Вы находитесь на странице: 1из 425

ESTADISTICA EXPERIMENTAL

Aplicada a ciencia e ingeniera


1
ESTADST ESTADSTICA CA
EXPERIMEN EXPERIMENTAL
Aplicada a ciencia e Aplicada a ciencia e
ing ingeniera niera
2
4
6
8 10
3
1
5
7
9
Edicin Edicin
CONC CONCYTEC TEC
PALACIOS C. PALACIOS C.
SSEVERO VERO
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 Tecnolgica-
CONCYTEC
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.
2
E
I
R
L
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
3
Palacios C. Severo
Un reconocimiento muy especial al Rector de la
Universidad Nacional Micaela Bastidas de Abancay
Dr. Leoncio Carnero Carnero
4
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera
CONTENIDO
CONTENIDO
Pgin
a
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.
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
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
5
Palacios C. Severo
X.
XI.
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
Prueba de significanca
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
77
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
6
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera
I.
II.
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.
Mtodos no paramtricos
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 2
n
Diseo factorial 2
Problemas
Diseo factorial 2
Problemas
Diseo factorial 2
k
replicado
Problemas
Diseo 2
k
con pruebas centrales
Diseo confundido
Diseo factorial 2
k
con dos bloques
Diseo factorial 2
k
con cuatro bloques
Diseo factorial 2
k
con bloques replicados
Algoritmo de Yates
Problemas
Diseo factorial fraccionado
Medio fraccionado del diseo 2
k
Cuarto fraccionado del diseo 2
k
Problemas
Diseo Plackett Burman
Problemas
Diseos factoriales 3
n
Problemas
Diseos rotables
Diseos rotables con dos factores
Diseo trigonal
Diseo pentagonal
Diseo hexagonal
Problemas
162
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
7
Palacios C. Severo
C.
D.
E.
F.
G.
7
I.
II.
III.
IV.
V.
VI:
VII:
VIII:
IX.
X.
XI.
XII.
XIII.
Diseo octogonal
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
281
282
291
295
298
300
305
308
311
323
323
323
324
325
326
328
331
333
340
350
354
367
368
387
393
8
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
9
Palacios C. Severo
presente libro), sirven para ilustrar y ampliar las teoras, sin lo cual el
lector sentira un vaci. Las demostraciones de procesos industriales
se incluyen 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
10
E
I
R
L
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
11
Palacios C. Severo
industriales. La planta recibe rdenes de produccin que deban ser
procesados y cumplidos en un 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.
13
Palacios C. Severo
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.
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
disponibles
1
.
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.
1
Ver referencias bibliogrficas
14
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera
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
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.
15
Palacios C. Severo
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.
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
Ventas Cambio
Porcentual 2005 2010
Mercado Central 10 8 -20
Mercado Sur 5 7 +40
Mercado Norte 2 4 +100
Mercado Este 6 3 -50
Mercado Oeste 10 11 +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
Chicuadrado, 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
16
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera
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 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
17
Palacios C. Severo
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.
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:
i i
e e
1
es intervalo i-simo.

Se llama amplitud del intervalo a la distancia que existe entre los
extremos.
1

i i i
e e a
Se llama marca de clase al punto medio de un intervalo. Este punto es
importante porque es el representante del intervalo.
2
1 1 +
+

i i
i
e e
x
Se llama densidad de frecuencia de un intervalo a la frecuencia
correspondiente a cada unidad de la variable en dicho intervalo.
18
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera
i
i
i
a
n
d

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
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$) Cantidad de operarios
De 250 a 400
De 400 a 600
25
23
Un anlisis de distribucin de frecuencia no revelara mucho acerca
de la estructura de los ingresos de los operarios.
19
Palacios C. Severo
Siempre que sea posible, el intervalo entre todas las clases se la
distribucin de frecuencia deber ser igual. Los intervalos desiguales
originan problemas al graficar y al calcular promedios y otras
medias estadstica.
VIII. MEDIDAS DE TENDENCIA CENTRAL
Una medida de tendencia central es un nmero que representa el
valor central de un conjunto de valores. Habitualmente, estas medidas
se llaman promedios. He aqu algunos ejemplos: el ingreso promedio
de una familia, es de US$ 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
20
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera
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 comunes como para que se deba verificar siempre, antes de
usar la media, si sta es en realidad descriptiva.
n
X
X
i


n i ,... 2 , 1
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
degustacin
Producto
1 2 3
5
4
3
2
1
10
5
70
5
10
20
20
20
20
20
0
50
50
0
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
Semi calificado
No calificado
20
10
5
8
5
3
8
5
2
Media aritmtica ponderada
21
Palacios C. Severo
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.

i
i i
m
m X
X
Ejemplo 1.3
Una empresa desea contratar tres tipos de personal: calificado, semi
calificado y no calificado, para la produccin de ciertos artefactos. La
gerencia desea conocer el costo promedio de mano de obra por da
para cada producto.
El promedio aritmtico simple es:
2 1
0160 , 0 661 , 1 644 , 0 X X Y + +
El costo de mano de obra promedio del producto 1 es,
( ) $ 72 , 187 3 5 8 67 , 11 US + +
Y para una unidad del producto 2 es,
+ +
+ +
2
2 2 Fe AgO Fe Ag
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 (X
i
) Kilo comprado (m
i
)
0,5
0,7
0,9
80
20
10
Total 110
22
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera
Aplicando la frmula

i
i i
m
m X
X
( ) ( ) [ ] ( ) ( ) [ ] kilo US X / $ 5727 , 0 110 / 10 ... 110 / 80 / 110 / 10 9 , 0 ... 110 / 8 , 0 5 , 0 + + + +
Comparando con el promedio simple
[ ] 10 / 900
1
X X
( ) ( ) ( ) ( ) ( ) ( ) [ ] k i l o U S X / $ 5 7 2 7 , 0 1 1 0 / 1 0 9 , 0 2 0 7 , 0 8 0 5 , 0 + +
Media armnica
Es el inverso del valor medio, se la utiliza con frecuencia para la
medicin y anlisis de flujos volumtricos.

i
X
n H
1
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
min / 7 , 166
100 / 1 500 / 1
1
2 litros H
1
]
1

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:
r
1
= 10000/500 = 20 min
r
2
= 10000/100 = 100 min
FVM = (10000 + 10000)/120 = 166,7 l/min
23
Palacios C. Severo
Obsrvese que el valor medio es de 300 litros por minuto, casi el doble
de la media armnica.
Media geomtrica
La media geomtrica X
g
es la n-raz de los productos de la n
observaciones medidas, de amplia utilidad en economa.
n
i
g X X

En forma logartmica

n
n L o g X
X L o g
i
g
Una aplicacin importante es determinar el incremento porcentual
promedio en ventas, produccin u otras variables correspondientes a
un lapso dado.
Una modificacin de la frmula es:
1
Pr 1
1

,
_

,
_

Lapso imer
Lapso ltimo
Log
n
X Log g
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.
Tabla 1.4 Economa inflacionaria
A
o
Tasa de inters Factor de crecimiento Ahorro al final de ao (US$)
1
2
3
4
5
10
20
25
30
40
2
3
3,5
4
5
1000*2 = 2000
2000*3 = 6000
6000*3,5 = 21000
21000*4 = 84000
84000*5 = 420000
El factor de crecimiento anual, ser:
[ ] a o c a d a v e c e s X 5 , 3 5 / 5 4 5 , 3 3 2 + + + +
Pero 3,5 = 1 + 25/10
24
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera
Corresponde a una tasa de inters promedio de 20% anual.
Entonces, el depsito de 1000 dlares crecer en cinco aos:
( ) ( ) 75 , 2 16 / 158 4 / 41 39 41 37
2 2 2 2 2
+ + +
columna
SC
Este es un valor excedente al real en ms de US$ 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:
( ) ( ) 25 , 94 16 / 158 4 / 36 56 31 35
2 2 2 2 2
+ + +
oo tratamient
SC
Siendo est la media ms apropiada para el caso.
Media cuadrtica
De un conjunto de nmeros X
n
es denotado por la raz cuadrada de la
media cuadrtica y es definida como:
n
X
X q

2
Ejemplo 1.7
Evalu los datos que se muestran a continuacin 1, 5, 7 y 9
2 4 , 6 q X
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
.
25
Palacios C. Severo
Ni
N/2
Ni-1
ei-1 Me
e
C
C
B A
B
i
i
i
i e
i
i
i
i e
a
n
N N
e M
n
a
N N
e M
CC
AC
BB
AB
1
]
1

1
1
1
1
2 /
2 /

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.
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:
i
f
F n
L M e d i a n a
1
]
1


+
2 /
Donde:
L Lmite inferior de la clase en que se ubica la mediana
n Cantidad de datos
F Frecuencia acumulativa para la clase inmediata inferior
f Frecuencia en la clase media
i Amplitud del intervalo de clase
Ejemplo 1.8
26
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera
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
modo, 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.
27
Palacios C. Severo
Cuanto ms grande sea la varianza ms esparcidos estarn los
valores de la variable. La varianza se suele notar
2
y se calcula:
( )
( )
i i
i i
f X X
N
n X X


Al igual que en la media aritmtica los X
i
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.

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.
X
CV

El coeficiente de variacin es un coeficiente adimensional y solo se


puede definir cuando la media aritmtica es distinta de cero.
28
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera
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.
Problemas
(1) 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?
(2) 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.
(3) Durante dos semanas se ha observado la temperatura en C al
medio da, siendo los resultados:
12 10 14 18 9 8 10
8 9 11 10 11 10 11
Determine la temperatura media de la muestra.
(4) Calcular la media de los datos agrupados:
Y 40 41 42 43 44 45 46 47 48 49 50
n 3 4 6 2 2 3 1 1 2 2 4
(5) Un grupo de micro empresarios, trabajan con obreros
eventuales. Ciertos das trabajan con seis, ocho y cuatro.
29
Palacios C. Severo
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
(6) 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 9.3 9,5 9,2 9,4 9,2 9,3 9,3 9,5 9,4
9,2 9,3 9,5 9,3 9,4 9,3 9,2 9,1 9,3 9,3
9,4 9,5 9,4 9,4 9,2 9,4 9,6, 9,6 9,3 9,1
9,4 9,2 9,5 9,3 9,2 9,3 9,2 9,3 9,4 9,6
9,4 9,3 9,4 9,3 9,4 9,3 9,3 9,4 9,2 9,4
Calcule el peso promedio de las garrafas
Si el peso estndar es de 10 kilos cuanto de gas falta en
promedio
(7) 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.
(8) 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.
(9) El ingreso percapite mensual en un pas es US$ 250. El sector
del magisterio constituye el 60% de la poblacin que percibe el
2/5 del ingreso total. Calcule el ingreso medio por habitante del
sector.
(10) 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?
(11) 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?
30
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera
(12) 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?
(13) 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?
(14) 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
NO
2
/l. Para tratar de verificar la sospecha, se midieron los
niveles de nitritos en diez puntos aleatorios del acufero y se
obtuvieron los siguientes datos.
0,02 0,05 0,03 0,05 0,04 0,06 0,07 0,03 0,04 0,03
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.
(15) 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.
2 , 41 X
1 , 2 s
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.
31
Palacios C. Severo
(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.
rea Kg X A / 5 , 14 rea Kg s
A
/ 23 , 3
rea Kg X B / 3 , 15 rea Kg s
B
/ 85 , 1
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 1 2 3 4 5 6 7 8 9 10
Leche
Plasm
a
93
147
104
157
95
142
81
141
95
142
95
147
76
148
80
144
79
144
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
32
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera
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:
Semana I 93 86 90 90 94 91 92 96
Semana II 93 87 97 90 88 87 84 93
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:
Antes 7,2 7,3 6,5 4,2 3,1 5,3 5,6
Despu
s
5,2 5,4 5,3 4,7 4,1 5,4 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.
33
Palacios C. Severo
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:
44
8
46
0
514 48
8
592 49
0
507 513 49
2
534 523 452 46
4
562 58
4
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%.
(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, A
x
, 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?
(30) La resistividad elctrica de ciertas barras de aleacin de
Cromo- molibdeno 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
34
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera
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
132 X
mg/dl y
s
2
=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
dispersin de la duracin de las pilas por lo que se hace
35
Palacios C. Severo
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.
(37) 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.
(38) 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.
(39) 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.
(40) 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?
(41) 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
36
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera
3,6 2,7 3,5 4,2 2,8 4,4 3,3 3,1
Determinar un intervalo de confianza para la varianza con
nivel de confianza del 99%, si la prdida de peso es
aproximadamente normal.
(42) 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.
(43) 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.
(44) 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.
(45) Las velocidades de difusin del bixido de carbono a travs de
la porosidad del suelo son distintas.
Arenoso 2
0
27 22 23 23 2
8
23 26 22 26 2
0
19 22
Arcilloso 19 3
0
32 2
8
15 26 35 18 25 35
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.
37
Palacios C. Severo
Granja A
% 7 , 8 A X
2 2
% 02 , 1
A
s
33
A
n
Granja B
% 9 , 10 B X
2 2
% 73 , 1
B
s
27
B
n
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 vida. Para comprobar se someti al pesado de ocho terneras
al cumplir las cuatro semanas y posteriormente dos semanas.
Ternero 1 2 3 4 5 6 7 8
Peso 4 semanas
Peso 6 semanas
130
138
125
140
128
139
127
141
129
137
123
137
131
142
130
142
Comprobar si la suposicin es cierta calculando los intervalos de
confianza al 95% para la diferencia media de peso.
(48) 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.
(49) 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.
(50) 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.
38
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera
(51) 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.
(52) 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,
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?
39
Palacios C. Severo
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
40
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera
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.
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.
41
Palacios C. Severo
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 ( )
2
X X , luego
tambin se suman
( )
2
X X
y se promedian dividiendo por el
nmero total de productos, o sea n.
( )
n
X X
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).
( )
( )
1
2

n
X X
X S
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 ( )
2
X S .
42
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera
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 32 , 94 X
( ) 54 , 4
5
6 , 471 93 96 87 7 , 97 98
2 2 2 2 2 2

+ + + +
X S
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
( )
2
X X
se multiplican por el
nmero adecuado de frecuencia de clase para dar
2
X f .
( )
2
2
X
n
fX
X S

Jornal (US$) Cantidad (f)


X
2
X
2
X f
X f
3 a 5
5 a 7
7 a 9
2
5
3
4
6
8
16
36
64
32
180
192
8
30
24
Total 10 404 62
( ) $ 4 , 1
10
62
10
404
2
US X S

,
_


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
43
Palacios C. Severo
) ( 3 S X t
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:

i
X X md
n
mediana X
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
Problemas
44
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera
(55) Calcule el valor medio, mediana y moda de la
siguiente distribucin de datos:
X Y
110 -119
100 109
90 99
80 89
70 79
60 69
50 59
40 49
30 39
20 29
10 - 19
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.
Fuente 1 85 74 76 88 73 84 77
Fuente 2 79 71 75 77 79 77 78
(57) El anlisis de gas natural indica el siguiente concentrado de
CO
2
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 1 2 3 4 5 6 7 8
Turno 1 89 92 98 97 98 97 97 98
Turno 2 87 87 97 97 97 98 97 97
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)
Rendimiento del reactor
1 2 3 4
800
900
980
10,4
10,9
12,1
12,9
10,8
11,6
11,7
10,6
12,8
13,5
13,5
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
45
Palacios C. Severo
se 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
Cantidad disponible de cloro (%)
8
10
12
14
16
18
20
22
24
26
28
30
32
34
36
38
40
42
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.
Da 6 7 8 9 10 11 12 13 14 15 16
Pes
o
0,0
2
0,0
5
0,0
7
0,1
3
0,1
8
0,2
6
0,4
3
0,7
4
1,1
3
1,8
8
2,8
1
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.
46
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera
X 0 1 2 3 4 5 6
Y 32 47 65 92 132 190 275
Ajustar los datos a una curva del tipo Y = aX
b
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
U 103 102 10 1 0,1
T 0 1 2 3 4
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.
V (cm) 50 60 70 90 100
P (Kg/cm) 60 54 46 24 10
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 Frecuencia Frecuencia relativa
0
2
4
6
8
1
1
1
1
1
1/5 = 0,2
1/5 = 0,2
1/5 = 0,2
1/5 = 0,2
1/5 = 0,2
47
Palacios C. Severo
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
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 X
i
Frecuencia absoluta n
j
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
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.
48
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera
(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 Peso al nacer
177
200
201
202
203
61
75
58
57
59
100
102
60
56
46
56
95
60
67
120
113
103
57
59
115
99
98
57
58
115
103
115
59
121
96
75
98
54
101
105
62
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 Afloxin (ppb)
3469 72
3849 52
3721 24
3477 80
3669 72
3873 76
3777 80
3461 - 64
39
56
64
29
38
11
23
10
57
13
83
55
66
49
0
11
63
25
88
21
53
34
5
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.
49
Palacios C. Severo
(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
comerciales 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.
Fabricante I Fabricante II
Filtro 1 2 3 4 5 6
1,12
1,10
1,12
0,16
0,11
0,26
0,15
0,12
0,12
0,91
0,83
0,95
0,66
0,83
0,61
2,17
1,52
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 Contenedo
r
Peso (g)
Control
6 barras
12 barras
1
2
3
4
5
6
11,2
9
7,37
5,64
4,20
4,83
3,28
11,0
8
6,55
5,98
3,34
4,77
2,16
11,1
0
8,50
5,69
4,21
5,66
2,69
50
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera
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
oxigenacin 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:
Camp
o
Secci
n
Porosidad Camp
o
Secci
n
Porosidad
1
2
3
4
5
6
7
8
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
3,846
5,629
5,087
4,621
4,411
3,357
3,991
5,766
5,677
3,333
4,355
4,94
0
2,983
4,396
5,603
3,683
3,712
2,021
6,292
4,810
9
10
11
12
13
14
15
17
18
19
20
21
22
23
24
25
26
27
28
29
30
5,942
5,014
5,143
4,061
3,835
4,584
4,193
4,125
3,074
3,483
3,867
4,212
6,247
4,730
2,964
4,398
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.
51
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.
52
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera
2
1

1
2
2
1
) (
n
N
X
n
a
n
X f

,
_

,
_

,
_

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.
( )
( )
4
:
54 , 4
03 , 2
32 , 94

GL
Hiptesis
X S
X S
X
o

( )
82 , 0 t

X S
X
t
o

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.
( )


2
2
f
f f
X

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: 16
Bomba 2: 9
Bomba 3: 6
53
Palacios C. Severo
Bomba 4: 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 Chi-cuadrado 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.
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 Propuesto
89,7
89,6
89,5
89,6
89,8
89,8
89,6
89,4
89,5
90,0
54
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera
89,7
89,2
013 , 0 ) (
4
64 , 89
2
1
1

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

X S
GL
X
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
( ) 825 , 3
2
X S
Entre conjuntos
( ) 3988 , 0
2
X S
( )
( )
59 , 9
2
2

X S
X S
F
Reactor 1 2 3
10,4
10,0
11,8
11,2
11,6
12,4
12,9
11,9
9,80
10,9
10,4
10,1
Suma de conjunto 43,4 48,8 41,2
Media 10,85 12,2 10,3

61 , 1490 /
2
K SC

96 , 1482 /
2
K X
55
Palacios C. Severo

2 , 1492
2
X
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.
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 Intervalo de
56
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera
confianza
X
n
Z
+
t

n
X Z
/

t
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,


n
Z
X
n
Z
X

+ < <
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:
( ) ( )
n
X tS
X
n
X tS
X + < <
Ejemplo 1.16
Establecer el intervalo de confiabilidad para la media verdadera de
los datos del ejemplo 1.10.
( )
6 , 4
78 , 2
54 , 4
4
99 , 0
95 , 0

t
t
X S
GL
Nivel Intervalo
% 95 ( )( ) 68 , 88 96 , 99 5 / 54 , 4 78 , 2 32 , 94 + t y
% 99 ( )( ) 94 , 84 65 , 103 5 / 54 , 4 60 , 4 32 , 94 + t y
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
57
Palacios C. Severo
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:
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
58
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera
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.
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
59
Palacios C. Severo
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.
d) Mentiras intencionales de los informantes.
e)Mala memoria, suposiciones insesgadas.
f) Mal entendimiento del procedimiento.
g) Manipulacin por parte del investigador.
60
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera
h) Sesgos introducidos por el investigador.
i) Errores de anotacin.
j) 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.
( )
( ) 2
2

N
Y Y
S
p
yx
S
yx
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:
Muestreo por conveniencia
61
Palacios C. Severo
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 de posibles soluciones para que el ejecutivo pueda mejorar la
efectividad de una decisin.
62
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera
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.
63
Palacios C. Severo
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
64
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera
principios puede aparecer obvios o triviales, y sin embargo no
violados con frecuencia en el diseo.
XVIII. PRINCIPIOS PARA LA TOMA DE DECISIONES
1. Los datos son base necesaria para la decisin. Sin
algn dato es imposible establecer alternativas o asignar
medidas de utilidad a las mismas.
2. 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.
3. Los datos recolectados deben se directamente
aplicables o tales que, mediante una transformacin, puedan
hacerse aplicables para el criterio de efectividad que se usan.
4. Suponiendo que se ha establecido alternativas y
asignado medidas de efectividad, los datos adicionales sern
tiles que afectan las utilidades asignadas.
5. 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.
6. 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.
7. 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.
XIX. PLANIFICACIN
65
Palacios C. Severo
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.
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.
66
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera
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 40 X y 6 S . 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
( ) ( ) [ ]


40
1
2
3
8 , 1
39
1
Y X Y X S
i i d
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
67
Palacios C. Severo
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 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
(87) 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.
(88) 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.
(89) 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
(90) 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?
68
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera
Determine el intervalo de confianza, al 95%, para la media
poblacional.
(91) 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 m
2
.
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%
(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?
69
Palacios C. Severo
(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?
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.
70
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera
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.
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:
+ + X Y
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 1 2 3 4 5 6
Y 35 64 96 124 156 182
71
Palacios C. Severo
X
Y
Consideremos n pares de observaciones (X
i
,Y
i
), deseamos determinar
la lnea que de el mejor ajuste. Si predecimos y por medio de la
ecuacin:
+ + bX b Y
o
Donde
i
I i
Y Y
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
.
( ) [ ]
2

+
i o i
bX b Y
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 b
o
y b.
( ) [ ]( ) 0 2

+
i i o i
X bX b Y
( ) [ ] ( ) 0 1 2

+
i o i
b X b Y
Siendo las ecuaciones normales,
+
i o i
X b nb Y
1
72
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera
+
2
1 i i o j i
X b X b Y X
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 20 60 100 140 180 220 260 300 340 380
Y 0,18 0,37 0,35 0,78 0,56 0,75 1,18 1,36 1,17 1,65

2000 X

532000 X

35 , 8 Y

4 , 2175 XY
b b
b b
o
o
532000 2000 4 , 2175
2000 10 35 , 8
+
+
Resolviendo
b
o
= 0,069, b = 0,0038
seg mm Y / 79 , 0 ) 190 ( 0038 , 0 069 , 0 +
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
73
Palacios C. Severo
cosecha, el engorde de ganado, la recuperacin de material valioso de
un mineral, la transformacin de un producto, etc.
[ ]
[ ]
[ ]
bLogX b LogY
bX b LogY
X b X b X b b Y
X b X b b Y
X b X b X b b Y
bX b Y
X b X b b Y
bLogX b Y
X b X b X b b Y
X b b Y
bX b Y
o
o
ij ij ij ij i i o
n n i i o
ij ij ii ii i i o
o
j i o
o
ij ij ii ii i i o
i i o
o
+
+

+ + +

+ + +

+
+
+ +
+

+
+
2
3 2
2
/ 1
... / 1
/ 1
/ 1
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.
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 X
1
, X
2
, , X
k
, puede escribirse de
siguiente manera.
i k k i i o
X b X b b Y + + + +
1 1
...
Donde:
b
o
es el intercepto
b
i
a b
k-1
son las pendientes, y
74
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

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 X
1
, X
2
, ..., X
k-1
es decir E(Y/X
1
,X
2
, ..., X
k-
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:
bX b X Y E
o
+ ) / (
En donde los parmetros de la recta b
o
son constantes desconocidas.
Se supone que cada observacin Y puede describirse mediante el
modelo,
+ + bX b Y
o
Donde es un error aleatorio con media cero y varianza
2
.
Los parmetros del modelo b
o
y b pueden estimarse mediante
mnimos cuadrados si se tiene n pares de datos.
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 6 9 11 13 22 26 28 33 35
Y 68 67 65 53 44 40 37 34 32
75
Palacios C. Severo
89 , 48
33 , 20
7701
23232
440
4665
183


Y
X
XY
Y
Y
X
X
Suma de cuadrados de los factores:
( ) [ ] 118 183 9 / 1 4665 8 / 1
2
+
X
S
( ) [ ] 11 , 215 440 9 / 1 23232 8 / 1
2

Y
S
Suma de cuadrados de los productos cruzados
( ) [ ] 71 , 155 ) 440 ( 183 9 / 1 7701 8 / 1
XY
S
( ) [ ] 11 , 215 9 / 440 23232 8 / 1
YY
S
La pendiente es:
32 , 1 118 / 71 , 155
1
b
En el origen:
89 , 48 Y b
o
( ) X X b Y Y
i

( ) 33 , 20 32 , 1 89 , 48 X Y
X Y 23 , 1 73 , 75
La prueba de significanca de regresin de los datos, es:
Tabla 2,5 Anlisis de varianza
Fuente SC GL CM F
o
F
t
(99%
76
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera
)
Regresin
Error
205,53
9,58
1
7
205,53
1,3688
150,153 > 12,2
Total 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,
k k o
X b X b X b b Y + + + + ...
2 2 1 1
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:

+
Y X b X b X X b X X b X
Y X b X X b X b X X b X
Y X b X X b X X b X b X
Y b X b X b X Nb
o
o
o
o
3 3
2
3 2 3 2 1 3 1 3
2 3 3 2 2
2
2 1 2 1 2
1 3 3 1 2 2 1 1
2
1 1
3 3 2 2 1 1
Ejemplo 2.24
Determine la funcin mltiple de la relacin entre dos factores X
1
y X
z
a partir de los siguientes datos:
1
X
2
X Y
2
1
X
2
2
X
2 1
X X Y X
1
Y X
2
4
7
9
12
1
2
5
8
7
12
17
20
16
49
81
144
1
4
25
64
4
14
45
46
28
84
153
240
7
24
85
160
32 16 56 290 94 159 505 276
8 1 X 4 2 X 14 Y
Ecuacin normal
276 94 159 16
505 159 290 32
56 16 32 4
2 1
2 1
2 1
+ +
+ +
+ +
b b b
b b b
b b b
o
o
o
77
Palacios C. Severo
Resolviendo la determinante obtenemos los coeficientes:
b
o
= 0,6440
b
1
= 1,6610
b
2
= 0,0169
Resultando el modelo lineal mltiple
2 1
0160 , 0 661 , 1 644 , 0 X X Y + +
El procedimiento para el anlisis de varianza es:
Tabla 2.6 Anlisis de varianza
Fuente SC GL CM F
o
F
t
(95%
)
Regresi
n
Error
95,556
2,444
2
1
47,77
8
2,444
19,55 > 19
Total 98,00
0
3 R = 97,51%
Se concluye que al menos una variable afecta significativamente a la
regresin.
Tabla 2.7 Anlisis de varianza
Fuente SC GL CM F
o
F
t
(95%
)
Regresi
n
b
o
b
1
b
2
Error
95,556
784,00
0
11,036
0,001
2,444
2
1
1
1
1
47,778
784,00
0
11,036
0,001
2,444
19,55
320,7
8
4,52
<1
>
>
<
19
161
161
Total 894,00
7
6
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:

