1,00 1,50 0,88 1,63 1,25 1,25 1,25 1,25 1,25 B 1,50 1,50 2,50 2,50 2,00 2,00 1,25 2,75 2,00 2,00 2,00 Y 95,2 93,4 97,2 95,7 92,5 98,1 93,5 95,7 89,5 89,6 89,4

Prueba 1 2 3 4 5 6 7 8 9 10 11

Si visualizamos los signos de los efectos A=X1, y B=X2, notamos que X2 tiene signo positivos, por lo tanto estn en su nivel mnimo, por lo cual
310

ESTADSTICA EXPERIMENTAL Aplicada a ciencia e ingeniera

debern ser maximizado, es decir que dicho factor es variable, y debern ser optimizados y establecidos sus rangos de trabajo ptimo, y el factor X1 es una constante.
Efecto e Efectos interacciones cuadrticos A: X1 = -6,767 AA = 12,572 B: X2 = 3,426 BB = 19,732 AB = 0,45 Errores estndar con 5 GL

El que modelo matemtico as como la falta de ajuste son significativos y por lo tanto se ajustan al proceso con un coeficiente de correlacin del 82,611%.
Fuente A: X1 B: X2 AA AB BB Error Total Fuente Tabla 6.101 Anlisis de varianza SC Gl CM Fo Ft(95%) 18,4802 1 18,4802 5,52 < 6,61 4,0733 1 4,0733 1,22 < 6,61 52,2002 1 52,2002 15,59 > 6,61 0,0225 1 0,0225 0,01 < 6,61 40,6668 1 40,6668 12,14 > 6,61 16,745 5 3,34899 96,2964 10 R = 82,611%

Tabla 6.102 Anlisis de varianza de falta de ajuste SC Gl CM Fo Ft(95 %) Falta ajuste 16,725 3 5,575 557,5 > 19,16 Error 0,02 2 0,01 Total 16,745 5 R = 82,611%

Siendo el modelo matemtico para el presente caso:


Y 194,097 110,805X 38,426 X 44,703X 9,8617 X 0,6 X X
2 2 1 2 1 2 1 2

Si X1, y X2 son iguales a cero, entonces el modelo ser igual a la constante, si visualizamos el signo de dicha constante notamos que es positivo, lo cual nos indica que esta en su mnimo y debe maximizarse.
Factor X1 X2 Valor ptimo = 103,886 Bajo Alto ptimo 0,88 1,63 1,63 1,25 2,75 2,75

El punto ptimo del presente proceso viene establecido por la tendencia de la hiptesis planteada en un principio, siendo que X1 esta en su
311

Palacios C. Severo

mximo y debe mantenerse constante y X2 tambien esta en su mximo y deben de minimizarse y establecer el ptimo. Ambos factores tienen efecto significativo significativo en el proceso.
Grfica de Efectos Principales para Y 104 101 98

Grfica de Interaccin para Y 112 109 106 B=3 103 100 B=1 B=3 B=1

95 92 89

Y
0.75 A 1.5 1 B 3

97 0.75

Efectos significativos con tendencia cuadrtica

Interaccin en proceso cuadrtico

1.5

No existe interaccin entre ambos factores, por lo que cada factor es independiente en el proceso, si se modifica el factor X1, se mantiene el factor X2, y as sucesivamente. En la superficie respuesta visualizando el grfico (isolneas), podemos interpretar lo siguiente: el valor ptimo est a un valor mximo de X1 y un valor promedio de X2.
Contornos de la Superficie de Respuesta Estimada 3 2.6 2.2
Y 89.0-91.4 91.4-93.8 93.8-96.2 96.2-98.6 98.6-101.0 101.0-103.4 103.4-105.8 105.8-108.2 108.2-110.6 110.6-113.0 113.0-115.4

Superficie de Respuesta Estimada


Y 89.0-91.4 91.4-93.8 93.8-96.2 96.2-98.6 98.6-101.0 101.0-103.4 103.4-105.8 105.8-108.2 108.2-110.6 110.6-113.0 113.0-115.4

113 109 105 101 97 93 89 0.75 0.95 3 2.6 2.2 1.8 1.4

B
1.8 1.4 1 0.75

0.95

Superficie respuesta estimada en el plano con punto ptimo

1.15 A

1.35

1.55

1.15

1.35

1.55

Superficie respuesta estimada en el espacio

En el grafico espacial podemos visualizar el comportamiento de las isolneas de igual manera, debe de incrementarse X1 y manteniendo constante el factor X2.

312

ESTADSTICA EXPERIMENTAL Aplicada a ciencia e ingeniera

Problemas (294) El estudio experimental que se presenta, estuvo orientado a determinar las granulometras ptimas tanto en la etapa de Rougher como de Scanvenger. Se desea optimizar la recuperacin y el grado de concentracin en funcin de la molienda.
X1 -0,5 +0,5 -0,5 +0,5 0 0 0 X2 -0,5 -0,5 +0,5 +0,5 0 0 0 Y 72 70 66 64 68 68 68

Para optimizar estas dos variables, se obtuvo los modelos matemticos:


Y1 68,0 02 X 1 0,6 X 2 0,0 X 1 X 2

Desarrolle el ANAVA y la superficie respuesta Obtenga el ptimo cuando se alcanza un 68,4% (295) Se estudia un experimento de flotacin a nivel laboratorio siendo sus factores A: tiempo, B: espumante.
A: B: Y: 2 2,87 2,87 2 1,13 1,13 2 2 2 1,5 1,31 0,94 0,75 0,94 1,31 1,12 1,12 1,12 93,9 89,6 88,8 83,3 81,9 89,3 90,8 90,2 84,3

Obtenga el modelo del proceso Analice aplicando el ANAVA (296) Se efectu un proceso electroltico de fabricacin de ocre, cuyo rendimiento esta en funcin de dos variables A: cloruro de sodio, B: intensidad de corriente.
A: 10 9,2 7,7 7 7,7 9,7 8,5 8,5 8,5 B: Y: 42,5 57,7 57,7 42,5 27,3 27,3 42,5 42,5 42,5 85,5 90,6 75,4 78,8 80,3 86,6 81,5 83,5 82,6

Obtenga el modelo del proceso Analice aplicando l ANAVA Cree usted la temperatura influye en el proceso Elabore el diagrama Eh-pH De que color es el ocre producido Sin en vez de cloruro de sodio utiliza un electrolito de nitrato de sodio, cual es el producto final. (297) Se quiere evaluar un proceso en donde se nota la influencia de dos factores A: 400 - 600 y B: 3,5 - 5.
Y : 92 98 89 99 89 90 85 97 89 93 91 92 88

Obtenga el modelo
313

Palacios C. Severo

Y 92 3 A B A 0,9 B 0,9 AB

Analice mediante los mtodos de punto estacionario y cannico. (298) Un proceso electroltico, cuyo rendimiento esta en funcin de las variables A: 20 - 40 y B: 1 - 3. Obtenga el modelo y analice. (299) Con el estudio experimental se desea determinar las condiciones ptimas siendo sus factores El modelo que gobierna el estudio experimental es:
X 1 : 72 70 66 64 66 70 68 68 68 X 1 : 76 84 84 76 68 68 76 76 68 X 1 : 85 90 75 78 80 81 80 81 83 82

(300) Se estudia un experimento a nivel laboratorio siendo sus factores.


X 1 : 1,5 1,31 0,94 0,75 0,94 1,31 1,13 1,13 1,13 X2 :2 2,9 2,9 2 1,13 1,13 2 2 2 Y : 93,9 89,7 88,8 83,3 81,9 89,3 90,9 90,2 89,3

2 Y 1,411 27,5 X 1 10,13 X 2 0,22 X 12 0,083 X 2 0,034 X 1 X 2

Siendo el modelo

(301) Se estudia la lixiviacin con cido sulfrico, de una calcina, obtenida y de la tostacin en presencia de aire, con adicin de xido de calcio, en horno monosolera Bach, de un concentrado de calcopirita rico en pirita. La calcina es de la siguiente composicin: 15,91 % de cobre, 38,06% de hierro, 11,45% de azufre y 3,55% de insolubles. (302) Se estudia las variables A: concentracin de cido; B: temperatura, C: velocidad de agitacin. Siendo su vector respuesta.
Y : 62 80 60 79 67 82 59 83 77 77 78 75 75 73

2 YCu 30,98 42,39 X 1 25,9 X 2 4 X 12 3,1X 2 10,16 X 1 X 2

Obtenga el modelo Analice el ANAVA Aplique el mtodo para evaluar la curvatura (303) Dado el alto contenido de hierro de los licores de lixiviacin, que se obtienen, se procede a la purificacin del cobre con Lix 64N, a partir de licores con 3,59 g/l de cobre y 1,14 g/l de hierro, en lo que se relaciona con el efecto de alguna variables como el pH, concentracin de extraccin, relacin de fases, agitacin y concentracin de cido. Obtenindose los modelos.
2 YCu 96,94 1,23 X 1 2,23 X 2 1,15 X 12 1,16 X 2 0,5 X 1 X 2 2 YFe 12,74 1,25 X 1 1,37 X 2 3,89 X 12 4,11X 2 1,95 X 1 X 2

Analice mediante el ANAVA Establezca los rangos de las variables


314

ESTADSTICA EXPERIMENTAL Aplicada a ciencia e ingeniera

(304) Se quiere evaluar un proceso de tostacin de un concentrado sulfuroso de zinc, se requiere evaluar la temperatura y la adicin de aire, para la experimentacin se evaluaron los factores A: temperatura, B: aire. Siendo su vector respuesta.
Y : 92,4 98,5 89,9 99,5 89,1 90,5 85,7 97,8 89,2 93,8 91,1 92,4 88,6

Obtenga el modelo Analice mediante el ANAVA Establezca los rangos de las variables (305) Considere el modelo de primer orden

Donde 1 X i 1 . Determine la direccin de mximo ascenso y planifique el experimento siguiendo dicha direccin (306) Los siguientes datos fueron recogidos por un ingeniero de planta. La respuesta y es el tiempo de filtrado, X 1 es la temperatura y X2 es la presin.
X1 -0,5 0,5 -0,5 0,5 -0,75 0,75 0 0 0 0 0 X2 -0,5 -0,5 0,5 0,5 0 0 -0,75 0,75 0 0 0 Y 54 45 32 47 50 53 47 51 41 39 40

Y 50 1,5 X1 0,8 X 2

Ajuste un modelo de segundo orden, verifique su validez y analice la superficie ajustada. Cules seran sus recomendaciones si se desea minimizar el tiempo de filtrado. (307) Se desea minimizar el valor de la ceniza en la pulpa de papel (una medida de las impurezas inorgnicas). Se estudian dos variables: temperatura en C y tiempo en horas. Estas variables se codifican como se indica a continuacin: Estas variables se codifican como se indica a continuacin: temperatura 775 , tiempo 3 X X
1

Se lleva a cabo un experimento cuyos resultados se muestran a continuacin:


X1 -0,5 0,5 -0,5 X2 -0,5 -0,5 0,5 Y 211 92 216

115

1 .5

315

Palacios C. Severo 0,5 -0,75 0,75 0 0 0 0 0 0 0 0,5 0 0 -0,75 0,75 0 0 0 0 0 99 222 148 168 179 122 175 157 146 130

2 Y 150,0445 58,47059 X 1 3,3529 X 2 6,5281X 12 10,5829 X 2 0,5 X 1 X 2

Qu tipo de diseo experimental se ha usado. Es rotable. El modelo cuadrtico ajustado es


Fuente Modelo Error Total SC 30688,7 1478,22 32166,92 GL 5 6 11 CM 6137,74 246,37 Fo 24,91 > Ft(99) 8,75

Es bueno el ajuste de este modelo? Calcule el punto estacionario. Qu tipo de punto es? (Puede usar que los autovalores de la matriz son -6,89 y 0,62)
- 6.528158 0.25 0.25 10.58295

R2 = 95,04

(308) Un ingeniero est investigando la influencia de la temperatura, la presin y la concentracin del catalizador en tiempo que tar7 (309) da una reaccin en llevarse a cabo. Tras varios experimentos, el investigador ajust la funcin
Y 630 6,4989 X 1 5,2241X 2 1,3165 X 3 1,8089 X 1 X 2 7,078 X 1 X 3
2 4,706 X 2 X 3 6,091X 12 5,12 X 2 3,717 X 32

Usando un diseo central compuesto con cinco puntos centrales. Las variables codificadas son las siguientes:
X1 temperatur a (C ) 350 8

X2

presin( psi) 612 20

X3

concentracin 0.15 0.03

Hgale al investigador las sugerencias que considere. (310) Consideremos un experimento donde el objetivo es estudiar la relacin entre la frecuencia de oscilacin de un reloj de cuarzo patrn y las condiciones de humedad y temperatura. En este caso el instrumento ya cuenta con un dispositivo para minimizar los cambios de temperatura, dado que los fabricantes conocen su impacto en la frecuencia de oscilacin. Los factores seleccionados son temperatura (T) y humedad (H) y sus niveles de prueba se eligen de acuerdo a las condiciones del laboratorio; en este caso los niveles de temperatura son (22oC, 24oC) y para la humedad (20%, 50%).
316

ESTADSTICA EXPERIMENTAL Aplicada a ciencia e ingeniera

La variable de respuesta es la frecuencia de oscilacin (Y). El diseo experimental seleccionado es un factorial completo 22 con punto central que se muestran a continuacin.
Prueba 1 2 3 4 5 6 7 8 9 10 11 Temperatura (C) -0,5 0,5 -0,5 0,5 -0,75 0,75 0 0 0 0 0 Humedad (%) -0,5 -0,5 0,5 0,5 0 0 -0,75 0,75 0 0 0 Frecuencia (Hz) 99,706 99,706 99,704 99,702 99,704 99,692 99,715 99,657 99,687 99,689 99,688

En particular en el estudio presentado se muestra cmo evaluar experimentalmente la incertidumbre dada por el fabricante de un equipo para verificar su magnitud en las condiciones del propio laboratorio. Este tipo de estudios podran llevar a mejoras tanto de los equipos como de las instalaciones del laboratorio, buscando tener un menor impacto de las fuentes de incertidumbre detectadas como las ms importantes. (311) En la definicin de las variables de estudio de electrodeposicin de oro se tuvo en cuenta las condiciones impuestas por el proceso previo de desorcin de oro, sobre todo en aquellas que tienen que ver con el electrolito, como la concentracin de oro, la concentracin de cianuro de sodio e hidrxido de sodio, la conductividad, el pH y la temperatura. Con estas queda definida la referencia base para la seleccin y rango de las variables de estudio. Entre las variables mencionadas se seleccionaron el potencial aplicado, la concentracin de hidrxido de sodio y la Densidad de corriente catdica como las de mayor inters para este estudio, y como variables de respuesta se consideraron la eficiencia de corriente, el consumo de potencia, la cintica de la deposicin del oro y su recuperacin.
Factores Potencial (Vols) NaOH (g/L) DC (A/cm) Prueba 1 2 3 Potencial (Vols) -0,5 0,5 -0,5 NaOH (g/L) -0,5 -0,5 0,5 2,5 10 0,025 DC (A/cm) -0,5 -0,5 -0,5 Niveles + 3,5 20 0,075 Tiempo (min) 115,0 78,7 108,5 317

Consumo energa (Watt-h) 3,43 9,38 4,33

Palacios C. Severo 4 5 6 7 8 9 10 11 12 13 14 15 16 17 0,5 -0,5 0,5 -0,5 0,5 -0,75 0,75 0 0 0 0 0 0 0 0,5 -0,5 -0,5 0,5 0,5 0 0 -0,75 0,75 0 0 0 0 0 -0,5 0,5 0,5 0,5 0,5 0 0 0 0 -0,75 0,75 0 0 0 13,94 3,29 9,38 5,73 15,66 7,79 7,64 6,87 7,75 6,70 5,9 6,8 6,9 6,7 76,0 78,9 78,7 173,9 113,2 88,9 87,4 80,3 93,8 80,0 82,1 79,4 79,8 79,6

Se pretende minimizar el tiempo del proceso, de consumo de energa (mayor eficiencia de corriente) y menor cantidad de hidrxido de sodio a fin de optimizar las condiciones por medio de las ecuaciones logradas. Esto redunda en un beneficio econmico y practico para la recuperacin electroqumica de oro. (312) El reciclado electroqumico de los compuestos de partida en disolucin cido se ha monitorizado por anlisis de la DQO (demanda qumica de oxgeno), cromatografa de placa fina, anlisis de CG-MS y por espectroscopia de UV-VIS. El tiempo de cada electrlisis se ha calculado para circular la cantidad terica de electricidad necesaria para oxidar completamente el sustrato, a partir de las leyes de Faraday, y una concentracin de sustrato a tratar de 0,015 M en un volumen de 150 cm3. El tiempo de reaccin se ha prolongado para aquellos casos en que se observ un mejor comportamiento de la disminucin de la DQO (demanda qumica de oxgeno) al aumentar la carga elctrica. El plan experimental escogido para estudiar la influencia de las principales variables de reaccin es un diseo factorial completo 23 con ocho barridos experimentales, donde las variables escogidas y sus niveles fueron la temperatura (25 y 40C), la concentracin de electrolito (50 y 96%) y la densidad de corriente (500 y 1000 A/m2).
Factores X1: Temperatura (C) X2: Concentracin (%) X3: DC (A/m) Prueba 1 2 318 Temperatura (C) -0,5 0,5 25 50 500 Niveles + 40 96 1000 DQO 32487 725

Concentracin (%) -0,5 -0,5

DC (A/m) 0 0

ESTADSTICA EXPERIMENTAL Aplicada a ciencia e ingeniera 3 4 5 6 7 8 9 10 11 12 -0,5 0,5 -0,75 0,75 0 0 0 0 0 0 0,5 0,5 0 0 -0,75 0,75 0 0 0 0 0 0 -0,5 -0,5 +0,5 +0,5 -0,5 +0,5 -0,5 +0,5 3075 2852 2775 6525 867 4425 6320 897 4560 6871

La tecnologa propuesta se presenta como una tcnica universal para degradar compuestos nitratados aromticos en contra de la biodegradacin, en la que las especies microbianas encargadas de degradar son especficas para cada contaminante concreto y mucho ms verstil y cmoda de escalar y disear a nivel industrial que tecnologas basadas en sistemas fotocalticos. Del estudio experimental de la degradacin de los sustratos de partida se realiz en base al diseo de experimentos detallados en la tabla adjunta. La influencia de las variables tenidas en cuenta, temperatura, densidad de corriente y concentracin de electrolito, as como las interacciones entre ellas, se han estudiado estadstica y comparativamente. Se pide demostrar la influencia de dichos factores (313) El propsito de este estudio fue evaluar la remocin de slidos totales, presentes en la vinaza (destilado del alcohol), mediante procesos de electrocoagulacin-electroflotacin utilizando electrodos de aluminio y como variables de operacin pH inicial, concentracin de electrolito y densidad de corriente. Las variables evaluadas fueron densidad de corriente (DC), pH inicial y concentracin de NaCl como soporte electroltico, todas las variables en dos niveles. Los niveles usados para cada variable fueron: DC 20, 40 y 60 mA/cm2; pH 4, 7 y 9; [NaCl] 0, 2000 y 4000 ppm.
Factores X1: DC (mA/cm) X2: pH X3: [NaOH] (ppm) Prueba 1 2 3 4 5 6 7 DC (mA/cm) -0,5 0,5 -0,5 0,5 -0,5 0,5 -0,5 pH -0,5 -0,5 0,5 0,5 -0,5 -0,5 0,5 20 4 0 [NaOH] (ppm) -0,5 -0,5 -0,5 -0,5 0,5 0,5 0,5 Niveles 0 40 7 2000 + 60 9 4000 % Slidos totales Clarificado Espuma 19,81 22,73 20,95 23,49 22,59 24,00 22,09 23,77 21,73 22,77 15,05 17,25 14,56 17,92 319

Al (g) -0,5 -0,5 -0,5 -0,5 -0,5 -0,5 -0,5

Palacios C. Severo 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 0,5 -0,5 0,5 -0,5 0,5 -0,5 0,5 -0,5 0,5 -0,75 0,75 0 0 0 0 0 0 0 0 0,5 -0,5 -0,5 0,5 0,5 -0,5 -0,5 0,5 0,5 0 0 -0,75 0,75 0 0 0 0 0 0 0,5 -0,5 -0,5 -0,5 -0,5 0,5 0,5 0,5 0,5 0 0 0 0 -0,75 0,75 0 0 0 0 -0,5 0,5 0,5 0,5 0,5 0,5 0,5 0,5 0,5 0 0 0 0 0 0 -0,75 0,75 0 0 15,23 22,00 16,88 20,16 21,01 22,15 23,42 18,96 17,87 12,01 19,01 13,5 15,7 12,6 14,8 15,6 17,2 15,7 15,8 18,69 23,12 16,80 19,15 18,15 18,75 19,21 17,65 15,23 12,54 17,25 13,57 14,23 14,78 16,75 14,89 19,24 14,7 14,9

Que factor influye en el mayor desprendimiento de aluminio al desarrollar la electrocoagulacin-electroflotacin. En que regin del pH ocurre mejor el proceso. (314) La investigacin se desarroll con las aguas residuales de una industria lctea de la regin. Se tomaron muestras tanto del tanque de descargas, como del tanque de homogeneizacin; este ltimo toma las aguas del tanque de descarga de las aguas residuales de la empresa y las mezcla. A stas se le analizaron: pH, DQO, conductividad elctrica, grasas y aceites. Los anlisis se realizaron el mismo da del muestreo; de acuerdo con los resultados, se decidi que las muestras de agua para la investigacin seran recolectadas slo del tanque de homogenizacin, por ser ste el ms representativo en las caractersticas fisicoqumicas del agua residual lctea. La experimentacin se llev a cabo en un sistema para electrlisis. Este sistema opera como reactor discontinuo a escala prototipo, con capacidad para tratar dos litros de aguas residuales. Consta de una celda electroltica de dos litros en la que estn sumergidos los electrodos; estos electrodos son placas rectangulares metlicas de hierro y aluminio, dispuestas en paralelo y conectadas a una fuente de voltaje de corriente continua que proporciona la corriente elctrica requerida para la electrocoagulacin.
X1: pH X2: DC (A/m) X3: tiempo (min) 320 Factores 5 32,43 5 Niveles 0 7 37,83 10 + 8 43,23 15

ESTADSTICA EXPERIMENTAL Aplicada a ciencia e ingeniera DC (A/m) -0,5 -0,5 0,5 0,5 -0,5 -0,5 0,5 0,5 0 0 -0,75 0,75 0 0 0 0 0 tiempo (min) -0,5 -0,5 -0,5 -0,5 0,5 0,5 0,5 0,5 0 0 0 0 -0,75 0,75 0 0 0 DQO (%) 75,73 62,36 46,55 93,99 70,83 51,44 77,29 93,99 43,88 45,79 42,15 44,26 47,25 48,26 47,62 48,01 48,06

La electrocoagulacin se vislumbra como un tratamiento eficiente para la remocin de contaminantes en las aguas residuales industriales, especficamente en el caso de la industria lctea como se muestra en esta investigacin. Los tres factores bajo estudio (pH, densidad de corriente y tiempo) tienen efecto significativo sobre la remocin de DQO. El diseo de tres factores es bastante ajustado a los datos. En particular, si se tienen niveles ptimos del estudio para pH, tiempo y densidad de corriente. (315) La planificacin de los experimentos se realiz aplicando el diseo experimental factorial 2n; se analiz la influencia de la temperatura, la relacin lquido/slido y tiempo en la depuracin de especies metlicas de efluentes, manteniendo fija la velocidad de agitacin. Las variables de respuesta consideradas fueron: porcentaje de extraccin de especies metlicas (E) y selectividad (S). Esta ltima, se determin como la relacin entre la recuperacin de un componente dado y el grado de dilucin del mineral. La extraccin de Ni, Co, Fe y Mn como residuo de la depuracin de efluentes. Las condiciones experimentales y niveles de las variables se muestran en la tabla.
Factores X1: Temperatura () X2: tiempo (h) X3: Lquido/Slido (L:S) 30 1 8 Niveles 0 45 2 10 + 60 3 12

Prueba 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17

pH -0,5 0,5 -0,5 0,5 -0,5 0,5 -0,5 0,5 -0,75 0,75 0 0 0 0 0 0 0

Condiciones fijas del experimento: Velocidad de agitacin 600 rpm; pH 4,06.


321

Palacios C. Severo

YNi 72,2433 6,4475 X 1 4,1325 X 2 0,0625 X 3 2,765 X 1 X 2

Los modelos que regulan el proceso son:

R 87 ,9058

YCo 81,0333 3,58 X 1 2,255 X 2 0,3425 X 3 2,165 X 1 X 2


YMn 70,2356 6,5 X 1 4,6675 X 2 0,4925 X 3 3,2425 X 1 X 2

R 96,5456
R 90,0524

YFe 71,36 6,22625 X 1 5,24125 X 2 17,0613 X 3 1,51625 X 1 X 2 1,61125 X 2 X 3

R 95,9567

Elabore un diseo experimental que satisfaga la depuracin del efluente (316) Los residuos slidos de la lixiviacin o colas constituyen un gran problema para el ecosistema de la regin industrial; su tratamiento, disposicin y manejo son objeto de estudios con el fin de encontrar alternativas para minimizar los impactos negativos al medio ambiente. Una cuestin de inters lo constituye la recuperacin de plata y el cobre contenidos en las colas residuales, las cuales son consideradas un mineral de baja ley. Con el objetivo de recuperar especies metlicas de las colas de los procesos de lixiviacin, ya sean las resultantes del proceso cido o del proceso amoniacal, se han realizado estudios de biolixiviacin y lixiviacin qumica con cidos orgnicos producidos por los microorganismos en sus procesos metablicos. (317) En la tabla aparece la matriz experimental correspondiente al plan 23, y un experimento en el nivel central. Con este diseo de experimento se obtuvo el comportamiento de las variables de respuesta Selectividad y Extraccin de Ag y Cu. La selectividad se consider como la relacin entre la recuperacin de un componente dado y el grado de disolucin total del mineral. En todos los experimentos se mantuvieron fijos los parmetros siguientes: relacin lquido: slido: L/S=12/1 cm3 de solucin/g de cola; velocidad de agitacin: 630 rpm; tamao de partculas (0,149+0,074) mm. Se realiz el estudio del comportamiento cintico de la disolucin del Ag y Cu. Las muestras de licor de lixiviacin se colectaron a determinados intervalos de tiempo, se filtraron y analizaron por espectroscopia de absorcin atmica.
Factores X1: Temperatura () X2: tiempo (h) X3: Lquido/Slido (L:S) Prueba 1 2 3 4 5 322 T () -0,5 0,5 -0,5 0,5 -0,5 t (h) -0,5 -0,5 0,5 0,5 -0,5 30 1 1 L/S (cm/g) -0,5 -0,5 -0,5 -0,5 0,5 Niveles 0 45 3 5 + 60 5 9

% Extraccin Ag Cu 62,96 77,38 71,60 80,53 69,07 77,93 82,40 87,39 64,24 77,58

ESTADSTICA EXPERIMENTAL Aplicada a ciencia e ingeniera 6 7 8 9 10 11 12 13 14 15 16 17 0,5 -0,5 0,5 -0,75 0,75 0 0 0 0 0 0 0 -0,5 0,5 0,5 0 0 -0,75 0,75 0 0 0 0 0 0,5 0,5 0,5 0 0 0 0 -0,75 0,75 0 0 0 70,45 63,72 87,12 78,63 76,35 77,25 79,56 77,95 78,45 79,36 79,46 79,58 80,09 77,39 90,91 80,10 85,26 89,01 89,90 87,54 88,65 89,74 89,87 89,95

(318) Se controlaron 3 variables que permitieron conocer las condiciones ptimas del reactor para obtener altos porcentajes de descontaminacin y realizar el escalamiento del reactor a nivel industrial. Las variables escogidas para el estudio fueron:
Factores X1: [H2O2] (ml/L) X2: Volumen a tratar (L) X3: [TiO2] (mg/L) Prueba 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 [H2O2] (ml/L) -0,5 0,5 -0,5 0,5 -0,5 0,5 -0,5 0,5 -0,75 0,75 0 0 0 0 0 0 0 Volumen (L) -0,5 -0,5 0,5 0,5 -0,5 -0,5 0,5 0,5 0 0 -0,75 0,75 0 0 0 0 0 [TiO2] (mg/L) -0,5 -0,5 -0,5 -0,5 0,5 0,5 0,5 0,5 0 0 0 0 -0,75 0,75 0 0 0 0 4 0 Niveles 0 1 8 100 + 2 12 200 pH 3,85 3,91 5,77 5,41 3,72 5,73 8,43 5,12 4,24 4,2 4,12 4,25 4,72 3,98 4,25 4,26 4,28 Degradacin (%) 23,52 46,19 7,39 33,03 43,34 31,87 14,8 6,62 16,8 19,8 14,84 18,36 22,15 21,85 18,25 18,92 18,75

Para el estudio de estas variables se realizaron una serie de experimentos donde la variable de respuesta fue el porcentaje de degradacin medido como el porcentaje de reduccin en la DQO. Del anlisis de los datos obtenga el ANAVA, estime la respuesta ptima, adems de la superficie de respuesta, que permiten obtener un modelo estadstico que describe el comportamiento del sistema de fotodegradacin respecto a las variables experimentales estudiadas y que permitan establecer el grado de confiabilidad de los datos obtenidos.
323

Radiacin (W/m) 36,5 44,5 18,0 44,83 26,03 61,83 52,83 35,41 40,17 50,83 34,17 56,25 57,2 56,3 55,7 55,9 55,2

Palacios C. Severo

(319) Se seleccionaron modelos lineales del tipo 2n, en los que n representa el nmero de variables a estudiar. Para un diseo experimental con 3 variables (pH, dosis de coagulante y floculante), el nmero de experimentos a realizar es igual a 8. En la tabla se especifica los niveles de cada experimento para una pareja coagulante-floculante determinada. Como se observa en esta tabla los valores probados para el pH son 6 y 9, las dosis de coagulante fueron 20 y 100 mg/L y las del floculante de 0,1 y 1,0 mg/L.
Prueba 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 Floculante (mg/L) -0,5 0,5 -0,5 0,5 -0,5 0,5 -0,5 0,5 -0,75 0,75 0 0 0 0 0 0 0 Coagulante (mg/L) -0,5 -0,5 0,5 0,5 -0,5 -0,5 0,5 0,5 0 0 -0,75 0,75 0 0 0 0 0 pH -0,5 -0,5 -0,5 -0,5 0,5 0,5 0,5 0,5 0 0 0 0 -0,75 0,75 0 0 0 Concentracin residual Color DQO 47,0 84,5 45 75,0 13 60,5 22,5 55,5 188,5 105,5 180,5 138,5 40,5 82,5 40,5 42,5 35,46 36,89 33,25 42,15 36,87 45,24 39,48 46,78 42,6 44,7 45,4 46,8 42,1 47,8 43,6 47,9 42,9 48,0

Debido a la buena calidad del efluente obtenido bajo las condiciones ptimas determine el modelo de remocin de los parmetros y, con el fin de disminuir el volumen de lodos y los costos del proceso, utilice dicho modelos para realizar un anlisis de sensibilidad de respuesta con respecto a la variacin de dosis para poder reducir la cantidad de coagulante a aplicar, de tal manera de conservar niveles de remocin aceptables para los derivados.

324

ESTADSTICA EXPERIMENTAL Aplicada a ciencia e ingeniera

7
SUPERFICIE DE RESPUESTA
En estadstica, lo que desaparece detrs de los nmeros es la muerte. Gnter Grass

I.

INTRODUCCIN

La metodologa de superficie de respuesta es un conjunto de tcnicas

matemticas y estadsticas utilizadas para modelar y analizar problemas en los que una variable de inters es influenciada por otras. El objetivo es optimizar las variables de inters. Esto se logra al determinar las condiciones ptimas de operacin del sistema. II. SUPERFICIE DE RESPUESTA La relacin Y=f(X1, X2,, Xk), entre Y y los niveles de los k factores representa una superficie. Con k factores la superficie est en k+1 dimensiones. Por ejemplo cuando se tiene Y=f(X1) la superficie esta en dos dimensiones como se muestra en la superficie de respuesta lineal, mientras que si tenemos Y=f(X1, X2) la superficie est en tres dimensiones, esto se observa en la superficie de respuesta.
Superficie de Respuesta Estimada
Y 2.2 1.9 1.6 0.7-0.85 0.85-1.0 1.0-1.15 1.15-1.3 1.3-1.45 1.45-1.6 1.6-1.75 1.75-1.9 1.9-2.05 2.05-2.2 2.2-2.35 2 4 0.3 0.22 0.26 0.14 0.18 10 0.1

Y
1.3 1 0.7 0

X1

X2

Superficie respuesta lineal

Superficie respuesta espacial 325

Palacios C. Severo

Grfica de contorno La grafica de contornos facilita la visualizacin de la forma de una superficie de respuesta de tres dimensiones. En esta las curvas de los valores iguales de respuesta se grafican en un plano donde los ejes coordenados representan los niveles de los factores. Cada curva representa un valor especfico de la altura de la superficie es decir un valor especifico de Y. Esto se muestra en el grafico de contornos. Esta grafica nos ayuda a enfocar nuestra atencin en los niveles de los factores a los cuales ocurre un cambio en la altura de la superficie. Regin experimental La regin experimental especifica la regin de los valores para los niveles de los factores. Esto se puede hacer empleando los niveles actuales de operacin para cada factor, si se desea explorar el vecindario se incrementa y decrece el valor del nivel en una cantidad determinada. III. POLINOMIO DE PRIMER ORDEN Generalmente se desconoce la relacin entre la respuesta y las variables independientes, por ello requieren un modelo que aproxime la relacin funcional entre Y y las variables independientes. Este modelo provee las bases para un nuevo experimento que nos lleva hacia un nuevo modelo y el ciclo se repite. Si la respuesta se describe adecuadamente por una funcin lineal de las variables independientes se utiliza el modelo de primer orden.
Y Ao A1 X 1 A2 X 2 Ak X k
Contornos de la Superficie de Respuesta Estimada 0.3 0.26 0.22
X2
Y 0.7-0.85 0.85-1.0 1.0-1.15 1.15-1.3 1.3-1.45 1.45-1.6 1.6-1.75 1.75-1.9 1.9-2.05 2.05-2.2 2.2-2.35

0.18 0.14 0.1 0 2 4 X1 6 8 10

Grafico contornos 326

ESTADSTICA EXPERIMENTAL Aplicada a ciencia e ingeniera

Los parmetros del modelo se estiman mediante el mtodo de mnimos cuadrados. Una vez que se tiene los estimadores se sustituyen en la ecuacin y obtenemos el modelo ajustado.
Y Ao A1 X 1 A2 X 2 Ak X k

Este modelo se utiliza cuando queremos estudiar el comportamiento de las variables de respuesta nicamente en la regin y cuando no conocemos la forma de la superficie. IV. PRUEBA DE SIGNIFICANCA Para estimar los coeficientes se requieren N>k+1 valores de respuesta Y. El anlisis de los datos de las corridas se presenta en una tabla de anlisis de varianza. La tabla presenta las diferentes fuentes de variacin que contribuyen a la variacin total de los datos. La variacin total recibe el nombre de la Suma de Cuadrados Total SC, se calcula de la siguiente manera:

SC Yij Y
Donde Yij

es el valor observado de la ij-sima corrida.

La suma de cuadrados se compone por la suma de cuadrados debido a la regresin y la suma de cuadrados no toma en cuenta el modelo ajustado. La formula de la suma de cuadrados debido a la regresin es.

SC

regresin

Y Y
c

La suma de cuadrado error, que corresponde a la no tomada en cuenta, se calcula de la siguiente manera.

SC

error

Y Y
ij

En la tabla se observa un anlisis de varianza, en ella p representa el nmero de trminos del modelo ajustado
327

Palacios C. Severo Tabla 6.103 Anlisis de varianza Fuente SC Gl CM Regresin SCregresin p-1 SCR/p-1 Error SCerror N-p SCE/N-p Total SCtotal N-1

La prueba de significanca de la ecuacin de regresin ajustada tiene la siguiente hiptesis nula Ho: Todas las As (excluyendo Ao) son cero contra la alternativa HA: al menos una de las As (excluyendo Ao) es diferente de cero. La prueba supone que el error se comporta normalmente, en sta se utiliza la prueba estadstica F, el cual se calcula.
SCregresin F p 1 SCerror Np

Se compara con una F de tabla (95 99%), si F calculada excede este valor la hiptesis nula se rechaza con un nivel de confianza de . Esto significa que la variacin explicada por el modelo es significativamente mayor que la variacin inexplicable. Adems de esta prueba se puede hacer un anlisis de ajuste del modelo con la R que es la proporcin total de la variacin de las Ys con respecto a la media que se puede explicar con la ecuacin de regresin ajustada. Esta se calcula de la siguiente manera.

R2

SCregresin SCtotal

V. PRUEBA DE FALTA DE AJUSTE La falta de ajuste se presenta por la no linealidad o la curvatura de la superficie de respuesta, sta no se detecta debido a la exclusin de los trminos cuadrticos como Bii X i2 o de los trminos de productos cruzados Bijk X i X j X k que se refieren al efecto de la interaccin entre los factores. La prueba de falta de ajuste requiere que el diseo del experimento satisfaga:
328

ESTADSTICA EXPERIMENTAL Aplicada a ciencia e ingeniera

1. 2.

El nmero de los distintos puntos del diseo n, debe exceder el nmero de trminos en el modelo ajustado, es decir n>k+1, y Al menos e rplicas deben recolectar en uno o ms puntos del diseo para estimar la varianza del error.

Adems, los valores del error aleatorio deben asumir una distribucin normal e independiente con una varianza comn . Al cumplirse las condiciones anteriores la suma de cuadrados del error se compone de dos fuentes de variacin. La primera es la falta de ajuste del modelo ajustado (por la exclusin del trmino de mayor orden) y la segunda es la variacin del error puro. Para calcularlas necesitamos la suma de cuadrados calculada de las replicas que recibe el nombre de error puro de la suma de cuadrados y sustraer de la suma de cuadrados del error ste para obtener la suma de cuadrados de la falta de ajuste.
SCerrorpuro Yij Y j
2

Donde Yij es la i-sima observacin del j-simo punto del diseo

SC faltaajuste SCerror SCerrorpuro


SC faltaajuste ri Y Y i
La prueba adecuada del modelo ajustado es:
2

SC faltaajuste F n p SCerrorpuro N n
La hiptesis de suficiencia de ajuste con un nivel de significanca se rechaza cuando el valor calculado del estadstico es mayor a F tabla. Cuando F calculada no es mayor al cuadrado medio residual es utilizado para estimar y tambin se usa para probar la significan ca del modelo ajustado.
329

Palacios C. Severo

Cuando la hiptesis de suficiencia de ajuste se rechaza, se debe de elevar el grado del modelo aumentando trminos de productos cruzados y/o trminos de mayor grado en X1, X2, , Xk. Si se quieren puntos adicionales para estimar todos los coeficientes stos se aaden. Se colocan los datos y se vuelve a hacer el anlisis. Si no se rechaza la hiptesis podemos inferir que la superficie es lineal. Una vez que se tiene la ecuacin y se ha comprobado el ajuste se buscan niveles que mejoren los valores de respuesta. VI. MXIMA PENDIENTE ASCENDENTE Frecuentemente la estimacin inicial de las condiciones de operacin ptima est alejada del ptimo real, en este caso se desea moverse rpidamente a la vecindad del ptimo. El mtodo de mxima pendiente ascendente es un procedimiento para recorrer secuencialmente la trayectoria de la mxima pendiente, que nos lleva en direccin del mximo aumento de la respuesta. Cuando se desea la minimizacin se habla de la mnima pendiente de descenso. La direccin de ascenso mximo es en la que Y aumenta ms rpido, sta es paralela a la normal de la superficie respuesta ajustada. Los incrementos a lo largo de la trayectoria son proporcionales a los coeficientes de regresin A1, A2, A3. Los experimentos se llevan a cabo hasta que deje de observarse un incremento en la respuesta, entonces se ajusta un nuevo modelo de primer orden con el que se determina una nueva trayectoria y se contina con el procedimiento. Finalmente, se consigue llegar a la cercana del ptimo, esto ocurre cuando existe falta de ajuste del modelo de primer orden. Determinar trayectoria de mxima pendiente ascendente Supongamos que el punto X1=X2== Xk=0 1. Se elige un tamao de incremento en una de las variables del proceso, digamos X j, usualmente se elige la variable de la que ms se sabe, o la que tiene el mayor coeficiente de regresin. 2. El tamao de incremento en las otras variables es A X i i Aj X j 3. Se convierte X i de variable codificada a variable natural
330

ESTADSTICA EXPERIMENTAL Aplicada a ciencia e ingeniera

Ejemplo 7.91 Un investigador desea determinar las condiciones de operacin que maximicen el rendimiento de una reaccin. Dos variables controlables influyen en ste: tiempo y temperatura de reaccin. Actualmente el proceso opera con un tiempo de reaccin de 35 minutos y una temperatura de 155 F, lo que produce un rendimiento del 40%. El investigador decide que la regin de exploracin sea de 30 a 40 minutos y 150 a 160 F. En la tabla se muestran los datos, se utiliza un diseo factorial 2 aumentado en cinco puntos centrales. Las observaciones centrales sirven para estimar el error experimental y permiten probar la adecuacin del modelo de primer orden.
Variables codificadas X1 X2 + + + + 0 0 0 0 0 0 0 0 0 0 Variables naturales t T Y 30 150 39,3 40 150 40,0 30 160 40,9 40 160 41,5 35 155 40,3 35 155 40,5 35 155 40,7 35 155 40,2 35 155 40,6

Por mtodo de mnimos cuadrados se obtiene:


Y 40,44 0,755 X 1 0,325 X 2

En la tabla se muestra el anlisis de varianza, donde se observa que F de regresin es significativa al 99%
Tabla 7.104 Anlisis de varianza para el modelo de primer orden Fuente SC Gl CM Fo Ft(95%) Regresin 2,825 2 1,4125 32,84 > 18,00 Residual 0,1772 6 Falta ajuste (0,0052) 2 0,0026 0,06 < 18,00 Error puro (0,1720) 4 0,0430 Total 3,0022 8 R = 94,0976%

El modelo indica que hay que trasladarse 0,775 unidades en direccin de X1 por cada 0,325 unidades en direccin de X 2. Sabemos que la trayectoria pasa por el punto (X1=0, X2=0) y tiene pendiente 0,325/0,775. En el ejemplo se decide usar 5 minutos como incremento en el tiempo de reaccin lo que equivale a la variable codificada X1=1.
331

Palacios C. Severo

Los incrementos a lo largo de la trayectoria son:


X 1 1 y X 2 (0,325 / 0,755) 0,42

El investigador calcula puntos a lo largo de esta trayectoria y observa el rendimiento en cada punto hasta notar un decremento en la respuesta. Los resultados aparecen la siguiente tabla. Los incrementos de muestran tanto para las variables codificadas como para las naturales, esto es porque las codificadas son ms fciles de manejar matemticamente y las naturales son las que utilizamos para llevar a cabo el proceso.
Tabla 7.105 Pendiente ascendente Variable codificada Variable natural X1 X2 t T 0 0 35 155 1,00 0,42 5 2 1,00 0,42 40 157 2,00 0,84 45 159 3,00 1,26 50 161 4,00 1,68 55 163 5,00 2,10 60 165 6,00 2,52 65 167 7,00 2,94 70 169 8,00 3,36 75 171 9,00 3,78 80 173 10,00 4,23 85 175 11,00 4,62 90 177 12,00 5,04 95 179

incremento Origen Origen + Origen + 2 Origen + 3 Origen + 4 Origen + 5 Origen + 6 Origen + 7 Origen + 8 Origen + 9 Origen +1o Origen + 11 Origen + 12

Y 41,00 42,90 47,10 49,70 53,80 59,90 65,00 70,40 77,60 80,30 76,20 75,10

Se observa un incremento en la respuesta hasta el dcimo incremento, a partir del decimoprimero se produce un decaimiento en el rendimiento. Por lo tanto se debe ajustar otro modelo de primer orden en la cercana del punto (t=85, T=175) Se ajusta un nuevo modelo de primer orden alrededor del punto (t=85, T=175). La regin de exploracin para t es 80 a 90 y para T es 170 a 180. Por lo tanto las variables codificadas son:
X 1 (t 85) / 5 X 2 (T 175) / 5

Nuevamente se utiliza un diseo 2 con cinco pruebas centrales, los datos se adjuntan en la siguiente tabla.
332

ESTADSTICA EXPERIMENTAL Aplicada a ciencia e ingeniera Variables codificadas X1 X2 + + + + 0 0 0 0 0 0 0 0 0 0 Variables naturales t T 80 170 90 170 80 180 90 180 85 175 85 175 85 175 85 175 85 175

Y 76,5 77,0 78,0 79,5 79,9 80,3 80,8 79,9 79,8

El modelo de primer orden ajustado es:


Y 79,97 1,00 X 1 0,50 X 2

En la tabla se muestra el anlisis de varianza.