+ +

+
ij ij ij ij i i o
X b X b X b b Y
2
78
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera
Aplicando el criterio de mnimos cuadrados, igualando a cero las
derivadas parciales de Y con respecto a los coeficientes b
o
, b
1
,.. .,b
12
,
reacomodando algunos trminos, se tiene las k+1 ecuaciones
normales.
Resolviendo el sistema, por cualquier mtodo, se obtiene b
o
, b
1
, b
2
,...,
b
12
que son los estimadores mnimos cuadrados que nos permiten
estimar Y a partir de la ecuacin matriz.
+ + + + +
+ + + + +
+ + + + +
+ + + + +
+ + + + +
+ + + + +
Y X X X X b X X b X X b X X b X X b b X X
Y X X X b X b X X b X b X X b b X
Y X X X b X X b X b X X b X b b X
Y X X X b X b X X b X b X X b b X
Y X X X b X X b X b X X b X b b X
Y X X b X b X b X b X b Nb
o
o
o
o
o
o
2 1
2
2
2
1 12
3
2 1 22 2
3
1 11
2
2 1 2 2
2
1 1 2 1
2
2
3
2 1 12
4
2 22
2
2
2
1 11
3
2 2
2
2 1 1
2
2
2
1 2
3
1 12
2
2
2
1 22
4
1 11 2
2
1 2
3
1 1
2
1
2
2
2 1 12
3
2 22 2
2
1 11
2
2 2 2 1 1 2
1 2
2
1 12
2
2 1 22
3
1 11 2 1 2
2
1 1 1
2 1 12
2
2 22
2
1 11 2 2 1 1
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

+
ij ij ii ii i i o
X b X b X b b Y
2
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 85
0
86
0
870 89
0
890 900 910 920 930 940 950
Y 0 8,2 16,
6
27 39,
7
52,
8
68,
6
82,
5
99,
6
108,5 128,
5
desarrollando un artificio matemtico para X, siendo
79
Palacios C. Severo
[ ] 10 / 900
1
X X
X
1
-5 -4 -3 -2 -1 0 1 2 3 4 5
Y 0 8,2 16,
6
27 39,
7
52,
8
68,
6
82,
5
99,
6
108,
5
128,
5

0 X

110
2
X

8 , 1429 XY
9209
2

Y X

8 , 886 Y
9290 1958 0 11
8 , 1429 0 11 0
8 , 886 110 0 11
2 1
2 1
2 1
+ +
+ +
+ +
b b b
b b b
b b b
o
o
o
resultando los coeficientes
b
o
= 76,64
b
1
= 13
b
2
= 0,3974
el modelo polinomial de segundo orden es:
3974 , 0 16 64 , 76 X X Y + +
reemplazando con el valor original
003474 , 0 8 , 13 78 , 11952 X X Y +
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
80
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera
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:
XLog Log LogY +
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.
Recorrido 1 2 5 10 20 30 40 50
Porcentaje 98,2 91,7 81,3 64 36,4 32,8 17,7 11,3
X = 158
X = 5530
Log Y = 130312
XLog Y = 2121224
Logb Logb
Logb Logb
o
o
5530 158 2121224
158 8 130312
+
+
cuya solucin es
X LogY 0188 , 0 002 , 2
en forma exponencial:
X
Y ) 96 , 0 ( 100
X. COEFICIENTE DE CORRELACIN MLTIPLE R
2
En el caso de dos variables se define R
2
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 R
2
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 X
1
y X
2
. El
valor que nos da esta informacin se conoce como el coeficiente de
81
Palacios C. Severo
correlacin mltiple y se denota por R
2
, conceptualmente es igual que
R
2
.
La suma total de cuadrados es igual a la suma de cuadrados de las
dependientes ms la suma de cuadrados residuales. Por definicin.
total error
SC SC R /
Dado que los valores de la ecuacin son generalmente computados en
forma rutinaria, R
2
puede calcularse fcilmente. Note que R
2
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, R
2
esta entre estos valores extremos.
Se dice que el ajuste del modelo es mejor mientras ms cerca de uno
est R
2
.
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).
SC
total
tiene como es
costumbre N-1 grados de libertad.
SC
residua
tiene N-3 grados de libertad por motivos ya conocidos y
SC
error
tiene 2 grados de libertad en razn de que es funcin de b
1
y b
2
.
Por lo tanto, siguiendo el procedimiento ANAVA, podemos elaborar
las tablas.
( ) [ ] ) 3 /( / 2 /
2
2 2 1 1


+ N X Y b X Y b F
i i i i i

Tabla 2.8 Clculo de anlisis de varianza
Fuente SC GL CM F
o
82
residual error total
SC SC SC +
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera
Regresin
Error

+ i X Y b X Y b
i 2 2 2 1 1 1

2
i

2
3 N
GL SC/
( )
2
/ / GL SC
Total

2
i
Y 1 N
R =

+ i X Y b X Y b
i 2 2 2 1 1 1
/

2
i
Y
Puede demostrarse ahora que bajo el supuesto de que los
i
distribuidos normalmente y de que la hiptesis nula b
1
=b
2
=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:
13 12 22 11 2 1
,..., ,..., , ,..., , , , b b b b b b b Y
o
Para obtener los coeficientes aplicamos las matrices aqu detalladas,
FUNCIN MATEMTICA: DISEO FACTORIAL 2
2
Y
o
X
1
X
2
X
2
1
X
2
2
X
2 1
X X Y X
1
Y X
2
Y
1
Y
2
Y
3
Y
4
1
1
1
1
-
+
-
+
-
-
+
+
1
1
1
1
1
1
1
1
+
-
-
+
-
+
-
+
-
-
+
+

Y 4 4 4 Y X

1
Y X

+
Y X X b X X b b X
Y X X X b X b b X
Y X b X b Nb
o
o
o
2
2
2 2 2 1 1 2
1 2 1 2
2
1 1 1
2 2 1 1
Ejemplo 2.27
Evalu los datos
4b
o
= 300 b
o
= 75
4b
1
= 30 b
1
= 7,7
4b
2
= 10 b
2
= 2,5
Y X
1
Y X
2
Y
65
80
- 65
+ 80
- 65
- 80
83
Palacios C. Severo
70
85
- 70
+85
+ 70
+ 85
300 30 10
Resultando el modelo
( ) ( ) 18 , 1 16 / 4 , 153 2 , 10 10 ... 4 , 9 3 , 9
2
2 2 2 2
+ + + +
total
SC
FUNCIN MATEMTICA: DISEO FACTORIAL 2
3
Y
o
X
1
X
2
X
3
X
2
1
X
2
2
X
2
3
X
Y X
1
Y X
2
Y X
3
Y
1
Y
2
Y
3
Y
4
Y
5
Y
6
Y
7
Y
8
1
1
1
1
1
1
1
1
-
+
-
+
-
+
-
+
-
-
+
+
-
-
+
+
-
-
-
-
+
+
+
+
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
-
+
-
+
-
+
-
+
-
-
-
-
+
+
+
+
-
-
-
-
+
+
+
+

Y8 8 8 8 Y X

1
Y X

2
Y X

+
Y X X b X X b X X b b X
Y X X X b X b X X b b X
Y X X X b X X b X b b X
Y X b X b X b Nb
o
o
o
o
3
2
3 3 3 2 2 3 1 1 3
2 3 2 3
2
2 2 2 1 1 2
1 3 1 3 2 1 2
2
1 1 1
3 3 2 2 1 1
Ejemplo 2.28
Evalu los datos
8b
o
= 548,74 b
o
= 68,59
8b
1
= - 0,86 b
1
= - 0,11
8b
2
= 4,24 b
2
= 0,53
8b
3
= - 2,48 b
3
= - 0,31
Y X
1
Y X
2
Y X
3
Y
68,72
69,06
69,44
67,75
67,93
68,73
68,72
68,39

548,74
- 0,86 4,24 - 2,48
el modelo es:
3 2 1
31 , 0 53 , 0 11 , 0 59 , 68 X X X Y +
84
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera
FUNCIN MATEMTICA: DISEO HEXAGONAL
Y
o
X
1
X
2
X
2
1
X
2
2
X
4
1
X
4
2
X
2
2
2
1
X X
Y X
2
1
Y X
2
2
Y X
1
Y X
2
Y X X
2 1
Y
1
Y
2
Y
3
Y
4
Y
5
Y
6
Y
7
Y
8
Y
9
1
1
1
1
1
1
1
1
1

Y9 0 0 3 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
o
X
1
X
2
X
2
1
X
2
2
X Y X
2
1
Y X
2
2
Y X
1
Y X
2
Y X X
2 1
Y
1
Y
2
Y
3
Y
4
Y
5
Y
6
Y
7
Y
8
Y
9
Y
10
Y
11
Y
12
Y
13
1
1
1
1
1
1
1
1
1
1
1
1
1

Y13 0 0 8 8
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.
Barniz 0 1 2 3 4 5 6 7 8
Secad
o
12 10,
5
10 8 7 8 7,5 8,5 9
(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 38 48 85 59 40 60 68 53
85
Palacios C. Severo
Aleacin 1 2 3 4 1 2 3 4
Fuerza 31 35 42 59 18 34 29 42
Aleacin 1 2 3 4 1 2 3 4
(99) Los datos corresponden al tiempo que tardan diez tcnicos en
ensamblar computadoras por las maanas, los cuales trabajan
8 horas como jornada laboral.
Tiempo 11,1 10,3 12,0 15,1 13,7 18,5 17,3 14,2 14,8 15,3
Maquina 10,9 14,2 13,8 21,5 13,2 21,1 16,4 19,3 17,9 19,0
(100) Al problema (98) adicione otra aleacin siendo los datos:
Aleacin 5 5 5 5 10 10 10 10
Aleacin 15 15 15 15 20 20 20 20
(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 20,6
(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 Test Venta semanal
Nataniel
Alberto
Hugo
Emilio
Carlos
3
4
2
3
4
5
7
4
6
4
a) Cul es la variable dependiente
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:
E D C B A Y 7 , 0 47 , 3 14 , 2 18 , 21 06 , 0 18 , 16 + + + + +
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
86
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera
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
3
PRINCIPIOS DE DISEO
EXPERIMENTAL
87
Palacios C. Severo
(...) 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.
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.
88
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera
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 experimento. 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.
89
Palacios C. Severo
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.
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.
90
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera
III. UNIDADES EXPERIMENTALES Y MUSTRALES
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.
Por su naturaleza las unidades mustrales de la misma unidad
experimental deben recibir el mismo tratamiento, consecuentemente
91
Palacios C. Severo
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 son conocidos como factores de clasificacin, hasta
tanto ellos sean de inters para el experimentador.
92
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera
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 V
1
, V
2
y V
3
y los nutrientes N
y P a los niveles (10; 30) y (20; 40) respectivamente. Los posibles 12
tratamientos VNP son:
) 40 , 30 , (
) 40 , 10 , (
) 40 , 30 , (
) 40 , 10 , (
) 40 , 30 , (
) 40 , 10 , (
) 20 , 30 , ( ) 20 , 30 , ( ) 20 , 30 , (
) 20 , 10 , ( ) 20 , 10 , ( ) 20 , 10 , (
3
3
2
2
1
1
3 2 1
3 2 1
V
V
V
V
V
V
V V V
V V V
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.
93
Palacios C. Severo
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,
94
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera
por materiales, instrumentos, etc., se obtienen tratamientos
diferentes a los de inters. Un caso muy comn es cuando un
tratamiento 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 20
o
C 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
95
Palacios C. Severo
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.
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
96
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera
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 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.
97
Palacios C. Severo
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
tratamientos 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
98
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera
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.
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
99
Palacios C. Severo
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.
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:
100
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera
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 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.
II. Aleatorizacin
(Produce estimaciones insesgados de varianza y valida el error
experimental )
I. Replicacin
(Permite estimar error experimental )
III. Control Local
(Disminuye el error )
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.
101
Palacios C. Severo
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 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,
102
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera
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
correlacin 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
103
Palacios C. Severo
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 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
104
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera
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
re-aleatorizar: 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.
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
105
Palacios C. Severo
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 debido 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.
106
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera
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:
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
107
Palacios C. Severo
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.
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.
XI. ESTRATEGIA DEL DISEO
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.
108
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera
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:
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:
109
Palacios C. Severo
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
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 k
1
factores con s
1
niveles, k
2
factores con
s
2
niveles, k
m
factores con s
m
niveles, el cual tiene en total
j
k
j
m
j
m
k
m
k k
s s s s t
1
2
2
1
1
. . .


tratamientos.
Tabla 3.9 Efecto de diseo de control del error
Factores de control del
diseo aleatorizado
Tipo de diseo Caracterizacin
0 Diseo completamente
110
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera
aleatorizado
1
Diseo en bloque
aleatorizado
1.
Diseo Bloque Aleatorizado.
2.
Diseo Bloque Aleatorizado
generalizado
3.
Diseo Bloque Incompleto
4.
Diseo Bloque extendido
5.
Diseo Bloque por franjas.
2
Diseo cuadrado
latino
1. Diseo cuadrado
latino.
2. Diseo cuadrado
latino incompleto
3. Diseo Cross - Over
3
Diseo cuadrado
latino replicado.
Cuadrado grecolatino
>3
Cuadrado latino
mutuamente
ortogonales
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
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:
111
Palacios C. Severo
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 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
112
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera
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
+ X Y
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,

q
i
total
i SC SC
1
) (
Donde:
Y Y SC
total

y
Y P Y SC
Xi i

) (

siendo
t
i i
t
i Xi
X X X Xi P ) ( , i=1, , q el proyector ortogonal en el
espacio columna de
i
X
; y para
i
X
el bloque
113
Palacios C. Severo
X asociado con el i-simo factor de clasificacin
[ ]
4 2 1
: ... : : X X X X
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
+ X Y
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 una distribucin normal multivariada. Cuando el
modelo es de rango incompleto, se realizan clculos muy
114
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera
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.
115
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.
116
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.
LIMITACIONES
117
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:
118
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.
119
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
120
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera
ciento para que la alfombra resultante tenga otras caractersticas de
calidad que se desean.
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
20
25
30
35
1
6
11
16
21
2
7
12
17
22
3
8
13
18
23
4
9
14
19
24
5
10
15
20
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
20
25
30
35
7
12
14
19
7
7
18
18
25
10
15
12
18
22
11
11
18
19
19
15
9
18
19
23
11
49
77
88
108
54
9,8
15,4
17,6
21,6
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.
121
Palacios C. Severo
Es bueno representar grficamente los datos experimentales, en la
figura se muestran los diagramas de dispersin a cada nivel de
porcentaje de algodn.
109
99
89
79
69
59
49
15 19 23 27 31 35
%
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 estadstico
2

ij i ij
Y + + n j i ,..., 4 , 3 , 2 , 1 ,
Donde:
Y
ij
es el ij-sima observacin,
es un parmetro comn a todos los tratamientos denominados
media global,
T
i
es un parmetro nico para el i-simo, y
2
Polinomino ortogonal
122
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

ij
es el componente aleatorio del error.
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:
( ) N Y Y SC
i IJ total
/
2
2

( ) N Y n Y SC
i IJ o tratamient
/ /
2
2

o tratamient total error


SC SC SC
Donde
SC
total
suma de cuadrados del total
SC
tratamiento
suma de cuadrados del tratamiento
SC
error
suma de cuadrados del error
Y
ij
sumatoria de los componentes del tratamiento
Y
i
sumatoria total de los tratamientos
n nmero de datos por columna
N nmero total de datos del tratamiento
( ) ( ) 96 , 636 25 / 376 11 15 ... 7 7
2
2 2 2 2
+ + + +
total
SC
( ) ( ) 76 , 475 25 / 376 5 / 54 108 88 77 49
2
2 2 2 2 2
+ + + +
o tratamient
SC
123
Palacios C. Severo
20 , 161 76 , 475 96 , 636
error
SC
En la tabla 4.12 se muestran los resultados del procedimiento.
Tabla 4.12 Anlisis de varianza
Fuente SC G
L
CM F
o
Ft(99%)
% algodn
Error
475,76
161,20
4
20
118,94
8,06
14,7
6
> 4,43
Total 636,96 24 R = 74,6923%
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 F
o
=14,76 y
comparando con F
t
(99%)=4,43, debe rechazarse H
o
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
124
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera
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
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.
Tabla 4.13 Experimento de parcelas divididas
Frecuencia
Corte (das)
Altura
Corte
(cm)
Replicas
I II III IV
20 5
10
155
3,69
3,72
3,66
5,98
3,20
2,85
5,37
3,90
2,60
6,30
4,51
3,83
23,34
15,33
12,94
Total 13,07 12,03 11,87 14,64 51,61
40 5
10
15
6,48
3,86
11,15
7,92
4,54
3,54
4,74
4,42
3,91
6,30
5,06
3,66
25,44
17,88
22,26
Total 21,49 16,00 13,07 15,03 65,58
60 5
10
15
4,90
5,34
3,40
5,73
4,28
5,47
12,00
6,16
4,78
8,56
6,34
3,75
31,19
22,12
17,40
Total 13,64 15,48 22,94 18,65 70,71
Tabla de doble entrada para totales de tratamiento
Altura de corte
Frecuencia corte 5 10 15 Total
20
40
60
23,34
25,44
31,19
15,33
17,88
22,12
12,94
22,26
17,40
51,56
65,68
70,71
Total 52,60 55,33 79,97 187,90
Factor de correccin
( )
73 , 980
36
41 , 35306
36
90 , 187
FC
Suma de cuadrados debido a las replicas
125
Palacios C. Severo
( ) ( ) ( ) ( )
FC SC
replica

+ + +

9
31 , 48 88 , 47 51 , 43 20 , 48
79 , 1 73 , 980 52 , 982 73 , 980
9
71 , 8842

replica
SC
Suma de cuadrados debido a las parcelas grandes (frecuencia de
corte)
( ) ( ) ( )
FC SC
pg

+ +

12
71 , 70 58 , 65 61 , 51
29 , 16 73 , 980
12
90 , 4999 74 , 4300 59 , 2663

+ + +

replica
SC
Suma de cuadrados debida a las parcelas chicas (altura de corte)
( ) ( ) ( )
FC SC
pch

+ +

12
60 , 52 33 , 55 97 , 79
88 , 37 73 , 980
12
76 , 2766 40 , 3061 20 , 6395

+ +

pch
SC
Suma de cuadrados debida a las interacciones de los tratamientos
(frecuencia de corte y altura de corte)
( ) ( ) ( )
pch pg
SC SC FC SC
+ + +

4
40 , 17 ... 33 , 15 34 , 23
int
71 , 8 88 , 37 29 , 16 73 , 980
4
45 , 4174
int
SC
( ) ( ) ( ) ( )
FC SC
p pgx

+ + + +

3
65 , 18 94 , 22 ... 03 , 12 07 , 13
Re
52 , 47 73 , 980 25 , 1028 73 , 980
3
74 , 3084
Re

p pgx
SC
44 , 29 29 , 16 79 , 1 52 , 47 52 , 47
pg rep errorpg
SC SC SC
( ) ( ) ( ) ( ) FC SC
total
+ + + + 75 , 3 78 , 4 ... 98 , 5 69 , 5
126
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera
01 , 149 73 , 980 74 , 1129
total
SC
int
SC SC SC SC SC
pch pgxrep total errorpch

9 , 54 71 , 8 88 , 37 52 , 47 01 , 149
errorpch
SC
Tabla 4.14 Anlisis de varianza
Fuente SC G
L
CM F
o
Replica
Frecuencia corte
Error pg
Altura corte
Interaccin (f x a)
Error pch
1,79
16,29
29,44
37,88
8,71
54,90
3
2
6
2
4
18
0,60
8,15
4,90
18,94
2,19
3,05
1,65
6,21
0,72
Total 149,01 35
Los efectos de bloque (replica) y frecuencia de corte se prueban
utilizando la SC
epg
; 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 SC
epch
.
65 , 1
90 , 4
15 , 8
.
.

pg error
cort fre
CM
CM
FC
72 , 0
05 , 3
19 , 2
.
int

pch error
CM
CM
FC
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.
127
Palacios C. Severo
Telar Corrida experimental Total
1
2
3
4
98
91
96
95
97
90
95
96
99
93
97
99
96
92
95
98
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 Corrida experimental Total
1
2
3
4
5
14,0
13,9
14,0
13,6
13,8
14,0
13,8
14,2
13,8
13,6
14,2
13,9
14,1
14,0
13,9
14,0
14,0
14,0
13,9
13,8
14,1
14,0
13,9
13,7
14,0
70,3
69,6
70,2
69,0
69,1
Estime la varianza del error experimental
(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 Corrida experimental Total
1
2
3
4
44,49
45,15
44,72
44,20
44,04
45,13
44,48
44,10
44,38
44,88
45,16
44,55
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 Corrida experimental Total
1
2
3
4
5
9
23
19
18
11
15
18
19
11
19
12
7
14
7
19
22
11
15
12
18
10
17
7
18
25
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 Corrida experimental Total
1
2
200
700
150
200
300
180
100
500
700
300
0,89
0,79
128
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera
3
4
300
400
150
800
100
600
200
150
250
350
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 Colegio Nota
A
B
C
D
20
18
15
25
30
25
20
35
25
18
27
32
29
35
27
35
27
33
32
35
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. 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 Semiautomtic
o
Automtico
38
37
31
36
35
18
21
19
26
23
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.
Tratamient Lechuga
129
Palacios C. Severo
o
0
50
100
150
200
104
134
146
147
131
114
130
142
160
148
90
144
152
160
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 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 Suero T3
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
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
130
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera
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
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
5,6
15,9
9,8
7,8
5
7,3
10,6
8,6
8,7
8,8
7,1
11,2
7,3
10,5
10,9
7,5
6,8
7,6
7,8
5,7
8,9
5,9
7,3
7,5
14,9
6,1
5,2
5,7
14,2
9,3
5,6
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.
131
Palacios C. Severo
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.
Cobre mg/ml
0,00 0,05 0,10 0,20 0,50
0,045
0,047
0,051
0,054
0,084
0,087
0,115
0,116
0,183
0,191
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.
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 Suero T3
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
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.
132
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera
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 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
133
Palacios C. Severo
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
(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
134
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera
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 Impurezas Produccin
1
2
3
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
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.
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 m
2
, y se gener la
variable R: para el rendimiento de caa en toneladas por
hectrea.
V. DISEO TOTALMENTE ALEATORIZADO
135
Palacios C. Severo
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 t
2
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.
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.
Tabla 4.15 Datos de alimentacin de terneras
Ternera Corrida experimental Total Media
1
2
3
4
9,3
9,4
9,2
9,7
9,4
9,7
9,4
9,6
9,6
9,8
9,5
10
10
9,9
9,7
10,2
38,3
38,8
37,8
39,5
9,575
9,700
9,450
9,875
136
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera
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 F
o
se compara con el valor de F
t
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.
( ) ( ) 18 , 1 16 / 4 , 153 2 , 10 10 ... 4 , 9 3 , 9
2
2 2 2 2
+ + + +
total
SC
( ) ( ) 395 , 0 16 / 4 , 153 4 / 5 , 39 8 , 37 3 , 38 3 , 38
2
2 2 2 2
+ + +
oo tratamient
SC
785 , 0 395 , 0 18 , 1
error
SC
12 :
3 1 :
15 1 :
4 16 :




n N Error
n o Tratamient
N Total
n N GL
Tabla 4.16 Anlisis de varianza
Fuente SC G
L
CM F
o
Ft(99%)
Terneras
Error
0,395
0,785
3
12
0,128
0,065
1,96 < 5,95
Total 1,18 15 R = 66,5254%
El anlisis de la prueba F indica que puede ser rechazado la hiptesis
H
o
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.
137
Palacios C. Severo
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 Corrida experimental Total Media
1
2
3
4
73
73
75
73
68
67
68
71
74
75
78
75
71
72
73
75
67
70
68
69
(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 Corrida experimental Total Media
1
2
3
4
58,7
64,5
57,3
61,4
62,7
56,1
60,9
58,2
55,9
60,3
59,1
60,3
60,7
60,9
59,2
58,1
61,4
63,1
55,2
62,3
Existe diferencia significativa entre los laboratorios
Realice un anlisis de varianza
(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 Corrida experimental Total Media
1
2
3
13
16
5
18
17
1
39
44
22
22
24
4
(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
138
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera
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 Corrida experimental
A
B
C
D
E
1,18
1,45
1,36
1,45
1,96
1,20
1,23
1,23
1,78
2,12
1,03
1,76
1,41
1,56
1,78
0,92
1,62
1,25
1,74
1,83
1,27
1,34
1,51
1,67
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.
temperatur
a
Horas hasta la falla
1520
1620
1660
1708
1953
1190
651
511
2135
1286
837
651
2471
1550
848
651
4727
2125
1038
652
6134
2557
1361
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:
Temperatur
a
1520 1620 1660 1708
Lineal
Cuadrtica
Cbica
-0,773
0,382
-0,078
-0,051
-0,637
0,584
0,238
-0,328
-0,765
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 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 Nmero de huevos por polilla
USDA
Campo
Resistent
e
448
211
0
906
276
9
28
415
143
227
787
1
634
18
26
48
118
127
369
1
161
137
151
294
USDA 29 522 319 242 261 566 734
139
Palacios C. Severo
Campo
Resistent
e
0
0
253
348
61
0
0
14
275
21
0
0
153
218
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
Replica I Replica II
Enraizad
o
No enraizado
Enraizad
o
No enraizado
1
2
3
4
5
6
7
8
9
15
13
13
6
16
14
8
9
8
49
51
51
42
48
50
56
55
40
11
11
6
4
12
9
18
10
16
53
53
58
60
52
55
46
54
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:
14,3 16 17,3 17,5 17,8 18,7 18,8 18,9
20 20,8 21,4 22,7 23,2 25,6 27,8
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:
2 3 4 5 10 28 34 35
39 63 87 97 112 156 188 253
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.
140
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera
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
comparacin 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
141
Palacios C. Severo
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
Bloque
Total Media
I II III IV V
A
B
C
D
0,8
1,0
1,2
1,4
1,0
1,1
1,3
1,4
0,9
1,0
1,1
1,8
0,8
1,1
1,3
1,6
1,0
1,3
1,1
1,8
4,5
5,5
6
8
0,9
1,1
1,2
1,6
Total 5,2 4,8 4,4 4,8 4,8 24
( ) ( ) 6 , 1 20 / 24 4 , 1 6 , 1 ... 9 , 0 1
2
2 2 2 2
+ + + +
total
SC
( ) ( ) 3 , 1 20 / 24 5 / 8 6 5 , 5 5 , 4
2
2 2 2 2
+ + +
o tratamient
SC
( ) ( ) 08 , 0 20 / 24 5 / 8 , 4 8 , 4 4 , 4 8 , 4 2 , 5
2
2 2 2 2 2
+ + + +
bloque
SC
22 , 0 08 , 0 3 , 1 6 , 1
error
SC
142
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera
12 1 :
4 1 :
3 1 :
19 1 :
5 4 20 :
+




m n N Error
m Bloque
n o Tratamient
N Total
m n N GL
Tabla 4.17 Anlisis de varianza
Fuente SC GL CM F
o
Ft(99%)
Concentrado
Bloque
Error
1,30
0,08
0,22
3
4
12
0,43
0,02
0,018
23,4
5
1,09
>
<
5,95
5,41
Total 1,6 19 R = 81,25%
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)
2
SO
4
, NH
4
NO
3
,
CO(NH
2
)
2
, Ca(NO3)
2
y NaNO
3
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 asigno aleatoriamente los tratamientos a las parcelas
143
Palacios C. Severo
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
NH4NO3
CO(NH2)2
Ca(NO3)2
NaNO3
Control
32,1
30,1
25,4
24,1
26,1
23,2
35,6
31,5
27,1
33,0
31,0
24,8
41,9
37,1
33,8
35,6
33,8
26,7
35,4
30,8
31,1
31,4
31,9
26,7
Las sumas de cuadrados se obtienen de la siguiente manera:
( )
ij
ij
ij total
n
Y
Y SC
2
2


4945183
24
2 , 740
52 , 23323
total
SC
( )

ij
ij
ij o tratamient
n
Y
Y
b
SC
2
2
1
[ ] 2561533
24
2 , 740
4 , 110 8 , 122 1 , 124 4 , 117 5 , 129 145
4
1
+ + + + +
o tratamient
SC
( )

ij
ij
ij bloque
n
Y
Y
t
SC
2
2
1
[ ] 1927483
24
2 , 740
3 , 187 9 , 208 183 161
6
1
+ + +
bloque
SC
bloque o tratamient total error
SC SC SC SC
144
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera
456166 1927483 2561533 4945183
error
SC
Tabla 4.19 Anlisis de varianza
Fuente SC GL CM F
o
F
t
(99%)
Suelo
Tratamiento
Error
1927483
2561533
456166
3
5
15
642494
512306
30411
21,13
16,8
5
>
>
5,42
4,56
Total 494518
3
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 N
1
N
2
N
3
t
0
t
1
t
2
2,29
2,54
0,46
0,19
0,00
0,26
6,80
5,94
3,03
1,00
0,75
1,16
8,75
9,52
2,49
2,04
1,40
1,81
Asumiendo un bloqueo por tiempos, al llevar a cabo el anlisis de
varianza y probar la hiptesis de inters H
0
:
N1
=
N2
=
N3
, los
resultados del ANOVA se muestran en la tabla 4.21
[ ] 917576
18
43 , 50
83 , 5 21 , 9 84 , 35
6
1
+ +
bloque
SC
[ ] 351136
18
43 , 50
01 , 26 68 , 18 74 , 5
6
1
+ +
o tratamient
SC
[ ] 309755 21 , 3 .. 74 , 12 83 , 4
2
1
2884143 + + +
error
SC
145
Palacios C. Severo
171574 1412880 2330456 1764016 2853167
exp
+
er error
SC
1471262 1412880 2884143
total
SC
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 F
o
= 4,09 < F
t(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
Fuente SC GL CM F
o
F
t
(95%)
Tiempo
Nitrgeno
Error exp
Error
917576
351136
171574
30975
2
2
4
9
458788
175568
42893
3441
10,69
4,09
>
<
6,94
6,94
Total 1471262 17 R = 88,3383%
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 Y
oi
1
2
3
4
73
-
73
75
74
75
75
-
-
67
68
72
71
72
-
75
218
214
216
222
Y
oj
221 224 207 218 Y
oo
=87
0
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:
146
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera
( ) ( )
2
3
2 3
1
1

t
k r

Este diseo en bloques incompletos balanceado tiene una eficiencia


relativa con respecto al DBCA de:
( )
( )
889 , 0
3 3
4 2

kT
t
E

Prefiriendo de esta forma bloques incompletos balanceados.
Para comprobar la hiptesis H
0
:
1
=
2
=
3
=
4
, se construyen las
diferentes sumas de cuadrados con base en la estructura de las
siguientes matrices:
( )
4 4 4 4
4
3
2
x x
J I C
4 4
3
8
x
I
4 4
1
3
8
x
I

Con base en estos resultados, se encuentra que:


8100
12
870
63156
total
SC
( ) 5500
12
870
218 224 207 221
3
1
+ + +
bloque
SC
( ) 2275 400 16 49 81
24
1
+ + +
ajus
trat
SC
En la tabla 4.23 se resumen los resultados anteriores a travs del
anlisis de varianza. Puesto que F
o
= 11,66 > F
t(95%)
= 5,41, se concluye
que el catalizador empleado tiene un efecto significativo sobre el
tiempo de reaccin.
325 5500 2275 8100
bloque trat total
SC SC SC SCerror
ajus
Tabla 4.23 Anlisis de varianza para los tiempos de reaccin del proceso
Fuente SC GL CM F
o
Ft(95%)
Bloque
Tratamiento(ajus
5500
2275
3
3
1833
758
28,2
11,6
>
<
5,41
5,41
147
Palacios C. Severo
)
Error
325 5 65
Total 8100 11 R = 95,9876 %
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.
Embutid
o
Velocidad
1
2
3
0,78
0,83
0,83
0,75
0,86
0,89
0,77
0,81
0,89
0,80
0,85
0,92
0,81
0,92
0,95
0,78
0,85
0,93
148
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera
4
5
0,83
0,75
0,88
0,76
0,86
0,76
0,79
0,86
0,98
0,78
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.
Se efectu un diseo de bloques aleatorizados para una empresa
exportadora, los datos son:
Agitacin Reactor
5
10
15
20
6
9
2
6
5
6
9
3
8
14
14
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 Laboratorio
1
2
3
4
5
58,7
61,4
60,9
59,1
58,2
62,7
64,5
63,1
59,2
60,3
55,9
56,1
57,3
55,2
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.
Detergent
e
Lavado
A
B
C
45
47
48
43
46
50
31
52
55
149
Palacios C. Severo
D 42 37 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 F
o
Bloque
Variedad
Error
2
38033,14 7,38
Total 7082935
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
150
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera
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 P
2
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.
1
1
1
1
1
1
1
]
1

1
1
1
1
1
]
1

1
1
1
]
1

B C A E D
A E D B C
C D B A E
D A E C B
E B C D A
C B A D
B A D C
A D C B
D C B A
C A B
A B C
B C 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.
151
Palacios C. Severo
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
Ensamblado
Total
I II III IV
1
2
3
4
C=44
B=41
A=59
D=58
A=41
C=42
D=41
B=37
B=30
D=49
C=59
A=53
D=40
A=49
B=34
C=59
153
181
193
207
Total 202 161 191 192 763
Tratamient
o
A B C D
Total 202 142 204 188
Media 50,5 35,5 51 47
Partiendo de la base de datos obtenemos:
( ) ( ) 1330 16 / 763 59 53 ... 41 44
2
2 2 2 2
+ + + +
total
SC
( ) ( ) 365 16 / 763 4 / 207 193 181 153
2
2 2 2 2
+ + +
fila
SC
( ) ( ) 5 , 226 16 / 763 4 / 192 191 161 202
2
2 2 2 2
+ + +
columna
SC
( ) ( ) 626 16 / 763 4 / 188 204 142 202
2
2 2 2 2
+ + +
o tratamient
SC
5 , 112 626 5 , 226 365 1330
error
SC
6 2 3 :
3 1 :
3 1 :
3 1 :
15 1 :
4 16 :
+





n N Error
n o Tratamient
n Columna
n Filas
N Total
n N GL
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 F
t
(99).
152
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera
Tabla 4.24 Anlisis de varianza
Fuente SC G
L
CM F
o
Ft(99%)
Tratamiento
Fila
Columna
Error
626
365
226,5
112,5
3
3
3
6
208,66
121,66
75,5
18,75
11,12
6,48
4,02
>
<
<
9,78
9,78
9,78
Total 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=cm
2
, 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=cm
2
Das
Ensamblado
Total
I II III IV
1
2
3
4
A=303
B=280
C=275
D=304
B=299
A=321
D=315
C=293
C=290
D=313
A=319
B=295
D=290
C=282
B=300
A=305
1182
1196
1209
1197
Total 1162 1228 1217 1177 4784
28540
16
4784
1433270
total
SC
[ ] 17500
16
4784
1222 1140 1174 1248
4
1
+ + +
mtodo
SC
[ ] 915
16
4784
1197 1209 1196 1182
4
1
+ + +
das
SC
[ ] 7455
16
4784
1177 1217 1228 1162
4
1
+ + +
lote
SC
2670
lote das trat total error
DC SC SC SC SC
153
Palacios C. Severo
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
F
t(95%)
> 4,75 y puesto que F
o
= 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=cm
2
Fuente SC G
L
CM F
o
Ft(95%)
Da
Lote
Mtodo
Error
915
7455
17500
2670
3
3
3
6
305
2485
5833
445
0,68
5.58
13,1
<
>
>
4,75
4,75
4,75
Total 28540 15 R = 90,6447%
154
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
Ensamblado
I II III IV V
1
2
3
4
5
A=8
C=11
B=4
D=6
E=4
B=3
E=8
A=5
C=10
D=8
D=7
A=3
C=1
E=6
B=8
C=1
D=7
E=10
B=6
A=3
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
curado 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
Operario
I II III IV
1
1
1
1
C=2
B=8
A=9
D=14
D=7
C=1
B=11
A=12
A=14
D=18
C=10
B=10
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
155
Palacios C. Severo
ensamblaje aleatoriamente entre un grupo de sesenta, se le
ensea minuciosamente a trabajar con los cinco diseos.
Estudiante
Diseo de trabajo
I II III IV V
1
2
3
4
A=10
B=5
C=6
D=4
B=3
C=10
D=12
E=8
C=9
D=5
E=5
A=4
D=14
E=10
A=10
B=11
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
Diseo de trabajo
I II III
1
2
3
A=14
B=9,5
C=11
B=16,5
C=17
A=12
C=11
A=15
B=13
(152) Se fabrica una cubierta de caucho para una avioneta y se
experimenta un cuadrado latino, el experimento es descrito:
Prueba
Maquina
I II III IV
2
3
1
4
A=251
D=234
C=236
B=195
B=241
C=273
D=236
A=270
D=227
A=274
B=218
C=230
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
Ingredientes
I II III IV V VI VII
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
Lote
I II III IV V
1
2
A=24,3
B=24,4
B=24,7
C=24,3
C=24,3
D=24,9
D=24,4
E=24,4
E=24,3
A=24,4
156
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera
3
4
5
C=24,6
D=24,9
E=24,0
D=24,5
E=24,4
A=24,2
E=24,7
A=24,5
B=24,8
A=24,5
B=24,4
C=24,6
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
Caldeo
I II III IV
1
2
3
4
A=48
C=41
B=49
D=46
B=43
D=48
A=45
C=41
D=47
A=43
C=41
B=46
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
Fertilizante
I II III IV
Qumico
Natural
Compost
A=4,9
B=5,1
C=4,7
C=4,0
A=5,3
D=4,8
B=4,3
D=4,8
A=5,1
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
Vidriado
I II III IV
1300
1400
1500
1800
C=23
A=24
D=25
B=28
A=21
B=22
C=25
D=23
B=24
D=27
A=29
C=29
D=26
C=25
B=28
A=27
(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
Das
I II III
1
2
3
A=13
C=22
B=9,5
B=44
A=12
C=22
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 Das
157
Palacios C. Severo
I II III IV V
A
B
C
D
E
A=8
C=6
B=10
D=2
E=8
B=10
E=1
A=7
C=7
D=4
D=5
A=3
C=1
E=8
B=6
C=8
D=7
E=6
B=2
A=4
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:
Da
Lote 1 2 3 4 5
1
2
3
4
5
A=8
C=11
B=4
D=6
E=4
B=7
E=2
A=9
C=8
D=2
D=1
A=7
C=10
E=6
B=3
C=7
D=3
E=1
B=6
A=8
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.
Fuente SC G
L
CM F
o
Filas
Columnas
Tratamiento
Error 2,72
1,44
5,04
58,4
7
Total 90,40

158
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera
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
Columna
I II III IV
1
2
3
4
A
B
C
D
B
C
D
A
C
D
A
B
D
A
B
C
El anlisis de varianza es muy similar al de un cuadrado latino.
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
159
Palacios C. Severo
factor. Se produce el cuadrado greca latino que se muestra a
continuacin.
Montaje
Operario
Y
i
I II III IV
1
2
3
4
C=11
B=8
A=9
D=9
B=10
C=12
D=11
A=8
D=4
A=10
B=7
C=18
A=8
D=12
C=15
B=6
33
42
42
41
Total 37 41 39 41 158
( ) ( ) 75 , 173 16 / 158 15 7 ... 10 9
2
2 2 2 2
+ + + +
total
SC
( ) ( ) 25 , 14 16 / 158 4 / 41 42 42 33
2
2 2 2 2
+ + +
fila
SC
( ) ( ) 75 , 2 16 / 158 4 / 41 39 41 37
2
2 2 2 2
+ + +
columna
SC
Tratamiento A B C D
Total 35 31 56 36
Media 8,75 7,75 14 9
( ) ( ) 25 , 94 16 / 158 4 / 36 56 31 35
2
2 2 2 2
+ + +
oo tratamient
SC
los totales de las lneas de montaje son:
Letra Griega Total de montaje

Y
1
= 45
Y
2
= 38
Y
3
= 44
Y
4
= 31
( ) ( ) 25 , 31 16 / 158 4 / 31 44 38 45
2
2 2 2 2
+ + +
montaje
SC
25 , 31 25 , 31 25 , 94 75 , 2 25 , 14 75 , 173
error
SC
160
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera
3 3 4 :
3 1 :
3 1 :
3 1 :
3 1 :
15 1 :
4 16 :
+






n N Error
n o Tratamient
n Montaje
n Columna
n Filas
N Total
n N GL
Tabla 4.27 Anlisis de varianza
Fuente SC GL CM F
o
Ft(99%)
Tratamiento
Fila
Columna
Montaje
Error
94,25
14,25
2,75
31,25
31,25
3
3
3
3
3
31,41
4,75
0,91
10,41
10,41
3,017
0,456
0,08
7
1
<
<
<
<
29,5
29,5
29,5
29,5
Total 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 F
t
.
Problemas
(162) Se desea saber si hay diferencia entre cuatro combustibles
usados en cuatro sembradoras. Disear un experimento
grecolatino.
Montaje
Operario
I II III IV
1
2
3
4
A=14
B=16
C=19
D=15
B=16
C=16
D=18
A=11
C=21
D=11
A=16
B=15
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 kilogramos y cuatro especies diferentes. El incremento de
161
Palacios C. Severo
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
Peso
I II III IV
1
2
3
4
A=3
B=4
C=8
D=6
B=6
C=6
D=10
A=3
C=10
D=5
A=5
B=7
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 CM
error
= 8,06 para
N=25 y n=5, el error tiene 20 GL, organizando los promedios Y de
tratamientos en orden ascendente se tiene
Y
1
= 9,8
Y
5
= 10,8
Y
2
= 15,4
Y
3
= 17,6
Y
4
= 21,6
162
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera
Error estndar de cada promedio: 27 , 1 / n CM S
error
i
Y
i
Y
S r r * 95 , 2 ) 20 , 2 (
05 , 0 05 , 0

i
Y
S r r * 10 , 3 ) 20 , 3 (
05 , 0 05 , 0

i
Y
S r r * 18 , 3 ) 20 , 4 (
05 , 0 05 , 0

i
Y
S r r * 25 , 3 ) 20 , 5 (
05 , 0 05 , 0

Tabla 4.28 Datos para tratamiento
Tratamiento Y
1
Y
5
Y
2
Y
3
Y 9,8 10,8 15,4 17,6
Y
4
21,6 11,8 10,8 6,2 4
Y
3
17,6 7,8 6,8 2,2
Y
2
15,4 5,6 4,6
Y
5
10,8 1
Y
3
y Y
2
no existe diferencia significativa
Y
5
y Y
1
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 unidas a las tcnicas experimentales, han dado origen a diseos
163
Palacios C. Severo
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.
Tabla 4.29
Gallinas
Sub experimentos d = I 2II + III
I II II d
1
d
2
d
2
1
2
3
4
5
6
7
8
9
10
11
12
b=6
b=6
a=9
b=4
a=10
a=7
a=12
a=9
b=4
b=3
b=6
a=8
a=7
a=9
b=3
a=8
b=12
b=7
b=4
b=6
a=15
a=18
a=9
b=4
b=3
b=2
a=9
b=2
a=7
a=10
a=15
a=11
b=4
b=8
b=7
a=12
12
-7
3
19
8
12
-3
-10
-10
-22
-25
-5
9
100
144
100
49
9
361
64
484
625
25
144
Total 47 -75 2114
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 Total Media
A
B
185
93
10,28
23,25
( ) ( ) 2065 12 / 75 47 2114
2

total
SC
( ) ( ) 33 , 1240 12 / 75 47 6 / 75 47
2
2 2
+
oo tratamient
SC
164
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera
67 , 824 33 , 1240 2065
error
SC
Tabla 4.30 Anlisis de varianza
Fuente SC GL CM F
o
Ft(99%)
Tratamiento
Error
1240,33
824,67
1
10
1240,33
82,467
15,04 > 10,0
Total 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.
165
Palacios C. Severo
XI. ESTIMACIN DE PARMETROS DEL MODELO
Las herramientas principales para el diagnstico de modelos
unifactoriales esta basado en los residuos.
ij
ij ij
Y Y
Los residuos del i-simo tratamiento se determinan restando el
promedio del tratamiento a cada observacin dentro del tratamiento.
166
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera
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.
Ejemplo 4.44
Analizar los datos de la tabla 4.10
Tabla 4.31 Valores originales y residuos
% 1 2 3 4 5 Y
i
15 7 -2,5 7 -2,8 15 5,2 11 1,2 9 0,8 9,5
20 12 -3,4 17 1,6 12 -3,4 18 2,6 8 2,6 15,4
25 14 -3,6 18 0,4 18 0,4 19 1,4 19 1,4 17,6
30 19 -2,6 25 3,4 22 0,4 19 1,4 23 1,4 21,6
35 7 -3,8 10 -0,8 11 0,2 15 0,2 11 0,2 10,8
Orden K
ij
P
K
=(K-1/2)/25
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
-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
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
Los residuos se organizan en forma ascendente y se calculan sus
puntos de probabilidad acumulada P
k
.
La grfica de probabilidad normal se deja al lector para que lo
desarrolle, con los residuos graficados contra P
k
x100 en la escala
vertical derecha.
167
Palacios C. Severo
En la parte inferior los puntos del residuo.
XII. POLINOMIO ORTOGONAL
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
Total de
tratamiento
Coeficiente de los
contrastes ortogonales C
i
Lineal Cuadrtico Cbico Curtico
15
20
25
30
35
49
77
88
108
54
-2
-1
0
1
2
2
-1
0
1
2
-1
2
0
-2
-1
1
-4
6
-4
1
1 1 5/6 35/2

Y C Efecto
i
41 -155 -57 -100
( ) [ ]

2
2
/
i i
C n Y C SC
33,62 343,21 64,98 33,95
El modelo polinomial cbico ajustado a los datos es:
+ + + + ) ( ) ( ) (
3 3 2 2 1 1
X P X P X P Y
o

04 , 15 25 / 376 / N Y SC
o

82 , 0 ) 10 ( 5 / 41 /
2
1
i i
C n Y C SC

168
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

2143 , 2 ) 14 ( 5 / 155 /
2
2
i i
C n Y C SC

14 , 1 ) 10 ( 5 / 57 /
2
3
i i
C n Y C SC

Como se tiene a=5 niveles de X e Y entre los niveles, d=5 el modelo del
polinomio ortogonal es:
( ) ( ) ( ) [ ]
( ) ( ) [ ] 2 0 / ) 7 ) 5 ( 3 ( 5 / 2 5 5 / 2 5 ) 6 / 5 ( 1 4 , 1
1 2 / 1 5 5 / 2 5 2 1 4 3 , 2 5 / ) 2 5 ( 8 2 , 0 0 4 , 1 5
2
2 2

+
X X
X X Y
resultando el modelo
3 2
00786 , 0 4814 , 0 01 , 9 611 , 62 X X X Y +
Tabla 4.32 Anlisis de varianza
Fuente SC GL CM F
o
Ft(95%)
% Algodn
Lineal
Cuadrtico
Cbico
Curtico
Error
475,95
(33,62)
(343,4)
(64,98)
(33,95)
161,20
4
1
1
1
1
20
118,94
33,62
343,40
64,98
33,95
8,06
14,76
4,17
42,58
8,06
4,21
>
<
>
>
<
2,87
4,35
4,35
4,35
4,35
Total 637,15 28 R = 74,6998%
Los efectos cuadrtico y cbico del porcentaje de algodn son
significativos.
5
MTODOS DE ANLISIS
169
Palacios C. Severo
Las cosas complejas y estadsticamente improbables, son por naturaleza ms
difciles de explicar que las cosas simples y estadsticamente probables.
Richard Dawkins
I. INTRODUCCIN
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.
170
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera
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.
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 R
n
y los tamaos mustrales N
n
. Por
conveniencia elegimos N
1
al menor. Una diferencia significativa
entre la suma del rango R
1
y R
z
, implica una diferencia entre las
muestras.
3. Para encontrar la diferencia entre las sumas de
rangos, usamos:
171
Palacios C. Severo
j i R
N N
N N U
i
i i
j i

+
+
2
) 19 (
La distribucin muestral U es simtrica y tiene una media
2
j i
U
N N

y una varianza
12
) 1 (
2
+ +

j i j i
U
N N N N

Si N
i
y N
j
son ambas al menos iguales a 8, resulta que la distribucin
de U es aproximadamente normal
U
U
U
z

Esta normalmente distribuido con media cero y varianza 1. Un valor


correspondiente a otra muestra viene dada por.
j i R
N N
N N U
i
i i
j i

+
+
2
) 19 (
Adems
j i j i
N N U U +
676 , 0
33
b
Donde:
N = N
i
+ N
j
Ejemplo 5.46
Se desea determinar si hay diferencia entre los telares I y II, al nivel
de significanca del 0,05.
Tabla 5.33 Datos de telares I y II
172
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera
1
2
3
4
5
11,7
11,8
12,6
12,9
14,1
6
7
8
9
10
14,7
15,2
15,9
16,1
16,9
11
12
13
14
15
17,8
18,3
18,9
19,6
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
10 8
2 1
N N
Adems
65 106
2 1
R R

( ) ( ) 10 106 2 / 9 8 10 8 + U
40 2 / 10 * 8
U

67 , 126 12 / 19 * 10 * 8
2

U

la distribucin es
[ ] 67 , 2 25 , 11 / 40 10 z
Textil I Textil II
Resistencia Rango Resistencia Rango
18,3
16,4
22,7
17,8
18,9
25,3
16,1
24,2
12
10
16
11
13
18
9
17
12,6
14,1
20,5
10,7
15,9
19,6
12,9
15,2
11,8
14,7
3
5
15
1
8
14
4
7
2
6
Suma 106
Suma 65
como la hiptesis H
o
que estamos estudiando es que no hay diferencia
entre los telares, entonces
173
Palacios C. Severo
96 , 1 96 , 1 + z s i H
o
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 Kruskal-
Wallis 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 R
k
respectivamente. Definido:
) 1 ( 3
) 1 (
12
2
+

+
N
N
R
N N
H
j
j
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
53
53
53
53
9
10
11
12
57
60
61
63
14
14
14
16
64
64
64
65
17,
5
17,
5
19
21
68
68
70
72
21
21
23
24
25
72
2
75
77
82
A
B
C
D
E
68
72
60
48
64
72
53
82
61
65
77
63
64
57
70
4253
5348
7572
6450
6853
Rango
A
B
C
17,5
21
10
21
6,5
25
24
12
14
1
6,5
23
6,5
2,5
21
70
48,5
93
174
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera
D
E
2,5
14
11
16
9
19
14
17,5
4
6,5
40,5
73
44 , 6 H
Para K-1=4 grados de libertad al nivel de significacin 0,05
2
96 , 0
X
.
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.
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.
175
Palacios C. Severo
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
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
176
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera
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.
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:
) 1 (
6
1
2
2


N N
D
r
S
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 8 3 9 2 7 10 4 6 1 5
Terico 9 5 10 1 8 7 3 4 2 6
Diferencia de rangos:
D -1 -2 -1 1 -1 3 1 2 -1 -1
D
2
1 4 1 1 1 9 1 4 1 1
177
Palacios C. Severo
[ ] 8545 , 0 ) 1 10 ( * 10 / ) 24 * 6 ( 1
2

S
r
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.
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 Maquina II Maquina III
Y X Y X Y X
36
41
39
42
49
20
25
24
25
32
40
48
39
45
44
22
28
22
30
28
35
37
42
34
32
21
23
26
21
15
207 126 216 130 180 106
( ) ( ) 40 , 436 ) 5 ( 3 / 603 32 34 ... 41 36
2
2 2 2 2
+ + + +
YY
SC
178
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera
( ) ( ) 73 , 261 ) 5 ( 3 / 362 15 21 ... 25 20
2
2 2 2 2
+ + + +
XX
SC
( ) ( ) 60 , 282 ) 5 ( 3 / 603 * 362 32 * 15 34 * 21 ... 41 * 25 36 * 20
2 2 2 2
+ + + +
XY
SC
( ) ( ) 40 , 140 ) 5 ( 3 / 603 5 / 180 216 207
2
2 2 2
+ +
YY
( ) ( ) 13 , 66 ) 5 ( 3 / 362 5 / 106 103 126
2
2 2 2
+ +
XX
( ) ( ) 00 , 96 ) 5 ( 3 / 603 * 362 5 / 180 * 106 216 * 130 207 * 126 + +
XY
00 , 206 40 , 140 40 , 346
YY YY YY
SC
50 , 195 13 , 66 73 , 261
XX XX XX
SC
60 , 186 00 , 90 60 , 282
XY XY XY
SC
( ) ( ) 27 , 41 73 , 261 / 6 , 282 40 , 346 /
2 2


XX XY YY
SC SC SC SC
( ) ( ) 99 , 27 6 , 195 / 6 , 186 206 /
2 2

XX XY YY
SC
28 , 13 99 , 27 27 , 41



SC SC
( ) [ ] [ ] ( ) ( ) [ ] 1 1 / / 1 /



n a S C a S C S C F
o
[ ] [ ] 61 , 2 11 / 99 , 27 / 2 / 28 , 13
o
F
86 , 2
11 , 2 , 90
F
954 , 0 6 , 195 / 6 , 186 /
XX XY