Tabla 7.106 Anlisis de varianza para el modelo de primer orden Fuente SC Gl CM Fo Ft(95%) Regresin 5,00 2 2,50 47,16 > 18,00 Residual 11,12 6 Falta ajuste (10,908) 2 5,454 102,91 > 18,00 Error puro (0,212) 4 0,053 Total 16,1200 8 R = 31,01%

El resultado de la prueba de falta de ajuste implica que el modelo de primer orden no es una aproximacin adecuada, por lo que se trata de una superficie con curvatura y logramos llegar a la cercana del ptimo. VII. POLINOMIO DE SEGUNDO ORDEN El modelo de segundo orden es:
Y Ao Ai X i Aii X i2 Aij X i X j

En ste caso los Ai son los coeficientes de regresin para el trmino de primer orden, los Aii son los coeficiente para los trminos cuadrticos, los Aij son los coeficientes para los trminos con interacciones y es el trmino del error aleatorio. Los trminos cuadrticos y las interacciones son de segundo orden. El nmero de trminos en la ecuacin esta dado por p=(k+1)(k+2)/2 Los parmetros del modelo se estiman mediante el modelo de mnimos cuadrados. Una vez que se tienen los estimadores se sustituyen en la
333

Palacios C. Severo

ecuacin y obtenemos el modelo ajustado con valore ptimos de respuesta.


Y Ao Ai X i Aii X i2 Aij X i X j

La significanca de los coeficientes estimados y el ajuste del modelo se prueban con la estadstica F. Una vez verificado que el modelo tiene suficiente ajuste y que los coeficientes son significativos, se procede a localizar las coordenadas del punto estacionario y se lleva a cabo un anlisis ms detallado del sistema de respuestas. Punto estacionario Suponiendo que se desea maximizar la respuesta, el mximo, si es que existe, ser el conjunto X1, X2, , Xk tal que las derivadas parciales
Y Y Y ... 0 X 1 X 2 X k

Dichos puntos X1,o, X2,0, , Xk,0 se denominan puntos estacionarios. El punto estacionario puede ser:
a) b) c) Un punto de mxima respuesta Un punto de mnima respuesta Un punto silla
a) Pendiente descendente 60 55 50
Y 44.0-47.0 47.0-50.0 50.0-53.0 53.0-56.0 56.0-59.0 59.0-62.0 62.0-65.0 65.0-68.0 68.0-71.0 71.0-74.0 74.0-77.0

b) Pendiente ascendente 60 55 50
Y 130.0-154.0 154.0-178.0 178.0-202.0 202.0-226.0 226.0-250.0 250.0-274.0 274.0-298.0 298.0-322.0 322.0-346.0 346.0-370.0 370.0-394.0

X2

X2

45 40 35 30 5 6 7 X1 8 9 10

45 40 35 30 5 6 7 X1 8 9 10

d) Silla de montar 12 11
Y 86.0-87.0 87.0-88.0 88.0-89.0 89.0-90.0 90.0-91.0 91.0-92.0 92.0-93.0 93.0-94.0 94.0-95.0 95.0-96.0 96.0-97.0

X2

10 9 8

8 X1

10

12

14

Grafica de punto estacionario de superficie respuesta de segundo orden ajustado a) Mxima b) Mnima c) Silla de montar 334

ESTADSTICA EXPERIMENTAL Aplicada a ciencia e ingeniera

Podemos obtener el punto estacionario usando la notacin matricial para el modelo de segundo orden.
Y Ao aX aBX
X1 X X 2 M X K A1 A a 2 M Ak A11 A / 2 A 21 M Ak 1 / 2 A12 / 2 A22 k k A1k / 2 A2 k / 2 Akk

Ak 2 / 2 k

En otras palabras, a es el vector (kx1) de coeficientes de regresin de primer orden, y A es una matriz simtrica (kxk) cuya diagonal principal est formada por los coeficientes de los trminos cuadrticos puros (Aii), mientras que los elementos fuera de sta corresponden a un medio del valor de los coeficientes cuadrticos mixtos (Aij, ij). La derivada de Y con respecto al vector X igualando a cero es:
Y a 2 Ax 0 X

El punto estacionario es la solucin de la ecuacin, es decir:


Xo 1 1 A a 2

Sustituyendo sta en la ecuacin matricial para el modelo de segundo orden tenemos:


Yo Ao 1 X oa 2

VIII. CARACTERIZACIN DE SUPERFICIE DE RESPUESTA Habiendo encontrado el punto estacionario es necesario caracterizar la superficie de respuesta es decir determinar si se trata de un punto de respuesta mximo, mnimo o silla. La forma directa de hacer esto es mediante la grfica de contornos del modelo ajustados, sin embargo es til un anlisis ms formal. Como una alternativa se puede expresar la forma de la superficie respuesta usando un nuevo conjunto de variables Z1, Z2, , Zk cuyos ejes representan los ejes principales de la superficie de respuesta, los cua335

Palacios C. Severo

les se interceptan en el punto estacionario como se observa. Esto da por resultado el modelo ajustado.
2 Y Yo 1 Z 12 2 Z 2 ... k Z k2

Donde: Zi i Son las variables independientes transformadas, y Son constantes

Dicha ecuacin se llama forma cannica. Las i son los valores propios y se obtienen de la matriz A.

60 70 80 90
ptimo

Superficie de respuesta en forma cannica

La naturaleza de la superficie de respuesta puede determinarse a partir del punto estacionario y del signo y magnitud de las i. Si todas las i son positivas, entonces es un punto de respuesta mnima, si todas las i son negativas, entonces es un punto de respuesta mxima y si las i tienen signos distintos entonces es un punto de respuesta silla. Ajuste de superficie de respuesta El ajuste y anlisis de una superficie de respuesta se facilita con la eleccin apropiada de un diseo experimental. Un diseo es el conjunto especfico de combinaciones de los niveles de las k variables que se utilizan al llevar a cabo el experimento. Ajuste del modelo de primer orden Una clase nica de diseo que minimiza la varianza de los coeficientes de regresin son los diseos ortogonales de primer orden. Por ortogo336

ESTADSTICA EXPERIMENTAL Aplicada a ciencia e ingeniera

nal se entiende que los elementos fuera de la diagonal de la matriz son iguales a cero, lo cual implica que los productos cruzados de la columna de la matriz x son igual a cero. Ajuste del modelo de segundo orden Un diseo experimental para ajustar un modelo de segundo orden debe tener al menos tres niveles de cada factor (-1, 0 +1). As como el diseo de primer orden se desea la ortogonalidad, en ste se desea que sea un diseo rotable. Se dice que un diseo es rotable cuando la varianza de la respuesta en algn punto es funcin solo de la distancia del punto al centro y no es una funcin de la direccin. La rotabilidad es una propiedad importante, dado que la finalidad de la superficie de respuesta es optimizar y desconocemos la localizacin del ptimo, tiene sentido utilizar un diseo que proporcione estimaciones precisas en todas las direcciones. Ejemplo 7.92 La conversin de un proceso factorial con superficies de respuesta lineal se ilustran con dos factores, presin y temperatura. El diseo de tratamientos fue un factorial 22 con rango de temperatura de 130 y 160C y presin de 325 y 475 psi como factores principales, adems se realizaron cuatro pruebas centrales a temperatura de 145C y presin de 400 psi para proporcionar una estimacin de la varianza del error experimental y evaluar si el modelo de respuesta lineal es adecuado. Las combinaciones de tratamientos y el porcentaje de conversin se muestran en la tabla 7.107.
Tabla 7.107 Conversin de un proceso con temperatura y presin Temperatura Presin X1 X2 % conversin (C) (Psi) 130 325 8 + 160 325 24 + 130 475 16 + + 160 475 32 0 0 145 400 21 0 0 145 400 23 0 0 145 400 20 0 0 145 400 24

Niveles de factores codificados Los niveles de factores codificados proporcionan un marco de trabajo uniforme para investigar los efectos de los factores en cualquier con337

Palacios C. Severo

texto experimental, ya que los valores reales de los niveles dependen de los factores especficos en el estudio. Los niveles codificados de los factores de un diseo factorial 2n son:
Xi Vi a b

Donde: Vi a b Viene a ser el valor real del factor principal Viene a ser el valor promedio del factor principal Viene a ser el salto o rango entre el mnimo nivel y el promedio

Los niveles codificados de temperatura (T) y presin (P) en la tabla 7.107.


X1
X2

T 145 15
P 400 75

Estimaciones de las respuestas lineales Las estimaciones de los coeficientes para el modelo de primer orden son:
Ao 1 8 24 16 32 20 4

A1
A2

1 8 24 16 32 8 4
1 8 24 16 32 4 4

Las estimaciones de los coeficientes lineales, A1 y A2, es la media de las estimaciones del efecto factorial para una factorial 2n. La varianza del error de las cuatro observaciones centrales del diseo y una estimacin del error estndar para las estimaciones de los coeficientes es
S2
338
2 Yi Yi N 1 N N 1 2

ESTADSTICA EXPERIMENTAL Aplicada a ciencia e ingeniera

S2

212 232 202 242 88 3,334 3 12


2

N 2 S N2

4 3,334 0,91 42

Es importante el hecho de que la varianza del error tenga una estimacin adecuada, con rplicas centrales del factorial. Si la varianza de la respuesta depende en alguna forma del nivel de factor, entonces se recomienda la rplica del diseo con las combinaciones a niveles alto y bajo del factor para detectar cualquier variabilidad heterognea entre las combinaciones del mismo. Las estimaciones de los coeficientes de regresin indican que el incremento de la temperatura o la presin, aumentar el porcentaje de conversin. La ecuacin estimada del modelo de primer orden es:
Y 20 8 X 1 4 X 2

La interaccin entre temperatura y presin TxP mide la falta de ajuste con el modelo lineal y se representa mediante el trmino A12X1X2 en el modelo cuadrtico. La estimacin del coeficiente A12 es un medio de la interaccin TxP, es decir:
A12 1 8 24 16 32 0 4

El error estndar de A12 es 0,91, el mismo que para los coeficientes lineales. La componente de interaccin estimada de 0 indica que temperatura y presin son independientes sobre el porcentaje de conversin. Puntos centrales del diseo para curvatura de la superficie Las pruebas centrales del diseo no slo proporcionan una estimacin del error experimental, tambin proporcionan un mecanismo para medir el grado de curvatura en la regin experimental. Sea Y F el promedio de las combinaciones del tratamiento del factorial 22 y Y C el promedio de los puntos centrales; existe evidencia de curvatura en la superficie de respuesta si la respuesta promedio en las coordenadas
339

Palacios C. Severo

del centro del diseo, Y C es mayor o menor que la respuesta promedio en los niveles extremos de los factores, Y F . La diferencia del valor absoluto Y F Y C es una estimacin de 11+22, donde 11 y 22 son los coeficientes de regresin cuadrtica. Las medias observadas son YF 20 y Yc 22 , con una diferencia de Y F Y C 2 . El error estndar de la diferencia se estima como
3,334(1 / 4 1 / 4) 1,29 ;

la respuesta lineal parece describir de manera

adecuada la superficie de la zona. En la grfica de las curvas de nivel para la ecuacin de respuesta lineal estimada. Los valores de los contornos ascienden conforme aumentan los niveles de temperatura y presin, las curvas de nivel crecientes indican que puede existir una combinacin de temperatura y presin para maximizar la conversin en una direccin perpendicular a las curvas. Pendiente ascendente hacia una respuesta ptima Por ltimo, el investigador querr determinar la zona de respuesta ptima; para hacerlo, se requiere localizar la regin de niveles de los factores que producen las condiciones ptimas. El mtodo de pendiente ascendente es un procedimiento desarrollado para llevar la regin experimental de la respuesta variable en una direccin de cambio mximo hacia el ptimo. Con base en la ecuacin lineal estimada Y 20 8 X 1 4 X 2 , la trayectoria de mayor pendiente, perpendicular a las curvas de igual respuesta, traslada 4 unidades en la direccin de X 2 por cada 8 unidades en la direccin de X1. De manera equivalente, la trayectoria tiene un movimiento de 4/8 = 0,5 unidades en X2 por cada unidad de movimiento en X1. La trayectoria de mayor pendiente inicia en el centro del diseo con (X1, X2) = (0, 0). En la grafica de curvas de nivel, el centro del diseo para los valores de temperatura y presin es (T, P) = (145, 400). Un cambio de X1 = 1 unidad en la direccin X1 es un cambio de 15C en la temperatura y X2= 0,5 unidades en la direccin X2 es un cambio de 37,5 psi en la presin. El objetivo es moverse a lo largo de la trayectoria de mayor pendiente hasta que se observe una respuesta mxima. El investigador realizar
340

ESTADSTICA EXPERIMENTAL Aplicada a ciencia e ingeniera

experimentos con las combinaciones de temperatura y presin a lo largo de la trayectoria de mayor pendiente.

Grfica de curvas de nivel para la respuesta lineal del % de conversin para temperatura (T) y presin (P)

En la tabla 7.108 se muestran, los niveles de temperatura y presin, a partir de (T, P) = (145, 400), puntos centrales del diseo, con cambios de 1 unidad en X1, y de media en X2, en el supuesto de que el investigador desea realizar los cambios relacionados con la modificacin de una unidad en X1.
Tabla 7.108 Pendiente ascendente de regin de respuesta mxima en % de conversin Paso X1 X2 T P 0 0 0 145 400,0 1 1 0,5 160 437,5 2 2 1,0 175 475,0 3 3 1,5 190 512,5 4 4 2,0 205 550,0 . . . . . . . . . . . . . . .

Conforme el investigador avanza por la trayectoria de la pendiente ascendente, el aumento en la respuesta es menor hasta que observa una disminucin real en ella, lo que indicar que la regin de respuesta mxima est en la proximidad de esas condiciones de temperatura y presin. En este punto del proceso, se puede disear un experimento para estimar una ecuacin polinomial cuadrtica que aproxime la superficie de respuesta.
341

Palacios C. Severo

IX. DISEOS DE SUPERFICIE RESPUESTA CUADRTICO Una vez que se identifica la regin de respuesta ptima, debe disearse un nuevo experimento para caracterizar la superficie de respuesta. En general, la superficie se aproxima por medio de una ecuacin cuadrtica para determinar la curvatura de la superficie. Los factoriales 2n o sus fracciones son diseos tiles para identificar los efectos significativos y las regiones de respuesta ptima. Sin embargo, en la regin de respuesta ptima, estos diseos no proporcionan informacin suficiente para estimar las ecuaciones de respuesta cuadrtica, pues se requieren al menos tres niveles para cada factor y el diseo debe tener 1 2n nn 1 / 2 puntos distintos para estimar los parmetros con un modelo de regresin cuadrtica para aproximar la curvatura. Las propiedades de los diseos experimentales convenientes para la estimacin de superficies de respuesta incluyen la capacidad para estimar el error experimental y tener en cuenta una prueba de la falta de ajuste del modelo. Los diseos tambin deben proporcionar estimaciones eficientes de los coeficientes del modelo y predecir las respuestas. En esta seccin se estudian varias clases de diseos desarrollados con las propiedades convenientes para la aproximacin de la superficie de respuesta de segundo orden. Factoriales 3n para estimar superficies cuadrticas Los factoriales 3n se pueden usar para estimar las ecuaciones polinomiales cuadrticas, pero el nmero de combinaciones de tratamientos que requieren produce un experimento poco prctico de gran tamao; pues mientras los diseos 3n con dos factores requieren slo 9 combinaciones de tratamientos, un diseo con tres factores requiere 27, y uno con cuatro factores requiere 81. Diseos centrales compuestos a los factoriales 3n Box y Wilson (1951) propusieron diseos centrales compuestos, que requieren menos combinaciones de tratamientos que los factoriales 3 n, para estimar las ecuaciones de la superficie de respuesta cuadrtica. Los diseos centrales compuestos son diseos de tratamientos factoriales 2n con 2n combinaciones adicionales, llamadas puntos estrella,
342

ESTADSTICA EXPERIMENTAL Aplicada a ciencia e ingeniera

a lo largo de los ejes coordinados de los niveles de factor codificados. Las coordenadas de los puntos estrella de los ejes del factor codificado son (, 0, 0, , 0), (0, , 0, , 0), . . ., (0, 0, 0, , ). En general, se agregan m rplicas al centro del diseo en las coordenadas (0, 0, , 0). Los diseos centrales compuestos se usan para aprovechar la experimentacin secuencial, el primer paso de la secuencia consiste de una serie de pruebas realizadas a lo largo de la trayectoria de mayor pendiente, como la mostrada en la tabla 7.108 En algn momento, las pruebas conducen hacia un conjunto de niveles de factores que proporciona un mximo aparente en la trayectoria. Por ejemplo, suponiendo que las respuestas en la trayectoria de mayor pendiente son las que se muestran en la grafica de mayor pendiente, con una respuesta mxima de 36 observada en T = 190C y P = 512,5 psi.

Trayectoria de mayor pendiente y un diseo central compuesto

Como segundo paso en la secuencia, el investigador realiza un nuevo experimento factorial 22, con varias rplicas al centro del diseo (T, P) = (190; 512,5). Si la diferencia Y F Y C calculada en el nuevo experimento indica un alto grado de curvatura en la superficie, el tercer paso en el experimento secuencial consiste en pruebas adicionales del experimento en lo puntos estrella (, 0) y (0, ), mostradas con cuadros en la grafica de mayor pendiente. Este ltimo conjunto de combinaciones de
343

Palacios C. Severo

tratamientos en los ejes, junto con el factorial 22 y los puntos centrales, constituye el diseo central compuesto como resultado de la experimentacin secuencial. Una rplica de un diseo central compuesto consiste de N F 2 n combinaciones de tratamientos del factorial 2n, N 2n combinaciones de tratamientos en los puntos estrella del diseo y m rplicas en el centro para obtener un total de N N F N m observaciones. Las coordenadas en los ejes codificados X1 y X2, para el diseo central compuesto con dos factores se muestra en la tabla 7.108, y la grfica donde se describe la localizacin de las coordenadas para los niveles de factores codificados del diseo central compuesto de dos y tres factores. Debido a que cada factor tiene cinco niveles, se puede estimar una ecuacin cuadrtica a partir de este diseo.
Codificado X1 X2 + + + + 0 0 0 0 0 0 Diseo Factorial

Estrella Central

Adems, como se vera en la siguiente seccin, se puede evaluar cualquier desviacin significativa de la aproximacin cuadrtica. Las N 2 n 2n m unidades experimentales necesarias para el diseo central compuesto con n factores son menos que las requeridas por los factoriales 3n con tres factores o ms. As, los diseos centrales compuestos son ms econmicos en cuanto al uso de materiales y proporcionan la capacidad de estimar las ecuaciones de respuesta. Se pueden usar fracciones de los diseos 2n con interacciones de orden mayor con alias como base del diseo 2n cuando hay ms factores en el estudio. Diseos rotatorios exploratorio de superficie de respuesta Una propiedad deseable al establecer cualquier diseo es la misma precisin para todas las estimaciones de las medias. Sin embargo, la
344

ESTADSTICA EXPERIMENTAL Aplicada a ciencia e ingeniera

precisin de los valores estimados sobre la superficie de respuesta basada en la ecuacin de regresin estimada no ser constante en toda la regin experimental. Una propiedad rotatoria desarrollada para los diseos centrales compuestos requiere que la varianza de los valores estimados sea constante en puntos equidistantes del centro del diseo con coordenadas codificadas (0,0, ..., 0).