( ) [ ] ( ) ( ) ( ) 08 , 70 59 , 2 / 6 , 195 / 6 , 186 / /
2 2

error XX XY o
CM F
65 , 9
11 , 2 , 90
F
179
Palacios C. Severo
( ) ( ) 38 , 40 13 , 24 2 , 25 954 , 0 4 , 41
1 1 1
X X Y Ajustada Y
( ) ( ) 42 , 41 13 , 24 0 , 26 954 , 0 2 , 43
2 2 2
X X Y Ajustada Y
( ) ( ) 80 , 38 13 , 24 2 , 21 954 , 0 0 , 36
3 3 3
X X Y Ajustada Y
Tabla 5.34 Anlisis de varianza
Fuente GL
SC
Y GL CM
X XY Y
Maquin
a
Error
Total
2
12
14
66,13
195,6
0
261,73
96,0
186,6
282,6
140,4
206,0
346,4
27,99
41,27
11
13
2,54
Maquin
a
ajustada
13,28 2 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.
Estudiantes
1 2 3 4 5 6 7 8 9 10
Mitad de
semestre
5 4 8 2 6 1 3 7 10 9
Fin de semestre 4 1 10 5 6 9 7 8 2 3
(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
180
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera
(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.
Laboratori
o
12 8 9 7 9 18 6 9 3 5
Terico 11 6 12 4 12 14 4 6 4 6
(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.
Laboratori
o
0,011 0,08 0,09 0,07 0,09 0,018 0,06
Terico 0,011 0,06 0,012 0,04 0,012 0,014 0,04
(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 Maquina II
Y X Y X
0,31
0,40
0,32
0,49
0,48
0,29
0,27
0,22
0,20
0,39
0,49
0,45
0,30
0,42
0,41
0,20
0,29
0,27
0,35
0,29
2,00 1,37 2,07 1,40
(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 Maquina II Maquina III
Y X Y X Y X
31
40
32
49
48
29
27
22
20
39
49
45
30
42
41
20
29
27
35
29
39
35
49
43
47
28
26
29
24
19
200 137 207 140 213 126
(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.
181
Palacios C. Severo
Compute el coeficiente de correlacin de Spearman e
interprtelo.
Estudiantes
1 2 3 4 5 6 7 8 9 10
Mitad de
semestre
15 14 18 12 0
6
11 13 17 10 0
9
Fin de semestre 14 11 10 15 0
6
0
9
07 0
8
12 13
6
DISEOS EXPERIMENTALES
APLICADO A INGENIERA
La estadstica ha demostrado que la mortalidad de los militares aumenta
perceptiblemente durante tiempos de guerra.
Alphonse Allais
182
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera
I. INTRODUCCIN
En muchos procesos experimentales de carcter exploratorio, el
investigador 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.
Ejemplo 6.50
Todo proceso cientfico, tecnolgico y social esta vinculado bajo el
siguiente esquema:
183
Palacios C. Severo
a) El insumo varia por su calidad, cantidad y la variedad.
b) El proceso varia si es continuo (dinmico) o Bach
(estacionario).
c) 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.
Proceso
Factores externos
Y
1
Y
2
Respuesta
(Salidas)
X
2
Factores
controlables
X
1
( Entradas)
Diseo
{
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).
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
184
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera
precipitacin (cementancin) con chatarra de hierro obtenindose los
siguientes productos respectivamente.
+ +
+ +
2
2 2 Fe AgO Fe Ag
+ +
+ +
2
2 2 Fe Ag Fe Ag
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.
Plante un diseo factorial para el presente proceso?
185
Palacios C. Severo
(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
combinaciones de los tratamientos. A menudo, se dice que los factores
estn cruzados cuando stos se arreglan en un diseo factorial.
186
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera
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
4 5
12 10
Factor B
F
a
c
t
o
r

A
b) Sin interaccin
4 5
10 15
Factor B
F
a
c
t
o
r

A
Numricamente
[ ] [ ] 5 , 6 2 / 5 4 2 / 10 12 + + A
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.
Para el efecto B:
187
Palacios C. Severo
[ ] [ ] 5 , 0 2 / 12 4 2 / 10 5 + + A
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,
Interactivo Sin Interaccin
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.
Tabla 6.35 Datos para el experimento del calefactor elctrico
Materia Temperatura Y
i
188
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera
l 2 8 12
1
20
82
70
58
230
150
126
188
126
623
138
168
110
160
576 1429
2
136
106
122
115
479
25
58
70
45
198
130
74
155
180
539 1216
3
34
80
40
75
229
150
139
174
120
583
96
82
104
60
342 1154
Total 938 1404 1457 3799
79 , 77646 36 / 3799 60 82 ... 70 20
2 2 2 2 2
+ + + +
total
SC
[ ] 72 . 10683 36 / 3799 4 * 3 / 1154 1216 1429
2 2 2 2
+ +
material
SC
[ ] 72 , 39118 36 / 3799 4 * 3 / 1457 1404 938
2 2 2 2
+ +
aa temperatur
SC
[ ] ( ) 78 , 9613 72 , 39118 72 . 10683 36 / 3799 4 / 342 ... 230
2 2 2
int
+ +
eraccin
SC
75 , 18230 78 , 9613 72 , 39118 72 , 10683 97 , 77646
error
SC
En la tabla 6.36 se muestran los resultados del procedimiento.
Tabla 6.36 Anlisis de varianza
Fuente SC GL CM F
o
F
t
(99) Ft(95)
Material 10683,72 2 5341,86 7,91 5,53 3,37
Temperatur
a
39118,72 2 19558,36 28,97 5,53 3,37
Interaccin 9613,78 4 2403,94 3,56 4,14 2,74
Error 18230,75 27 675,21
Total 77646,97 35
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 F
t
(95) existe interaccin as como influencia de los efectos
principales.
189
Palacios C. Severo
Temperatura
D
u
r
a
c
i

n
T
ip
o
1
T
ip
o
2
Tipo 3
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 F
t
(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.
Y
22
= 9,8 Y
32
= 10,8 Y
12
= 15,4
Error estndar de cada promedio
99 , 12 4 / 21 , 675 / N CM S
error
i
Y
Del apndice obtenemos los valores crticos para 27 GL y 95% de
significacin
190
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera
80 , 37 99 , 12 * 91 , 2 ) 27 , 2 (
05 , 0
r 75 , 39 99 , 12 * 06 , 3 ) 27 , 3 (
05 , 0
r
Tabla 6.37
Tratamiento Y
22
Y
32
Y
ij
9,8 10,8
Y
12
21,6 11,8 10,8
Y
32
17,6 7,8
Y
1
y Y
3
no existe diferencia significativa
El modelo estimado para el presente caso es:
Material Y
1
Coeficientes de los contrastes ortogonales
Lineal Cuadrtico
1
2
3
1429
1216
1154
-1
0
1
1
-2
1
r 1 3
Efecto C
i
Y 275 151
SC[(C
i
Y)
2
/n C
i
2
] 12604,16 1266,72
164 , 25 ) 6 ( 3 / 151 * 3 /
83 , 45 ) 2 ( 3 / 275 /
52 , 105 36 / 3799 /
2
2
2
2
1
1

i i
i i
o
C n Y C SC
C n Y C SC
N Y SC

El modelo del polinomio ortogonal es:


2 1
164 , 25 35 , 79 11 , 225 X X Y +
Tabla6.38 Anlisis de varianza
Fuente SC GL CM F
o
F
t
(65
)
Material 10683,72 4 5341,86 7,91 > 3,36
Lineal 12604,16 1 12604,16 18,6
6
> 4,22
Cuadrtico 1266,72 1 1266,72 1,83 4,22
Error 18230,75 27 675,21
Total 31
El efecto lineal es significativo.
22 , 59413
int mod
+ +
eraccin temp material elo
sc SC SC S
191
Palacios C. Severo
765 , 0 /
mod
2

total elo
SC SC R
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.
Tabla 6.39
Lote Proveedor I Proveedor II Proveedor III
1 2 3 4 1 2 3 4 1 2 3 4
94
92
93
91
90
89
91
93
94
94
97
93
94
91
90
93
97
95
92
93
91
93
96
95
95
97
93
91
93
95
94
92
95
96
95
94
T
lote
27
9
27
0
27
8
28
4
27
5
28
5
27
6
28
4
28
5
27
9
28
1
28
5
T
proveedor
1111 1120 1130
31 , 148 36 / 3361 313935
2

total
SC
[ ] 06 , 15 36 / 3361 8 * 4 / 1130 1120 1111
2 2 2 2
+ +
proveedor
SC
[ ] [ ] 92 , 69 8 * 4 / 1130 1120 1111 3 / 285 281 ... 270 279
2 2 2 2 2 2 2
+ + + + +
lote
SC
[ ] 33 , 63 3 / 285 281 ... 270 279 313935
2 2 2 2
+ + + +
error
SC
3 4 36 : m n N GL
35 1 : N Total
192
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera
2 1 : Pr m oveedor
9 ) 1 ( : n m Lote
24 ) 1 2 ( : mn Error
Tabla 6.40 Anlisis de varianza
Fuente SC G
L
CM F
o
F
t
(99)
Proveedor 15,06 2 7,53 0,9
7
< 2,26
Lote 69,92 9 7,77 2,9
4
> 2,26
Error 63,33 24 2,64
Total 148,31 35
193
Palacios C. Severo
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.
Alimentaci
n m/min
Temperatura ()
160 180 200 240
0,508
60
80
76
74
64
60
99
104
96
98
108
99
0,635
99
110
111
119
88
92
104
99
95
92
86
88
0,762
99
110
107
98
104
88
114
108
110
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
Maquina
1 2 3
1
110
111
111
109
114
112
2
112
115
114
119
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.
194
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera
Velocidad
Torno
Rapidez alimentacin
0,15 0,30 0,45 0,60
980
2,85
2,80
2,86
2,87
2,94
2,88
2,83
2,86
1200
2,45
2,44
2,70
2,78
2,75
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.
Azulejo
Temperatura C
800 850 900
1
988
1026
1004
526
538
532
528
547
521
2
1063
1080
1043
565
510
590
570
565
583
(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
Proceso I Proceso II Proceso III
1 2 3 1 2 3 1 2 3
15
25
20
26
16
19
28
20
13
15
17
14
35
19
17
14
27
25
24
21
25
18
21
17
25
14
15
20
27
35
21
29
33
38
54
50
(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 Proceso II Proceso III
1 2 1 2 1 2
9
10
8
16
15
13
19
14
10
11
13
12
10
12
11
14
15
15
14
8
9
11
12
12
195
Palacios C. Severo
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.
196
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera
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.
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
Combinaci
n
Notacin 2
A B C
1
2
3
4
1
a
b
ab
-
+
-
+
-
-
+
+
-
-
-
-
197
Palacios C. Severo
5
6
7
8
c
ac
bc
abc
-
+
-
+
-
-
+
+
+
+
+
+
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.
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 2
n
puede combinarse
geomtricamente y cada combinacin experimental corresponde a un
punto en el espacio cartesiano cuyas coordenadas son 1.
VI. DISEO FACTORIAL 2
n
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 2
n
. Los niveles de estos
factores pueden ser cuantitativos o bien cualitativos.
La seleccin de nicamente dos niveles puede conducir a inferencias
errneas.
198
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera
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.
1 2
3 4
Diseo factorial 2
n
simple
En el caso de n = 2, se tiene el factorial ms sencillo 2
2
.
VII. DISEO FACTORIAL 2
2
A este diseo se le llama diseo factorial 2
2
. 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 Niveles
A = Temperatura (C)
B = tiempo (min)
20
1
80
3
El nmero de experiencias de 2
2
= 4 y el diseo ser:
Tabla 6.41 Notacin de un diseo 2
2
Prueba
Combinaci
n
Diseo Niveles
Y
i
X1 X2 A B
1
2
3
1
a
b
-
+
-
-
-
+
20
80
20
1
1
3
65
80
70
199
Palacios C. Severo
4 ab + + 80 3 85
El anlisis del diseo 2
2
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.
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: 8 9 10
B: 90 115 140
Tabla 6.42 Notacin de un diseo 2
2
con pruebas centrales
Prueba
Combinaci
n
Diseo Niveles
Y
i
X1 X2 A B
1
2
3
4
5
6
7
1
a
b
ab
0
0
0
-
+
-
+
0
0
0
-
-
+
+
0
0
0
8
10
8
10
9
9
9
90
90
140
140
115
115
115
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:
( )
( ) 1 1
2
2
2

N N
Y
N
Y
S
i i
( )
1
6
270
2
91 90 89
2
2 2 2
2

+ +
S
Efecto A = (-80+82-86+95)/2 = 5,5
Efecto B = (-80-82+86+95)/2 = 9,5
200
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera
Interaccin AB = (+80-82-86+95) = 3,5
Ejemplo 6.58
En una investigacin se desea evaluar el efecto del SO
2
, 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
Niveles
- 0 +
Q: Tasa de emisividad (g/s)
H: Altura de chimenea (m)
V: Velocidad del viento (m/seg)
X: Distancia (m)
80
30
5
500
120
45
7.5
650
60
60
10
800
La concentracin de SO
2
viene expresada por la relacin:
1
1
]
1

,
_

,
_

2
2 2 1
6
5 , 0 exp
10
K
H
K vK
Q
C
Donde:
k
1
= 36; k
2
= 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
Niveles
- +
A: Tiempo (min)
B: Temperatura (C)
30
10
60
30
Se evalan dos factores fijados a dos niveles, es decir se decide utilizar
un diseo factorial completo, en donde N = 2
n
= 2
2
= 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.
201
Palacios C. Severo
Tabla 6.43 Notacin de un diseo 2
2
replicado
Prueb
a
A B Recuperacin
1
2
3
4
-
+
-
+
30
60
30
60
-
-
+
+
10
10
30
30
0,17
0,22
0,30
0,37
0,16
0,20
0,29
0,36
0,15
0,21
0,31
0,38
Tabla 6.44 Efecto e interacciones
Efectos Interacciones
A = 0,06
B = 0,15
AB = 0,01
Bloque =
-0,015
Bloque = 0,005
Basado en 1 grado de libertad
Tabla 6.45 Anlisis de varianza
Fuente SC G
L
CM F
o
F
t
(99)
A
B
AB
Bloque
Error
0,0108
0,0675
0,0003
0,00035
0,00045
1
1
1
2
6
0,0108
0,0675
0,0003
0,000175
0,00007
5
144,00
900,0
0
4,00
2,33
>
>
<
<
13,74
13,74
13,74
13,74
Total 0,0794 11 R
2
= 99,4332%
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 2
2
con pruebas centrales
Prueba
Experimento
Y X
1
X
2
1
2
3
4
5
6
7
0,5
0,7
0,5
0,7
0,6
0,6
0,6
64
64
6
6
35
35
35
68,72
67,85
69,60
69,44
68,73
68,72
68,74
Varianza del error
[ ] [ ] 0001 , 0 6 / 16 , 206 2 / 74 , 68 72 , 68 73 , 68
2 2 2 2 2
+ + S
el modelo lineal viene representado bajo un estudio de Yates.
202
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera
2 1 2 1
1775 , 0 6175 , 0 25 , 0 83 , 68 X X X X Y + +
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 2
2
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 2
2
utilizando como variables el pH (9 y 12) y la
concentracin del compuesto (0,25 y 5 g/L). Todas las pruebas de este
diseo experimental se realizaron por triplicado.
Amina Frmula
Quartamin 2050
Quartamin 60
Dodecilamina
Quartamin D86P
R-N(CH
3
)
3
Cl
R-N(CH
3
)
3
Cl
CH
3
(CH
2
)
11
NH
2
2R-N(CH
3
)
3
Cl
Niveles
Factores - +
X
1
: pH solucin
X
2
: Amina (g/L)
9
0,25
1
2
5
Prueba
Experimento
Remocin cobre (%) X
1
X
2
1
2
3
4
9
12
9
12
0,25
0,25
5
5
9,51
0,05
60,25
55,54
9,00
0,09
61,63
55,12
9,97
0,05
61,27
56,87
203
Palacios C. Severo
Efectos estimados para Y
Efectos Interacciones
X
1
: pH = -53,683
X
2
: Amina = -7,318
AB = -2,1116
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.
Anlisis de varianza
Fuente SC G
L
CM F
o
F
t
(99)
X
1
: pH
X
2
: Amina
X
1
X
2
Bloque
Error
8640,87
160,674
13,3774
1,12655
2,03945
1
1
1
2
6
8640,8
7
160,674
13,3774
0,56327
0,3399
25421,1
8
472,70
39,36
1,66
>
>
>
<
13,74
13,74
13,74
13,74
Total 8818,09 11 R
2
= 99,9769%
Valor ptimo = 61,05
Facto
r
Bajo Alto ptim
o
pH
Amin
a
9,0
0,25
12,0
5,0
9,0
0,25
2 1 2 1
2963 , 0 5712 , 1 1115 , 17 327 , 215 X X X X Y +
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.
204
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera
9
Amina
5
Grfica de Efectos Principales paraY
0
10
20
30
40
50
60
Y
pH
12 0.25
9
Amina=0.25
Amina=5
Grficade InteraccinparaY
0
20
40
60
80
Y
pH
12
Amina=0.25
Amina=5
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
9 9.5 10 10.5 11 11.5 12
pH
0
1
2
3
4
5
A
m
i
n
a
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
Superficie de Respuesta Estimada
9
9.5
10
10.5 11 11.5
12
pH
0
1
2
3
4
5
Amina
0
20
40
60
80
Y
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
Grfico lineal con punto ptimo Grfico espacial con punto ptimo
En el grfico lineal y espacial se puede visualizar la regin ptima del
proceso.
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:
Rendimiento (%)
205
Palacios C. Severo
pH T (C) Replica I Replica II
-
-
+
+
-
+
-
+
45
73
23
30
47
71
26
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 c
R
y la presencia de un
catalizador K sobre el rendimiento de un proceso qumico. El
estudio se realiz mediante un diseo factorial 2
2
en las
siguientes condiciones experimentales:
Rendimiento (%)
c
R
m
K
Replica I Replica II Replica III
-
+
-
+
-
-
+
+
28
36
18
31
25
32
19
30
27
32
23
29
Analice de manera cualitativa la significacin de los factores de
inters (c
R
, m
K
) y la interaccin c
R
m
K
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 c
R
m
K
?.
Analice los grficos de efectos principales de los factores
estudiados y de la interaccin entre estos sobre el rendimiento.
Determine las condiciones experimentales ptimas de c
R
y m
K
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 NH
3
y
CO
2
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 2
2
para estudiar
el efecto de Co(II) y Ni(II) sobre la determinacin del NH
3
y
sobre la determinacin de CO
2
. Las condiciones del diseo son
las siguientes:
NH
3
CO
2
206
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera
Ni(II
)
Co(II
)
NH
3
Ni(II) Co(II
)
CO
2
-
+
-
+
-
-
+
+
75,9
36,7
66,
8
36,
2
76,1
36,
5
66,
5
36,
3
-
+
-
+
-
-
+
+
56,9
56,7
56,5
56,
8
57,2
56,4
56,7
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 NH
3
y de CO
2
.
(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 2
3
bajo las siguientes condiciones
experimentales:
C (mol/L) pH T (C) Rendimiento (%)
-
+
-
+
-
+
-
+
-
-
+
+
-
-
+
+
-
-
-
-
+
+
+
+
56,0
52,5
37,8
54,2
69,0
72,0
49,1
70,6
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
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
207
Palacios C. Severo
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
1,75
1,68
1,72
1,7
2
1,7
7
1,6
7
1,7
3
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 Mn (%)
Gravimetr
a
Colorimetr
a
Complejometr
a
-
+
-
+
-
+
-
+
-
-
+
+
-
-
+
+
-
-
-
-
+
+
+
+
1,76
1,80
1,48
1,27
1,60
1,74
1,27
2,18
4,44
4,06
5,79
4,34
4,64
5,12
5,57
4,39
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 (22
o
C, 24
o
C) y para
la humedad (20%, 50%).
208
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 2
2
con
punto central que se muestran a continuacin.
Prueb
a
Temperatura
(C)
Humedad
(%)
Frecuencia
(Hz)
1
2
3
4
5
6
22
24
22
24
23
23
20
20
50
50
35
35
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
Niveles
- +
Potencial (Vols)
NaOH (g/L)
DC (A/cm)
2,5
10
0,02
5
3,5
20
0,075
Prueb
a
Potencial
(Vols)
NaOH
(g/L)
DC
(A/cm)
Consumo
energa
(Watt-h)
Tiemp
o (min)
2,5
3,5
2,5
3,5
2,5
10
10
20
20
10
0,025
0,025
0,025
0,025
0,075
3,43
9,38
4,33
13,94
3,29
115,0
78,7
108,5
76,0
78,9
209
Palacios C. Severo
3,5
2,5
3,5
3,0
3,0
3,0
3,0
3,0
10
20
20
15
15
15
15
15
0,075
0,075
0,075
0,050
0,050
0,050
0,050
0,050
9,38
5,73
15,66
7,79
7,64
6,87
7,75
6,70
78,7
173,9
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 cm
3
. 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
2
3
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/m
2
).
Factores
Niveles
- +
X
1
: Temperatura (C)
X
2
: Concentracin (%)
X
3
: DC (A/m)
25
50
500
40
96
1000
Prueb
a
Temperatura
(C)
Concentraci
n
(%)
DC
(A/m) DQO
1
2
3
4
5
6
7
25
40
25
40
25
40
25
50
50
96
96
50
50
96
500
500
500
500
1000
1000
1000
32487
725
3075
2852
2775
6525
867
210
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera
8 40 96 1000 4425
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
(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/cm
2
; pH 4, 7 y 9; [NaCl] 0, 2000 y 4000 ppm.
Factores
Niveles
- 0 +
X
1
: DC (mA/cm)
X
2
: pH
X
3
: [NaOH] (ppm)
20
4
0
40
7
2000
60
9
4000
Prueb
a
DC
(mA/cm) pH
[NaOH]
(ppm)
Al
(g)
% Slidos totales
Clarificado Espuma
1
2
3
4
5
6
7
8
9
10
11
20
60
20
60
20
60
20
60
40
40
40
4
4
9
9
4
4
9
9
7
7
7
0
0
0
0
4000
4000
4000
4000
2000
2000
2000
0,0663
0,0659
0,0245
0,1301
0,2139
0,0648
0,0658
0,0647
0,2109
0,2091
0,2173
19,81
20,95
22,59
22,09
21,73
15,05
14,56
15,23
22,00
16,88
20,16
22,73
23,49
24,00
23,77
22,77
17,25
17,92
18,69
23,12
16,80
19,15
Que factor influye en el mayor desprendimiento de aluminio al
desarrollar la electrocoagulacin-electroflotacin.
211
Palacios C. Severo
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
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.
Factores
Niveles
- 0 +
X
1
: pH
X
2
: DC (A/m)
X
3
: tiempo (min)
5
32,43
5
7
37,83
10
8
43,23
15
Prueba pH
DC
(A/m)
tiempo
(min)
DQO
(%)
1
2
3
4
5
6
7
8
9
10
11
5
8
5
8
5
8
5
8
7
7
7
32,43
32,43
43,23
43,23
32,43
32,43
43,23
43,23
37,83
37,83
37,83
5
5
5
5
15
15
15
15
10
10
10
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
212
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera
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 2
n
; 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
Niveles
- 0 +
X
1
: Temperatura ()
X
2
: tiempo (h)
X
3
: Lquido/Slido (L:S)
30
1
8
45
2
10
60
3
12
Condiciones fijas del experimento: Velocidad de agitacin 600
rpm; pH 4,06.
Los modelos que regulan el proceso son:
9058 , 87 765 , 2 0625 , 0 1325 , 4 4475 , 6 2433 , 72
2 1 3 2 1
+ + + R X X X X X Y
Ni
5456 , 96 165 , 2 3425 , 0 255 , 2 58 , 3 0333 , 81
2 1 3 2 1
+ + + + R X X X X X Y
Co
0524 , 90 61125 , 1 51625 , 1 0613 , 17 24125 , 5 22625 , 6 36 , 71
3 2 2 1 3 2 1
+ + R X X X X X X X Y
Fe
9567 , 95 2425 , 3 4925 , 0 6675 , 4 5 , 6 2356 , 70
2 1 3 2 1
+ + + + R X X X X X Y
Mn
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
213
Palacios C. Severo
producidos por los microorganismos en sus procesos
metablicos.
En la tabla aparece la matriz experimental correspondiente al
plan 2
3
, 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 cm
3
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
Niveles
- 0 +
X
1
: Temperatura ()
X
2
: tiempo (h)
X
3
: Lquido/Slido (L:S)
30
1
1
45
3
5
60
5
9
Prueba
T
()
t
(h)
L/S
(cm/g)
% Extraccin
Ag Cu
1
2
3
4
5
6
7
8
9
30
60
30
60
30
60
30
60
45
1
1
5
5
1
1
5
5
3
1
1
1
1
9
9
9
9
5
62,96
71,60
69,07
82,40
64,24
70,45
63,72
87,12
78,63
77,38
80,53
77,93
87,39
77,58
80,09
77,39
90,91
80,10
(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
Niveles
- 0 +
X
1
: [H
2
O
2
] (ml/L)
X
2
: Volumen a tratar (L)
X
3
: [TiO
2
] (mg/L)
0
4
0
1
8
10
0
2
12
200
Prueba
[H
2
O
2
]
(ml/L)
Volume
n
(L)
[TiO
2
]
(mg/L) Radiacin
(W/m)
pH Degradacin
(%)
1
2
0
2
4
4
0
0
36,5
44,5
3,85
3,91
23,52
46,19
214
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera
3
4
5
6
7
8
9
10
11
0
2
0
2
0
2
1
1
1
12
12
4
4
12
12
8
8
8
0
0
200
200
200
200
100
100
100
18,0
44,83
26,03
61,83
52,83
35,41
40,17
50,83
34,17
5,77
5,41
3,72
5,73
8,43
5,12
4,24
4,2
4,12
7,39
33,03
43,34
31,87
14,8
6,62
16,8
19,8
14,84
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.
(204) Se seleccionaron modelos lineales del tipo 2
n
, 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
Floculante
(mg/L)
Coagulante
(mg/L)
pH
Concentracin residual
Color DQO
1
2
3
4
5
6
7
8
0,1
1
0,1
1
0,1
1
0,1
1
20
20
100
100
20
20
100
100
6
6
6
6
9
9
9
9
47,0
45
13
22,5
188,5
180,5
40,5
40,5
84,5
75,0
60,5
55,5
105,5
138,5
82,5
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.
215
Palacios C. Severo
VIII. DISEO FACTORIAL 2
3
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 2
3
, y en este caso la representacin
geomtrica de las ocho combinaciones de tratamientos puede hacerse
con un cubo como se muestra
1 2
3 4
6
7 8
Diseo factorial 2
3
simple
Al igual que en el diseo factorial 2
2
, 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 + y -
En 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.
216
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera
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.
Tabla 6.47 Datos para un diseo 2
3
Prueb
a
A B C Combinaci
n
Y
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
B = -3,5
C = 26,5
AB = 4,0
AC = 4,0
BC = 2,0
Error estndar 1 GL
Tabla 6.49 Anlisis de varianza
Fuente SC G
L
CM F
o
F
t
(99)
A
B
C
AB
AC
BC
Error
24,5
24,5
1404,5
32,0
32,0
8,0
4,5
1
1
1
1
1
1
1
24,5
24,5
1404,5
32,0
32,0
8,0
4,5
5,44
5,44
312,1
1
7,11
7,11
1,78
<
<
>
<
<
<
12,25
12,25
12,25
12,25
12,25
12,25
Total 1530,0 7 R
2
= 99,7059%
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.
Tabla 6.50 Datos para un diseo 2
4
Prueb
a
A B C D Combinaci
n
Y
217
Palacios C. Severo
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
-
+
-
+
-
+
-
+
-
+
-
+
-
+
-
+
-
-
+
+
-
-
+
+
-
-
+
+
-
-
+
+
-
-
-
-
+
+
+
+
-
-
-
-
+
+
+
+
-
-
-
-
-
-
-
-
+
+
+
+
+
+
+
+
1
a
b
ab
c
ac
bc
abc
d
ad
bd
abd
cd
acd
bcd
abcd
71
65
60
65
90
95
86
96
85
88
68
80
83
85
75
70
Tabla 6.51 Efecto e interacciones
Efectos Interacciones
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
Tabla 6.52 Matriz de variables independientes
AB AC AD BC BD CD AB
C
AB
D
BC
D
AC
D
ABC
D
+
-
-
+
+
-
-
+
+
-
-
+
+
-
-
+
+
-
+
-
-
+
-
+
+
-
+
-
-
+
-
+
+
-
+
-
+
-
+
-
-
+
-
+
-
+
-
+
+
+
-
-
-
-
+
+
+
+
-
-
-
-
+
+
+
+
-
-
+
+
-
-
-
-
+
+
-
-
+
+
+
+
+
+
-
-
-
-
+
+
+
+
-
-
-
-
-
+
+
-
+
-
-
+
-
+
+
-
+
-
-
+
-
+
+
-
-
+
+
-
+
-
-
+
+
-
-
+
-
-
+
+
+
+
-
-
+
+
-
-
-
-
+
+
-
+
-
+
+
-
+
-
+
-
+
-
-
+
-
+
+
-
-
+
-
+
+
-
-
+
+
-
+
-
-
+
Los efectos importantes son B, C y CD.
Tabla 6.54 Anlisis de varianza
218
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera
Fuente SC G
L
CM F
o
F
t
(99)
B 240,25 1 240,2
5
10,79 > 9,33
C 600,25 1 600,2
5
26,9
8
> 9,33
CD 812,25 1 812,25 36,51 > 9,33
Error 267,00 12
Total 1919,75 R
2
= 86,09%
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) 100 150
B: H
2
SO
4
(ml) 50 120
C: FeCl
3
(gr) 15 35
A B C Y
100
150
100
150
100
150
100
150
125
125
125
50
50
120
120
50
50
120
120
85
85
85
15
15
15
15
35
35
35
35
25
25
25
68,71
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 interaccione
s
A = 0,45
B = 0,92
C = 0,81
AB =-1,27
AC = 2,50
BC = 5,42
Errores estndar con 4 GL
Tabla 6.56 Anlisis de varianza
Fuente SC G
L
CM F
o
F
t
(99)
A
B
C
AB
AC
BC
Error
0,414
1,692
1,312
3,225
12,5
58,561
7,792
1
1
1
1
1
1
4
0,414
1,692
1,312
3,225
12,5
58,561
1,948
0,21
0,87
0,67
1,66
6,42
30,21
<
<
<
<
<
21,20
21,20
21,20
21,20
21,20
21,20
Total 85,798 10 R
2
= 90,9175%
219
Palacios C. Severo
BC AC AB C B A Y 0077 , 0 005 , 0 0007 , 0 243 , 1 089 , 0 054 , 0 83 , 86 + +
Valor ptimo = 70,1382
Factor Bajo Alto ptimo
A
B
C
100
50
15
150
120
35
150
120
35
100
B
120 35
Grfica deEfectos Principales para Y
65.2
65.4
65.6
65.8
66
66.2
Y
A
150 50
C
15
100
-
+
100 150
-
-
+
-
+
Grficade InteraccinparaY
62
64
66
68
70
Y
AB
150
-
+
AC
+
BC
50 120
-
+
Efectos e interacciones significativas de factores principales
Contornos de la Superficie de Respuesta Estimada
C=25.0
100 110 120 130 140 150
A
50
70
90
110
130
B
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
100 110 120 130 140 150
A
15
19
23
27
31
35
C
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
A=125.0
50 70 90 110 130
B
15
19
23
27
31
35
C
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 respuesta estimada en el plano con punto ptimo de factores principales
SuperficiedeRespuestaEstimada
C=25.0
100
110
120
130
140
150
A
50
70
90
110
130
B
64
64.5
65
65.5
66
66.5
67
Y
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 RespuestaEstimada
B=85.0
100
110
120
130
140
150
A
15
19
23
27
31
35
C
64
65
66
67
68
Y
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
220
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera
Superficie de RespuestaEstimada
A=125.0
50
70
90
110
130
B
15
19
23
27
31
35
C
62
64
66
68
70
72
Y
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 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 nuevos 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.
221
Palacios C. Severo
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 cm
2
, 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 potenciostato-
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 5.10
-3
M de
ZnCl
2
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
Niveles
- 0 +
X
1
: DC (mA/cm)
X
2
: Tiempo (seg)
X
3
: Temperatura (C)
1
600
65
1,75
1200
75
2,5
180
0
85
Prueba X
1
X
2
X
3
Altura
(nm)
1
2
3
-
+
-
-
-
+
-
-
-
439
281
611
222
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera
4
5
6
7
8
+
-
+
-
+
+
-
-
+
+
-
+
+
+
+
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: X
1
= 165,75
B: X
2
= 257,25
C: X
3
= -219,25
AB = 268,75
AC = 79,25
BC = -139,25
Errores estndar con 1 GL
Tabla 4.12 Anlisis de varianza
Fuente SC G
L
CM F
o
Ft(99%)
A: X
1
B: X
2