Diseos centrales compuestos a) dos factores y b) tres factores

La rotacin de un diseo es importante en la exploracin de una superficie respuesta porque la precisin de la superficie estimada no depende de la orientacin del diseo con respecto a la superficie respuesta real o a la direccin de la bsqueda de las condiciones ptimas. Los factoriales 2n usados como diseo exploratorios para aplicar el mtodo de bsqueda de la mayor pendiente en zonas de respuestas ptimas son diseos rotatorios. As, la orientacin del diseo no dificulta el mtodo de bsqueda de la pendiente ascendente porque algunas respuestas se estiman con menor precisin que otras. El diseo central compuesto es rotatorio estableciendo los valores de los puntos estrella como 2n 1/ 4 , El valor de para un diseo de dos factores es 41 / 4 2 1,414 , y para un diseo de tres factores 1/ 4 8 1,682 . Si hay rF rplicas del factorial 2n y r, rplicas de las combinaciones estrella, una forma ms general para es 1/ 4 rF 2 n / r , si se usa un factorial fraccionario 2n-p como base para el diseo central compuesto, entonces rF 2 n p / r .
1/ 4

345

Palacios C. Severo

Ejemplo 7.93 Establecida la trayectoria de mayor pendiente para el estudio de % de conversin en la tabla 7.109 se proporcion una respuesta mxima en T = 190C y P = 512,5 psi y debe construirse un diseo central compuesto con centro en (T, P) = (190; 512,5); y que la relacin entre las coordenadas del diseo (X1, X2) y los niveles de temperatura y presin (T, P) se conservan como antes, donde un cambio de una unidad en X 1, es 15C y un cambio de una unidad en X2 es 75 psi. Con 2 , las coordenadas del diseo y la temperatura y presin requeridas sern:
Codificado X1 X2 + + + + 0 2 0 2 0 2 0 2 0 0 Original T P 175 437,5 205 437,5 175 587,5 205 587,5 168 512,5 211 512,5 190 406,4 190 618,6 190 512,5 Diseo Factorial

Estrella Central

Punto estacionario en el centro del diseo Como se estableci antes, la varianza de la superficie estimada no es constante para toda la superficie. Box y Hunter (1957) mostraron que el nmero de puntos centrales en los diseos centrales compuestos rotatorios puede elegirse de manera que proporcione un diseo con precisin uniforme para la superficie estimada de una unidad alrededor de las coordenadas del centro del diseo en la escala codificada.
Tabla 7.109 Diseos centrales compuestos rotatorios con precisin uniforme Factores 2 3 4 5 5 6 6 Factor 2n 1 1 1 1 1 1,41 1,682 2,00 2,378 2,00 2,828 2,378 N 4 8 16 32 16 64 32 N 4 6 8 10 10 12 12 5 6 7 10 6 15 9 m 13 20 31 52 32 91 53 N
F

Su razonamiento fue que el investigador est ms interesado en la superficie de respuesta cerca del centro del diseo cuando un punto estacionario de la superficie se localiza cerca del centro; el punto estacionario es un punto de respuesta mxima, mnima o con forma de silla. En la tabla 7.109 se muestran algunos diseos centrales rotatorios compuestos con precisin uniforme.
346

ESTADSTICA EXPERIMENTAL Aplicada a ciencia e ingeniera

Los diseos centrales compuestos requieren cinco niveles de cada factor, codificados como - a, - 1, 0, 1, +a. En algunos casos, preparar cinco niveles para algunos factores puede ser difcil, costoso y mucho tiempo. El diseo de cubo con cara centrada es una variacin del diseo central compuesto con a = 1 que requiere slo tres niveles de cada factor. Si se sustituye a = 1 en la tabla 7.109, el diseo de dos factores se convierte en un factorial 32, diseo ms atractivo cuando la regin de inters tiene forma de cubo producida por este diseo en lugar de la regin esfrica producida por el diseo central compuesto. El diseo no es rotatorio, pero la ausencia de esta propiedad se compensa por el deseo de poder hacer inferencias cuboidales y por el ahorro en recursos experimentales. El cubo con cara centrada requiere menos corridas en el punto central que el diseo central compuesto para lograr una varianza estable de los valores estimados en la regin del diseo, pero debe recordarse que se necesitan corridas rplica en algn punto o puntos del diseo para estimar la varianza del error experimental. Un diseo de cubo con cara centrada para tres factores o ms requiere menos combinaciones de tratamientos que los factoriales 3n; entonces, sta es otra alternativa para los diseos 3 n que requiere menos unidades experimentales. Diseos Box-Behnken, alternativa para los factoriales 3n Box y Behnken (1960) propusieron una clase de diseos de tres niveles para estimar las superficies de respuesta de segundo orden. Los diseos son rotatorios, o casi rotatorios, con menor nmero de unidades experimentales en comparacin con los diseos 3n. Se forman con la combinacin de diseos 2n y diseos de bloques incompletos; los detalles de la construccin se encuentran en Box y Draper (1987) y los niveles de factores codificados para las combinaciones de tratamientos necesarios en un diseo para tres factores, donde se presenta un conjunto completo de las combinaciones de tratamientos para un factorial 2n para cada par de factores acompaados por el nivel 0 de los factores restantes. Se incluyen varias rplicas del centro del diseo (0, 0, ..., 0). Estos diseos son esfricos ms que cuboidales puesto que los puntos del diseo se encuentran en las orillas de un cubo en lugar de las esquinas como los del diseo de cubo con cara centrada. El diseo de
347

Palacios C. Severo

Box-Behnken slo debe usarse si no se tiene inters en predecir las respuestas en las esquinas de la regin cuboidal.
Factor Nivel codificado Factorial 22 para A y B Factorial 22 para A y C Factorial 22 para B y C Central A X1 + + + + 0 0 0 0 0 0 0 B X2 + + 0 0 0 0 + + 0 0 0 C X3 0 0 0 0 + + + + 0 0 0

Diseos de bloques incompletos Los diseos de bloques incompletos son tiles para reducir la varianza del error experimental cuando el nmero de tratamientos es grande o cuando las condiciones experimentales impiden la ejecucin de rplicas completas bajo circunstancias constantes. Box y Hunter (1957) presentaron las condiciones de bloques de los diseos de superficie de respuesta de segundo orden, de manera que los efectos de los bloques no afectan las estimaciones de los parmetros para la ecuacin de la superficie de respuesta. Mostraron que deben satisfacerse dos condiciones para que los bloques sean ortogonales a las estimaciones de los parmetros de la ecuacin de la superficie de respuesta. Sea nb, el nmero de tratamientos en el b-simo bloque; las dos condiciones necesarias son: 1. Cada bloque debe ser un diseo ortogonal de primer orden. Para cada bloque debe cumplirse la siguiente relacin para cada par de variables de diseo x, y x,:

X
k 1

nb

ik

Xj 0
k

i j 0,1,1,..., n

2. La fraccin de la suma de cuadrados total para cada variable de diseo que aporta cada bloque debe ser igual a la fraccin de las observaciones totales colocadas en el bloque. Entonces, debe
348

ESTADSTICA EXPERIMENTAL Aplicada a ciencia e ingeniera

cumplirse la siguiente relacin entre las variables de diseo y el nmero de observaciones para cada bloque:

X
k 1 N k 1

nb

2 ik 2 ik

XX

nb N

i 1,2,..., n

Una estrategia sugerida para los bloques de diseos centrales compuestos coloca los tratamientos NF para el diseo 2n y mF puntos centrales en un bloque, y los N, tratamientos axiales con m, puntos centrales en un segundo bloque. Este arreglo de bloques satisface la primera condicin. El diseo rotatorio central compuesto para dos factores dispuestos en dos bloques se muestra en el siguiente cuadro. El primer bloque se compone de NF = 4 combinaciones de tratamientos del factorial de 2n ms mF = 2 puntos centrales, y el segundo bloque consiste en N = 4 combinaciones de tratamientos estrella ms m = 2 puntos centrales. Los clculos necesarios para evaluar la primera condicin de un diseo de bloques ortogonal son las sumas de los productos cruzados entre X1, y X2 en cada bloque. Es sencillo verificar que X1X2 = 0 en ambos bloques.
Factor Nivel codificado Bloque I A X1 + + +1,414 -1,414 0 0 0 0 0 B X2 + + 0 0 +1,414 -1,414 0 0 0

Bloque II

Central

Para el diseo completo:

X i2k X 22k 8
k 1 k 1

12

12

y tanto para el bloque 1 como el bloque 2:


349

Palacios C. Severo
6 6

X
k 1

2 ik

2 X 2k 4 k 1

El nmero de observaciones del tratamiento en los bloques 1 y 2 es n1 = n2 = 6 y el nmero total de observaciones es N = 12, con una razn n1/N = 6/12 = 1/2. La segunda condicin, requiere de la razn de las sumas de cuadrados de X1 y X2 en cada bloque para que todo el experimento sea igual a ni/N. Para ambos bloques la razn de la suma de cuadrados es 4/8 = 1/2, que es equivalente a la razn para ni/N, por tanto, el diseo es ortogonal. Para que se satisfaga la segunda condicin, debe cumplirse la siguiente relacin:

2 n
Donde: p = ma/N y pF = mF/NF.

1 p 1 pF

Para que el diseo satisfaga las dos condiciones y sea rotatorio 1/ 4 2 n rF / r . No siempre es posible encontrar un diseo que cumpla con exactitud con
S

Yi , Yi N 1 N ( N 1)
2

pero en la prctica, los valores del

nmero de observaciones del diseo se pueden determinar de forma que se obtengan diseos con bloqueos casi ortogonales y rotatorios. Box y Draper (1987) ofrecen las proporciones relativas de rF y r necesarias para los diseos rotatorios y bloques ortogonales cuando p=pF. Para el diseo rotatorio central compuesto, la fraccin de observaciones centrales en cada bloque es p=pF=1/2 y 2 . Al evaluar la condicin de rotabilidad y ortogonalidad se tiene:
2 n 2 2 1 pF 1 1 / 2

1 p

1 1 / 2

como lo requiere la rotabilidad.

350

ESTADSTICA EXPERIMENTAL Aplicada a ciencia e ingeniera

Los diseos centrales compuestos rotatorios enumerados en la tabla 7.110 se pueden colocar en diseos de bloques incompletos tiles para obtener diseos centrales compuestos casi ortogonales y rotatorios. El factorial 2n o el factorial fraccionario 2n-p se coloca en uno o ms bloques incompletos y las combinaciones de tratamiento axiales se colocan en un bloque separado. En la tabla 7.108 se muestran el nmero de bloques y el nmero de puntos centrales sugeridos en cada bloque para el factorial 2n o el factorial fraccionario.
Tabla 7.110 Diseo de bloques incompletos para diseos centrales compuestos Nmero factores 2 3 4 5 5 6 6 Fraccionado 2n 1 1 1 1 1 NF 4 8 16 32 16 64 32 mF 2 2 2 4 2 2 2 Nmero bloques 1 2 2 4 1 8 2 a 1,414 1,682 2,00 2,378 2,00 2,828 2,378 N 4 6 8 10 10 12 12 m 2 2 1 1 4 1 4

Reduccin del nmero de puntos de diseo El costo, la dificultad y el tiempo con cierto tipo de experimentos pueden obligar a reducir el tamao del experimento, pero tal reduccin est limitada por el modelo estadstico que estima la superficie de respuesta. La ecuacin de la superficie de respuesta de segundo orden para n factores tiene un trmino constante, n trminos lineales, n trminos cuadrticos y n(n-1)/2 trminos de interaccin, con un total de (n+1)(n+2)/2 trminos. As, el nmero mnimo de puntos de un diseo para estimar la superficie de respuesta de segundo orden es (n+1)(n+2)/2. La mayora de los diseos se basan en factoriales fraccionarios 2 n-p incrementados con puntos de diseo para estimar los modelos de superficie de respuesta de segundo orden. En muchos casos los diseos se saturan con puntos de diseo con pocas o ninguna rplica y se requiere una estimacin independiente del error experimental para probar la eficacia del modelo de la superficie de respuesta, a menos que el diseo tenga rplicas. Adems, los diseos saturados no permiten probar la falta de ajuste del modelo hipottico de la superficie de respuesta de segundo orden. Evaluacin de los diseos de superficie de respuesta Myers et al. (1992) usaron la prediccin de la varianza de la ecuacin de la superficie de respuesta de segundo orden para evaluar muchos
351

Palacios C. Severo

de los diseos conocidos de esta superficie, considerando que un diseo era superior si la varianza de los valores pronosticados era menor que la de los otros diseos. Los diseos centrales compuestos fueron superiores en general para superficies esfricas cubiertas por puntos de diseo. Cuando los diseos se restringieron a las regiones cuboidales (a=1), el diseo de cubo con cara centrada formado por el diseo central compuesto, en general, era superior que el diseo de Box-Behnken en la regin cuboidal. X. SUPERFICIE DE RESPUESTA CUADRTICA

Cuando se ha identificado la regin de respuesta ptima mediante el mtodo de la pendiente ascendente o algn otro mtodo de experimentacin, suele ser necesario determinar la superficie de respuesta en esa regin de los factores. Con los diseos descritos en la seccin anterior, se pueden realizar experimentos y obtener datos para estimar una aproximacin cuadrtica de la superficie de respuesta. La ecuacin de respuesta estimada permitir al investigador localizar un punto de respuesta estacionario que quiz sea un mximo, un mnimo o un punto de deflexin en la superficie. Un examen de las curvas de nivel indicar qu tan sensible es la variable de respuesta a cada factor y el grado en que los factores afectan a las variables de respuesta. Ejemplo 7.94 Una compaa usara una nueva herramienta de corte que ofrece un proveedor, ste asegura que la nueva herramienta reducir los costos de produccin porque durar ms que el modelo anterior y el costo de reemplazo de la herramienta se reducir. La vida de una herramienta de corte de metales depende de varias condiciones de operacin como la velocidad del torno y la profundidad de corte.
Tabla 7.111 Duracin de una herramienta, en funcin de la velocidad del torno y la profundidad de corte como factores de tratamiento, en un diseo central compuesto Codificados Originales Vida de herramienta X1 X2 Velocidad Profundidad + + 600 0,100 154 + 600 0,050 132 + 200 0,100 166 200 0,050 83 0 683 0,075 156 2 0 117 0,075 144 2 400 0,110 166 2 0 352

ESTADSTICA EXPERIMENTAL Aplicada a ciencia e ingeniera 0 0 0 0 0 0 0


2

0 0 0 0 0 0

400 400 400 400 400 400 400

0,040 0,075 0,075 0,075 0,075 0,075 0,075

91 167 175 170 176 156 170

El ingeniero de planta haba determinado mediante estudios anteriores que la vida mxima de la herramienta se lograba, para la herramienta actual, con una velocidad de 400 y una profundidad de corte de 0,075. El ingeniero, que deseaba determinar la situacin ptima para la nueva herramienta, us un diseo central compuesto en un experimento para determinar la vida de la nueva herramienta al variar las velocidades del tomo y las profundidades de corte dentro de la regin de condiciones de operacin ptimas urgentes para la vida mxima de la herramienta. Los datos del experimento se muestran en la tabla 7.111. Ecuacin de superficie de respuesta estimada El modelo de la superficie de respuesta de segundo orden se ajusta a los datos mediante los procedimientos de regresin de mnimos cuadrados. La ecuacin se puede estimar con un programa de computadora para anlisis de regresin. La ecuacin de la superficie de respuesta de segundo orden estimado para los datos de la vida de la herramienta de la tabla 7.111 es:
2 Y 169 6,747X1 26,385X2 10,875X12 21625X2 15,25X1 X2 ,

Sumas de cuadrados para el anlisis de regresin La suma de cuadrados en el anlisis de varianza para el modelo de regresin se muestra en la tabla 7.112. Las sumas de cuadrados para el modelo de segundo orden completo son:
SC R X
1 2 , X 2 , X 12 , X 2 , X 1 X 2

10,946

Se hace una particin de la suma de cuadrados de regresin en reducciones para el modelo lineal y las componentes cuadrticas del mode-

353

Palacios C. Severo

lo, con el principio de particiones de sumas de cuadrados del modelo reducido y el modelo completo. La particin para las componentes lineales del modelo, X1 y X2, o:
SCR X 1 , X 2 5,933
Tabla 7.112 ANAVA para modelo se superficie respuesta cuadrtico Fuente SC Gl CM Fo(99%) Regresin 10946 5 2189,2 > 47,18 Lineal 5933 2 2966,5 > 63,93 Cuadrtico 5013 3 1671,0 > 36,01 Error 371 8 46,4 Falta de ajuste 111 3 37,0 Error puro 260 5 52,0 Total 11317 13 R = 96,7217%

Es la suma de cuadrados de la regresin para el modelo reducido de primer orden Y Ao A1 X 1 A2 X 2 . La particin para las componentes cuadrticas es la diferencia entre la suma de cuadrados de regresin para el modelo completo y el modelo reducido, es decir:
SC R ( X 2 X 2 X X
1 2 1 2

X1 X 2 )

10946 5933 5013

Se hace una particin de la suma de cuadrados para el error, SC E = 371 en dos partes. La suma de cuadrados para el error puro, SC E(error puro) = 260, con 5 grados de libertad se calcula a partir de las seis rplicas observadas en el centro del diseo con coordenadas de factor (V, D)=( 400; 0,075). Las suma de cuadrados para el error con los 3 grados de libertad restantes, SCE(falta de ajuste) = 111, se pueden atribuir al error en la especificacin del modelo de superficie de respuesta. Como los seis puntos centrales del diseo proporcionan una estimacin del error experimental puro, la suma de cuadrados designada como falta de ajuste se puede usar para probar la significanca de la falta de ajuste en el modelo cuadrtico. Pruebas de hiptesis para el modelo de segundo orden Las hiptesis de inters en el anlisis son: Significanca del modelo completo de segundo orden:

H o : A1 A2 A11 A22 A12 0


354

ESTADSTICA EXPERIMENTAL Aplicada a ciencia e ingeniera

Fo

2189,2 42,1 52

Ho se rechaza, ya que Fo > F(95%) = 5,05 Significanca de las componentes lineales para el modelo:

Ho : A1 A2 0
Fo 2966,56 57,04 52

Ho se rechaza, ya que Fo > F(95%) = 5,0579 Significanca de las desviaciones cuadrticas del modelo lineal:
H o : A11 A22 A12 0
Fo 1671 32,1 52

Ho se rechaza, ya que Fo > F(95%) = 5,41 Significanca de la falta de ajuste al modelo cuadrtico:
Fo 37 0,71 52

Ho se rechaza, ya que Fo > F(95%) = 5,41 El modelo de regresin cuadrtica completo es significativo y la falta de ajuste al modelo cuadrtico no lo es; entonces se puede concluir que el modelo de segundo orden es una aproximacin adecuada a la superficie de respuesta real. Una grfica de curvas de nivel del modelo de superficie de respuesta cuadrtico descrito en la grafica de curvas de nivel muestra una superficie mxima con la mxima duracin de la herramienta en el centro de las curvas. Las coordenadas de la grfica de las curvas de nivel se despliegan para los valores codificados de los dos factores. La orientacin de los contornos indica cierta interaccin entre la velocidad del torno X1 y la profundidad de corte X2; por ejemplo, la vida de una herramienta de
355

Palacios C. Severo

corte de 150 se puede mantener para velocidades mayores, si se incrementa X1 y se disminuye la profundidad de corte, X2.

Grfica de curvas de nivel de la superficie de respuesta para la ecuacin de respuesta en el experimento de la vida de la herramienta.