C: X
3

AB
AC
BC
Error
54946,1
13235,5
96141,1
14445,3
19701,1
38781,1
3916,13
1
1
1
1
1
1
1
54946,1
13235,5
96141,1
14445,3
19701,1
38781,1
3916,13
14,03
33,80
24,55
36,89
5,03
9,90
<
<
<
<
<
<
161,4
161,4
161,4
161,4
161,4
161,4
Total 490294 7 R = 99,2013%
3 2 3 1 2 1 3 2 1
0116 , 0 616 , 6 2986 , 0 6166 , 8 562118 , 0 083 , 744 33 , 1271 X X X X X X X X X Altura + + +
Valor ptimo = 924,125
Factor Bajo Alto ptimo
A: X
1
B: X
2

C: X
3
1
600
65
2,5
1800
85
2,5
1800
65
1
X2
1800 85
Grfica de Efectos Principales para Altura
320
370
420
470
520
570
620
A
l
t
u
r
a
X1
2.5 600
X3
65
1
-
+
1 2.5
-
-
+
-
+
Grfica de Interaccin para Altura
200
300
400
500
600
700
800
A
l
t
u
r
a
AB
2.5
-
+
AC
+
BC
600 1800
-
+
Efectos e interacciones significativas de factores principales
223
Palacios C. Severo
Contornos delaSuperficie de RespuestaEstimada
X3=75.0
1 1.3 1.6 1.9 2.2 2.5
X1
600
800
1000
1200
1400
1600
1800
X
2
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
X2=1200.0
1 1.3 1.6 1.9 2.2 2.5
X1
65
69
73
77
81
85
X
3
Altura
260.0-320.0
320.0-380.0
380.0-440.0
440.0-5 00.0
500.0-560.0
560.0-620.0
620.0-680.0
680.0-7 40.0
740.0-800.0
800.0-860.0
860.0-920.0
Contornos delaSuperficie de RespuestaEstimada
X1=1.75
600 800 1000 1200 1400 1600 1800
X2
65
69
73
77
81
85
X
3
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 respuesta estimada en el plano con punto ptimo de factores principales
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/cm
2
) tambin favorece la
formacin y el crecimiento de las columnas. No obstante este factor
tiene menor influencia que el tiempo de exposicin.
Superficie de RespuestaEstimada
X3=75.0
1
1.3
1.6
1.9
2.2
2.5
X1
600
800
1000
1200
1400
1600
1800
X2
260
360
460
560
660
760
860
A
l
t
u
r
a
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
1
1 .3
1 .6
1. 9
2.2
2.5
X1
65
69
73
77
81
85
X3
200
300
400
500
600
A
l
t
u
r
a
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
680.0-7 40. 0
7 40.0-800.0
800.0-860.0
860.0-920. 0
Superficie de Respuesta Estimada
X1=1.75
600
800
1000
1200
1400
1600
1800
X2
65
69
73
77
81
85
X3
280
380
480
580
680
780
A
l
t
u
r
a
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 respuesta estimada en el espacio de factores principales
224
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera
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.
Siguiendo un diseo experimental factorial 2
n
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
Niveles
- 0 +
X
1
: DC (A/cm)
X
2
: Agitacin (rpm)
X
3
: Concentracin (g/L)
2
400
10
3,5
650
15
5
90
0
20
Prueba X
1
X
2
X
3
Espesor pelcula
(m)
1
2
3
2
5
2
400
400
900
10
10
10
14
40
15
225
Palacios C. Severo
4
5
6
7
8
5
2
5
2
5
900
400
400
900
900
10
20
20
20
20
40
14
39
15
39,5
1Los 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: X
1
=
25,125
B: X
2
= 0,625
C: X
3
=
-0,375
AB = -0,375
AC = -0,375
BC = 0,125
Errores estndar con 1 GL
Tabla 4.12 Anlisis de varianza
Fuente SC G
L
CM F
o
Ft(99%)
A: X
1
B: X
2

C: X
3

AB
AC
BC
Error
1262,53
0,78125
0,2812
5
0,2812
5
0,2812
5
0,0312
5
0,0312
5
1
1
1
1
1
1
1
1262,53
0,78125
0,28125
0,28125
0,25125
0,03125
0,03125
40401,0
25,0
9,0
9,0
9,0
1,0
>
>
<
<
<
<
12,25
12,25
12,25
12,25
12,25
12,25
Total 1264,22 7 R = 99,9975%
3 2 3 1 2 1 3 2 1
00005 , 0 025 , 0 0005 , 0 0175 , 0 00225 , 0 075 , 9 4625 , 4 X X X X X X X X X Pelicula + + + +
Valor ptimo = 40.0625
Factor Bajo Alto ptimo
X
1
X
2

X
3
2,0
400,0
10,0
5,0
900,0
20,0
5,0
900,0
10,0
226
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera
2
X2
900 20
GrficadeEfectosPrincipalesparaPelicula
14
19
24
29
34
39
44
P
e
l
i
c
u
l
a
X1
5 400
X3
10
2
-
+
2 5
-
-
+
-+
GrficadeInteraccinparaPelicula
14
19
24
29
34
39
44
P
e
l
i
c
u
l
a
AB
5
-+
AC
+
BC
400 900
-
+
Efectos e interacciones significativas de factores principales
Contornos de la Superficie deRespuesta Estimada
X3=15.0
2 2.5 3 3.5 4 4.5 5
X1
400
500
600
700
800
900
X
2
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
2
2.5
3
3.5
4
4.5
5
X1
400
500
600
700
800
900
X2
14
19
24
29
34
39
44
P
e
l
i
c
u
l
a
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 respuesta estimada en el plano y espacio de factores principales
2La presencia de las nanopartculas en los recubrimientos de Nquel,
mejora su microdureza hasta en un 243,3%.
3
4La incorporacin de nanopartculas de Diamante en la matriz de
Nquel, tiene un efecto positivo sobre el proceso de electrodeposicin,
hacindolo ms eficiente.
5
6El transporte de masa influye durante el proceso de
electrodeposicin de los recubrimientos compuestos Ni-D.
7
8Las nanopartculas de Diamante cambian la morfologa de los
recubrimientos de Nquel, hacindolos ms compactos.
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).
227
Palacios C. Severo
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 H
2
SO
4
, 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 (H
2
SO
4
) y la precipitacin del aluminio y
el cromo del licor residual.
En el diseo de la matriz experimental se us el mtodo factorial
completo (2
n
). En la tabla se muestran las variables y los niveles
usados.
Factores
Niveles
- 0 +
X
1
: Temperatura (C)
X
2
: Relacin Mg/cido (g/g)
X
3
: Agitacin (Re)
X
4
: Inyeccin aire (L/min)
70
1
8000
5
75
1,5
1000
0
7,5
80
2
12000
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
228
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera
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
Temp
()
Relacin
(Mg/cido
)
Agitaci
n
(Re)
Aire
(L/min)
Al
(g/L)
Cr
(g/L)
pH
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
70
80
70
80
70
80
70
80
70
80
70
80
70
80
70
80
1
1
2
2
1
1
2
2
1
1
2
2
1
1
2
2
8000
8000
8000
8000
12000
12000
12000
12000
8000
8000
8000
8000
12000
12000
12000
12000
5
5
5
5
5
5
5
5
10
10
10
10
10
10
10
10
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
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
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
temperatura de trabajo, se puso en funcionamiento el agitador y el
compresor de aire, se adicion la suspensin de slidos residuales y se
229
Palacios C. Severo
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.
Prueb
a
cido
libre (%)
Precipitacin
Al y Cr (%)
Disolucin de metales
(%)
H
2
SO
4
Al Cr Ni Co Fe Mg Mn
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
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
37,5
92,9
69,9
33,6
22,8
93,1
65,9
22,9
38,8
63,3
78,8
25,0
24,2
72,4
92,1
36,9
35,3
85,5
66,6
36,7
36,7
85,8
64,7
38,5
39,7
62,1
71,1
36,9
39,7
67,8
85,1
41,8
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
43,6
40,4
34,1
45,8
40,1
34,9
32,8
40,8
46,5
33,6
38,3
39,4
40,1
33,6
35,8
44,3
4,3
2,6
1,7
3,7
2,4
2,8
1,5
2,3
3,8
1,5
2,2
2,2
2,2
1,7
2,6
3,3
27,1
24,6
21,0
31,5
32,2
22,5
21,5
27,6
33,3
20,4
22,8
30,4
28,9
20,7
22,0
33,9
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 R
2
, el error estndar
y las pruebas estadsticas Durvin Watson.
Estadigrfo Ni Co Fe Mg Al Cr H
2
SO
4
R
Error estndar
Darwin-Watson
98,77
2,79
1,65
99,86
0,64
1,48
99,51
0,23
2,20
99,63
1,14
1,83
99,96
2,07
2,10
99,66
4,43
1,60
97,96
0,28
1,76
230
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera
Los valores de R
2
, 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
Temp l Al 18 , 17 Re 35 , 48 38 , 54 % + +
) )( (Re 07 , 8 52 , 8 Re 41 , 35 86 , 55 % Temp l Temp lacin Cr + + +
y de la neutralizacin del cido libre:
l Ac Re 462 , 0 28 , 99 % +
Modelos estadsticos de la disolucin de magnesio, nquel, cobalto,
hierro y manganeso del licor residual:
) (Re)( 23 , 2 84 , 1 Re 70 , 8 27 , 26 % Temp Temp l Mg + +
l Temp Ni Re 98 , 6 07 , 7 84 , 22 % +
) )( ( 52 , 1 56 , 1 39 , 4 Re 13 , 7 02 , 39 % Aire Temp Aire Temp l Co + + +
) )(Re ( 27 , 0 Re 96 , 0 25 , 1 56 , 2 % l Temp l Temp Fe +
) )( ( 05 , 5 45 , 10 Re 5 , 13 45 , 32 % rel Temp Temp l Mn +
Donde:
Temp = Temperatura
231
Palacios C. Severo
Rel = Relacin
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 R
2
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.
232
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera
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 2
4
, y los datos resultantes se muestran en la siguiente
tabla:
A B C D Replica I Replica II
-
+
-
+
-
+
-
+
-
+
-
+
-
+
-
+
-
-
+
+
-
-
+
+
-
-
+
+
-
-
+
+
-
-
-
-
+
+
+
+
-
-
-
-
+
+
+
+
-
-
-
-
-
-
-
-
+
+
+
+
+
+
+
+
12
18
13
13
17
15
20
15
10
25
13
24
19
21
17
23
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 2
3
.
A = Tiempo (2 h, 4 h)
B = Concentracin (10%, 20%).
C = Presin (55 psi, 85 psi)
Rendimiento
A B C I II
-
+
-
-
-
+
-
-
-
12
18
13
14
16
15
233
Palacios C. Severo
+
-
+
-
+
+
-
-
+
+
-
+
+
+
+
16
17
15
20
15
17
18
14
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 2
3
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:
V
ox
T Mn (%)
-
+
-
+
-
+
-
+
-
-
+
+
-
-
+
+
-
-
-
-
+
+
+
+
0,45
0,87
0,6
6
0,8
8
0,2
4
0,6
3
0,55
0,73
0,4
6
0,8
9
0,6
6
0,9
0
0,2
2
0,6
5
0,55
0,73
0,4
4
0,8
9
0,6
8
0,91
0,2
5
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 2
4
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:
Factores Filtraci
n A B C D
- - - - 45
234
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera
+
-
+
-
+
-
+
-
+
-
+
-
+
-
+
-
+
+
-
-
+
+
-
-
+
+
-
-
+
+
-
-
-
+
+
+
+
-
-
-
-
+
+
+
+
-
-
-
-
-
-
-
+
+
+
+
+
+
+
+
71
48
65
68
60
80
65
43
100
45
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 2
4
a un diseo experimental 2
3
Si su respuesta es positiva, realice partiendo de ste un diseo
de experimentos 2
3
.
(209) Se aplic un diseo factorial 2
4
para estudiar un proceso de
corrosin selectiva con nitruro en un plasma corrosivo. En el
proceso se utiliz C
2
F
6
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 C
2
F
6
(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:
Factores Rapidez
de
A B C D Corrosin
-
+
-
+
-
+
-
+
-
+
-
+
-
-
+
+
-
-
+
+
-
-
+
+
-
-
-
-
+
+
+
+
-
-
-
-
-
-
-
-
-
-
-
-
+
+
+
+
550
669
604
650
633
642
601
635
1037
749
1052
868
235
Palacios C. Severo
-
+
-
+
-
-
+
+
+
+
+
+
+
+
+
+
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.
Determine las condiciones experimentales ptimas que permiten
obtener la mayor rapidez de corrosin.
Si no todos los factores son importantes, realice un nuevo diseo
2
k
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
0,986
0,992
0,982
0,990
0,988
0,997
0,994
0,995
0,998
0,989
0,995
0,996
0,999
0,998
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 Horno
Agitacin
(rpm)
1 2 3 4
5
10
15
20
8
14
14
17
4
5
6
9
5
6
9
3
6
9
2
6
236
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera
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
IX. DISEO FACTORIAL 2
k
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 Niveles
A = Concentracin
B = Catalizador
15
1
20
2
Tabla 6.57 Datos para el diseo 2
2
replicado
Prueba A B Y
1
Y
2
Y
3
Y
t
1
2
3
4
15
20
15
20
1
1
2
2
31
30
29
18
19
23
36
32
32
28
25
27
82
81
90
77
( ) [ ] ( ) [ ][ ] 33 , 2 82 90 81 77 2 3 / 1 1 2 * / 1
1
+ +

b a ab n A Efecto
k
( ) [ ][ ] 66 , 0 82 81 90 77 2 3 / 1 + B Efecto
237
Palacios C. Severo
( ) [ ][ ] 0 , 2 90 82 82 77 2 3 / 1 + AB n Interacci
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.
( ) [ ] [ ][ ] ( ) [ ] 33 , 16 4 3 / 33 , 2 2 * / 1 1 2 * / 1
2
2 2
+ EfectoA n b a ab n SC
k k
A
( ) [ ] [ ][ ] 33 , 1 2 * / 1 1 2 * / 1
2 2
+ EfectoB n a b ab n SC
k k
B
( ) [ ] [ ][ ] 0 , 12 2 * / 1 1 2 * / 1
2 2
+ nAB Interacci n b a ab n SC
k k
AB
La suma total de cuadrados se determina de la misma manera que los
diseos aleatorizados.
( ) ( )
k
i i total
n Y Y SC 2 * /
2
2


( ) ( ) ( ) 323 4 * 3 / 330 27 32 ... 19 31
2
2 2 2 2
+ + + +
total
SC
La suma de cuadrados del error, se calcula similarmente a los diseos
aleatorizados.
34 , 293 12 33 , 1 33 , 16 323
error
SC
El anlisis de varianza se presenta en la tabla 6.58
Tabla 6.58 Anlisis de varianza
Fuente SC G
L
CM F
o
F
t
(99)
A 16,33 1 16,33 0,48
5
< 11,3
B 1,33 1 1,33 0,03
9
< 11,3
AB 12,00 1 12,00 0,35
6
< 11,3
Error 293,34 8 33,67
238
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera
Total 323,00 11 R
2
= 9,18%
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 Niveles
A = Concentracin
B = Catalizador
20
1
15
2
Tabla 6.59 Datos para el diseo 2
2
replicado
Prueba A B Y
1
Y
2
Y
3
Y
t
1
2
3
4
20
15
20
15
1
1
2
2
30
31
18
29
23
19
32
36
28
32
27
25
81
82
77
90
( ) [ ] 33 , 2 1 2 * / 1
1
+

b a ab n A Efecto
k
( ) [ ][ ] 66 , 0 82 81 90 77 2 3 / 1 + B Efecto
( ) [ ][ ] 0 , 2 77 82 90 81 2 3 / 1 + AB n Interaccio
Ejemplo 6. 69
Se lleva a cabo una investigacin para estudiar los efectos que tienen
la dosificacin de reactivos qumicos en un proceso
Factores
Niveles
- +
A = Concentracin X
B = Concentracin Y
C = Concentracin Z
15
1
18
20
2
25
Tabla 6.60 Datos para el diseo 2
2
replicado
Prueba
Diseo
Y
1
Y
2
Y
3
Y
t
A B C
1
2
3
4
5
15
20
15
20
15
1
1
2
2
1
18
18
18
18
25
31
30
29
18
19
19
23
36
32
32
32
28
25
27
31
82
81
90
77
82
239
Palacios C. Severo
6
7
8
20
15
20
1
2
2
25
25
25
23
36
30
25
25
27
27
29
18
75
90
75
Tabla 6.61 Efecto e interacciones
Efectos Interacciones
A = -3,0
B =+ 1,0
C = -0,66
AB =-1,667
AC =-0,66
BC = 0,33
Bloque = 0,416
Error estndar 1 GL
Tabla 6.62 Anlisis de varianza
Fuente SC G
L
CM F
o
F
t
(95)
A
B
C
AB
AC
BC
Bloque
Error
54,00
6,000
2,666
16,66
2,666
0,666
0,583
546,083
1
1
1
1
1
1
2
15
54,00
6,000
2,666
16,66
2,666
0,666
0,292
36,40
6
1,48
0,19
0,07
0,46
0,07
0,02
0,01
<
<
<
<
<
<
<
4,54
4,54
4,54
4,54
4,54
4,54
3,68
Total 629,33 23 R
2
= 13,22%
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
240
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera
experimentales para cada una de las 8 combinaciones (n=2).
Los porcentajes de slidos en peso obtenidas son
Vector respuesta
A B C Replica I Replica II
-
+
-
+
-
+
-
+
-
-
+
+
-
-
+
+
-
-
-
-
+
+
+
+
4,65
21,42
12,66
18,27
9,73
13,18
6,51
18,23
5,81
21,35
12,56
16,62
7,88
12,87
6,26
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 2
3
con
tres rplicas (n=3)
Vector respuesta
A B C Replica I Replica II Replica III
-
+
-
+
-
+
-
+
-
-
+
+
-
-
+
+
-
-
-
-
+
+
+
+
12
15
24
23
17
16
24
28
19
20
16
17
25
19
23
25
10
16
17
27
21
19
29
20
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
Estad
o
fsico
Tiempo
mezcla
Velocida
d
mezcla
Condicin del
nitrgeno
Cantidad
aluminio
-
-
-
-
-
-
-
-
-
+
-
+
-
+
-
+
+
+
-
-
-
-
+
+
+
+
-
+
+
-
-
-
16,3
16,0
16,2
16,1
16,0
16,0
15,5
15,9
241
Palacios C. Severo
+
+
+
+
+
+
+
+
-
+
-
+
-
+
-
+
+
+
-
-
-
-
+
+
+
+
-
+
+
-
-
-
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 Replica I Replica II Replica III
0,5 6 7 6
1,5 4 5 5
0,5 10 9 8
1,5 7 7 6
0,5 4 5 4
1,5 3 3 1
0,5 8 7 7
1,5 5 5 4
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 2
3
. La tabla siguiente presenta los datos de tiempo de
duracin (en horas) de la herramienta.
Combinacin de
tratamientos
Rplica
I II
(1) 221 311
a 325 435
b 354 348
ab 552 472
c 440 453
ac 406 377
bc 605 500
abc 392 419
Calcule los efectos correspondientes a cada uno de los factores.
242
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera
Determine cules de estos efectos son importantes usando la
tabla de anlisis de varianza.
X. DISEO 2
k
CON PRUEBAS CENTRALES
En un estudio factorial simple 2
n
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).
243
Palacios C. Severo
1 2
3 4
5
3-4
1-2
5
Diseo Factorial 2
n
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 2
n
lo cual proteger contra la curvatura adems de permitir obtener
estimaciones de errores independientes. Dicho mtodo consiste en
agregar pruebas centrales al diseo 2
n
, 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 2
n
.
Con una observacin en cada uno de los puntos factoriales.
Sea Y
F
el promedio de las cuatro corridas en los puntos factoriales y
Sea Y
C
el promedio de las corridas del punto central.
Si la diferencia
C F Y Y
es pequea, entonces los puntos centrales
se encuentran en el plano, y no hay curvatura. Si
C F Y Y
es
grande entonces existe curvatura. Una suma de cuadrados para la
curvatura con un GL esta dado por:
( )
C F
C F
C F
curvatura
n n
Y Y n n
SC

Donde n
F
y n
c
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).

+ + +
2
j jj j i
j
i i i o
X A X X A X A A Y
244
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera
Donde:
A
jj
son efectos cuadrticos.
S los puntos factoriales del diseo no son replicados, es posible
emplear los n
c
puntos centrales para construir una estimacin del
error con n
c
- 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 85
72,3
72,5
72,7
72,2
72,6
65 80
El cuadrtico medio del error se calcula a partir de los puntos
centrales:
( ) 1 / 1 /
2

C i C error error
n Y Y n SC CM
[ ] 4 6 , 7 2 5 / 6 , 7 2 2 , 7 2 7 , 7 2 5 , 7 2 3 , 7 2 + + + +
C
Y
( ) ( ) [ ] 043 , 0 4 / 46 , 72 6 , 72 ... 46 , 72 3 , 72
2 2
+ +
error
CM
El promedio de los puntos comprendidos en los puntos factoriales es:
[ ] 75 4 / 85 70 80 65 + + +
F
Y
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.
245
Palacios C. Severo
( )( )( ) ( ) 8 , 50 5 4 / 54 , 2 5 4
curvatura
SC
Tabla 6.63 Anlisis de varianza del diseo con punto central
Fuente SC G
L
CM F
o
F
t
(99)
A
B
AB
Curvatura
Error
225,00
25,00
0,00
50,8
0,17
1
1
1
1
4
225,0
0
25,00
50,8
0,00
0,04
5325,5
6
581,39
1270,0
0
0,00
>
>
>
<
21,2
21,2
21,2
21,2
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.
XII. DISEO FACTORIAL 2
K
CON DOS BLOQUES
Si deseamos correr una sola replica del diseo 2
n
. 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 2
4
con dos bloques, asignando las corridas
Bloque I Bloque II
(1)
ab
ac
=
=
=
71
65
95
a
b
c
=
=
=
65
60
90
246
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera
bc
ad
bd
cd
abcd
=
=
=
=
=
86
88
68
83
70
d
abc
bcd
acd
abd
=
=
=
=
=
85
96
75
85
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 2
4
deseamos tratarlo en
bloques. Supongamos que no se pueden efectuar las 2
4
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.
Tabla 6.65 Anlisis de Varianza del Bloque
Fuente SC GL CM F
o
F
t
(99)
Bloque (ABCD)
A
B
C
D
AB
AC
AD
BC
BD
CD
Error
6,25
42,25
240,25
600,25
2,25
20,25
0,25
0,25
6,25
72,25
812,25
117,00
1
1
1
1
1
1
1
1
1
1
1
4
6,25
42,25
240,2
5
600,2
5
2,25
20,25
0,25
0,25
6,25
72,25
812,25
0,21
1,14
8,21
20,52
0,08
0,69
0,01
0,01
0,021
2,74
27,77
<
<
>
>
<
<
<
<
<
<
>
7,71
7,71
7,71
7,71
7,71
7,71
7,71
7,71
7,71
7,71
7,71
Total 1919,7
5
15
La suma de cuadrados del bloque
[ ] [ ] 25 , 6 16 / 1262 8 / 638 626
2
2 2
+
bloque
SC
25 , 42
A
SC 25 , 240
B
SC 25 , 600
C
SC 25 , 2
D
SC
25 , 20
AB
SC 25 , 0
AC
SC 25 , 0
AD
SC 25 , 6
BC
SC
25 , 72
BD
SC 25 , 812
CD
SC
247
Palacios C. Severo
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:
BCD ACD ABD ABC error
SC SC SC SC SC + + +
117 25 , 2 25 , 72 25 , 12 25 , 30 + + +
error
SC
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 2
4
.
XIII. DISEO FACTORIAL 2
k
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 2
5
, 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 2
5
con 4 bloques, asignando las corridas
Bloque I Bloque II Bloque III Bloque IV
1
ad
bc
abe
ace
cde
bde
abc
d
=
=
=
=
=
=
=
=
2,152
2,00
4
2,301
1,991
1,978
1,944
2,215
2,161
a
d
be
ce
abc
bcd
abd
e
acde
=
=
=
=
=
=
=
=
2,02
5
2,170
2,03
7
2,210
2,22
0
2,33
2
1,857
1,919
b
c
ae
de
abd
acd
abc
e
bcd
e
=
=
=
=
=
=
=
=
2,111
2,267
2,03
3
2,07
2
2,146
2,114
2,02
5
1,89
8
e
ac
bd
cd
ab
ade
bce
abcd
e
=
=
=
=
=
=
=
=
2,05
7
2,01
3
2,164
2,30
1
2,04
1
2,05
7
2,23
6
1,944
16,746 16,770 16,666 16,813
66,995
01197 , 0
ABCDE bloque
SC SC
0999 , 0
error
SC 4898 , 0
total
SC
248
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera
Tabla 6.67 Anlisis de Varianza del bloque
Fuente SC GL CM F
o
F
t
(99)
Bloque (ABCD)
A
B
C
D
E
AB
AC
AD
AE
BC
BD
BE
CD
CE
DE
Error
0,0119
0,1173
0,0041
0,0167
0,005
0
0,1311
0,000
5
0,002
6
0,000
7
0,0014
0,004
5
0,000
3
0,0077
0,0239
0,0352
0,0266
0,009
9
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
15
0,0119
0,1173
0,0041
0,0167
0,005
0
0,1311
0,000
5
0,002
6
0,000
7
0,0014
0,004
5
0,000
3
0,0077
0,0239
0,0352
0,0266
0,0067
1,7955
17,595
0,061
5
2,505
0,750
19,665
0,075
0,390
0,1015
0,210
0,675
0,045
1,155
3,585
5,250
3,990
<
>
<
<
<
>
<
<
<
<
<
<
<
<
>
<
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
Total 0,4989 31
XIV. DISEO FACTORIAL 2
k
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 2
3
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 2
3
con bloques replicados
Replica I Replica II
1
ab
ac
bc
=
=
=
=
68,7
2
69,4
4
a
b
c
ab
=
=
=
=
67,85
69,6
0
67,75
1
c
ab
ab
=
=
=
=
68,6
6
68,17
69,0
a
b
ac
bc
=
=
=
=
68,2
2
69,10
68,2
249
Palacios C. Severo
67,9
3
68,7
3
c 68,72 c 2
68,6
6
6
68,6
6
548,74 548,75
[ ] 0 1 2 5 , 0 2 * / 1
2
"
+ + +
k
A B C
n b c a c a b a b c c b a S C
[ ] 0 1 6 9 , 0 2 * / 1
2
"
+ + +
k
A B
n b c b a a c c a b a b c S C
[ ] [ ] 0001 , 0 16 / 49 , 1097 8 / 75 , 548 74 , 548
2
2 2
+
replica
SC
005516 , 0 00456 , 0 0506 , 0
" "
+ +
AB ABC bloque
SC SC SC
36655 , 4
total
SC
Tabla 6.69 ANAVA diseo 2
k
con bloques replicados
Fuente SC GL CM F
o
F
t
(99)
Replica
Bloque (replica)
A
B
C
AB (replica)
AC
BC
ABC (replica)
Error
0,0000
1
0,05316
0,1040
2,536
0,8695
0,0269
0,2047
0,0650
0,0125
0,5027
1
2
1
1
1
1
1
1
1
5
0,0000
1
0,0275
8
0,1040
2,536
0,8695
0,0269
0,2047
0,0650
0,0125
0,1005
9,94E<
4
0,2743
1,0344
25,2238
8,6483
0,1381
2,0360
0,6465
0,1243
<
<
<
>
>
<
<
<
<
7,71
6,94
7,71
7,71
7,71
7,71
7,71
7,71
7,71
Total 4,3665 15
Los efectos principales B y C son significativos, vemos que la replica y
los bloques no afectan el proceso.
XV. ALGORITMO DE YATES
250
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera
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 2
n-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 2
n
.
Si en caso se realizan replicas en el proceso, entonces el calculo de los
efectos deber dividirse por k*2
n-1
, donde k es el nmero de replicas.
De igual manera para el calculo de la suma de cuadrados multiplicar
por k*2
n
.
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.
Tabla 6.70 Algoritmo de Yates
Y I II III Efecto
s
SC
1
a
b
ab
c
ac
bc
abc
68,72
67,85
69,60
69,44
67,75
67,93
68,73
68,72
136,57
139,0
4
135,6
8
137,45
-0,87
-0,16
0,18
275,6
1
273,1
3
-1,03
0,17
2,47
1,77
0,71
548,7
4
-0,86
4,24
0,52
-2,48
1,20
-0,70
-0,90
-
-0,215
1,060
0,130
-0,620
0,300
-0,175
-0,225
-
0,092
4
2,2472
0,033
8
0,768
8
0,180
251
Palacios C. Severo
-0,01 -0,19 0
0,0612
0,1012
548,7
4
3,4847
( )
n
i i total
Y Y SC 2 /
2
2


Tabla 6.71 Yates modificados
Y A B AB C AC BC ABC
68,72
67,85
69,60
69,44
67,75
67,93
68,73
68,72
-
+
-
+
-
+
-
+
-
-
+
+
-
-
+
+
+
-
-
+
+
-
-
+
-
-
-
-
+
+
+
+
+
-
+
-
-
+
-
+
+
+
-
-
-
-
+
+
-
+
+
-
+
-
-
+
+ 273,
9
276,
5
274,
6
273,1 274,
9
274,
0
273,
4
- 274,
9
272,
2
274,1 275,
6
273,
8
274,7 274,
8
Diferenci
a
-
0,86
4,24 0,53 -
2,48
1,2 -0,7 -0,9
Efectos -
0,22
1,06 0,13 -
0,62
0,3 -0,18 -0,23
( ) 4847 , 3 4485 , 37639 93 , 37642 2 /
2
2


n
i i total
Y Y SC
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
252
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera
potencial de la aleaciones E
a
= 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
E
d
: 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: H
2
SO
4
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 2
2
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
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,
253
Palacios C. Severo
D: Contenido de aluminio. Se hicieron dos replicas de un diseo
2
4
, se mide la longitud de grieta en mm.
Replica I Replica II
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
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 2
5
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.
Se corre una sola replica de un diseo 2
4
.
Y: 12, 18, 13, 16, 17, 15, 20, 15, 10, 25, 13, 24, 19, 21, 17, 23
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:
254
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera
Homogenizado pala-batidor, C: Harina popular-extra. El vector
respuesta es lo crocante. Analice los datos de las replicas.
Replica 1 11 15 19 16 10 12 10 15
Replica 2 9 10 12 17 11 13 12 12
Replica 3 10 16 11 15 15 14 13 12
Replica 4 10 19 11 12 18 13 10 13
(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
Niveles
- +
A: Temperatura (C)
B: Humedad (%)
C: Suelo (%)
25
15
1
35
35
3
Se desarrollan replicas con la finalidad de evaluar la vida media
del proceso, siendo los resultados experimentales:
Y
1
: 886, 188, 230, 130, 168, 65, 156, 32
Y
2
: 850, 190, 235, 127, 170, 60, 160, 30
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 SO
2
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
Niveles
- +
A: Concentracin de SO2 (ppm)
B: Temperatura (C)
C: Concentracin de O
2
(%)
D: Humedad (%)
0
150
0
0
3000
350
6
20
Se realiza el experimento con la finalidad de controlar la
emisin de NO
2
, siendo los resultados experimentales:
130 150 210 200 110 180 110 150
130 150 250 140 140 220 150 170
Adems se desarrollaron pruebas centrales, siendo estos:
470 740 830 730
255
Palacios C. Severo
Se desea eliminar la presencia de NO
2
, 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
Niveles
- +
A: Temperatura
B: Inhibidor
60
10
90
15
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
- +
A: Mo (%) 0.2 0.8
256
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera
B: W (%) 1.5 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:
( ) [ ] ( ) 2 5 , 4 1 5 , 0 15 1000 Mo Mo W R +
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
Niveles
- +
A: Fsforo (%)
B: Fertilizante (%)
C: Nitrgeno (%)
D: Carbono (%)
0.2
1.5
0.3
0.0
0.6
3.0
0.9
0.6
Suponiendo que la eficiencia del fertilizante se puede estimar
mediante la siguiente relacin.
( ) ( ) ( ) ( ) ( )
2 8
4
6 4
05 , 0
5 , 1 5 , 0 1 1 100 5 , 0 100 +

D A D C Tan C B B e E
A
f
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 SO
2
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
Niveles
- +
A: Tasa de emisividad (g/s)
B: Altura (m)
5
30
10
60
Siendo el vector respuesta:
140 180 200 310 130 320 170 300 280 270 265 275 266
257
Palacios C. Severo
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.
258
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera
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 2
k
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)
n
2
k
donde
n es la cantidad que debe disminuirse la fraccin.
Ejemplo 6.75
Si tenemos un diseo 2
3
=8 pero queremos una media fraccin por lo
tanto tendremos (1/2)*2
3
=4 combinaciones de tratamiento.
Tabla 6.72 Primer media fraccin del diseo 2
3
A B C Combinaci
n
-
+
-
+
-
-
+
+
+
-
-
+
c
a
b
abc
Ntese que el diseo 2
3-1
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 2
k-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 2
3
A B C=-AB Combinaci
n
-
+
-
-
-
+
-
+
+
1
ac
bc
259
Palacios C. Severo
+ + - ab
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 2
5-1
(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 2
4
. En este estudio, los
efectos principales B, C y la interaccin CD resultaron diferentes de
cero.
Utilizaremos el diseo 2
4-1
con D=ABC. Para construir el diseo
primero se escribe el diseo base de 2
3
que se mueve en las primeras
tres columnas tal como se indican en la tabla.
Tabla 6.74 Diseo 2
4-1
con D=ABC
A B C D=AB
C
Combinaci
n
Y
-
+
-
+
-
+
-
+
-
-
+
+
-
-
+
+
-
-
-
-
+
+
+
+
-
+
+
-
+
-
-
+
1
ad
bd
ab
cd
ac
bc
abcd
71
88
68
65
83
95
86
70
Los efectos e interacciones se calculan idem a las factoriales
normadas.
[ ] BCD A A + + + + + 5 , 2 70 86 95 83 65 68 88 71 4 / 1
ACD B B + 12
ABD C C + 5 , 10
ABC D D + 2
CD AB AB + 2 , 1
BD AC AC + 5 , 4
260
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera
AD BC BC + 0 , 1
Podemos concluir que los efectos principales B y C son grandes y que
la interaccin AB tambin es significativa.
Para ver la efectividad de este diseo investigaremos un diseo 2
5-1
con
cinco factores.
Tabla 6.75 Diseo 2
5-1
con E=ABCD
A B C D E=ABC
D
Combinacin Y
-
+
-
+
-
+
-
+
-
+
-
+
-
+
-
+
-
-
+
+
-
-
+
+
-
-
+
+
-
-
+
+
-
-
-
-
+
+
+
+
-
-
-
-
+
+
+
+
-
-
-
-
-
-
-
-
+
+
+
+
+
+
+
+
+
-
-
+
-
+
+
-
-
+
+
-
+
-
-
+
e
a
b
abe
c
ace
bce
abc
d
ade
bde
abe
cde
acd
bcd
abcde
12
18
13
16
17
15
20
15
10
25
13
24
11
21
17
23
Calculo de efectos e interacciones:
BCDE A A + 5 , 5 ACDE B B + 5 , 1 ABDE C C + 0 , 1
ABCE D D + 25 , 2 ABCD E E + 0 , 0 CDE AB AB + 75 , 1
BDE AC AC + 25 , 3 BCE AD AD + 0 , 5 BCD AE AE + 25 , 0
ADE BC BC + 25 , 1 ACE BD BD + 0 , 1 ACD BE BE + 75 , 0
ABE CD CD + 0 , 1 ABD CE CE + 25 , 0 ABC DE DE + 0 , 0
Tabla 6.76 Anlisis de varianza del diseo 2
5-1
Fuente SC GL CM F
o
F
t
(99)
A
D
AB
AC
AD
Error
121,00
20,25
12,25
42,24
100,0
0
256,0
0
1
1
1
1
1
10
121,00
20,25
12,25
42,24
100,0
0
25,60
4,73
0,79
0,48
1,65
3,91
>
<
<
<
>
3,29
3,29
3,29
3,29
3,29
261
Palacios C. Severo
Total 550,75 15
La suma de cuadrados del modelo es:
75 , 295
mod
+ + + +
AD AC AB D A elo
SC SC SC SC SC SC
XVIII. CUARTO FRACCIONADO DEL DISEO 2
k
Cuando hay un nmero grande de factores. Hay que considerar una
fraccin de un cuarto del diseo 2
k
este diseo contiene 2
k-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 2
6-2
son:
ABCDF DEF BCE A ABDEF CDF ACE B ACDEF BDF ABE C
ABCDE AEF FBC D BCDEF ADF ABC E ABCEF ADE BCD F
BDEF ACDF CE AB BDEF ABDF BE AC ABCF BCDE EF AD
ABCDF DF BC AE ABCD BCEF DE AF ABEDF ACDE CF BD
ABDE ACEF CD BF BEF ACF CDE ABD CEF ABF BDE ACD
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: 1 3 D: 8 10
B: 5 15 E: 14 18
C: 5 15 F: 22 38
Elegimos un diseo factorial fraccionado del tipo (1/2)
2
2
6
= 2
4
en que
confundimos los siguientes factores e interacciones E=-ABC, F=BCD.
Tabla 6.77 Diseo 2
6-2
con E=ABC y F=BCD
A B C D E=AB
C
F=BC
D
Combinaci
n
Y
-
+
-
+
-
+
-
-
-
+
+
-
-
+
-
-
-
-
+
+
+
-
-
-
-
-
-
-
-
+
+
-
+
-
-
-
-
+
+
-
-
-
1
aef
bef
abf
cdf
acf
bc
92,0
90,0
91,0
91,2
90,3
92,0
90,2
262
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera
+
-
+
-
+
-
+
-
+
+
-
-
+
+
-
-
+
+
+
-
-
-
-
+
+
+
+
-
+
+
+
+
+
+
+
+
+
-
+
+
-
+
-
-
+
-
+
+
-
-
-
-
+
+
bce
df
abef
bde
abd
cde
acd
bcdf
Abcdef
89,5
92,3
92,8
90,7
90,4
91,6
92,6
91,6
92,0
Los efectos e interacciones son:
12 , 0 A 87 , 0 B 01 , 0 C
20 , 1 D 66 , 0 E 73 , 0 F
17 , 0 CE AB 43 , 0 BE AC 16 , 0 BF AE BC
27 , 0 EF AD 32 , 0 CF BD 43 , 0 BF CD
66 , 0 DE AF 17 , 0 CED ABD 14 , 0 ABF ACD
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 2
6-2
Fuente SC GL CM F
o
F
t
(99)
B
D
F
AF+DE
Error
3.06
4.20
2,18
1,76
4,27
1
1
1
1
11
3.06
4.20
2,18
1,76
0,39
7,89
10,83
5,60
4,53
>
>
>
<
4,85
4,85
4,85
4,85
Total 15,47 15
263
Palacios C. Severo
Problemas
(234) Deseamos mejorar el rendimiento de un proceso, en un diseo
2
5-2
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 2
6-3
siendo su nivel respuesta.
Y: 53, 83, 62, 77, 75, 84, 75, 86
(236) Deseamos mejorar el rendimiento de un proceso, en un diseo
2
7-4
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 2
5-2
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.
264
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera
Cmo llevara a cabo el anlisis para este experimento.
(238) Es posible disear un experimento 2
5-2
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 2
4-1
para
estudiar la situacin. La estructura de dicho experimento es la
siguiente
A = tiempo de fermentacin.
B = % de cebada presente.
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 2
42
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 2
5-2
, 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)
265
Palacios C. Severo
Escriba la matriz de diseo para un experimento 2
3
(completo).
A partir de esa matriz de diseo tome las siguientes medidas:
Nivel Textura
(1) 10.0
a 13.0
b 8.0
ab 15.1
c 11.0
ac 12.9
bc 8.1
abc 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?
(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 2
7
= 128 corridas, a una fraccin de 2
7-3
.
Los resultados del experimento son los siguientes:
Nivel Densidad (g/ml)
(1) 338.0
adg 388.5
bdf 332.0
abfg 239.0
cdfg 309.5
acf 206.0
bcg 343.5
acbd 333.5
efg 342.0
adef 213.0
266
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera
bdeg 295.0
abe 405.0
cde 393.0
aceg 432.0
bcef 325.0
abcdef
g
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?
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 2
5-2
. Estudie la
estructura de confusiones y la resolucin de las fracciones que se
obtienen de las siguientes formas:
Partiendo de un 2
5
completo, se toman aquellos puntos donde las
interacciones ABCDE y ABCD estn ambas a nivel alto.
Partiendo de un 2
5
completo, se toman aquellos puntos donde
dos interacciones de cuarto orden ABCD y BCDE estn en nivel
alto.
Partiendo de un 2
5
completo, tomando los puntos donde dos
interacciones de tercer orden estn a nivel alto.
Partiendo de un 2
3
, 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 2
6
completo.
Correr un diseo 2
6-2
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 2
5-1
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:
267
Palacios C. Severo
Punto Color Punto Color
e -0.63 d 6.79
a 2.51 ade 5.47
b -2.68 bde 3.45
abe 1.66 abd 5.68
c 2.06 cde 5.22
ace 1.22 acd 4.38
bce -2.09 bcd 4.30
abc 1.93 abcde 4.05
Que efectos parecen ser significativos
Calcule los residuos.
Si uno o ms de los factores son despreciables, contraiga el
diseo 2
5-1
a un factorial completo con los factores significativos.
Suponga que debe correr un experimento 2
5
, 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.
(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 2
7-3
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 Viscosidad
e 33,74
ag 35,90
bf 32,53
abefg 35,38
cfg 24,46
acef 30,24
bce 23,82
abc 30,27
defg 23,30
adf 23,38
bdg 20,67
abde 23,17
cd 26,07
acdeg 32,09
bcdef 26,29
abcdfg 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
268
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera
de transferencia, D: tiempo de inmersin y E: temperatura del
aceite de templar. Los datos se presentan enseguida:
A B C D E I II II
-
+
-
+
-
+
-
+
-
+
-
+
-
+
-
+
-
-
+
+
-
-
+
+
-
-
+
+
-
-
+
+
-
-
-
-
+
+
+
+
-
-
-
-
+
+
+
+
-
+
+
-
+
-
-
+
-
+
+
-
+
-
-
+
-
-
-
-
-
-
-
-
+
+
+
+
+
+
+
+
7,78
8,15
7,5
0
7,59
7,54
7,6
9
7,56
7,56
7,5
0
7,8
8
7,5
0
7,6
3
7,3
2
7,56
7,18
7,81
7,78
8,18
7,56
7,56
8,0
0
8,0
9
7,52
7,81
7,25
7,88
7,56
7,75
7,44
7,69
7,18
7,50
7,81
7,88
7,50
7,75
7,88
8,0
6
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.
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 2
3
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 Bloque II Bloque III Bloque IV
a
abc
(1)
bc
b
c
ac
ab
Opcin 2:
Bloque I Bloque II Bloque III Bloque IV
(1)
abc
b
ac
a
bc
ab
c
269
Palacios C. Severo
(250) Si alguien le propone correr un experimento 2
6
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:
Bloque I Bloque II
Punto Produccin Punto Produccin
a 9 (1) 7
b 34 ab 555
c 16 ac 20
abc 60 bc 40
d 8 ad 10
abd 50 bd 32
acd 21 cd 18
bcd 44 abad 61
e 8 ae 12
abe 52 be 35
ace 22 ce 15
bce 45 abce 65
ade 10 de 6
bde 30 abde 53
cde 15 acde 20
abcde 63 bcde 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 2
k
ms pequeo.
(252) Se desea realizar un experimento 2
5-1
, 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
270
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera
las hiptesis necesarias para comprobar su ajuste y determine
el camino de ascenso mximo.
Temperatur
a (
1
)
Cociente de
presiones (
2
)
Pureza (%)
-225 1,1 82,8
-225 1,3 83,5
-215 1,1 84,7
-215 1,3 85,0
-220 1,2 84,1
-220 1,2 84,5
-220 1,2 83,9
-220 1,2 84,3
(254) El diseo experimental para la lixiviacin de minerales
aurferos mediante un Factorial Fraccionado 2
8-4
, toma las
siguientes variables y rangos.
Factores
Niveles
- 0 +
X
1
: Aglutinante (kg/t)
X
2
: Sal oxidante (kg/t)
X
3
: Tipo mineral
X
4
: Humedad (%)
X
5
: Aglomerante (kg/t)
X
6
: Agente lixiviante ppm
X
7
: Radio riego (l/h.m)
X
8
: tiempo curado (h)
5
0,1
1/2
10
0,0227
0
5
16
10
0,8
1/1
14
0,068
50
7,5
56
15
1,5
2/1
18
0,1134
100
10
96
Prueb
a
X
1
X
2
X
3
X
4
X
5
X
6
X
7
X
8
Y
1
2
3
4
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
76,3
80,8
86,2
84,3
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.
271
Palacios C. Severo
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
272
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera
de un diseo 2
3
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 B+AD+CF+EG C+AE+BF+DG D+AB+CG+EF
E+AC+BG+DF F+BD+AG+DE G+CD+BE+AF
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 N=8 - - - - + + +
K=11 N=12 + + - + + + - - - + -
K=15 N=16 - - - - - - - - + + + + + + +
K=19 N=20 + + - - + + + + - + - + - - - - + + -
k=23 N=24 + + + + + - + - + + - - + + - - + - + - - - -
K=35 N=36 - + - + + + - - - + + + + + - + + + - - + - - - - + - + - + + - - + -
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 2
3-1
.
273
Palacios C. Severo
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
ZXY YZX
YZX ZXY
XYZ XYZ
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 2
2
completo en cualquiera de los once factores originales. Sin embargo
en tres factores el diseo proyectado es un factor 2
3
completo ms un
factorial fraccionado.
Ejemplo 6.78
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 Y
2
1
2
3
4
-
+
-
+
-
-
+
+
-
-
-
-
-
+
+
-
+
+
-
-
+
-
+
-
+
-
-
+
92
90
91
91,2
31,8
35,
8
29,1
274
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera
5
6
7
8
-
+
-
+
-
-
+
+
+
+
+
+
+
-
-
+
-
-
+
+
-
+
-
+
+
-
-
+
91,6
92
91,6
92
36,
2
44,
5
36,1
38,1
31,6
Donde:
Y porcentaje de recuperacin.
Y
2
porcentaje de eficiencia de la recuperacin, parmetro definido
Como

( )
h C
Y h C
Y
m

2
C = Ley de concentrado obtenido
C
m
= Ley de cabeza
h = Ley mxima de concentracin obtenida
Con los datos es posible estimar los siete efectos principales y sus
alias:
FG CE BD A L
A
+ + + 1 EG CF AD B L
B
+ + + 2 , 0 DG BF AE C L
C
+ + + 3
EF CG AB D L
D
+ + + 2 , 2

DF BG AC E L
E
+ + + 6 , 2 DE DG BC F L
F
+ + + 2 , 0
AF BE CD G L
G
+ + + 2 , 2
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 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 Y
2
1
2
3
4
5
6
-
+
-
+
-
+
-
-
+
+
-
-
-
-
-
-
+
+
-
+
+
-
+
-
+
+
-
-
-
-
+
-
+
-
-
+
+
-
-
+
+
-
94
91
94,
6
92,
2
3,2
11,7
55,3
48,
4
48,
275
Palacios C. Severo
7
8
-
+
+
+
+
+
-
+
+
+
-
+
-
+
92,
5
93,
2
92,
6
92,
6
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 2
3-1
, 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 2
3
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:
FG CE BD A L
A
2 , 4