Las curvas tambin indican la sensibilidad relativa de la vida de la herramienta a los niveles de los factores codificados X1 y X2. Las curvas de la vida de la herramienta aumentan con mayor rapidez cerca del mximo sobre el eje de profundidades codificadas X2 que sobre el eje de las velocidades codificadas X1. XI. EXPLORACIN DE SUPERFICIES DE RESPUESTA La ecuacin cuadrtica significativa y la grfica de curvas de nivel de la ecuacin proporcionan un panorama general de la relacin entre la vida de la herramienta y los dos factores del diseo, velocidad del torno y profundidad de corte. Las estimaciones de las coordenadas del punto estacionario en la superficie y una estimacin de la respuesta en ese punto proporcionan una definicin ms especfica de la superficie de respuesta. En ocasiones, es til conocer la direccin y cantidad de cambio hecho en uno o varios niveles de los factores para lograr el cambio mximo en la respuesta. Es posible determinar de manera ms especfica la sensibilidad de la respuesta a los factores del diseo con la forma cannica de la ecuacin de respuesta. Localizar las coordenadas del punto estacionario y derivar la forma cannica de la ecuacin de respuesta requieren cierto conocimiento de clculo y lgebra matricial.
356

ESTADSTICA EXPERIMENTAL Aplicada a ciencia e ingeniera

Sin embargo, los resultados de los clculos se entienden cuando se presentan con la forma grfica de curvas de nivel. Punto estacionario de la superficie de respuesta Las coordenadas X1 y X2 del punto estacionario se obtienen de las derivadas parciales de la funcin de respuesta estimada respecto a X1 y X2. La respuesta estimada para la duracin de la herramienta es:
2 Y 169 6,747 X 1 26,385X 2 10,875X 12 21,625X 2 15,250 X 1 X 2

Las derivadas parciales se igualan a 0:


Y 0 X 1
Y 0 X 2

para producir las ecuaciones:


2 10,875X 1 15,250X 1 10,250X 2 2 21,625X 2 6,747 26,385

Las soluciones de las ecuaciones para X1 y X2 son X1S=-0,156 y X2S=0,665. Estos valores son las coordenadas de la respuesta mxima sobre la superficie en el punto estacionario indicado en la Grfica de curvas de nivel. La respuesta estimada en el punto estacionario se encuentra al sustituir X1S=-0,156 y X2S=0,665 en el modelo; la respuesta estimada en el punto estacionario es.
YS 169 6,747 0,156 26,3850,665 10,875 0,156 21,6250,665
2 2

15,250 0,1560,665 177,25

Dado:
X 1 V 400 / 200

X 2 D 0,075/ 0,025
357

Palacios C. Severo

Los valores de la velocidad del torno (V) y la profundidad de corte (D) en el punto estacionario son:
V 0,156200 400 368,8
D 0,6650,025 0,075 0,092

Anlisis cannico para simplificar la ecuacin cuadrtica La forma cannica de una ecuacin cuadrtica es eficaz para visualizar la superficie y determinar la sensibilidad relativa de las variables de respuesta a cada factor. Es difcil visualizar la superficie mediante el examen de los coeficientes estimados para la forma normal de la ecuacin de respuesta cuadrtica. De la misma manera, es difcil determinar los cambios necesarios en los niveles de los factores para producir un cambio especfico en la respuesta. El anlisis cannico gira los ejes de las variables Xi a un nuevo sistema de coordenadas y el centro de este nuevo sistema se coloca en el punto de respuesta estacionario de la superficie. La forma cannica de la ecuacin con dos variables es:
2 Y YS 1Z12 2 Z 2

Donde: Z1 y Z2 son las variables de los ejes rotados. Observe que slo se incluyen los trminos cuadrticos de las variables cannicas Z1 y Z2 en la forma cannica de la ecuacin de respuesta. La forma cannica para la ecuacin de respuesta de la vida de la herramienta es:
2 Y 177,25 25,58Z12 6,92Z 2

Donde el centro del nuevo sistema de coordenadas se localiza en X1=0,156 y X2=0,665 en el sistema de coordenadas original mostrado en la grfica de curvas de nivel. Se determin que la relacin entre los dos sistemas de coordenadas es:
358

ESTADSTICA EXPERIMENTAL Aplicada a ciencia e ingeniera

Z1 0,4603X 1 0,8877X 2 0,5185 Z 2 0,8877X 1 0,4603X 2 0,4446

Observe que los ejes cannicos Z1 y Z2 estn orientados junto con las curvas de nivel de la superficie. Los tamaos y signos de las , indican el tipo de superficie de respuesta cuadrtica que se estim. Los coeficientes , para la superficie de la vida de la herramienta son 1 =-25,58 y 2 = -6,92, un examen de la superficie en la Grfica de curvas de nivel revela que cualquier movimiento que se aleja del centro del sistema de coordenadas Z1, Z2 tiene como resultado una disminucin en la respuesta. As, cuando todos los coeficientes , son negat ivos la superficie es mxima, como en el caso de la superficie de la vida de la herramienta. Si los coeficientes , son positivos, entonces el resultado de cualquier movimiento que se aleja del centro del sistema de coordenadas Z1, Z2 es un incremento en la respuesta y la superficie es mnima como se muestra en la figura 7.2a. Si un coeficiente es positivo y los dems negativos, digamos 1 > 0 y 2 < 0, entonces cualquier movimiento que se aleja de (0, 0) a lo largo del eje Z, aumenta la respuesta y si se aleja por el eje Z, la disminuye. As, la superficie es minimax o con forma de silla en el punto estacionario. Si una de las 1 = 0, la superficie es una cresta estacionara porque la respuesta no cambia en los ejes Z1. Las longitudes de los ejes principales de las elipses formadas por las curvas de nivel son proporcionales a 1/ 2 . Para la superficie de la vida de la herramienta
25,58
1 / 2

0,20

6,92

1 / 2

0,38 ,

y la superficie ajustada

se atena a lo largo del eje Z, como se ve en la grfica de curvas de nivel. Para explicarlo, supongamos que la velocidad del torno y la profundidad de corte para una vida mxima en las coordenadas X 1 0,156 y X 21 0,665 no eran prcticas. El menor cambio en la duracin de la herramienta cuando cambian la velocidad del torno y la profundidad de corte se exhibe en la superficie en la direccin del eje Z 2 cuando Z1 = 0. Las coordenadas X1 y X2 en el eje Z2 cuando Z1 = 0 se pueden obtener de la primera ecuaciones cannica. La prdida mnima en la vida de la herramienta se encuentra en los valores de X 1 y X2 que satisfacen 0,4603X1 + 0,887X2 - 0,5185 = 0.
359

Palacios C. Severo

Los coeficientes de X1 proporcionan informacin acerca de las relaciones de velocidad del torno y la profundidad de corte con la vida de la herramienta. Considerando que los coeficientes para la ecuacin que relacionan Z2 con X1 y X2, Z2 = 0,887X1 0,4603X2 + 0,4446. El par de coeficientes (0,8877; -0,4603) indican una compensacin entre la velocidad del torno y la profundidad de corte en la vida til, porque en cierto grado, un incremento en la velocidad del torno se puede compensar con una disminucin en la profundidad de corte sobre el eje Z2. La ecuacin de respuesta estimada en forma original o en forma cannica slo es vlida para la zona de los niveles de los factores incluida en el experimento. Cualquier intento para estimar la vida de la herramienta fuera de los lmites acotados por las velocidades de 117 a 683 y las profundidades de 0,04 a 0,1 1 ser engaoso, por lo que es necesario un modelo de respuesta por completo diferente para determinar la duracin de la herramienta fuera de la regin de este estudio. Ejemplo 7.95 Se estudian dos factores a tres niveles, con la finalidad de maximizar la recuperacin de iones metlicos contaminantes que se encuentran presentes en un efluente natural a travs de la resina AO, as mismo se requiere minimizar dicha contaminacin natural. El tercer nivel (central) sirve para evaluar la varianza del error de las pruebas desarrolladas experimentalmente. De esa manera tambin evaluamos el error que cometemos cada uno de nosotros.
Factores Resina Orgnica AO pH 0.4 2.5 Niveles 0 0.6 3 + 0.8 3.5

En este caso se quiere optimizar el proceso por lo que deber desarrollarse los siguientes pasos: Primero: visualizamos los factores y vemos el comportamiento individual de cada uno de ellos, en funcin del tiempo, con la finalidad de poder establecer la influencia que tienen las variables sobre el proceso y de esa manera desarrollar el anlisis que nos reafirmara lo acontecido.
360

ESTADSTICA EXPERIMENTAL Aplicada a ciencia e ingeniera

La Resina Orgnica AO en funcin del tiempo vara en forma polinomial, por lo tanto es un factor cuadrtico. El pH de cualquier proceso en funcin del tiempo es siempre lineal.

Por lo tanto como una funcin cuadrtica tiene mayor influencia sobre una funcin lineal entonces el proceso es cuadrtico. Segundo: verificamos s existe o no interaccin en el proceso. S no existe interaccin entonces dicha prueba ser acumulada en el anlisis en el error. Tercero: analizamos la varianza del error mediante las pruebas repetidas los cuales debern ser mayores de 3 y menores de 6 experimentos para cualquier caso. La evaluacin de la varianza del error se desarrolla aplicando la siguiente relacin:
S

N 1

N N 1

Y
i

Cuarto: visualizamos los valores del vector respuesta, tan solo los valores del factorial, los puntos (1,3) y (2,4), intercalado, si los valores
361

Palacios C. Severo

son ascendentes el proceso es lineal, pero si los valores son descendentes el proceso el cuadrtico. Lo cual confirmar o rechazar nuestra hiptesis planteada en primer trmino.
Prueba 1 2 3 4 5A 5B 5C AO 0.4 0.8 0.4 0.8 0.6 0.6 0.6 pH 2.5 2.5 3.5 3.5 3 3 3 Y 75.93 94.58 30.33 62.34 70.82 71.28 69.71

Nota: al analizar el vector respuesta, solo los valores del factorial, tendremos en cuenta las siguientes caractersticas con el fin de poder establecer la linealidad o cuadratura del proceso en estudio.
1 100 . . . . . . 100 1 Comportamiento Ascendente Descendente

Lineal

Cuadrtico

Como notamos los valores del vector respuesta nos da una idea que el proceso es cuadrtico, debiendo de confirmar dicho anlisis numricamente, ver Anlisis de Linealidad de los Factores. Calculo de varianza Para el clculo de varianza deber procesar los valores repetidos del vector respuesta:
S 70,82 71,28 69,71 211,81 0,64745 2 6
GLerror N 1 2 SCerror S N 1 0,647452 1,2949

Interpretacin: notamos que el valor de la varianza del error es pequeo 0,64745, (tal como se visualiza en la campana de Gauss el error debe fluctuar entre 0 a 1 para desarrollar un trabajo ptimo) por lo
362

ESTADSTICA EXPERIMENTAL Aplicada a ciencia e ingeniera

tanto las pruebas del error demuestran que el proceso esta siendo desarrollado de una manera adecuada.
1

Aceptacin

La campana Gauss, nos indica que el valor de la varianza del error se encuentra dentro del rea de aceptacin, si se ubica fuera de esta entonces el error que se comete no es aceptable para poder comparar valores con los factores. Al realizar pruebas experimentales factoriales y centrales (error), se establece la existencia de curvatura o linealidad, debiendo desarrollar la siguiente ecuacin en valor absoluto a fin de comprobar lo establecido.
Y
F

Existen dos casos: > 1, cuando es mayor de uno es cuadrtico < 1, cuando es menor de uno es lineal
YF YC

Representa el promedio de los valores del vector respuesta del factorial. Representa el promedio de los valores del vector respuesta de las pruebas centrales.

Como primera fase a fin de determinar cual de las variables son ms significativas a cierto nivel, desarrollamos primeramente un diseo factorial simple. Con el fin de evaluar la variabilidad de los datos se corren pruebas centrales con la finalidad de evaluar el error cometido y establecer si existe curvatura o linealidad, y posteriormente debe desarrollarse una
363

Palacios C. Severo

nueva tcnica denominado Diseo Central Compuesto a fin de desarrollar el anlisis estadstico. Calculo de efectos e interacciones:
Efectos Interacciones A = +25,33 AB = +6,68 B = -38,92 Error estndar con 3 GL

Interpretacin de los efectos Como se quiere maximizar la extraccin de los iones metlicos a travs de la resina AO, desarrollamos el siguiente anlisis: visualizamos los signos de los efectos de AO y pH. El factor AO es positivo, por lo tanto est en su nivel mnimo, por lo cual deber ser maximizado, es decir que este factor es una variable, y debern ser optimizado y establecido su rango de trabajo ptimo.

Efectos significativos de factores principales

Interaccin de factores principales

El factor pH es negativo, por lo tanto est en su mximo, sea esta en su punto ptimo, dicho factor viene a ser una constante con el valor mximo de su nivel, si incrementamos dicho factor en el proceso el vector respuesta decae. Entonces debemos evaluar con mayor amplitud el factor AO para establecer el rango ptimo donde debe trabajar con mayor eficiencia. Interpretacin de la interaccin Notamos que el signo de la interaccin AB es positivo, esto nos indica que no existe interaccin en el rango estudiado, por estar minimizando la contaminacin en el efluente natural.
364

ESTADSTICA EXPERIMENTAL Aplicada a ciencia e ingeniera

Anlisis de linealidad de los factores Seguidamente evaluamos la curvatura del proceso lo cual quedo establecido a simple vista, cuando analizamos de una manera objetiva los valores del vector respuesta, por lo que debemos reafirmarlo desarrollando los clculos necesarios, aplicando la siguiente relacin, s:
Y Y
F

Y Y

Es pequeo no existe curvatura Es grande existe curvatura


Y F 65,795
Y C 70,6033

La diferencia es 4,8083 siendo este valor grande, por lo tanto existe curvatura

Anlisis: los puntos factoriales de las pruebas los visualizamos de frente (1-2, 3-4), el punto central, de las pruebas repetidas, lo vemos de canto (5) con la finalidad de observar que no siempre se encuentra en el plano sino que este vara de acuerdo al trabajo desarrollado (observamos que la curva de Gauss varia de 0 a 1), por lo que el valor de la diferencia entre los promedios de los puntos factoriales y centrales deben estar dentro de dicho rango. Visualizando nuestro experimento verificamos que no se encuentra dentro del rango 0-1 por lo tanto es un proceso cuadrtico. Por consiguiente Los puntos centrales nos sirven para verificar la Linealidad supuesta de los factores en el experimento. As mismo nos sirve para analizar la varianza del error experimental desarrollado durante el experimento, de tal manera de poder conocer cuanto error cometemos al desarrollar los trabajos experimentales.
365

Palacios C. Severo

Como existe curvatura en nuestro proceso experimental, entonces debemos adicionar pruebas con la finalidad de desarrollar un anlisis espacial. Dicho incremento de pruebas se denomina puntos estrella, la adicin de dichas pruebas al diseo factorial con pruebas centrales se le denomina Diseo Compuesto Central. Ejemplo 7.96 De acuerdo al ejemplo 7.94, complementamos los puntos estrella o axiales, los cuales estn representados en el cuadro siguiente, seguidamente analizamos el diseo
Pruebas 7 8 9 10 AO 0,317 0,883 0,6 0,6 pH 3 3 2,293 3.707 Y 50,60 87,34 89,99 34,75

El hecho de haber adicionado pruebas estrella al diseo factorial con pruebas centrales, el nuevo diseo se denomina compuesto central, un diseo rotable que nos proporciona mucho ms informacin que un diseo factorial simple. El presente caso es con la finalidad de incrementar el rango de los niveles a ambos lados sin tener que mover los datos originales y a la vez establecer las condiciones necesarias del proceso a fin de visualizar los efectos, interacciones y cuadraturas en el amplio rango en estudio. El rango de 0,317157 a 0,882843 de estudio para la resina (AO), nos amplia el mbito al cual es importante desarrollar el proceso, as mismo el rango del pH de 2,29289 a 3,70711, como se podr visualizar en el grafico, se puede establecer que el rango real en el cual estamos estudiando, ya que en el anlisis inicial del diseo factorial el rango era muy pequeo y con este nuevo diseo tenemos el rango real de trabajo. Del valor total de pruebas del Diseo Compuesto Central vamos a analizar los efectos principales, interacciones y cuadraturas los cuales se muestran a continuacin en el cuadro adjunto:
Efectos e Efectos interacciones cuadrticos A =25,6545 AA = -1,5708 B =-38,990 BB = -8,1707 AB = +6,68 Errores estndar con 5 GL 366

ESTADSTICA EXPERIMENTAL Aplicada a ciencia e ingeniera

Interpretacin de los efectos: Visualizamos los signos de los efectos de AO y pH: Notamos que el factor AO es positivo, por lo tanto est en su nivel mnimo, el cual deber ser maximizado, es decir que este factor es una variable, y debern ser optimizado y establecido su rango de trabajo ptimo. El factor pH es negativo, por lo tanto est en su mximo, sea esta en su punto ptimo, dicho factor viene a ser una constante con el valor mximo de su nivel.

Efectos de factores principales

Interaccin de factores principales

Interpretacin de la interaccin: Notamos que el signo de la interaccin AB es positivo, esto nos indica que dicha interaccin esta en su mnimo, por lo tanto hay que maximizarlo, entonces no existe interseccin entre los valores numricos. Anlisis de las cuadraturas: Notamos que el signo de la cuadratura AO y pH son negativos, esto nos indica que ambas cuadraturas estn en su mximo, entonces estn en el rango ptimo, con el valor mximo, por lo que viene a ser una constante en el proceso, adems esto nos indica que existe curvatura, lo cual lo hemos deducido al desarrollar la diferencia entre los valores promedios del factorial y la prueba central. El anlisis de varianza nos confirma lo desarrollado, as mismo el coeficiente de correlacin establece que el modelo matemtico se ajusta al proceso, la varianza del error (cuadrado medio del error CM)

367

Palacios C. Severo

esta dentro de la curva de Gauss, podemos decir el trabajo esta bien desarrollado y se puede reconfirmar dicho proceso cuantas veces sea.
Fuente A B AA AB BB Error Total Tabla 7.113 Anlisis de varianza SC Gl CM Fo Ft(99%) 1316,31 1 1316,31 4233,59 > 16,26 3040,49 1 3040,49 9778,97 > 16,26 3,4836 1 3,4836 11,20 < 16,26 44,6224 1 44,6224 143,52 > 16,26 94,253 1 94,253 303,14 > 16,26 1,5546 5 0,3109 4498,3 10 R = 99,9654%

El hecho de haber adicionado pruebas estrella al diseo factorial con pruebas centrales, el nuevo diseo se denomina Compuesto Central, un diseo rotable que nos proporciona mucho ms informacin que un diseo factorial simple. El presente caso es con la finalidad de incrementar el rango de los niveles a ambos lados sin tener que mover los datos originales y a la vez establecer las condiciones necesarias del proceso a fin de visualizar los efectos, interacciones y cuadraturas en el amplio rango en estudio. El rango de 0,317157 a 0,882843 de estudio para la resina, nos amplia el mbito al cual es importante desarrollar el proceso, as mismo el rango del pH de 2,29289 a 3,70711, como se podr visualizar en el grafico, se puede establecer que el rango real es el cual estamos estudiando, ya que en el anlisis inicial del diseo factorial el rango era muy pequeo y con este nuevo diseo tenemos el rango real de trabajo. Modelo matemtico El primer paso consiste en desarrollar un modelo matemtico, el cual debemos analizarlo. Debido a la curvatura de la superficie respuesta, el experimento requiere un modelo cuyo grado sea mayor e igual a 2, para aproximar la respuesta cuando se encuentre relativamente cercana al ptimo.
Y 55,0693 12,5009 AO 39,0191 pH 19,6356 AO 16,3416 pH 33,4 AOpH

Determinacin de condiciones ptimas Se define las condiciones de operacin ptima, maximizando o minimizando los resultados del mismo. Una condicin inicial es remover
368

ESTADSTICA EXPERIMENTAL Aplicada a ciencia e ingeniera

los niveles de operacin y determinar los resultados ptimos mediante la aplicacin de tcnicas para determinar los nuevos niveles operacionales (pendiente ascendente o descendente).
Factor AO pH Valor ptimo = 8,47071 Bajo Alto ptimo 0,317157 0,882843 0,317157 2,29289 3,70711 3,70711

El problema consiste en eliminar el contaminante del efluente, por lo que se tiene que minimizar el contenido metlico de dicho efluente y maximizar la extraccin con la resina, por lo que optimizando el proceso se puede dejar hasta un 8,47071% del contenido metlico y adems maximizando la capacidad de adsorcin de la resina se llega hasta un 99,8925% de eficiencia, lo cual es loable para la eliminacin de contaminante metlico del efluente que se quiere reutilizar. Si en la optimizacin intervienen dos o ms variables independientes, frecuentemente puede prepararse superficies que muestren la relacin existente entre las variables. Uno de los mtodos de amplia aplicacin es la mxima pendiente ascendente o descendente. XII. PUNTO ESTACIONARIO Si se desea maximizar las respuestas del modelo ajustado, si existe, sern el conjunto de las Xi tal que las derivadas parciales sean iguales a cero. Dicho punto, es decir X1S, X2S, X3S ... XiS se denomina punto estacionario

Y a11 X 1 a12 X 2 a13 X 1


Y a21 X 1 a22 X 2 a23 X 2
Desarrollando las derivadas parciales obtenemos la siguiente relacin: 39,2712X1 33,4000X 2 12,5009 33,4000X1 32,6832X 2 39,0191
369

Palacios C. Severo

Desarrollando matricialmente, obtenemos el punto estacionario:


X1 = 5,327 X2 = 6,6377 R(P) = 151,27

Una vez obtenido el punto estacionario (sea la interseccin del nuevo eje de planos Zi) debemos hallar el ngulo de giro de las nuevas coordenadas, aplicando la siguiente relacin:

Tan2
Reemplazando valores obtenemos:

A12 A11 A22

212612,5"

Donde R(P) viene a ser el punto estacionario, as mismo viene a ser el punto de interseccin del nuevo eje real en el cual est inscrito el modelo matemtico. XIII. CRITERIO DE FORMAS CUADRTICAS Se requiere como condicin necesaria y suficiente para que la forma cuadrtica sea definida positiva es que se cumpla:

a11 a21

a12 0 a22

Para desarrollar la matriz derivamos por segunda vez la ecuacin diferencia parcial, obtenindose:
370

ESTADSTICA EXPERIMENTAL Aplicada a ciencia e ingeniera

Y 39,2712 X 1X 1 Y 33,4 X 2 X 1

Y 39,6832 X 2 X 2

Y 33,4 X 1X 2

Entonces:
a11 a 21 a12 a 22 167,94

Anlisis del coeficiente de regresin: La relacin AO est en su mnimo por lo tanto tiende a ascender, el pH del medio esta en su mximo por lo tanto tiende a bajar, dicho anlisis lo desarrollamos con la finalidad de poder establecer los niveles de ascendencia o descendencia hasta llegar al valor ptimo. Al visualizar los signos de las cuadraturas notamos que ambos tienen el signo negativo por lo tanto deducimos que es una elipse o cscara de huevo, y un elipsoide en el espacio. Si la relacin AO y el pH del medio fuesen cero, la recuperacin del proceso est en su mnimo (R = 55,0693), por lo tanto hay que desarrollar la pendiente ascendente hasta llegar al ptimo (para el caso de maximizar la capacidad de adsorcin de la resina, y si fuere el caso de minimizar la contaminacin se tendr que desarrollar la pendiente descendente).
Camino de Mximo Ascenso para y AO pH Y 0,6 3,0 70,603 0,635 2,87 77,462 0,67 2,74 83,199 0,705 2,63 87,904 0,74 2,53 91,685 0,775 2,44 94,659

Visualizamos el grfico espacial que representa a un sector de la elipse estando la regin ptima de recuperacin en una relacin AO a 0,8 y un pH de 2,5 lo cual confirma el anlisis establecido, cuando es el caso de maximizar la capacidad de adsorcin de la resina, si fuere el caso de eliminar el contaminante metlico se tendr que trabajar con el valor mnimo de AO y el valor mximo de pH. Se debe de analizar de acuerdo si se quiere maximizar o minimizar el proceso.
371

Palacios C. Severo

Estimated Response Surface


110 90
Y

Contours of Estimated Response Surface


3.5 3.3 3.1 2.9 2.7 2.5 Y 30.0-38.0 38.0-46.0 46.0-54.0 54.0-62.0 62.0-70.0 70.0-78.0 78.0-86.0 86.0-94.0 94.0-102.0 0.4 0.5 0.6 0.7 0.8

70 50 30 0.4 0.5 0.6 3.5 3.3 3.1 2.9 2.7 pH 2.5

30.0-38.0 38.0-46.0 46.0-54.0 54.0-62.0 62.0-70.0 70.0-78.0 78.0-86.0 86.0-94.0 94.0-102.0