EG CF AD B L
B
8 , 0

DG BF AE C L
C
4 , 1

EF CG AB D L
D
4 , 0

DF BG AC E L
E
6 , 6

DE DG BC F L
F
8 , 2

AF BE CD G L
G
8 , 0

Al combinar esta fraccin con la original se obtiene las siguientes


estimaciones de los efectos:
Tabla 6.82
i (L
i
+L
i
) ( L
i
+L
i
)
A
B
C
D
E
F
G
A = 1,6
B = -0,3
C = 2,2
D = 0,9
E = -2,0
F = 1,3
G = -0,7
BD+CE+FG = -2,6
AD+CF+EG = 0,5
AE+BF+DG = 0,8
AB+CG+EF = 1,3
AC+BG+DF = 4,6
BC+AG+DE = -1,5
CD+BE+AF = -1,5
Ejemplo 6.79
El ejemplo 6.78 se desea estudiar mediante el diseo Plackett-Burman
con bloques.
276
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera
Tabla 6.83 Diseo PLACKETT-BURMAN con bloque
Prueb
a
A B C D E F G Y
1
2
3
4
5
6
7
8
-
+
-
+
-
+
-
+
-
-
+
+
-
-
+
+
-
-
-
-
+
+
+
+
+
-
-
+
+
-
-
+
+
-
+
-
-
+
-
+
+
+
-
-
-
-
+
+
-
+
+
-
+
-
-
+
92
90
91
91,
2
91,
6
92
91,
6
92
Bloque I Bloque II
def
ab
d
ace
bcf
=
=
=
=
92,0
91,2
92,0
91,6
afg
beg
adg
abcdef
g
=
=
=
=
90,
0
91,0
91,6
92,
0
366,8 364,6
731,4
[ ] [ ] 605 , 0 8 / 4 , 731 4 / 6 , 364 8 , 366
2
2 2
+
bloque
SC
[ ] [ ] 315 , 3 8 / 4 , 731 92 6 , 91 ... 90 92
2
2 2 2 2
+ + + +
total
SC
01 , 0 +
G B error
SC SC SC
125 , 0
A
SC 005 , 0
B
SC 125 , 1
C
SC
605 , 0
D
SC 845 , 0
E
SC 005 , 0
F
SC
Efectos:
25 , 0 A 05 , 0 + B 75 , 0 + C 55 , 0 + D
65 , 0 + E 05 , 0 F 55 , 0 G
Tabla 6.84 Anlisis de varianza
Fuente SC GL CM F
o
F
t
(99)
Bloque
A
C
D
0,605
0,125
1,125
0,605
1
1
1
1
0,605
0,125
1,125
0,605
121
25
225
121
>
<
>
>
98,5
98,5
98,5
98,5
277
Palacios C. Severo
E
Error
0,845
0,010
1
2
0,845
0,005
169 > 98,5
Total 3,315 7 R
2
= 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
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.
Y
1
: 90,9 90,2 92,8 93,6 92,2 93,5 93,3 94,0
Y
2
: 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
278
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera
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.
(262) Es factible adicionar variables ficticias a un diseo de
Plackett-Burman.
(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
Niveles
- +
A: Tipo de agua
B: Temperatura de filtracin
C: Reciclado
D: Flujo de adicin de base
E: Material del filtro
F: Tiempo de almacenamiento
Pozo
Media
S
Media
Nuevo
Medio
Canal
Alta
No
Alta
Usado
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
Niveles
- +
279
Palacios C. Severo
A: Tipo de materia prima
B: Granulometra del material
C: Aglutinante
D: Material usado
E: Cantidad de carga
F: Colorante
G: Aditivo
Original
Fina
1
0
120
43
0
Usada
Gruesa
8
2
150
63
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?
(266) El diseo experimental para la lixiviacin de minerales
aurferos mediante el Plackett-Burman, toma las siguientes
variables y rangos.
Factores
Niveles
- 0 +
X
1
: Aglutinante (kg/t)
X
2
: Sal oxidante (kg/t)
X
3
: X
4
: Humedad (%)
X
4
: Aglomerante (kg/t)
X
5
: Agente lixiviante ppm
X
6
: Radio riego (l/h.m)
X
7
: tiempo curado (h)
5
0,1
10
0,0227
0
5
16
10
0,8
14
0,068
50
7,5
56
15
1,5
18
0,113
4
100
10
96
Se desarrolla el proceso con pruebas centrales.
7 , 85 0 , 83 6 , 85 9 , 85
9 , 81 2 , 82 7 , 85 1 , 79 3 , 84 2 , 86 8 , 80 3 , 76

C
F
Y
Y
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.
280
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera
XX. DISEOS FACTORIALES 3
n
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.
Tabla 6.85 Clculos de las particiones de sumas de cuadrados lineales y cuadrticas
Varios Das Media
s
Sl Sq Dl Dq SlDl SlDq SqDl SqDq
0
6
14
21
28
14
21
2,75
5,35
12,80
4,10
6,55
-1
-1
-1
0
0
1
1
1
-2
-2
-1
0
1
-1
0
1
-2
1
1
-2
1
0
-1
0
0
-1
2
-1
0
0
-1
0
1
2
0
1
-2
1
-2
4
281
Palacios C. Severo
12
28
14
21
28
10,20
3,10
5,20
7,95
0
1
1
1
-2
1
1
1
1
-1
0
1
1
1
-2
1
0
-1
0
1
0
1
-2
1
-2
-1
0
1
-2
1
-2
1
ij
C
Y P
ij

2
ij
C
P

SC
Efectos
-4,7
6,0
7,2
-0,78
-4,6
18,0
2,3
-0,25
21,0
6,0
147,
0
3,50
6,7
18,0
5,0
0,37
-5,2
4,0
13,5
-1,30
-4,2
12,0
2,9
-0,35
2,7
12,0
1,2
0,23
3,1
36,0
0,5
0,09
( )


2 2
/ /
ij ij ij ij
C
ij
C C
ij
C
P Y P Efecto P Y P r SC
Clculo de los coeficientes para contraste polinomial ortogonal de las interacciones
S
l
D
l
-1
-1
-1
0
-1
1
0
-1
0
0
0
1
1
-1
1
0
1
1
S
l
D
l
1 0 -1 0 0 0 -1 0 1
Ejemplo 6.80
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
pre-adultos 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
16
0
10
25
40
10
25
40
86
544
390
53
393
249
52
371
290
73
398
265
73
482
397
86
208
243
282
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera
3
0 80
16
0
10
25
40
10
25
40
439
249
247
324
352
188
436
245
277
305
267
223
349
330
205
364
316
281
Tabla 6.87 Anlisis de varianza para el aumento de peso en los camarones cultivados
Fuente SC GL CM F
o
F
t
(99)
Temperatura
Salinidad
Densidad
TS
TD
SD
TDS
Error
15376,00
96762,50
21218,78
300855,1
7
8711,11
674,39
24038,39
69690,67
1
2
1
2
1
2
2
24
15376,00
48381,25
21218,78
150427,5
8
8711,11
337,19
12019,19
2903,78
5,30
16,66
7,31
51,80
3,00
0,12
4,14
<
>
>
>
<
<
<
7,24
5,61
7,24
5,61
7,24
5,61
5,61
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
K Y
10
25
40
70
466
359
408
275
243
71
333
252
331
312
231
220
346
271
Media TxD 298 309 219 291
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
n CM S
e Y
/ , donde n es el nmero de observaciones en la media y
el error estndar de la diferencia entre cualquier par de medias es
( ) n CM Y Y S
e
j i / 2 . Los errores estndar estimados para el
experimento de cultivo de camarn se muestran en la tabla 6.89
Media TxD Media DxS
D S
T 10 25 40
i Y
D 10 25 40
i Y
25
35
71
37
0
39
9
29
30
6
237
259
30
0
80
16
0
23
9
20
37
0
32
30
1
24
30
3
255
283
Palacios C. Severo
3 1 2 2
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
7 , 12
18
78 , 2903

rbc
CM
e
Salinidad
6 , 15
12
78 , 2903

rab
CM
e
Densidad
7 , 12
18
78 , 2903

rac
CM
e
Medias marginales de dos factores
Densidad por temperatura
0 , 18
9
78 , 2903

rc
CM
e
Densidad por salinidad
0 , 22
6
78 , 2903

ra
CM
e
Salinidad por temperatura
0 , 22
6
78 , 2903

rb
CM
e
Medias de celdas
1 , 31
3
78 , 2903

r
CM
e
284
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera
G
a
n
a
n
c
i
a
G
a
i
n
Salinidad Salinidad
500
400
300
200
100
0
500
400
300
200
100
0
10 15 20 25 30 35 40 10 15 20 25 30 35 40
x Densidad 80
o Densidad 160
x Densidad 80
o Densidad 160
x
x
x
x
x
x
o
o
o
o
o
o
25C
35C
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:
( ) [ ]
( ) [ ]
8 , 83
6
503
1 2 1
359 466 2 70

+ +
+
con error estndar 7 , 12 ) 3 ( 6 / , 2903 . Las estimaciones de un
ICS del 95% se calcularon para los cuatro coeficientes segn la
70 , 2 24 , 4 , 5 , 0 t
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
del 95% no incluye al 0; y no significativa a 35C, pues esos intervalos
s lo incluyen.
Problemas
285
Palacios C. Severo
(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.
B
A 1 2 3 4 5 6 7
i Y ( ) y Y i
1
2
3
4
5
6
7
2,1
1,7
14,4
57,4
66,2
75,2
4,1
6,8
8,1
14,8
62,4
81,7
94,0
10,2
8,4
8,4
27,0
37,4
53,3
74,3
10,7
1,4
1,4
30,9
63,3
80,7
87,9
5,5
14,6
12,0
36,5
65,5
79,7
93,3
18,1
7,9
3,7
36,4
65,6
80,8
87,8
11,4
4,8
4,5
31,4
59,8
82,4
80,5
6,1
6,6
5,7
27,3
58,8
75,0
84,7
9,4
-31,6
-32,5
-10,9
20,6
36,8
46,5
-
28,8
i Y
31,6 39,7 31,4 38,7 45,7 41,9 38,5
2 , 38 Y
( ) y Y i
-6,6 1,5 -6,8 0,5 7,5 3,7 0,3
i
p
6719 7730 504
6
7776 685
0
7313 7192
(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.
Alcohol
Base 1 2 3
1
91,3
90,7
89,9
91,4
89,3
90,4
88,1
91,4
89,5
88,3
87,6
90,3
2
87,3
91,5
89,4
88,3
92,3
90,6
91,5
94,7
93,1
91,5
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
concentracin de glucosa (mg/dl) de todas las muestras en una
corrida del espectrmetro.
Mtodo I Mtodo II
286
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera
Glucos
a
1 2 3 1 2 3
42,5
43,3
42,9
138,4
144,4
142,7
180,9
180,5
183,0
39,8
40,3
41,2
132,4
132,4
130,3
176,8
173,6
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.
Temperatura (C)
Tela 210 215 220 225
1
2
3
4
1,8
2,2
2,8
3,2
2,1
2,4
3,2
3,6
2,0
4,2
4,4
3,3
2,1
4,0
4,8
3,5
4,6
5,4
8,7
5,7
5,0
5,6
8,4
5,8
7,5
9,8
13,
2
10,
9
7,9
9,2
13,
0
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
287
Palacios C. Severo
reduccin de acetileno para 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
Cultivo
Nitrgeno Alfalfa Soya Habas
0
50
100
2,6
0,9
0,0
0,0
0,0
0,0
1,1
1,2
0,0
0,0
0,0
0,0
6,5
3,9
0,6
0,3
0,0
0,1
2,6
4,3
0,6
0,8
0,1
0,0
0,8
2,2
0,7
0,3
0,3
0,0
0,9
1,2
0,4
0,8
0,1
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
Insecticid
a
0 0,5 1,0 1,5 2,0
0
20
40
60
80
122,0
82,75
65,75
68,00
57,50
72,50
84,75
68,75
70,00
60,75
52,00
71,50
79,50
68,75
63,00
36,25
80,50
65,75
77,25
69,25
29,25
72,00
82,50
68,25
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,
288
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera
insecticida e interaccin. Calcule un polinomio de grado no
mayor a la regresin cbica para el herbicida o el insecticida.
(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
, F
2
) en tres
proporciones diferentes (25%, 50%, 75%) con y sin tratamiento
de superficie (S
1
, S
2
); 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.
Tratamiento de superficie y sustancia
S
1
S
2
Proporcin
sustancia (%)
F
1
F
2
F
1
F
2
25
50
75
194
208
233
241
265
269
239
187
224
243
243
226
155
173
198
177
235
229
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.
Salinida
d
del agua
2 8 16
0 5 15 0 5 15 0 5 15
Arena 0,6
0
1,69
2,01
3,47
3,30
0,0
5
0,11
0,0
0,0
6
0,07
0,0
0,0
8
0,22
0,17
289
Palacios C. Severo
Arcilla
Barro
0,4
8
0,9
8
0,93
1,37
1,50
2,21
2,48
3,31
2,48
5,68
5,11
5,47
5,38
0,12
0,15
0,26
0,72
0,51
9
0,23
0,35
0,78
1,11
0,19
0,4
0
0,75
2,10
1,18
6
0,07
0,21
0,4
0
0,57
0,14
0,23
0,35
0,72
0,8
8
0,43
0,35
1,95
2,87
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.
Posicin sujetador varilla de nquel
Altur
a
1 2 3 4 5
1
2
3
125
126
130
130
150
155
128
127
168
134
124
159
14
3
118
13
8
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.
Temperatur
a (C)
Sacarosa (%)
20 40 60
20 3,1 3,7 4,7 5,5 6,7 7,3 7,9 9,2 9,3
290
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera
30
40
6,0
7,7
6,9
8,3
7,5
9,5
11,5
15,
7
12,
9
14,
3
13,
4
15,
9
17,
5
19,1
15,8
18,
0
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.
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.
291
Palacios C. Severo
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
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.
X
1
X
2
1
-0,5
0,5
0
0
0
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.
292
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera


X1
X2
1, 0
0,31; 0,95 0,31; -0,95
-0,81; -0,58
-0,81; 0,58
0; 0
2
4
6
8 10
3
1
5
7
9
Representacin esquemtica del Diseo Pentagonal
X
1
X
2
1
0,31
-0,81
-0,81
0,31
0
0
0
0
0,95
0,58
-
0,58
-
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.
293
Palacios C. Severo
-0.5, 0.8 6 6 0.5, 0.8 6 6
1, 0 -1, 0
-0.5, -0.8 6 6 0.5, - 0.8 6 6
0, 0
X1
X2
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.
X
1
X
2
1
0,5
-0,5
-1
-0,5
0,5
0
0
0
0
0,866
0,866
0
-0,866
-0,866
0
0
0
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 = 0,375X
1
+ 1,125
B = 1X
2
+ 2
X
1
X
2
A B Y Y
cal
Y - Y
cal
(Y-Y
cal
)
2
1
0,5
-0,5
-1
-0,1
0,5
0
0
0
0
0,86
0,86
0
-0,86
-0,86
0
0
0
1,5
1,31
0,9
4
0,75
0,9
4
1,31
1,25
2
2,87
2,87
2
1,13
1,13
2
2
2
93,9
89,6
88,8
83,3
81,9
89,3
90,8
90,2
89,3
94,51
90,2
8
88,4
0
84,70
81,82
89,93
90,17
-0,63
-0,03
0,87
0,397
0,001
0,757
294
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera
1,25
1,25
90,17
90,17
0,21 1,155
14 , 1 3 / 21 , 0 155 , 1
2

error
SC
48 , 110 9 / 1 , 797 97 , 70706
2

total
SC
Tabla 6.90 Anlisis de varianza de regresin
Fuente SC GL CM F
o
F
t
(99
)
Regresin
Error
109,3
4
1,14
6
2
18,22
0,57
31,96 > 19,3
Total 110,48 8 R
2
= 98,96%
Tabla 6.91 Anlisis de varianza de ajuste
Fuente SC GL CM F
o
F
t
(99
)
Ajuste
Error
3,22
1,14
1
2
3,22
0,57
5,649 < 18,5
Total 4,36 3 R
2
= 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 25 50
B: NaNO
3
5 15
Efectos e interacciones Cuadrticos
A: NaCl = -6263,28
B: NaNO
3
= -2431,04
AB = -508,721
AA = -895,833
BB = -229,854
Errores estndar con 3 GL
Tabla 6.92 Anlisis de varianza de regresin
Fuente SC GL CM F
o
F
t
(99)
A: NaCl
B: NaNO
3
AA
AB
BB
Error
13,0137
26,331
2
9,8613
3
12,25
24,661
3
0,7133
3
1
1
1
1
1
3
13,0137
26,3312
9,86133
12,25
24,6613
0,23777
8
54,73
110,74
41,47
51,52
103,7
2
>
>
>
>
>
34,12
34,12
34,12
34,12
34,12
295
Palacios C. Severo
Total 128,76 8 R
2
= 99,446%
3 3 3
. 06 , 4 597 , 4 866 , 2 453 , 1 166 , 5 3667 , 89 NaNO NaCl NaNO NaCl NaNO NaCl Au + +
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.
Valor ptimo = 92,0389
Factor Bajo Alto ptimo
NaCl
NaNO
3
-1,0
-0,28
1,0
0,86
1,0
-0,28
25
NaNO3
15
Grfica de Efectos Principales para Au
-9300
-7300
-5300
-3300
-1300
A
u
NaCl
50 5
25
NaNO3=5
NaNO3=15
Grfica de Interaccin para Au
-11
-9
-7
-5
-3
-1
(X 1000.0)
A
u
NaCl
50
NaNO3=5
NaNO3=15
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.
Contornos de laSuperficie de Respuesta Estimada
25 30 35 40 45 50
NaCl
5
7
9
11
13
15
N
a
N
O
3
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
Superficie de RespuestaEstimada
25
30
35
40
45
50
NaCl
5
7
9
11
13
15
NaNO3
-11
-9
-7
-5
-3
-1
(X 1000.0)
A
u
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
Superficie respuesta estimada en el
plano con punto ptimo
Superficie respuesta estimada en el espacio
296
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera
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.
68 68 68 70 66 64 66 70 72
1
X
76 76 76 68 68 76 84 84 76
2
X
Para optimizar estas dos variables, se obtuvo los modelos
matemticos:
2 1
2
2
2
1 2 1 1
034 , 0 083 , 0 22 , 0 13 , 10 5 , 27 411 , 1 X X X X X Y + +
2 1
2
2
2
1 2 1 2
04 , 0 063 , 0 228 , 0 3 , 12 15 , 34 602 , 1 X X X X X Y +
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.
3 , 84 2 , 90 86 , 90 3 , 89 9 , 81 3 , 83 8 , 88 6 , 89 9 , 93 :
12 , 1 12 , 1 12 , 1 31 , 1 94 , 0 75 , 0 94 , 0 31 , 1 5 , 1 :
2 2 2 13 , 1 13 , 1 2 87 , 2 87 , 2 2 :
Y
B
A
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.
6 , 82 5 , 83 5 , 81 6 , 86 3 , 80 8 , 78 4 , 75 6 , 90 5 , 85 :
5 , 42 5 , 42 5 , 42 3 , 27 3 , 27 5 , 42 7 , 57 7 , 57 5 , 42 :
5 , 8 5 , 8 5 , 8 2 , 9 7 , 7 7 7 , 7 2 , 9 10 :
Y
B
A
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
Palacios C. Severo
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.
X2
X1
1, 0
-1, 0
0, 1
0, -1
0,71; 0,71
0,71; -0,71 -0,71; -0,71
-0,71; 0,71
0; 0
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.
X
1
X
2
-0,71
0,71
-0,71
0,71
1
-1
-0,71
-0,71
0,71
0,71
0
0
298
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera
0
0
0
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 = 0,005X
1
+ 0,025
B = 2X
2
+ 27,5
X
1
X
2
Y Y
cal
Y - Y
cal
(Y-Y
cal
)
2
-1
1
0
0
-0,71
-0,71
0,71
0,71
0
0
0
0
0
0
-1
1
-0,71
0,71
-0,71
0,71
0
0
0
0
90,9
0
92,2
0
92,8
0
93,6
0
92,2
0
93,50
93,3
0
94,0
0
94,10
94,3
0
93,9
0
94,0
0
91,38
92,59
93,0
8
94,19
91,81
92,9
3
93,10
93,4
9
94,0
2
94,2
0
94,0
2
94,0
2
-0,08
-0,28
0,12
0,02
0,006
0,08
0,01
0,02
-0,22 0,0964
[ ] 0834 , 0 4 / 22 , 0 0964 , 0
2

error
SC
[ ] 48667 , 11 12 / 1118 94 , 104320
2

total
SC
Tabla 6.93 Anlisis de varianza de regresin
Fuente SC GL CM F
o
F
t
(99
)
299
Palacios C. Severo
Regresin
Error
11,4023
7
0,0843
8
3
1,425
0,023
1
50,7 > 27,5
Total 11,4866
7
11 R
2
= 0,99266%
Tabla 6.94 Anlisis de varianza de ajuste
Fuente SC GL CM F
o
F
t
(99
)
Ajuste
Error
1,5257
0,084
3
1
3
1,5257
0,023
1
54,24 > 34,1
Total 1,61 4 R
2
= 0,9476%
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.
- +
-
+
1,1
1,-1
-1,1
*1,*1
0,0 X1
X2
Representacin esquemtica del Diseo Compuesto Centrado
El modelo matemtico que relaciona la respuesta buscada y las
variables estudiadas es del tipo.

+ + + + +
k j i ijk jjj jjj j i ij ii ii i i o
X X X A X A X X A X A X A A Y
3 2
Donde:
Y Estimacin del vector respuesta buscada
300
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera
A
o
, A
i
, A
ii
, A
ij
, A
jjj
, A
ijk
Son los coeficientes del modelo
X
i
, X
ij
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.
a-1) Un bloque factorial de 2
k
puntos, donde cada variable toma los
valores codificados -1 y +1, hasta cinco variables como mximo.
a-2) Un bloque factoriaI fraccionado 2
k-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 2
k
donde
cada variable toma los valores codificados -2
k/4
y +2
k/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 Y
cal
Y las variables independientes X
i
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 Y
cal
en cualquier punto de la superficie ajustada.
Este error estndar ser una funcin de las coordenadas del punto X
i
,
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:
Ctte L X X X
k
+ + +
2 2
2
2
1
...
As para un diseo de tres variables se tiene que cada variable asume
los siguientes valores codificados:
-1, +1, 0, -2
k/4
y +2
k/4
La ecuacin del tipo:
2 1 12
2
22 22
2
11 11 2 2 1 1
X X A X A X A X A X A A Y
o
+ + + + +
301
Palacios C. Severo
La codificacin de las variables se obtiene de:
b
a V
X
i
i

Donde:
V
i
Nivel de la variable real escogida
a Valor de la variable en el punto central
b 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 -2
k/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
[ ]
[ ]
[ ] 8 2 , 5 6 1 0 / 4 0 2
1 8 , 2 3 1 0 / 4 0 2
1 0 / 4 0 3 0 1
2 2
4 /
1 1
4 /
+


V V
V V
b b
k
k
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.
302
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera
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.
X
1
X
2
A B Y
-
+
-
+
-1,41
+1,41
0
0
0
0
0
0
0
-
-
+
+
0
0
-1,41
+1,41
0
0
0
0
0
23
37
23
37
20
40
30
30
30
30
30
30
30
1,3
1,3
2,7
2,7
2
2
1
3
2
2
2
2
2
50,00
85,61
97,62
85,76
73,39
76,92
52,92
82,53
78,02
84,61
79,12
64,84
88,46
Tabla 6.95 Anlisis de varianza de regresin
Fuente SC GL CM F
o
F
t
(99
)
Regresin
Error
1759,2
478,8
5
7
351,8
68,4
5,14 > 3,97
Total 2238 12 R
2
= 0,786%
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: 137 147 157
B: 32,5 37,5 42,5
C: 5,5 8,5 11,5
X
1
X
2
X
3
Y
0
2
-2
0
0
0
0
0
0
0
2
-2
0
0
0
0
0
0
0
2
-2
66,9
65,4
56,9
67,5
65,0
68,9
60,3
Para estimar los coeficientes b
o
, b
11
, b
22
, b
33
obtenemos la ecuacin
correspondiente.
303
Palacios C. Severo
9 , 1041 40 8 8 16
1 , 1055 8 4 8 16
3 , 1041 8 8 40 16
976 16 16 16 15
33 22 11
33 22 11
33 22 11
33 22 11
+ + +
+ + +
+ + +
+ + +
b b b b
b b b b
b b b b
b b b b
o
o
o
o
Obtenindose
11 , 67
o
b
944 , 1
1
b 906 , 0
2
b 069 , 1
3
b 539 , 1
11
b
264 , 0
22
b 676 , 0
33
b 088 , 3
12
b 188 , 2
13
b 212 , 1
23
b
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.) 80 90
B: Temperatura (F) 170 180
A:
tiempo
B: Temperatura Y
80
90
80
90
77,9289
92,0711
85
85
85
85
85
85
85
170
170
180
180
175
175
167,929
182,071
175
175
175
175
175
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
B: Temperatura =
1,03033
AB: = 1,5
AA = 2,50248
BB = -1,78252
Errores estndar con 7 GL
304
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera
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 F
o
F
t
(99)
A: tiempo
B: Temperatura
AA
AB
BB
Error
1,9600
1
2,1216
10,891
3
2,25
5,3412
9
3,7051
1
1
1
1
1
7
1,9600
1
2,1216
10,891
3
2,25
5,3412
9
0,5293
3,70
4,01
20,58
4,25
10,09
<
<
>
<
>
5,59
5,59
5,59
5,59
5,59
Total 24,527
7
12 R
2
= 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.
a Temperatur tiempo a Temperatur
tiempo a Temperatur tiempo Y
. 03 , 0 03505 , 0
05 , 0 82069 , 9 35742 , 3 283 , 935
+
+ +
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
86,0
87,0
88,0
175,000
176,206
177,825
177,024
79,9400
80,0984
80,1186
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
305
Palacios C. Severo
177,024 F se obtiene una respuesta de 80,0336, cercano al valor
ptimo de la maximizacin.
Valor ptimo = 80,133
Factor Bajo Alto ptimo
tiempo
Temperatur
a
77,9289
167,929
92,0711
182,071
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.
80
Temperatura
180
Grfica de Efectos Principales para Y
78
78.4
78.8
79.2
79.6
80
80.4
Y
tiempo
90 170
80
Temperatura=170
Temperatura=180
Grfica de Interaccin para Y
77
77.5
78
78.5
79
79.5
80
Y
tiempo
90
Temperatura=170
Temperatura=180
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.
306
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera
Contornos de la Superficie de Respuesta Estimada
80 82 84 86 88 90
tiempo
170
172
174
176
178
180
T
e
m
p
e
r
a
t
u
r
a
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
80
82
84
86
88
90 tiempo
170
172
174
176
178
180
Temperatura
77
78
79
80
81
Y
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 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 X
2
si
son significativos y los rangos en donde estn dichos valores ptimos.
Se dan los niveles de dichos factores y el vector respuesta.
X
1
: 1,5 8,5
X
2
: 0,1 0,3
X1 X3 Y
1,5
8,5
1,5
8,5
0,0502
9,9497
5,0
5,0
5,0
5,0
0,1
0,1
0,3
0,3
0,2
0,2
0,0585
0,3415
0,2
0,2
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
B = -0,5680
AB = -0,3257
AA = -0,2954
BB = 0,4130
Errores estndar con 4 GL
Tabla 6.97 Anlisis de varianza de regresin
Fuente SC GL CM F
o
F
t
(95)
A
B
AA
AB
BB
Error
0,1439
0,6454
0,0997
0,10611
0,19499
0,0662
1
1
1
1
1
4
0,1439
0,6454
0,0997
0,10611
0,1949
9
8,69
38,94
6,02
6,40
11,7
>
>
<
<
>
7,71
7,71
7,71
7,71
7,71
307
Palacios C. Severo
9 0,0165
7
Total 1,46927 9 R
2
= 95,4879%
2 1
2
2
2
1 2 1
4653 , 0 653 , 20 0120 , 0 774 , 8 2519 , 0 711 , 1 X X X X X X Y + +
El vector respuesta depende del factor X
1
para llegar al ptimo, esto
en forma lineal, pero el factores cuadrticos X
1
y la interaccin tienen
efecto negativo sobre dicho vector.
Camino de Mximo Ascenso para Y
X
1
X
2
Y
5,0
6,0
7,0
8,0
9,0
10,0
0,2
0,1152
2
0,0025
-0,1193
-0,244
-0,372
1,276
1,7309
2,853
4,741
7,416
10,88
4
Valor ptimo = 2,31558
Factor Bajo Alto ptimo
X
1
X
2
0,05025
0,05857
9,9497
0,34142
9,3195
0,0585
1.5
X2
0.3
Grfica de Efectos Principales para Y
0.99
1.19
1.39
1.59
1.79
Y
X1
8.5 0.1 1.5
X2=0.1
X2=0.3
Grfica de Interaccinpara Y
1
1.2
1.4
1.6
1.8
2
Y
X1
8.5
X2=0.1
X2=0.3
Efectos significativos con tendencia
cuadrtica
Interaccin en proceso cuadrtico
Contornos de la Superficie de Respuesta Estimada
0 2 4 6 8 10
X1
0.1
0.14
0.18
0.22
0.26
0.3
X
2
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
Superficie de Respuesta Estimada
0
2
4
6
8
10
X1
0.1
0.14
0.18
0.22
0.26
0.3
X2
0.7
1
1.3
1.6
1.9
2.2
Y
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
Superficie respuesta estimada en el plano
con punto ptimo
Superficie respuesta estimada en el
espacio
308
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera
Problemas
(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.
83 59 82 76 79 60 80 62 :
F
Y
73 75 75 78 76 77 :
C
Y
74 78 75 70 82 53 : Y
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.
88 92 91 93 89 97 85 90 89 99 89 98 92 : Y
Obtenga el modelo
AB B A B A Y 9 , 0 9 , 0 3 92 + + + +
Analice mediante los mtodos de punto estacionario y cannico.
(283) Un proceso electroltico, cuyo rendimiento esta en funcin de
las variables A: 20 - 40 Y B: 1 - 3. Obtenga el modelo y analice.
82 83 81 80 81 80 78 75 90 85 :
1
X
(284) Con el estudio experimental se desea determinar las
condiciones ptimas siendo sus factores
68 68 68 70 66 64 66 70 72 :
1
X
68 76 76 68 68 76 84 84 76 :
1
X
El modelo es:
2 1
2
2
2
1 2 1
034 , 0 083 , 0 22 , 0 13 , 10 5 , 27 411 , 1 X X X X X X Y + +
(285) Se estudia un experimento a nivel laboratorio siendo sus
factores.
13 , 1 13 , 1 13 , 1 31 , 1 94 , 0 75 , 0 94 , 0 31 , 1 5 , 1 :
1
X
2 2 2 13 , 1 13 , 1 2 9 , 2 9 , 2 2 :
2
X
3 , 89 2 , 90 9 , 90 3 , 89 9 , 81 3 , 83 8 , 88 7 , 89 9 , 93 : Y
309
Palacios C. Severo
Siendo el modelo
2 1
2
2
2
1 2 1
16 , 10 1 , 3 4 9 , 25 39 , 42 98 , 30 X X X X X X Y
Cu
+ +
(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.
73 75 75 78 77 77 83 59 82 67 79 60 80 62 : Y
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 1
2
2
2
1 2 1
5 , 0 16 , 1 15 , 1 23 , 2 23 , 1 94 , 96 X X X X X X Y
Cu
+ +
2 1
2
2
2
1 2 1
95 , 1 11 , 4 89 , 3 37 , 1 25 , 1 74 , 12 X X X X X X Y
Fe
+
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
A: temperatura, B: aire. Siendo su vector respuesta.
6 , 88 4 , 92 1 , 91 8 , 93 2 , 89 8 , 97 7 , 85 5 , 90 1 , 89 5 , 99 9 , 89 5 , 98 4 , 92 : Y
Obtenga el modelo
Analice mediante el ANAVA
Establezca los rangos de las variables
(290) Considere el modelo de primer orden
2 1
8 , 0 5 , 1 50 X X Y +
Donde
1 1
i
X
. Determine la direccin de mximo
ascenso y planifique un conjunto de experimentos siguiendo
dicha direccin
310
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera
(291) Los siguientes datos fueron recogidos por un ingeniero de
planta. La respuesta Y es el tiempo de filtrado, X
1
es la
temperatura y X
2
es la presin.
X
1
X
2
Y
-1 -1 54
-1 1 45
1 -1 32
1 1 47
-1,414 0 50
-1,414 0 53
0 -1,414 47
0 1,414 51
0 0 41
0 0 39
0 0 44
0 0 42
0 0 40
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:
115
775
1