0.7

AO

0.8

pH

AO

Superficie respuesta estimada en el plano con punto ptimo

Superficie respuesta estimada en el espacio

Tal como establecimos que la relacin AO tiene que subir y el pH del medio tiende a bajar con la finalidad de llegar a una alta capacidad de adsorcin de la resina. En este caso se ha establecido que en un cuarto paso se llega a una recuperacin de 99,743 variando la relacin AO en forma ascendente con 0,87 y un pH descendente en 2,25 de esa manera se obtiene dicha mxima capacidad de la resina. En el presente grafico en el plano, se puede establecer claramente que la mxima capacidad de adsorcin de la resina se ubica cuando se mantiene constate en el mnimo nivel el pH y en el mximo nivel el AO, pero si se quiere la eliminacin del contaminante metlico se tiene que trabajar con el mximo nivel del pH y con el mnimo nivel del AO, con el fin de desarrollar un trabajo acorde al proceso a desarrollar. El modelo matemtico nos demuestra que inicialmente la contaminacin se encuentra sobre 55,0693%, as que el factor de mayor significanca para eliminar dicho contenido metlico es la resina con una pendiente negativa de -19,6356, lo cual hace disminuir dicha contaminacin hasta un porcentaje adecuado para rehusar dicho producto acufero. Ejemplo 7.97 Se desarrolla una investigacin sobre la flotabilidad de un mineral sulfurado, se desea conoce los niveles ptimos de dos factores tiempo de acondicionamiento y pH con la finalidad de optimizar la recuperacin del mineral
Factores A: Tiempo (min) B: pH 372 5,0 8,5 Niveles 0 6,5 9,5 + 8,0 10,5

ESTADSTICA EXPERIMENTAL Aplicada a ciencia e ingeniera

Para n = 2 factores, se ha de utilizar un diseo central compuesto equivalente a 2+2*2+5 = 13 pruebas experimentales, con cinco pruebas centrales a fin de evaluar el error experimental y el error cometido por el investigador.
Prueba 1 2 3 4 5 6 7 8 9 10 11 12 13 A 5.0 8.0 5.0 8.0 4.37868 8.62132 6.5 6.5 6.5 6.5 6.5 6.5 6.5 B 8.5 8.5 10.5 10.5 9.5 9.5 8.08579 10.9142 9.5 9.5 9.5 9.5 9.5 Y 75,9 72 78 79,5 78,4 75,6 72 79,9 79,5 85,1 85 79,1 79,8

Efectos e Efectos cuainteracciones drticos A = -1,59 AA = -4,762 B = 5,193 BB = -5,812 AB = 2,70 Errores estndar con 7 GL Fuente A B AA AB BB Error Total Tabla 7.114 Anlisis de varianza SC Gl CM Fo Ft(95%) 5,055 1 5,055 0,92 < 5,59 53,935 1 53,935 9,86 > 5,59 39,445 1 39,445 7,21 < 5,59 7,29 1 7,29 1,33 < 5,59 58,756 1 58,756 10,74 > 5,59 38,304 7 5,472 191,304 12 R = 80,0199% Camino de Mximo Ascenso para y A B Y 6,5 9,5 81,7 6,46 9,59 81,92 6,42 9,68 82,09 6,40 9,77 82,20 6,39 9,86 82,26 6,43 9,95 82,28 6,38 10,04 82,24 6,23 10,13 82,14 6,25 10,22 81,97

373

Palacios C. Severo

Grfica de Interaccin para y 83 81 79 77 75 73 71 5 A 8 B=8.5 B=10.5 B=10.5


Y
83 81 79 77 75 73 71

Grfica de Interaccin para y

B=10.5 B=10.5 B=8.5

B=8.5

B=8.5 5 A 8

Efectos significativos de factores principales

Interaccin de factores principales

Y 190,953 4,678 A 51,965B 1,058 A 2,906B 0,9 AB


Superficie de Respuesta Estimada

Contornos de la Superficie de Respuesta Estimada 10.5 10.1 9.7


B
y 71.0-72.2 72.2-73.4 73.4-74.6 74.6-75.8 75.8-77.0 77.0-78.2 78.2-79.4 79.4-80.6 80.6-81.8 81.8-83.0 83.0-84.2

83 81 79
Y

9.3 8.9 8.5 5 5.5 6 6.5 A 7 7.5 8

77 75 73 71 5 5.5 6 A 6.5 8.5 8.9 9.3 9.7 10.5 10.1

71.0-72.2 72.2-73.4 73.4-74.6 74.6-75.8 75.8-77.0 77.0-78.2 78.2-79.4 79.4-80.6 80.6-81.8 81.8-83.0 83.0-84.2

7.5

Superficie respuesta estimada en el plano con punto ptimo Factor A B

Superficie respuesta estimada en el espacio

Valor ptimo = 82,2841 Bajo Alto ptimo 4,378 8,621 6,435 8,085 10,914 9,936

Ejemplo 7.98 Se desea evaluar un lecho de filtracin, para lo cual se estudian dos factores, altura de lecho y velocidad de flujo
Factores A: Altura de lecho B: Velocidad de flujo A 20 30 20 374 B 140 140 220 20 140 Niveles + 30 220

Y 6,22 5,57 9,51

ESTADSTICA EXPERIMENTAL Aplicada a ciencia e ingeniera 30 25 25 25 220 180 180 180 8,15 6,15 6,18 6,12

Efectos Interacciones A = -1,005 AB = -0,355 B = 2,935 Errores estndar con 3 GL Fuente A B AB Error Total Tabla 7.115 Anlisis de varianza SC Gl CM Fo Ft(95%) 1.01002 1 1.01002 1,20 < 10,13 8,61423 1 8,61423 10,25 > 10,13 0,126025 1 0,126025 0,15 < 10,13 2,52207 3 0,84068 12,2723 6 R = 79,4492%

Y 1,24 0,059 A 0,058B 0,00088 AB


Camino de Mximo Ascenso para y A B Y 25 180 6,84 25,5 167,73 6,34 26 153,93 5,80 26,5 137,72 5,19 27 116,82 4,43 27,5 72,29 2,87 28 66,68 2,68 28,5 230,66 8,19 29 223,15 7,87 Valor ptimo = 82,2841 Bajo Alto ptimo 20 30 20 140 220 220
Grfica de Interaccin para Y 9 8 7 6 5 20 A B=220

Factor A B

Grfica de Efectos Principales para Y 9.3 8.3 7.3 6.3 5.3

B=220

B=140 B=140 30

20

30

140

220

Efectos de factores principales

Interaccin de factores principales 375

Palacios C. Severo

Contornos de la Superficie de Respuesta Estimada 220 200 180 160 140 20 22 24 A 26 28 30


Y 5.0-5.4 5.4-5.8 5.8-6.2 6.2-6.6 6.6-7.0 7.0-7.4 7.4-7.8 7.8-8.2 8.2-8.6 8.6-9.0 9.0-9.4

Superficie de Respuesta Estimada


Y 5.0-5.4 5.4-5.8 5.8-6.2 6.2-6.6 6.6-7.0 7.0-7.4 7.4-7.8 7.8-8.2 8.2-8.6 8.6-9.0 9.0-9.4

9 8 7 6 5 20 22 24 26 A 220 200 180 160 140 B


Y

28

30

Superficie respuesta estimada en el plano con punto ptimo

Superficie respuesta estimada en el espacio

Ejemplo 7.99 Se desea estimar el efecto del SO2 sobre la poblacin cercana a una fbrica de tostacin de concentrados sulfurosos, con el fin de monitorear dicho contaminante se han considerando los siguientes factores: Tasa de emisividad Q del contaminante a la salida de la chimenea y la altura de la chimenea.
Factores A: Tasa de emisividad (g/s) B: Altura (m) A 5 10 5 10 3,96 11,03 7,5 7,5 7,5 7,5 7,5 7,5 7,5 B 30 30 60 60 45 45 2,37 66,21 45 45 45 45 45 5 30 Niveles + 10 60

Y 140 180 200 310 130 320 170 300 280 270 265 275 266

Efectos e Efectos Cuainteracciones drticos A = 104,675 AA = -57,4506 B = 93,4619 BB = -47,4500 AB = 35,000 Errores estndar con 7 GL 376

ESTADSTICA EXPERIMENTAL Aplicada a ciencia e ingeniera Tabla 7.116 Anlisis de varianza SC Gl CM Fo Ft(95%) 21913,6 1 21913,6 52,22 > 5,59 17470,3 1 17470,3 41,63 > 5,59 5740,03 1 5740,03 13,68 > 5,59 1225,0 1 1225,0 2,92 < 5,59 3915,65 1 3915,65 9,33 > 5,59 2937,24 7 419,605 52110,9 12 R (%) = 94,3635

Fuente A B AA AB BB Error Total

Y 340,558 68,8757 A 9,1054 B 4,596 A 0,105 B 0,466 AB


Camino de Mximo Ascenso para Y A B Y 7,5 45,00 271,2 8,5 50,65 304,43 9,5 56,99 328,08 10,5 64,13 340,43 11,5 72,23 338,87 12,5 81,78 318,71 Factor A B Valor ptimo = 341,554 Bajo Alto ptimo 3,964 11,035 10,854 23,786 33,213 66,213
Grfica de Interaccin para Y 370 330 290 250 210 170
5 10 30 60

Grfica de Efectos Principales para Y 310 290 270

B=60

230 210 190 A B

250

B=60 B=30 5 A

B=30

130

10

Efectos de factores principales


Contornos de la Superficie de Respuesta Estimada 60 55 50 45 40 35 30 5 6 7 A 8 9 10
B
Y 130.0-154.0 154.0-178.0 178.0-202.0 202.0-226.0 226.0-250.0 250.0-274.0 274.0-298.0 298.0-322.0 322.0-346.0 346.0-370.0 370.0-394.0

Interaccin de factores principales


Superficie de Respuesta Estimada
Y 130.0-154.0 154.0-178.0 178.0-202.0 202.0-226.0 226.0-250.0 250.0-274.0 274.0-298.0 298.0-322.0 322.0-346.0 346.0-370.0 370.0-394.0

370 330 290 250 210 170 130 60 55 50 45 40 35 B 30

7 A

10

Superficie respuesta estimada en el plano con punto ptimo

Superficie respuesta estimada en el espacio 377

Palacios C. Severo

Ejemplo 7.100 Los experimentos de lixiviacin con sales oxidantes en medio acido a minerales aurferos procedentes de la Concesin Minera Huaracane Moquegua - Per, fueron realizados para establecer el efecto de los factores de los agentes lixiviantes y el cido sobre la disolucin del oro metlico. Todas las pruebas se desarrollaron a temperatura ambiente y con agitacin constante, y a un tiempo establecido. El mineral previamente fue molido con la finalidad de liberar el oro que se encuentra incrustado, ya que dicho material se encuentra en forma microscpica encapsulado en cuarzo, con una ley promedio de 15 g/t, las sales oxidantes en medio cido sirven para desarrollar el proceso y son de calidad comercial (fertilizantes). En todas las pruebas se llegan a desarrollar reaccin exotrmica (espontnea) con el fin de acelerar el proceso de disolucin del oro (cintica). El contenido de oro en la solucin lixiviada se analizo por electrogravimtria. Para determinar el efecto de los factores se estudio a dos niveles la concentracin de las variables con el fin de no interferir en el anlisis del oro.
Factores A: H2SO4 B: NaNO3 C: NaCl 100 20 70 Niveles + 120 30 90

Resultados y discusin Al concluir con las pruebas experimentales, se procedi analizar la extraccin de oro de l material aurfero, para lo cual se utiliz el programa estadstico Statgraphics Plus, de cuyo tratamiento de datos se obtuvo la estimacin de los efectos de cada uno de los factores siendo este el resultado de dicho anlisis: Acido sulfrico El efecto de la concentracin de cido sulfrico se estudia en el rango de 110 a 120, manteniendo constante la temperatura, el tiempo de lixiviacin as como la agitacin del proceso.
378

ESTADSTICA EXPERIMENTAL Aplicada a ciencia e ingeniera

El efecto de la concentracin de cido sulfrico es positivo con una pendiente pequea, evaluando dicho factor podemos llegar a la siguiente conclusin, que dicho factor est en su mnimo nivel, debiendo ser maximizado hasta llegar al ptimo, pero no deber de exceder de un rango ya que el exceso de dicho producto tambin es perjudicial y antieconmico, con el fin de poder obtener una mxima extraccin de oro del material aurfero.
Efectos e interacciones A: H2SO4 0.885365 B: NaNO3 1.48441 C: NaCl -12.7076 AB 0.25 AC 4.75 BC 11.25 Efectos Cuadrticos AA -7.32279 BB -8.73692 CC -18.6366

Nitrato de sodio Los resultados obtenidos al desarrollar el experimento factorial con el fin de establecer el efecto de dicho factor, se llegan a la siguiente conclusin, si se incrementa fuera del rango establecido se genera gases txicos de dixido de nitrgeno, altamente contaminante para el medio ambiente. El objeto de adicionar nitrato de sodio es la generacin de cido ntrico, el cual al interactuar con el cido clorhdrico genera agua regia in situ, compuesto altamente corrosivo, debiendo de controlarse la dosificacin de dicha sal a fin de evitar la formacin de gases txicos. El efecto de la concentracin del nitrato de sodio esta en su nivel mnimo, debiendo maximizarse hasta llegar al ptimo y obtener buenas extracciones del material valioso. Cloruro de sodio La dosificacin del cloruro de sodio es con la finalidad de producir cloruro de nitrosilo y cloro naciente in situ, los experimentos se llevaron a cabo manteniendo constante la temperatura, el tiempo de lixiviacin as como la agitacin. La disolucin del oro se incrementa al incrementarse la dosificacin de dicha sal, la concentracin tiene efecto significativo sobre la solubilidad del oro, debido a que el in cloro tiene habilidades de formar especies complejas con el oro.
379

Palacios C. Severo

El efecto de dicha sal nos indica que esta en su nivel mximo, indicndonos que al incrementarse sobre el mximo se disminuye la recuperacin de oro.
Main Effects Plot for Au
100 97 94

Interaction Plot for Au


102 97 92 + + + 100 120 100 120 + 20 30 + -

Au

Au

91 88 85 82 100 120 H2SO4 20 30 NaNO3 70 90

87 82 77 72

+ -

NaCl

AB

AC

BC

Efectos medios de los factores en recuperacin de oro, Proceso SEVERO

Interacciones de factores principales, Proceso SEVERO

Tal como visualizamos el anlisis grfico del efecto medio podemos establecer que la mayor recuperacin para el cido sulfrico y nitrato de sodio este cercano al promedio, en cambio el cloruro de sodio esta en su mxima concentracin debiendo de ser disminuido hasta llegar al ptimo.
Fuente A; H2SO4 B: NaNO3 C: NaCl AA AB AC BB BC CC Error Total Tabla 7.117 Anlisis de varianza SC Gl CM Fo Ft(95%) 2,6763 1 2,6763 0,04 < 5,12 7,5231 1 7,5231 0,11 < 5,12 551,334 1 551,334 8,21 > 5,12 182,993 1 182,993 2,72 < 5,12 0,125 1 0,125 0,00 < 5,12 45,125 1 45,125 3,88 < 5,12 260,497 1 260,497 3,77 < 5,12 253,125 1 253,125 17,64 > 5,12 1185,25 1 1185,25 604,753 9 67,1948 2827,15 18 R = 78,6091%

Entre los factores en estudio existe interaccin, por lo que no es posible manipular cada factor independientemente, ya que todos los factores estn entrelazados para poder desarrollar el Proceso SEVERO. El anlisis de varianza (ANAVA) confirma la importancia que tienen los factores, as mismo las interacciones y cuadraturas del proceso. El modelo matemtico, con un coeficiente de correlacin aceptable, si igualamos a cero los tres factores, nos indica que la extraccin de oro
380

ESTADSTICA EXPERIMENTAL Aplicada a ciencia e ingeniera

est en su mximo, debiendo ser regulado este por las dosificaciones del cido sulfrico y las sales oxidantes.
Au 556 ,86 6,136 H 2 SO 4 0,389 NaNO 3 8,848 NaCl 0,0366 H 2 SO 4 0,174 NaNO 3 0,093 NaCl 0,002 H 2 SO 4 * NaNO 3 0,023 H 2 SO 4 * NaCl 0,112 NaNO 3 * NaCl

En el anlisis grfico se visualiza que la mxima recuperacin de oro en encuentra sealada por el signo ms que esta dentro de la zona azul (98 a 99% Au). Debiendo de dosificarse adecuadamente con el fin de llegar a dicha recuperacin.
Contours of Estimated Response Surface
30 NaCl=80.0 Au 89.0-90.0 90.0-91.0 91.0-92.0 92.0-93.0 93.0-94.0 94.0-95.0 95.0-96.0 96.0-97.0 97.0-98.0 98.0-99.0

Estimated Response Surface


NaCl=80.0 99 97 95 93 91 89 100 104 28 30 108 24 26 112 116 20 22 120 89.0-90.0 90.0-91.0 91.0-92.0 92.0-93.0 93.0-94.0 94.0-95.0 95.0-96.0 96.0-97.0 97.0-98.0 98.0-99.0

NaNO3

26 24 22 20 100 104 108 112 116 120

Au

28

H2SO4
Respuesta en el Plano de extraccin de oro con punto ptimo

H2SO4

NaNO3

Respuesta espacial de extraccin de oro con punto ptimo

Ejemplo 7.101 Se desea evaluar un proceso de lixiviacin por agitacin de un mineral refractario de oro, para lo cual se estudian tres factores que son los que influyen en el proceso de disolucin del oro, siendo estos: temperatura, concentracin del agente lixiviante y tiempo de agitacin. Desarrollndose replicas en la respuesta de recuperacin, a fin de contrastar el grado de solubilidad del material valioso.
Factores A: Temperatura (C) B: Concentracin (%) C: Tiempo Agitacin (Hr) Niveles + 20 60 0,5 1 0,25 1

En la tabla se muestra las dosificaciones con sus respectivos resultados de recuperacin del material valioso tanto para la prueba original como para la replica, todos bajo las condiciones establecidas de variables (factores) y constantes.
381

Palacios C. Severo Temperatura (oC) 20 60 20 60 20 60 20 60 20 60 20 60 20 60 20 60 Concentracin (%) 0,5 0,5 1 1 0,5 0,5 1 1 0,5 0,5 1 1 0,5 0,5 1 1 Tiempo agitacin (Hr) 0,25 0,25 0,25 0,25 1 1 1 1 0,25 0,25 0,25 0,25 1 1 1 1

Y 42,83 56,93 78,92 81,00 64,17 72,13 87,17 88,25 41,67 56,14 78,33 80,00 63,33 70,37 86,67 87,72

Los tres factores tienen efectos sobre el proceso, pero el de mayor efecto significativo es la concentracin seguido del tiempo de agitacin y finalmente la temperatura. Por lo que tengo que tener mucho cuidado con los dos primeros factores.
-Efectos A = 6,18 B = 25,06 C = 12,99 Interacciones AB = -4,711 AC = -1,898 BC = -5,108 Bloque = -0,896 Error estndar con 8 GL

El block de pruebas desarrollado no tiene efecto significativo sobre el proceso, el hecho de haber corrido pruebas replicadas no tiene efecto sobre el proceso.
Fuente A B C AB AC BC Bloque Error Total Tabla 7.118 Anlisis de varianza SC Gl CM Fo Ft(99%) 152,83 1 152,83 128,19 > 11,26 2515,27 1 2512,27 2107,15 > 11,26 675,87 1 675,87 566,88 > 11,26 88,78 1 88,78 74,47 > 11,26 14,42 1 14,42 12,10 > 11,26 104,39 1 104,39 87,56 > 11,26 3,21 1 3,21 2,69 < 11,26 9,53 8 1,19 3561,32 15 R = 99,7322%

El anlisis de varianza nos confirma la interpretacin obtenida del los efectos principales sobre el proceso, si nos fijamos en F-Ratio, las fuen382

ESTADSTICA EXPERIMENTAL Aplicada a ciencia e ingeniera

tes de los tres factores principales notamos que la concentracin es el que tiene mayor efecto significativo seguido del tiempo de agitacin y finalmente la temperatura. Notamos as mismo que el R2 es 99,7322 %, un coeficiente de correlacin optimo para el proceso. En referencia al valor del Error 1,19226, nos confirma que en el experimento se han debido de realizar pruebas centrales a fin de establecer un error experimental de mayor utilidad en el experimento, en vez de las replicas realizadas.
Y 13,698 0,5869 A 85,996 B 42,83C 0,471 AB 0,1265 AC 27 ,246 BC

En el modelo matemtico nos fijamos en las constantes de los factores principales, si A = B= C = 0, entonces Y = -13,6988. Nos indica que el valor que ha de hacer crecer este valor hasta un valor positivo y se incremente hasta un mximo esta en funcin directa de la concentracin, seguido del tiempo de agitacin y por ltimo de la temperatura. Camino de Mximo Ascenso para y
A 40 41,66 42,64 42,88 42,34 41,03 40,10 B 0,75 0,85 0,95 1,05 1,15 1,25 1,3 C 0,625 0,689 0,731 0,813 0,852 0,877 0,885 Y 70,97 77,22 82,73 87,27 92,34 96,85 99,14

Partiendo del punto central de cada factor, se pude llegar al ptimo variando la concentracin de 0,05 en 0,05 y se llega a un optimo del 99,1413.
Factor A B C Valor ptimo = 87,6669 Bajo Alto ptimo 20 60 20 0,5 1 1 0,25 1 1

Como hemos establecido en las opiniones desde un comienzo, se llega a la conclusin que el ptimo del proceso para llegar en el presente caso hasta un 87,6669 se tiene que trabajar con el valor mnimo de la temperatura, con una mxima concentracin y un tiempo de agitacin mximo.
383

Palacios C. Severo

Main Effects Plot for Y


88 83 78 73 68 63 58 20 60 0.5 1 0.25 1 Temperatura ConcentracionTiempo agitacion

Efectos significativos de factores principales

Tal como hemos establecido en el anlisis numrico, podemos visualizar grficamente lo que hemos establecido en la parte analgica, se puede observar que la mayor pendiente para poder obtener una mxima reucperacin lo tiene la concentracin seguido del tiempo de agitacin y finalmente la temperatura, por lo cual el que tiene mayor efecto significativo es la concentracin, al cual hay que controlarlo en todo el proceso, esto no quiere decir que los otros factores no influyan en el proceso, por lo que se tiene que controlar hasta llegar al ptimo de la recuperacin.
Contours of Estimated Response Surface
1 Y

Contours of Estimated Response Surface


Tiempo agitacion
1.05 0.85 0.65 0.45 0.25 Concentracion=0.75 Y
53.0-57.0 57.0-61.0 61.0-65.0 65.0-69.0 69.0-73.0 73.0-77.0 77.0-81.0 81.0-85.0

Tiempo agitacion=0.625

Concentracion

0.9 0.8 0.7 0.6 0.5 20 30 40 50 60

57.0-61.0 61.0-65.0 65.0-69.0 69.0-73.0 73.0-77.0 77.0-81.0

20

30

40

50

60

Temperatura

Temperatura

Contours of Estimated Response Surface


1.05 Temperatura=40.0 Y 53.0-57.0 57.0-61.0 61.0-65.0 65.0-69.0 69.0-73.0 73.0-77.0 77.0-81.0 81.0-85.0 85.0-89.0

Tiempo agitacion

0.85 0.65 0.45 0.25

0.5

0.6

Concentracion

0.7

0.8

0.9

Superficie respuesta estimada en el plano, manteniendo constante una variable

Para un tiempo de agitacin constante en el promedio, se puede llegar a un mximo de extraccin manteniendo en su mnimo a la temperatura y en su mximo a la concentracin.
384

ESTADSTICA EXPERIMENTAL Aplicada a ciencia e ingeniera

Estimated Response Surface


Tiempo agitacion=0.625
93 83

Estimated Response Surface


Concentracion=0.75

73 63 53 20 30 40 50 1 0.9 0.8 0.7 0.6 0.5

53.0-57.0 57.0-61.0 61.0-65.0 65.0-69.0 69.0-73.0 73.0-77.0 77.0-81.0 81.0-85.0

84 80 76 72 68 64 60 20 1.05 0.85 0.65 0.45 0.25

57.0-61.0 61.0-65.0 65.0-69.0 69.0-73.0 73.0-77.0 77.0-81.0

30

40

Temperatura

60

Concentracion

Temperatura

50

60

Tiempo agitacion

Estimated Response Surface


Temperatura=40.0
89 79

69 59 49 0.5 0.6 0.7 0.8 1.05 0.85 0.65 0.45 0.25

53.0-57.0 57.0-61.0 61.0-65.0 65.0-69.0 69.0-73.0 73.0-77.0 77.0-81.0 81.0-85.0 85.0-89.0

Superficie respuesta estimada en el espacio manteniendo constante una variable

Concentracion

0.9

Tiempo agitacion

Para una concentracin constante en el promedio, se puede llegar al mximo de extraccin manteniendo en su mnimo a la temperatura y en su mximo al tiempo de agitacin. Para una temperatura constante en el promedio, se puede llegar al mximo de extraccin manteniendo en su mximo al tiempo de agitacin y en su mximo a la concentracin.
Temperatura (oC) 20 60 20 60 20 60 20 60 20 60 20 60 20 60 20 60 Concentracin (%) 0,5 0,5 1 1 0,5 0,5 1 1 0,5 0.5 1 1 0,5 0,5 1 1 Tiempo agitacin (Hr) 0,25 0,25 0,25 0,25 1 1 1 1 0,25 0,25 0,25 0,25 1 1 1 1 Y 42,83 56,93 78,92 81,00 64,17 72,13 87,17 88,25 41,67 56,14 78,33 80,00 63,33 70,37 86,67 87,72 385

Palacios C. Severo 6,36 73,64 40 40 40 40 40 40 40 0,75 0,75 0,33 1,17 0,75 0,75 0,75 0,75 0,75 0, 625 0,625 0,625 0,625 -0,0057 1,26 0,625 0,625 0,625 61,25 85,36 68,47 96,59 38,71 92,57 85,36 85,02 85,47

El proceso es cuadrtico, por lo tanto se tienen que realizar complementariamente tres pruebas centrales para evaluar el error y seis pruebas estrella a fin de completar el modelo cuadrtico. Ejemplo 7.102 Diseo compuesto centrado para ejemplo 7.101
Efectos e Efectos cuainteracciones drticos A = 9,631 AA = -9,226 B = 21,465 BB = -2,703 C = 20,886 CC = -14,647 AB = -4,725 AC = -1,785 BC = -5,26 Error estndar con 7 GL Fuente A B C AA AB AC BB BC CC Error Total Tabla 7.119 Anlisis de varianza SC Gl CM Fo Ft(99%) 316,723 1 316,723 5,28 > 12,25 1573,08 1 1573,08 26,22 > 12,25 1489,42 1 1489,42 24,82 > 12,25 239,946 1 239,946 4,00 < 12,25 44,6513 1 44,6513 0,74 < 12,25 6,3724 1 6,3724 0,11 < 12,25 20,606 1 20,606 0,34 < 12,25 55,3352 1 55,3352 0,92 < 12,25 604,631 1 604,631 10,08 < 12,25 420,001 7 60,0002 4608,82 13 R = 90,887%

Y 55,1058 1,592 A 111,811B 118,746C 0,0115 A 21,631B 52,078C 0,742 AB 0,119 AC 28,053BC
Camino de Mximo Ascenso para y B C Y 0,75 0,625 85,393 0,779 0,665 87,858

A 40,0 41,0 386

ESTADSTICA EXPERIMENTAL Aplicada a ciencia e ingeniera 42,0 43,0 44,0 45,0 0,813 0,855 0,919 0,583 0,705 0,744 0,784 0,772 90,148 92,353 94,802 82,541

Factor A B C

Valor ptimo = 100,868 Bajo Alto ptimo 6,364 73,635 41,079 0,329 1,170 1,170 -0,005 1,255 0,776
Grfica de Interaccin para Y 102 92 + 82 72 62 52 + + + 60 20 60 + +

Grfica de Efectos Principales para Y 97 92 87 82 77 72 67 20 A 60 0.5 B 1 0.25 C 1

20

AB

AC

0.5

BC

Efectoo de factores principales


Superficie de Respuesta Estimada C=0.625
Y 61.0-66.0 66.0-71.0 71.0-76.0 76.0-81.0 81.0-86.0 86.0-91.0 91.0-96.0 96.0-101.0 101.0-106.0 106.0-111.0 111.0-116.0

Interaccin de factores principales


Superficie de Respuesta Estimada B=0.75
Y 61.0-66.0 66.0-71.0 71.0-76.0 76.0-81.0 81.0-86.0 86.0-91.0 91.0-96.0 96.0-101.0 101.0-106.0 106.0-111.0 111.0-116.0

101 91

97 87 77 67 57 20 1.05 0.85 0.65 0.45 0.25 C

81 71 61 0.7 0.6 0.5 1 0.9 0.8

20

30

40

50

60

30

40

50

60

Superficie de Respuesta Estimada A=40.0


Y 61.0-66.0 66.0-71.0 71.0-76.0 76.0-81.0 81.0-86.0 86.0-91.0 91.0-96.0 96.0-101.0 101.0-106.0 106.0-111.0 111.0-116.0

102 92 82

72 62 52 0.5 0.6 1.05 0.85 0.65 0.45 0.25 C

0.7

0.8

Superficie respuesta estimada en el espacio manteniendo constante una variable

0.9

387

Palacios C. Severo
Contornos de la Superficie de Respuesta Estimada C=0.625 1 0.9 0.8
B
Y 61.0-65.0 65.0-69.0 69.0-73.0 73.0-77.0 77.0-81.0 81.0-85.0 85.0-89.0 89.0-93.0 93.0-97.0 97.0-101.0 101.0-105.0

Contornos de la Superficie de Respuesta Estimada B=0.75 1.05 0.85 0.65 0.45 0.25
Y 61.0-65.0 65.0-69.0 69.0-73.0 73.0-77.0 77.0-81.0 81.0-85.0 85.0-89.0 89.0-93.0 93.0-97.0 97.0-101.0 101.0-105.0

0.7 0.6 0.5

20

30

40 A

50

60

20

30

40 A

50

60

Contornos de la Superficie de Respuesta Estimada A=40.0 1.05 0.85 0.65 0.45 0.25 0.5 0.6 0.7 B 0.8 0.9 1
Y 61.0-65.0 65.0-69.0 69.0-73.0 73.0-77.0 77.0-81.0 81.0-85.0 85.0-89.0 89.0-93.0 93.0-97.0 97.0-101.0 101.0-105.0

Superficie respuesta estimada en el plano manteniendo constante una variable

388

ESTADSTICA EXPERIMENTAL Aplicada a ciencia e ingeniera

ANEXO

389

Palacios C. Severo

p = 0.1 (99%) 1 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 60 100 120 4052.18 98.50 34.12 21.20 16.26 13.75 12.25 11.26 10.56 10.04 9.65 9.33 9.07 8.86 8.68 8.53 8.40 8.29 8.18 8.10 8.02 7.95 7.88 7.82 7.77 7.72 7.68 7.64 7.60 7.56 7.53 7.50 7.47 7.44 7.42 7.40 7.37 7.35 7.33 7.31 7.08 6.90 6.85 6.64 2 4999.34 99.00 30.82 18.00 13.27 10.92 9.55 8.65 8.02 7.56 7.21 6.93 6.70 6.51 6.36 6.23 6.11 6.01 5.93 5.85 5.78 5.72 5.66 5.61 5.57 5.53 5.49 5.45 5.42 5.39 5.36 5.34 5.31 5.29 5.27 5.25 5.23 5.21 5.19 5.18 4.98 4.82 4.79 4.61 3 5403.53 99.16 29.46 16.69 12.06 9.78 8.45 7.59 6.99 6.55 6.22 5.95 5.74 5.56 5.42 5.29 5.19 5.09 5.01 4.94 4.87 4.82 4.76 4.72 4.68 4.64 4.60 4.57 4.54 4.51 4.48 4.46 4.44 4.42 4.40 4.38 4.36 4.34 4.33 4.31 4.13 3.98 3.95 3.78 4 5624.26 99.25 28.71 15.98 11.39 9.15 7.85 7.01 6.42 5.99 5.67 5.41 5.21 5.04 4.89 4.77 4.67 4.58 4.50 4.43 4.37 4.31 4.26 4.22 4.18 4.14 4.11 4.07 4.04 4.02 3.99 3.97 3.95 3.93 3.91 3.89 3.87 3.86 3.84 3.83 3.65 3.51 3.48 3.32 5 5763.96 99.30 28.24 15.52 10.97 8.75 7.46 6.63 6.06 5.64 5.32 5.06 4.86 4.69 4.56 4.44 4.34 4.25 4.17 4.10 4.04 3.99 3.94 3.90 3.85 3.82 3.78 3.75 3.73 3.70 3.67 3.65 3.63 3.61 3.59 3.57 3.56 3.54 3.53 3.51 3.34 3.21 3.17 3.02 6 5858.95 99.33 27.91 15.21 10.67 8.47 7.19 6.37 5.80 5.39 5.07 4.82 4.62 4.46 4.32 4.20 4.10 4.01 3.94 3.87 3.81 3.76 3.71 3.67 3.63 3.59 3.56 3.53 3.50 3.47 3.45 3.43 3.41 3.39 3.37 3.35 3.33 3.32 3.30 3.29 3.12 2.99 2.96 2.80 7 5928.33 99.36 27.67 14.98 10.46 8.26 6.99 6.18 5.61 5.20 4.89 4.64 4.44 4.28 4.14 4.03 3.93 3.84 3.77 3.70 3.64 3.59 3.54 3.50 3.46 3.42 3.39 3.36 3.33 3.30 3.28 3.26 3.24 3.22 3.20 3.18 3.17 3.15 3.14 3.12 2.95 2.82 2.79 2.64 8 5980.95 99.38 27.49 14.80 10.29 8.10 6.84 6.03 5.47 5.06 4.74 4.50 4.30 4.14 4.00 3.89 3.79 3.71 3.63 3.56 3.51 3.45 3.41 3.36 3.32 3.29 3.26 3.23 3.20 3.17 3.15 3.13 3.11 3.09 3.07 3.05 3.04 3.02 3.01 2.99 2.82 2.69 2.66 2.51 9 6022.40 99.39 27.34 14.66 10.16 7.98 6.72 5.91 5.35 4.94 4.63 4.39 4.19 4.03 3.89 3.78 3.68 3.60 3.52 3.46 3.40 3.35 3.30 3.26 3.22 3.18 3.15 3.12 3.09 3.07 3.04 3.02 3.00 2.98 2.96 2.95 2.93 2.92 2.90 2.89 2.72 2.59 2.56 2.41 10 6055.93 99.40 27.23 14.55 10.05 7.87 6.62 5.81 5.26 4.85 4.54 4.30 4.10 3.94 3.80 3.69 3.59 3.51 3.43 3.37 3.31 3.26 3.21 3.17 3.13 3.09 3.06 3.03 3.00 2.98 2.96 2.93 2.91 2.89 2.88 2.86 2.84 2.83 2.81 2.80 2.63 2.50 2.47 2.32

390

ESTADSTICA EXPERIMENTAL Aplicada a ciencia e ingeniera

p = 0,25 (97,5%) 1 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 60 100 120 647.79 38.51 17.44 12.22 10.01 8.81 8.07 7.57 7.21 6.94 6.72 6.55 6.41 6.30 6.20 6.12 6.04 5.98 5.92 5.87 5.83 5.79 5.75 5.72 5.69 5.66 5.63 5.61 5.59 5.57 5.55 5.53 5.51 5.50 5.48 5.47 5.46 5.45 5.43 5.42 5.29 5.18 5.15 5.03 2 799.48 39.00 16.04 10.65 8.43 7.26 6.54 6.06 5.71 5.46 5.26 5.10 4.97 4.86 4.77 4.69 4.62 4.56 4.51 4.46 4.42 4.38 4.35 4.32 4.29 4.27 4.24 4.22 4.20 4.18 4.16 4.15 4.13 4.12 4.11 4.09 4.08 4.07 4.06 4.05 3.93 3.83 3.80 3.69 3 864.15 39.17 15.44 9.98 7.76 6.60 5.89 5.42 5.08 4.83 4.63 4.47 4.35 4.24 4.15 4.08 4.01 3.95 3.90 3.86 3.82 3.78 3.75 3.72 3.69 3.67 3.65 3.63 3.61 3.59 3.57 3.56 3.54 3.53 3.52 3.50 3.49 3.48 3.47 3.46 3.34 3.25 3.23 3.12 4 899.60 39.25 15.10 9.60 7.39 6.23 5.52 5.05 4.72 4.47 4.28 4.12 4.00 3.89 3.80 3.73 3.66 3.61 3.56 3.51 3.48 3.44 3.41 3.38 3.35 3.33 3.31 3.29 3.27 3.25 3.23 3.22 3.20 3.19 3.18 3.17 3.16 3.15 3.14 3.13 3.01 2.92 2.89 2.79 5 921.83 39.30 14.88 9.36 7.15 5.99 5.29 4.82 4.48 4.24 4.04 3.89 3.77 3.66 3.58 3.50 3.44 3.38 3.33 3.29 3.25 3.22 3.18 3.15 3.13 3.10 3.08 3.06 3.04 3.03 3.01 3.00 2.98 2.97 2.96 2.94 2.93 2.92 2.91 2.90 2.79 2.70 2.67 2.57 6 937.11 39.33 14.73 9.20 6.98 5.82 5.12 4.65 4.32 4.07 3.88 3.73 3.60 3.50 3.41 3.34 3.28 3.22 3.17 3.13 3.09 3.05 3.02 2.99 2.97 2.94 2.92 2.90 2.88 2.87 2.85 2.84 2.82 2.81 2.80 2.78 2.77 2.76 2.75 2.74 2.63 2.54 2.52 2.41 7 948.20 39.36 14.62 9.07 6.85 5.70 4.99 4.53 4.20 3.95 3.76 3.61 3.48 3.38 3.29 3.22 3.16 3.10 3.05 3.01 2.97 2.93 2.90 2.87 2.85 2.82 2.80 2.78 2.76 2.75 2.73 2.71 2.70 2.69 2.68 2.66 2.65 2.64 2.63 2.62 2.51 2.42 2.39 2.29 8 956.64 39.37 14.54 8.98 6.76 5.60 4.90 4.43 4.10 3.85 3.66 3.51 3.39 3.29 3.20 3.12 3.06 3.01 2.96 2.91 2.87 2.84 2.81 2.78 2.75 2.73 2.71 2.69 2.67 2.65 2.64 2.62 2.61 2.59 2.58 2.57 2.56 2.55 2.54 2.53 2.41 2.32 2.30 2.19 9 963.28 39.39 14.47 8.90 6.68 5.52 4.82 4.36 4.03 3.78 3.59 3.44 3.31 3.21 3.12 3.05 2.98 2.93 2.88 2.84 2.80 2.76 2.73 2.70 2.68 2.65 2.63 2.61 2.59 2.57 2.56 2.54 2.53 2.52 2.50 2.49 2.48 2.47 2.46 2.45 2.33 2.24 2.22 2.11 10 968.63 39.40 14.42 8.84 6.62 5.46 4.76 4.30 3.96 3.72 3.53 3.37 3.25 3.15 3.06 2.99 2.92 2.87 2.82 2.77 2.73 2.70 2.67 2.64 2.61 2.59 2.57 2.55 2.53 2.51 2.50 2.48 2.47 2.45 2.44 2.43 2.42 2.41 2.40 2.39 2.27 2.18 2.16 2.05

391

Palacios C. Severo

p = 0.05 (95%) 1 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 60 100 120 161.45 18.51 10.13 7.71 6.61 5.99 5.59 5.32 5.12 4.96 4.84 4.75 4.67 4.60 4.54 4.49 4.45 4.41 4.38 4.35 4.32 4.30 4.28 4.26 4.24 4.23 4.21 4.20 4.18 4.17 4.16 4.15 4.14 4.13 4.12 4.11 4.11 4.10 4.09 4.08 4.00 3.94 3.92 3.84 2 199.50 19.00 9.55 6.94 5.79 5.14 4.74 4.46 4.26 4.10 3.98 3.89 3.81 3.74 3.68 3.63 3.59 3.55 3.52 3.49 3.47 3.44 3.42 3.40 3.39 3.37 3.35 3.34 3.33 3.32 3.30 3.29 3.28 3.28 3.27 3.26 3.25 3.24 3.24 3.23 3.15 3.09 3.07 3.00 3 215.71 19.16 9.28 6.59 5.41 4.76 4.35 4.07 3.86 3.71 3.59 3.49 3.41 3.34 3.29 3.24 3.20 3.16 3.13 3.10 3.07 3.05 3.03 3.01 2.99 2.98 2.96 2.95 2.93 2.92 2.91 2.90 2.89 2.88 2.87 2.87 2.86 2.85 2.85 2.84 2.76 2.70 2.68 2.61 4 224.58 19.25 9.12 6.39 5.19 4.53 4.12 3.84 3.63 3.48 3.36 3.26 3.18 3.11 3.06 3.01 2.96 2.93 2.90 2.87 2.84 2.82 2.80 2.78 2.76 2.74 2.73 2.71 2.70 2.69 2.68 2.67 2.66 2.65 2.64 2.63 2.63 2.62 2.61 2.61 2.53 2.46 2.45 2.37 5 230.16 19.30 9.01 6.26 5.05 4.39 3.97 3.69 3.48 3.33 3.20 3.11 3.03 2.96 2.90 2.85 2.81 2.77 2.74 2.71 2.68 2.66 2.64 2.62 2.60 2.59 2.57 2.56 2.55 2.53 2.52 2.51 2.50 2.49 2.49 2.48 2.47 2.46 2.46 2.45 2.37 2.31 2.29 2.21 6 233.99 19.33 8.94 6.16 4.95 4.28 3.87 3.58 3.37 3.22 3.09 3.00 2.92 2.85 2.79 2.74 2.70 2.66 2.63 2.60 2.57 2.55 2.53 2.51 2.49 2.47 2.46 2.45 2.43 2.42 2.41 2.40 2.39 2.38 2.37 2.36 2.36 2.35 2.34 2.34 2.25 2.19 2.18 2.10 7 236.77 19.35 8.89 6.09 4.88 4.21 3.79 3.50 3.29 3.14 3.01 2.91 2.83 2.76 2.71 2.66 2.61 2.58 2.54 2.51 2.49 2.46 2.44 2.42 2.40 2.39 2.37 2.36 2.35 2.33 2.32 2.31 2.30 2.29 2.29 2.28 2.27 2.26 2.26 2.25 2.17 2.10 2.09 2.01 8 238.88 19.37 8.85 6.04 4.82 4.15 3.73 3.44 3.23 3.07 2.95 2.85 2.77 2.70 2.64 2.59 2.55 2.51 2.48 2.45 2.42 2.40 2.37 2.36 2.34 2.32 2.31 2.29 2.28 2.27 2.25 2.24 2.23 2.23 2.22 2.21 2.20 2.19 2.19 2.18 2.10 2.03 2.02 1.94 9 240.54 19.38 8.81 6.00 4.77 4.10 3.68 3.39 3.18 3.02 2.90 2.80 2.71 2.65 2.59 2.54 2.49 2.46 2.42 2.39 2.37 2.34 2.32 2.30 2.28 2.27 2.25 2.24 2.22 2.21 2.20 2.19 2.18 2.17 2.16 2.15 2.14 2.14 2.13 2.12 2.04 1.97 1.96 1.88 10 241.88 19.40 8.79 5.96 4.74 4.06 3.64 3.35 3.14 2.98 2.85 2.75 2.67 2.60 2.54 2.49 2.45 2.41 2.38 2.35 2.32 2.30 2.27 2.25 2.24 2.22 2.20 2.19 2.18 2.16 2.15 2.14 2.13 2.12 2.11 2.11 2.10 2.09 2.08 2.08 1.99 1.93 1.91 1.83

392

ESTADSTICA EXPERIMENTAL Aplicada a ciencia e ingeniera

Distribucin Chi - Cuadrado alfa = rea a la derecha de x2 (GL, alfa) X~X2 (GL) GL 1 2 3 4 5 6 7 8 9 10 11 13 14 15 0.100 2.7055 4.6052 6.2514 7.7794 0.050 3.8415 5.9915 7.8147 9.4877 P(X > X2(GL, alfa)) alfa 0.025 5.0239 7.3778 0.010 6.6349 0.005 7.8794

9.2104 10.5965

9.3484 11.3449 12.8381 11.1433 13.2767 14.8602 16.8119 18.5475

9.2363 11.0705 12.8325 15.0863 16.7496 10.6446 12.5916 14.4494 12.0170 14.0671 16.0128 18.4753 20.2777 13.3616 15.5073 17.5345 20.0902 21.9549 14.6837 16.9190 19.0228 21.6660 23.5893 15.9872 18.3070 20.4832 23.2093 25.1881 17.2750 19.6752 21.9200 24.7250 26.7569 19.8119 22.3620 24.7356 27.6882 29.8193 21.0641 23.6848 26.1189 29.1412 31.3194 22.3071 24.9958 27.4884 30.5780 32.8015

12 18.5493 21.0261 23.3367 26.2170 28.2997

16 23.5418 26.2962 28.8453 31.9999 34.2671 17 24.7690 27.5871 30.1910 33.4087 35.7184 18 25.9894 28.8693 31.5264 34.8052 37.1564 19 27.2036 30.1435 32.8523 36.1908 38.5821 20 28.4120 31.4104 34.1696 37.5663 39.9969 21 29.6151 32.6706 35.4789 38.9322 41.4009 22 30.8133 33.9245 36.7807 40.2894 42.7957 23 32.0069 35.1725 38.0756 41.6383 44.1814 24 33.1962 36.4150 39.3641 42.9798 45.5584 25 34.3816 37.6525 40.6465 44.3140 46.9280 26 35.5632 38.8851 41.9231 45.6416 48.2898 27 28 36.7412 40.1133 43.1945 46.9628 49.6450 37.91

393

Palacios C. Severo

T~t(GL) GL 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 60 120 alfa 0.1000 3.078 1.886 1.638 1.533 1.476 1.440 1.415 1.397 1.383 1.372 1.363 1.356 1.350 1.345 1.341 1.337 1.333 1.330 1.328 1.325 1.323 1.321 1.319 1.318 1.316 1.315 1.314 1.313 1.311 1.310 1.309 1.309 1.308 1.307 1.306 1.306 1.305 1.304 1.304 1.303 1.296 1.289 1.282 0.0500 6.314 2.920 2.353 2.132 2.015 1.943 1.895 1.860 1.833 1.812 1.796 1.782 1.771 1.761 1.753 1.746 1.740 1.734 1.729 1.725 1.721 1.717 1.714 1.711 1.708 1.706 1.703 1.701 1.699 1.697 1.696 1.694 1.692 1.691 1.690 1.688 1.687 1.686 1.685 1.684 1.671 1.658 1.645 0.0250 12.706 4.303 3.182 2.776 2.571 2.447 2.365 2.306 2.262 2.228 2.201 2.179 2.160 2.145 2.131 2.120 2.110 2.101 2.093 2.086 2.080 2.074 2.069 2.064 2.060 2.056 2.052 2.048 2.045 2.042 2.040 2.037 2.035 2.032 2.030 2.028 2.026 2.024 2.023 2.021 2.000 1.980 1.960 0.0100 31.821 6.965 4.541 3.747 3.365 3.143 2.998 2.896 2.821 2.764 2.718 2.681 2.650 2.624 2.602 2.583 2.567 2.552 2.539 2.528 2.518 2.508 2.500 2.492 2.485 2.479 2.473 2.467 2.462 2.457 2.453 2.449 2.445 2.441 2.438 2.434 2.431 2.429 2.426 2.423 2.390 2.358 2.327 0.0050 63.656 9.925 5.841 4.604 4.032 3.707 3.499 3.355 3.250 3.169 3.106 3.055 3.012 2.977 2.947 2.921 2.898 2.878 2.861 2.845 2.831 2.819 2.807 2.797 2.787 2.779 2.771 2.763 2.756 2.750 2.744 2.738 2.733 2.728 2.724 2.719 2.715 2.712 2.708 2.704 2.660 2.617 2.576

P(T > t(GL, alfa)) 0.0010 318.289 22.328 10.214 7.173 5.894 5.208 4.785 4.501 4.297 4.144 4.025 3.930 3.852 3.787 3.733 3.686 3.646 3.610 3.579 3.552 3.527 3.505 3.485 3.467 3.450 3.435 3.421 3.408 3.396 3.385 3.375 3.365 3.356 3.348 3.340 3.333 3.326 3.319 3.313 3.307 3.232 3.160 3.091 0.0005 636.578 31.600 12.924 8.610 6.869 5.959 5.408 5.041 4.781 4.587 4.437 4.318 4.221 4.140 4.073 4.015 3.965 3.922 3.883 3.850 3.819 3.792 3.768 3.745 3.725 3.707 3.689 3.674 3.660 3.646 3.633 3.622 3.611 3.601 3.591 3.582 3.574 3.566 3.558 3.551 3.460 3.373 3.291

394

ESTADSTICA EXPERIMENTAL Aplicada a ciencia e ingeniera

REFERENCIAS
(1) Aguirre, Y.C.; S.Z. Marrero M. 1991. Efecto de la fertilizacin qumica y orgnica sobre el rendimiento de lechuga (Lactuca sativa L.) bajo un diseo compuesto central rotable a cinco niveles. Trabajo presentado para optar al ttulo de Ingeniero Agrnomo Facultad de Agronoma, Universidad Central de Venezuela. 151 p. lvarez J., Bases del Diseo Experimental American Public Health Association, apha; American Water Association, awwa; Water Pollution Control Federation, WPCF. Mtodos normalizados para el anlisis de aguas potables y residuales, 1994. Ascanio, M., F. Chacin, & W. Machado, 1996.- Comparison between the orthoghonal central composite designs (OCCD) and the rotable central composite design (RCCD) in experiments with vegetable tissue culture. Biometric Bulletin International Biometric Society 13: 2. Aymerich, S. M. Conceptos para tratamiento de residuos lcteos. CNp. Costa rica. p.12 (2000) Bowker, A.H., Lieberman, G.J., 1981, Estadstica para ingenieros, Prentice Hall Internacional. Box, G.E.P. y Draper, N.R., 1969, Evolutionary operation Wiley Box, G.E. and Wilson, K. B., 1951. On Experimental Attainment of Optimum Conditions J. R. S. S. B. 13 1-45. Box, G.E. P. y J.S. Hunter (1951): Multifactor experimental designs for exploring response surfaces. J.R.S.S. ser. B, vol. 13, No. 1, 195-240. Box, G. E. P., Hunter, W. G., and Hunter, J. S. 1978. Statistics for Experimenters. New York: John Wiley & Sons, Inc. Bacon, D.W., Collection and Interpretation of Industrial Data Bernard O., Evolutionary Operation Bergoa M., Martn-Garca, D. Bellido-Milla, A. JimnezJimnez and Hernndez-Artiga, Mara P.. (1999) Application of factorial design to the determination o lubricating oil by continuous flow hydride generation atomic absorption spectrometry J. Anal. Chem. 364: 527-532. Bradley, E.L. and Blackwood, L. G. 1989. Comparing paired data: A simultaneous test for means and variances. The American Statistician, 43, pp 234-235. Brito, M.; F. Rocha. 1991. Efecto de la fertilizacin con N, K, Caliza agrcola y materia orgnica, sobre algunas caractersti395

(2) (3)

(4)

(5) (6) (7) (8) (9) (10) (11) (12) (13)

(14) (15)

Palacios C. Severo

(16) (17) (18) (19) (20) (21) (22) (23)

(24)

(25) (26) (27)

(28)

cas del cultivo de ajo (Allium sativum L.) sobre la poblacin del nematodo (Ditylenchus dipsaci) bajo un diseo de superficie compuesto central rotable. Trabajo presentado para optar al ttulo de Ingeniero Agrnomo Facultad de Agronoma, Universidad Central de Venezuela. 167 p. Brown, M.B. and Forsythe, A. B. 1974. Robust Tests for Equality of Variances. Journal of the American Statistical Association, 69, pp 364 - 367. Box G.E.P., Statistics for Experimenters Box, G.E.P. y Wilson, K.B. 1951.On the Experimental Attainment of Optimum Conditions Surfaces. Journal of the Royal Statistical Society. 13 (1):1-45. Box, G.E.P. y Hunter, J.S. 1957. Multifactor Experimental Designs for Exploring Response Surfaces. Annals of Mathematical Statistics. 28:195-241. Box, G. E. P., Hunter, W. G. y J. S. Hunter, Statistics for Experimenters, Wiley, New York, 1978. Brown, M. B. and Forsythe, A. B. 1974. Robust Tests for Equality of Variances. Journal of the American Statistical Association, 69, pp 364 - 367. Brownlee, K.A. 1957. The Principies of Experimental Design Industrial Quality Control, 13, pp 1-9. Candal, R., Bilmes, S. Y BlesA, M. Semiconductores con Actividad Fotocataltica: Eliminacin de Contaminantes por Fotocatlisis Heterognea. Editor: Miguel Blesa, Red CYTED VIII-G, 79-101, 2001. Cirelli, A.F. y Portier, C. Evaluacin de la condicin del agua para consumo humano en Latinoamrica, En: Tecnologas solares para la desinfeccin y descontaminacin del agua. Solar Safe Water, 11-26, 2005. Carroll Croakin, M. y Tobias, P., Engineering Statistics Handbook. http://www.itl.nist.gov/div898/ handbook. Carroll Croakin, M., Statistics and Measurements, Journal of Research of the NIST 106, 2001, pp. 279-292. Chacn, F. 1991. Planificacin experimental y comercial (Diseo EXCO) para ensayos con fertilizantes. En: Reunio Anual da Regio Brasileira da Sociedade Internacional de Biometra, 36a. Simpsio de Estadstica Aplicada experimentao agronmica, 4to. Goinia Gaias (Brasil). Jul. 15-19.1991. Resmenes. Goinia. p. 32. Chacn, L. F., 1998.- Anlisis de regresin y superficie de respuesta. UCV. Facultad de Agronoma. Maracay, Venezuela. 274 pp.

396

ESTADSTICA EXPERIMENTAL Aplicada a ciencia e ingeniera

(29) Cochran, W.G. and Cox, G. M. 1957. Experimental Designs. Second Edition, New York. John Wiley & Sons. (30) Cochran, W.G. y Cox, G. M. 1974. Diseos Experimentales. Editorial Trillas, Mxico. (31) Cochran Cox, Experimental Designs Second Edition, New York. (32) Conover, W. J., Johnson, M. E., and Johnson, M. M. 1981. A Comparative Study of Tests for Homogeneity of Variances, with Applications to the Outer Continental Shelf Bidding Data. Technometrics, 23, pp 351 - 361. (33) Cornell, John A,. (1990.): How to apply response surface methodology. Milwaukee, WI. (34) Cornell, J. A., Experiments with Mixtures, Wiley, New York, 1990. (35) Cox, D.R. 1958. Planning of experiments. John Wiley and Sons. New York. (36) Cramer, S. G. and Swanson, M. R. 1973. Evaluation of Ten Pairwise Multiple Comparison Procedures by Monte-Carlo Methods. Journal of the American Statistical Association, 68, pp 66 74. (37) Davies, O., Aplicacin de la Tcnica Experimental de la Superficie Respuesta (38) Davies C., The Design and Analysis of Industrial Experimental, Oliver and Boyd. London 2da. Edit. 1967. 636 p. (39) Daz, M.; A. Mijares. 1991. Efecto de diferentes niveles de fertilizacin qumica y orgnica sobre el rendimiento de remolacha (Beta vulgaris L.) bajo un diseo compuesto central rotable a cinco niveles. Trabajo presentado para optar al ttulo de Ingeniero Agrnomo Facultad de Agronoma, Universidad Central de Venezuela. 153 p. (40) Domnech X., Jardim W.F. Y Litter M. Procesos Avanzados de Oxidacin para la eliminacin de contaminantes, En: Eliminacin de Contaminantes por Fotocatlisis Heterognea. Editor: Miguel Blesa, Red CYTED VIII-G, 3 26, 2001. (41) Douglas C. Montgomery.- Diseo y Anlisis de experimentos.Editorial iberoamericana 1991. (42) Draper, N.R. and Smith, H. 1998. Applied Regression Analysis. Third Edition. New York: John Wiley & Sons, Inc. (43) Duncan, D.B. 1975. t Tests and Intervals for Comparisons Suggested by the Data. Biometrics, 31, pp 339 - 359. (44) Dunnett, C.W. 1955. A Multiple Comparisons Procedure for Comparing Several Treatments with a Control. Journal of the American Statistical Association, 50, pp 1096 - 1121.
397

Palacios C. Severo

(45) Dunn, O.J. and Clark, V. A. 1987. Applies Statistical Analysis of Variance and Regression. 2da edition, John Wiley and Sons. New Cork. (46) Dunnett, C.W. 1980. Pairwise Multiple Comparisons in the Homogeneous Variance, Unequal Sample Size Case. Journal of the American Statistical Association, 75, pp 789 - 795. (47) Einot, I. and Gabriel, K. R. 1975. A Study of the Powers of Several Methods of Multiple Comparisons. Journal of the American Statistical Association, 70, pp 574-583. (48) Eisenhart, C. 1947. The Assumptions Underlying the Analysis of Variance. Biometrics, 3, pp 1 - 21. (49) Eisenhart, C. 1984. The assumptions Underling Analysis of Variance. Biometrics 3,1. (50) Esplugas, S. Y Ollis, D.F. Economical Aspects of Integrated (Chemical + Biological) Processes for Water Treatment, Journal of Advanced Oxidation Technologies, 4 (2), 197 202, 1997. (51) Federek, W.T. 1955. Experimental Design Theory and Applications. McMillan Company. (52) Finney, D.J. 1955. An Introduction to the Theory of Experimental Design. The University of Chicago Press. Chicago. (53) Finney, D.J. 1960. An introduction to the theory of experimental design. The university of Chicago Press. Chicago. (54) Fisher, R.A. 1925. Statistical Methods for Research Workers. Edinburgh: Oliver & Boyd. (55) Fisher, R.A. 1935. The Design of Experiments. Edinburgh: Oliver and Boyd. (56) Fisher, R.A. and Yates, F. 1957. Statistical tables for biological, agricultural and medical research. 5th edition. New York: Hafner Public Co., Inc. (57) Folks, J.S. 1958. Comparison of Designs of Exploration of Relation Ships. Disertacin Doctoral no publicada. Iowa State University. (58) Gill, J.L. 1978. Design and analysis of experiments. Vols 1 and 2. Ames Iowa: Iowa State University Press. (59) Grossa, H. Disponibilidad y caractersticas de la radiacin solar en Sudamrica: Tecnologias solares para la desinfeccin y descontaminacin del agua. Solar Safe Water, 85-92, 2005. (60) Hashemi P., Baheri S., Reza Fathi M. Factorial design optimization of experimental variables in preconcentration of cooper by a chromotropic acid loaded Q-Sepharose adsorbent. Talanta 68 (2005) 72-78. Published by Elsevier B.V. (2005). (61) Heckman, J.; Smith, J. Experimental and nonexperimental evaluation. En: Schmid, G. et al. (Eds.) International handbook of
398

ESTADSTICA EXPERIMENTAL Aplicada a ciencia e ingeniera

(62)

(63) (64) (65) (66) (67) (68) (69) (70) (71)

(72)

(73)

(74)

labour market policy and evaluation. New York: Elsevier Science, 1996. Herrmann, J.M. Destruccin de contaminantes orgnicos por Fotocatlisis Heterognea, En: Tecnologas solares para la desinfeccin y descontaminacin del agua. Solar Safe Water, 147164, 2005. Hopkins, K.D, Hopkins, B.R. y Glass, G.V., Estadstica bsica para las ciencias sociales y del comportamiento (3a Edicin) Hunter, W.G., 1976, Some ideas about teaching design of experiments with 25 examples of experiments conducted by students, American Statistician, 31, 12. ISO TAG4 WG3: Guide to the Expression of Uncertainty in Measurement, 1992. John, R.C. and Draper, N.R. 1975. D-optimality for Regression Designs: A Review. Technometrics. 17 (1):15-23. Kackar, R. N., Off-Line Quality Control, Parameter Design and the Taguchi Method, Journal of Quality Technology 17, 1985, pp. 176-188 Khuri, Andr I. y John A. Cornell. (1996): Response surfaces: designs and analyses. Marcel Dekker, New York. Kiefer, J. 1959. Optimum Experimental Designs. Journal of the Royal Statistical Society.B21 (2):272-319. Koroliuk, Manual de la Teora de Probabilidad y Estadstica Matemtica. Machado, W. 1992. Comparacin terica y prctica de algunos diseos de tratamiento utilizados para estimar superficies de respuesta en ensayos de fertilizacin nitrogenada y densidad de siembra en el cultivo de maz (Zea mays L.) y su validacin comercial. Trabajo presentado para optar al ttulo de Ingeniero Agrnomo Facultad de Agronoma, Universidad Central de Venezuela. 151 p. Machado, W.; F. Chacn; M. Ascanio.1997. El Diseo EXCO aplicado en la validacin de ensayos de fertilizacin nitrogenada y densidad de siembra en el cultivo de maz (Zea mays L.). Rev. Fac. Agron. (Maracay) 23:61-66. Machado, W. 1998. Planificacin y anlisis de experimentos de campo en grandes parcelas sin repeticin. Tesis Magister Scientiarum. Facultad de Agronoma, Universidad Central de Venezuela. Maracay, Venezuela. 84 p. Madriz, P. 1996. Caracterizacin y evaluacin de genotipos de frijol mungo (Vigna radiata (L.) Wilczek). Trabajo de ascenso. Facultad de Agronoma. Universidad Central de Venezuela. Maracay. 149 p.
399

Palacios C. Severo

(75) Martnez Garza, ngel. 1988. Diseos Experimentales. Mtodos y Elementos de Teora. Editorial Trillas Mxico. (76) Marin, J.M; Montoya, J.F; Monsalve, E; Granda, C.F; Rios, L.A; Restrepo, G.M. Degradacin de Naranja de Metilo en un Nuevo Fotorreactor Solar de Placa Plana con Superficie Corrugada; Scientia et Technica, XIII (34), 435-440, 2007. (77) Matthews, R. Kinetics of Photocatalytic Oxidation or Organic solutes over Titanium Dioxide, Journal of Catalysis, 111, 264272, 1987. (78) Ministerio del Medio Ambiente. Normatividad 1594-1984.pdf. (79) Montgomery, 2003, Diseo y Anlisis de Experimento Mxico, Segunda Edicin, Grupo Editorial Limusa, S. A. (80) Montgomery, D. C., Design and Analysis of Experiments, Wiley, New York, 2001. (81) Mothes. J., 1960, Estadstica aplicada a la ingeniera, Ariel. (82) Montoya Vargas, A., Diseo de Experimentos en la Metrologa, Taller de Metrologa, CIMAT. (83) Myers, Raymond H. y Douglas C. Montgomery.(1995.): Response surface methodology : process and product optimization using designed experiments. Wiley, New York. (84) Myers, R.H. 1971 Response Surface Methodology. Allyn and Bacon, Boston. (85) Palacios C.S., Diseo y Anlisis de Experimentos Industriales (86) Palacios C.S., Curso Postgrado Diseo Experimental (87) Palacios C.S., Estadstica Aplicada (88) Palacios C.S., 2004 Diseo Experimental (Aplicado a ciencia e ingeniera), CONCYTEC (89) Peterson Roger G., 1985. Design and analysis of experiments. (90) Scott, J.P. Y Ollis, D.F. Integration of Chemical and Biological Oxidation Processes for Water Treatment: Review and Recommendations, Environmental Progress, 14 (2), 88 103, 1995. (91) Statgraphics, Manugistics Inc. and Statistical Graphics Corporation (92) Scheffe, H., 1959. The Analysis of variance. John Wiley & Sons, Inc. New York. (93) UNESCO. Water for people, water for lives UN World Water Development Report. Paris, 2004. (94) Villasmil, J.J. 1978. Estructura, Eficiencia Relativa y Anlisis Estadstico del Diseo San Cristbal Ortogonalizado. Universidad del Zulia, Facultad de Agronoma. Maracaibo. (95) Voller, V.R. and Prakash C., 1987, A fixed grid numerical modeling methodology for convection diffusion mushy region phase400

ESTADSTICA EXPERIMENTAL Aplicada a ciencia e ingeniera

(96) (97) (98) (99) (100)

change problems. Int. J. Heat Mass Transfer, Vol. 30, No 8, pp 1709 - 1719. Winer, B.J., 1991. Statistical Principles in Experimental Design. Mc Graw Hill. Wine R.L., Statistics for Scientists and Engineers. Wu, J. C. F y M. Hamada, Experiments, Wiley, New York, 2000. Yates, F., 1934. Design and analysis of factorial experiments. London: Tech Communication. No 35, Imperial Bureaus of Soil Sciences. Young H., Statistical Treatment of Experimental data.

401

Palacios C. Severo

ESTADISTICA EXPERIMENTAL Aplicada a ciencia e ingeniera Se termino de imprimir en los talleres Grficos de , ubicado en la Av. .., Telfono .. Con un tiraje de 1000 libros Noviembre 2010
402