a temperatur
X ,
5 . 1
3
2

tiempo
X
Se lleva a cabo un experimento cuyos resultados se muestran a
continuacin:
X
1
X
2
Y
-1 -1 211
1 -1 92
-1 1 216
1 1 99
-1,5 0 222
1,5 0 48
0 -1,5 168
0 1,5 179
0 0 122
0 0 175
0 0 157
0 0 146
Qu tipo de diseo experimental se ha usado. Es rotable.
El modelo cuadrtico ajustado es
311
Palacios C. Severo
2 1
2
2
2
1 2 1
5 , 0 5829 , 10 5281 , 6 3529 , 3 47059 , 58 0445 , 150 X X X X X X Y + + +
Fuente SC GL CM F
o
F
t
(99)
Modelo
Error
30688,7
1478,22
5
6
6137,7
4
246,37
24,91 > 8,75
Total 32166,9
2
11 R
2
= 95,40
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)

,
_

1 0 . 5 8 2 9 5 0 . 2 5
0 . 2 5 6 . 5 2 8 1 5 8 -
(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
2
3
2
2
2
1 3 2
3 1 2 1 3 2 1
717 , 3 12 , 5 091 , 6 706 , 4
078 , 7 8089 , 1 3165 , 1 2241 , 5 4989 , 6 630
X X X X X
X X X X X X X Y

+ + +
Usando un diseo central compuesto con cinco puntos centrales.
Las variables codificadas son las siguientes:
8
350 ) (
1

C a temperatur
X
20
612 ) (
2

psi presin
X
03 . 0
15 . 0
3

in concentrac
X
Hgale al ingeniero las sugerencias que considere adecuadas.
312
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera
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
313
Palacios C. Severo
repeticiones, y unidades experimentales de 30 m
2
con 10 m
2
de rea
efectiva. En cada bloque fueron distribuidos al azar 24 tratamientos,
los cuales fueron el resultado de la superposicin de los diseos
Factorial 3
2
, Compuesto Central Rotable (k=2, n
o
=5) y Compuesto
Central Rotable Doble Estrella con un nuevo ncleo estrella aadido
(k=2, c=2, n
o
=4).
Tratamiento
diseo
Nivel real
Tratamiento
diseo
Nivel
real
ensay
o
3
2
DC
R
DCR
E
D N ensay
o
3
2
DC
R
DCR
E
D N
1
2
3
4
5
6
7
8
9*
10*
11*
12*
-
-
-
-
-
-
4
6
5
5
5
5
1
2
3
4
5
6
7
8
9
10
11
12
1
2
3
4
13
14
15
16
9
10
11
12
66
66
94
94
60
10
0
80
80
80
80
80
80
40
20
0
40
20
0
120
120
0
24
0
120
120
120
120
13*
14*
15
16
17
18
19
20
21
22
23
24
5
5
1
2
3
7
8
9
-
-
-
-
13
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
5
6
7
8
80
80
66
66
66
94
94
94
70
90
80
80
120
120
0
120
24
0
0
120
24
0
120
120
60
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 m
2
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:
314
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

1
1
1
]
1

+ + < <

1
) 1 ( 2 / ) 1 ( 2 /
o
TC
GL n
TC
o
TC
GL n
TC
n
S
t X
n
S
t X P
Donde:
S
TC
Desviacin tpica de la variable para las n
o
rplicas del
tratamiento central.
n
o
Nmero de rplicas del tratamiento central.
GL n
t
) 1 ( 2 /
Valor tabulado de "t Student", a la derecha del cual
hay un rea de a/2.
1 a Coeficiente de confianza.
Parmetro a estimar.
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
tratamient
o
Bloque Rendimient
o
tratamient
o
Bloque Rendimient
o
9
10
11
12
13
14
1
1
1
1
1
1
3886
3320
2929
3750
4146
3263
9
10
11
12
13
14
2
2
2
2
2
2
4883
5972
5281
4663
4256
4517
TC X
4239 Kg/ha = 0,05
S
TC
886,6 kg/ha n
o
= 12
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 3
2
315
Palacios C. Severo
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
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.
316
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera
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.
1
1 1
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.
317
Palacios C. Severo
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.
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
318
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera
X
1
- 0,5
0,5
0,5
X2 X
1
X
2
-0,5
+0,5
-0,5
+0,5
0
0
0
-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
Niveles
- 0 +
A: Voltaje (Voltios)
B: Densidad corriente
(A/m)
1
30
2
35
3
40
Prueba X
1
X
2
A B Y
1
2
3
4
5
-0,5
+0,5
-0,5
+0,5
0
-0,5
-0,5
+0,5
+0,5
0
1,5
2,5
1,5
2,5
2
32,5
32,5
37,5
37,5
35
85
86
98
97
89
319
Palacios C. Severo
6
7
0
0
0
0
2
2
35
35
89
88
Los valores reales para desarrollar las pruebas experimentales, las
obtenemos utilizando la siguiente expresin:
b
a V
X
i
i

El anlisis para el desarrollo del presente diseo fue se efecto


mediante el programa ESPC plus statistics experimental for PC
Efecto Estimado
X
1
:A 0,0
X
2:
B 12,0
AB -0,5
Errores estndar con 3 GL
Interpretacin de los efectos
3
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.
b) Caso Minimizacin
(+) Indica que el factor ya no es una variable, por lo tanto viene a ser una
3
Anlisis de signos de los coeficientes de los efectos, segn el caso.
320
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera
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
maximizado 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 interaccin
5
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
Fuente SC Gl CM F
o
F
t
(99%)
X
1
: A 0,0 1 0,0 0,0 < 98,49
X
2
: 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 R
2
= 90,2857%
4
Es importante que no exista interaccin, y de esa manera podamos trabajar con los factores principales.
5
Anlisis de signos de los coeficientes de las interacciones, segn el caso.
321
Palacios C. Severo
El que tiene mayor significanca es B = X
2
, seguido de A = X
1
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.
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:
( )



N
Y
Y SC
i
i Total
2
2
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 matemtico
6
lineal para el presente anlisis.
AB B A Y 25 , 0 0 , 6 0 , 0 2857 , 90 + +
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.
6
Anlisis de signos de la constante del modelo matemtico, segn el caso.
322
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera
b) Caso Minimizacin
(+)
Indica que es el mximo valor de la vector respuesta, no se puede
subir sobre dicho valor, ms al contrario se puede bajar.
(-)
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
AB B A Y 25 , 0 0 , 6 0 , 0 2857 , 90 + +
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
Valor ptimo = 96,7857
Factor Bajo Alto ptimo
A -0,5 0,5 -0,5
B -0,5 0,5 0,5
Grfica de Efectos Principales para Y
84
87
90
93
96
99
Y
A
-0.5 0.5
B
-0.5 0.5
Grfica de Interaccin para Y
83
86
89
92
95
98
Y
A
-0.5 0.5
B=-0.5
B=-0.5
B=0.5
B=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.
323
Palacios C. Severo
Contornos de la Superficie de Respuesta Estimada
-0.5 -0.3 -0.1 0.1 0.3 0.5
A
-0.5
-0.3
-0.1
0.1
0.3
0.5
B
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
S upe r f ic ie de R e s p ue s t a E s ti m ad a
-0. 5
-0 .3
-0 . 1
0 . 1
0. 3
0 .5
A
- 0 . 5
- 0. 3
-0 .1
0 . 1
0 .3
0 .5
B
8 3
8 6
8 9
9 2
9 5
9 8
Y
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
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
X2
X3
0,5
0,5
-0,5 0,5
X
1
X
2
X
3
-0,5
+0,5
-0,5
+0,5
-0,5
+0,5
-0,5
+0,5
0
0
0
0
0
0
0
-0,5
-0,5
+0,5
+0,5
0
0
0
0
-0,5
-0,5
+0,5
+0,5
0
0
0
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
324
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera
Se evala el experimento del ejemplo anterior con tres factores a dos
niveles.
Factores
Niveles
- 0 +
A: Voltaje (Voltios)
B: Densidad corriente (A/m)
C: Agitacin (RPM)
1
30
700
2
35
1100
3
40
1500
Prueba X
1
X
2
X
3
A B C Y
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
-0,5
+0,5
-0,5
+0,5
-0,5
+0,5
-0,5
+0,5
0
0
0
0
0
0
0
-0,5
-0,5
+0,5
+0,5
0
0
0
0
-0,5
-0,5
+0,5
+0,5
0
0
0
0
0
0
0
-0,5
-0,5
+0,5
+0,5
-0,5
+0,5
-0,5
+0,5
0
0
0
1,5
2,5
1,5
2,5
1,5
2,5
1,5
2,5
2
2
2
2
2
2
2
32,5
32,5
37,5
37,5
35
35
35
35
32,5
32,5
37,5
37,5
35
35
35
1100
1100
1100
1100
900
900
1300
1300
900
1300
900
1300
1100
1100
1100
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 Estimad
o
X
1
:A 0,0
X
2
:B 7,25
X
3
: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%.
Tabla 6.100 Anlisis de varianza
Fuente SC GL CM F
o
F
t
(95%
325
Palacios C. Severo
)
A: X1
B: X2
C: X3
AB
AC
BC
Curvatura
Error
0
105,125
1540,125
0,125
0,5
0,03125
13,14
0,66
1
1
1
1
1
1
1
2
0
105,125
1540,12
5
0,125
0,5
0,03125
13,14
0,33
0
318,56
4667,0
5
0,38
1,51
0,095
39.82
<
>
>
<
<
<
<
98,49
98,49
98,49
98,49
98,49
98,49
98,49
Total 1659,71 9 R = 90,6%
Siendo el modelo matemtico para el presente caso:
BC AC B C B A Y 0625 , 0 25 , 0 125 , 0 875 , 13 625 , 3 0 , 0 6 , 90 + + + +
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.
Valor ptimo = 109,378
Factor Bajo Alto ptimo
A
B
C
1,0
30,0
700,0
3,0
40,0
1500,0
1,204
40,0
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.
A=2.0
B
C
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 30 32 34 36 38 40
700
900
1100
1300
1500
A=2.0
B
C
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
30
32
34
36
38
40
700
900
1100
1300
1500
78
83
88
93
98
103
108
326
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera
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.
DISEO ROTABLE CENTRADO DE n FACTORES
(-0.5, 0.5)
(0.5, -0.5) (-0.5, -0.5)
(-0.75, 0)
(0, -0.75)
(0, 0.75)
(0.75, 0)
(0.5, 0.5)
(0, 0)
X
1
X
2
X
3
-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
-0,5
-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
-0,5
-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: 0,75 1,25 1,5
B: 1 2 3
Prueba X
1
X
2
A B Y
1
2
3
4
5
6
7
8
-0,5
0,5
-0,5
0,5
-0,75
0,75
0
0
-0,5
-0,5
0,5
0,5
0
0
-0,75
0,75
1,00
1,50
1,00
1,50
0,88
1,63
1,25
1,25
1,50
1,50
2,50
2,50
2,00
2,00
1,25
2,75
95,2
93,4
97,2
95,7
92,5
98,1
93,5
95,7
327
Palacios C. Severo
9
10
11
0
0
0
0
0
0
1,25
1,25
1,25
2,00
2,00
2,00
89,5
89,6
89,4
Si visualizamos los signos de los efectos A=X
1
, y B=X
2
, notamos que X
2
tiene signo positivos, por lo tanto estn en su nivel mnimo, por lo cual
debern ser maximizado, es decir que dicho factor es variable, y
debern ser optimizados y establecidos sus rangos de trabajo ptimo,
y el factor X
1
es una constante.
Efecto e
interacciones
Efectos
cuadrticos
A: X
1
= -6,767
B: X
2
= 3,426
AB = 0,45
AA = 12,572
BB = 19,732
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%.
Tabla 6.101 Anlisis de varianza
Fuente SC Gl CM F
o
F
t
(95%)
A: X1
B: X2
AA
AB
BB
Error
18,4802
4,0733
52,2002
0,0225
40,6668
16,745
1
1
1
1
1
5
18,4802
4,0733
52,2002
0,0225
40,6668
3,34899
5,52
1,22
15,59
0,01
12,14
<
<
>
<
>
6,61
6,61
6,61
6,61
6,61
Total 96,2964 10 R = 82,611%
Tabla 6.102 Anlisis de varianza de falta de ajuste
Fuente SC Gl CM F
o
F
t
(9
5%)
Falta ajuste
Error
16,725
0,02
3
2
5,575
0,01
557,5 > 19,1
6
Total 16,745 5 R = 82,611%
Siendo el modelo matemtico para el presente caso:
2 1
2
2
2
1 2 1
6 , 0 8617 , 9 703 , 44 426 , 38 805 , 110 097 , 194 X X X X X X Y + + +
Si X
1
, y X
2
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.
Valor ptimo = 103,886
Factor Bajo Alto ptimo
328
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera
X
1
0,88 1,63 1,63
X
2
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 X
1
esta
en su mximo y debe mantenerse constante y X
2
tambien esta en su
mximo y deben de minimizarse y establecer el ptimo.
Ambos factores tienen efecto significativo significativo en el proceso.
0.75
B
3
Grfica de Efectos Principales para Y
89
92
95
98
101
104
Y
A
1.5 1
0.75
B=1
B=3
Grfica de Interaccin para Y
97
100
103
106
109
112
Y
A
1.5
B=1
B=3
Efectos significativos con tendencia
cuadrtica
Interaccin en proceso cuadrtico
No existe interaccin entre ambos factores, por lo que cada factor es
independiente en el proceso, si se modifica el factor X
1
, se mantiene el
factor X
2
, y as sucesivamente.
En la superficie respuesta visualizando el grfico (isolneas), podemos
interpretar lo siguiente: el valor ptimo est a un valor mximo de X
1
y un valor promedio de X
2
.
Contornos de la Superficie de RespuestaEstimada
0.75 0.95 1.15 1.35 1.55
A
1
1.4
1.8
2.2
2.6
3
B
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
0.75
0.95
1.15
1.35
1.55
A
1
1.4
1.8
2.2
2.6
3
B
89
93
97
101
105
109
113
Y
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 respuesta estimada en el plano
con punto ptimo
Superficie respuesta estimada en el
espacio
329
Palacios C. Severo
En el grafico espacial podemos visualizar el comportamiento de las
isolneas de igual manera, debe de incrementarse X
1
y manteniendo
constante el factor X
2
.
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.
X
1
X
2
Y
-0,5
+0,5
-0,5
+0,5
0
0
0
-0,5
-0,5
+0,5
+0,5
0
0
0
72
70
66
64
68
68
68
Para optimizar estas dos variables, se obtuvo los modelos
matemticos:
2 1 2 1 1
0 , 0 6 , 0 02 0 , 68 X X X X Y +
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.
3 , 84 2 , 90 8 , 90 3 , 89 9 , 81 3 , 83 8 , 88 6 , 89 9 , 93 :
12 , 1 12 , 1 12 , 1 31 , 1 94 , 0 75 , 0 94 , 0 31 , 1 5 , 1 :
2 2 2 13 , 1 13 , 1 2 87 , 2 87 , 2 2 :
Y
B
A
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.
6 , 82 5 , 83 5 , 81 6 , 86 3 , 80 8 , 78 4 , 75 6 , 90 5 , 85 :
5 , 42 5 , 42 5 , 42 3 , 27 3 , 27 5 , 42 7 , 57 7 , 57 5 , 42 :
5 , 8 5 , 8 5 , 8 7 , 9 7 , 7 7 7 , 7 2 , 9 10 :
Y
B
A
Obtenga el modelo del proceso
330
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera
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.
88 92 91 93 89 97 85 90 89 99 89 98 92 : Y
Obtenga el modelo
AB B A B A Y 9 , 0 9 , 0 3 92 + + + +
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.
82 83 81 80 81 80 78 75 90 85 :
1
X
(299) Con el estudio experimental se desea determinar las
condiciones ptimas siendo sus factores
68 68 68 70 66 64 66 70 72 :
1
X
68 76 76 68 68 76 84 84 76 :
1
X
El modelo que gobierna el estudio experimental es:
2 1
2
2
2
1 2 1
034 , 0 083 , 0 22 , 0 13 , 10 5 , 27 411 , 1 X X X X X X Y + +
(300) Se estudia un experimento a nivel laboratorio siendo sus
factores.
13 , 1 13 , 1 13 , 1 31 , 1 94 , 0 75 , 0 94 , 0 31 , 1 5 , 1 :
1
X
2 2 2 13 , 1 13 , 1 2 9 , 2 9 , 2 2 :
2
X
3 , 89 2 , 90 9 , 90 3 , 89 9 , 81 3 , 83 8 , 88 7 , 89 9 , 93 : Y
Siendo el modelo
2 1
2
2
2
1 2 1
16 , 10 1 , 3 4 9 , 25 39 , 42 98 , 30 X X X X X X Y
Cu
+ +
(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.
331
Palacios C. Severo
(302) Se estudia las variables A: concentracin de cido; B:
temperatura, C: velocidad de agitacin. Siendo su vector
respuesta.
73 75 75 78 77 77 83 59 82 67 79 60 80 62 : Y
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 1
2
2
2
1 2 1
5 , 0 16 , 1 15 , 1 23 , 2 23 , 1 94 , 96 X X X X X X Y
Cu
+ +
2 1
2
2
2
1 2 1
95 , 1 11 , 4 89 , 3 37 , 1 25 , 1 74 , 12 X X X X X X Y
Fe
+
Analice mediante el ANAVA
Establezca los rangos de las variables
(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.
6 , 88 4 , 92 1 , 91 8 , 93 2 , 89 8 , 97 7 , 85 5 , 90 1 , 89 5 , 99 9 , 89 5 , 98 4 , 92 : Y
Obtenga el modelo
Analice mediante el ANAVA
Establezca los rangos de las variables
(305) Considere el modelo de primer orden
2 1
8 , 0 5 , 1 50 X X Y +
Donde
1 1
i
X
.
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 X
2
es la presin.
X
1
X
2
Y
-0,5
0,5
-0,5
0,5
-0,75
-0,5
-0,5
0,5
0,5
0
54
45
32
47
50
332
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera
0,75
0
0
0
0
0
0
-0,75
0,75
0
0
0
53
47
51
41
39
40
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:
115
775
1

a temperatur
X ,
5 . 1
3
2

tiempo
X
Se lleva a cabo un experimento cuyos resultados se muestran a
continuacin:
X
1
X
2
Y
-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
0
-0,75
0,75
0
0
0
0
0
211
92
216
99
222
148
168
179
122
175
157
146
130
Qu tipo de diseo experimental se ha usado. Es rotable.
El modelo cuadrtico ajustado es
2 1
2
2
2
1 2 1
5 , 0 5829 , 10 5281 , 6 3529 , 3 47059 , 58 0445 , 150 X X X X X X Y + + +
Fuente SC GL CM F
o
F
t
(99)
Modelo
Error
30688,7
1478,22
5
6
6137,7
4
246,37
24,91 > 8,75
Total 32166,9
2
11 R
2
= 95,04
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)
333
Palacios C. Severo

,
_

1 0 . 5 8 2 9 5 0 . 2 5
0 . 2 5 6 . 5 2 8 1 5 8 -
(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
2
3
2
2
2
1 3 2
3 1 2 1 3 2 1
717 , 3 12 , 5 091 , 6 706 , 4
078 , 7 8089 , 1 3165 , 1 2241 , 5 4989 , 6 630
X X X X X
X X X X X X X Y

+ + +
Usando un diseo central compuesto con cinco puntos centrales.
Las variables codificadas son las siguientes:
8
350 ) (
1

C a temperatur
X
20
612 ) (
2

psi presin
X
03 . 0
15 . 0
3

in concentrac
X
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 (22
o
C, 24
o
C) y para
la humedad (20%, 50%).
La variable de respuesta es la frecuencia de oscilacin (Y). El
diseo experimental seleccionado es un factorial completo 2
2
con
punto central que se muestran a continuacin.
Prueba
Temperatura
(C)
Humedad
(%)
Frecuencia
(Hz)
1
2
3
4
5
6
7
8
9
-0,5
0,5
-0,5
0,5
-0,75
0,75
0
0
0
-0,5
-0,5
0,5
0,5
0
0
-0,75
0,75
0
99,706
99,706
99,704
99,702
99,704
99,692
99,715
99,657
99,687
334
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera
10
11
0
0
0
0
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 Niveles
- +
Potencial (Vols)
NaOH (g/L)
DC (A/cm)
2,5
10
0,025
3,5
20
0,075
Prueb
a
Potencial
(Vols)
NaOH
(g/L)
DC
(A/cm)
Consumo energa
(Watt-h)
Tiemp
o
(min)
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
-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
-0,5
-0,5
0,5
0,5
-0,5
-0,5
0,5
0,5
0
0
-0,75
0,75
0
0
0
-0,5
-0,5
-0,5
-0,5
0,5
0,5
0,5
0,5
0
0
0
0
-0,75
0,75
0
3,43
9,38
4,33
13,94
3,29
9,38
5,73
15,66
7,79
7,64
6,87
7,75
6,70
5,9
6,8
115,0
78,7
108,5
76,0
78,9
78,7
173,9
113,2
88,9
87,4
80,3
93,8
80,0
82,1
79,4
335
Palacios C. Severo
16
17
0
0
0
0
0
0
6,9
6,7
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 cm
3
. 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
2
3
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/m
2
).
Factores
Niveles
- +
X
1
: Temperatura (C)
X
2
: Concentracin (%)
X
3
: DC (A/m)
25
50
500
40
96
1000
Prueba
Temperatura
(C)
Concentraci
n
(%)
DC
(A/m
) DQO
1
2
3
4
5
6
7
8
9
10
11
12
-0,5
0,5
-0,5
0,5
-0,75
0,75
0
0
0
0
0
0
-0,5
-0,5
0,5
0,5
0
0
-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
32487
725
3075
2852
2775
6525
867
4425
6320
897
4560
6871
336
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera
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/cm
2
; pH 4, 7 y 9; [NaCl] 0, 2000 y 4000 ppm.
Factores
Niveles
- 0 +
X
1
: DC (mA/cm)
X
2
: pH
X
3
: [NaOH] (ppm)
20
4
0
40
7
2000
60
9
4000
Prueba
DC
(mA/cm) pH
[NaOH]
(ppm)
Al
(g)
% Slidos totales
Clarificado Espuma
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
-0,5
0,5
-0,5
0,5
-0,5
0,5
-0,5
0,5
-0,5
0,5
-0,5
0,5
-0,5
0,5
-0,5
-0,5
-0,5
0,5
0,5
-0,5
-0,5
0,5
0,5
-0,5
-0,5
0,5
0,5
-0,5
-0,5
0,5
-0,5
-0,5
-0,5
-0,5
0,5
0,5
0,5
0,5
-0,5
-0,5
-0,5
-0,5
0,5
0,5
0,5
-0,5
-0,5
-0,5
-0,5
-0,5
-0,5
-0,5
-0,5
0,5
0,5
0,5
0,5
0,5
0,5
0,5
19,81
20,95
22,59
22,09
21,73
15,05
14,56
15,23
22,00
16,88
20,16
21,01
22,15
23,42
18,96
22,73
23,49
24,00
23,77
22,77
17,25
17,92
18,69
23,12
16,80
19,15
18,15
18,75
19,21
17,65
337
Palacios C. Severo
16
17
18
19
20
21
22
23
24
25
26
0,5
-0,75
0,75
0
0
0
0
0
0
0
0
0,5
0
0
-0,75
0,75
0
0
0
0
0
0
0,5
0
0
0
0
-0,75
0,75
0
0
0
0
0,5
0
0
0
0
0
0
-0,75
0,75
0
0
17,87
12,01
19,01
13,5
15,7
12,6
14,8
15,6
17,2
15,7
15,8
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.
Factores
Niveles
- 0 +
X
1
: pH
X
2
: DC (A/m)
X
3
: tiempo (min)
5
32,43
5
7
37,83
10
8
43,23
15
Prueba pH
DC
(A/m)
tiempo
(min)
DQO
(%)
1
2
3
4
5
-0,5
0,5
-0,5
0,5
-0,5
-0,5
-0,5
0,5
0,5
-0,5
-0,5
-0,5
-0,5
-0,5
0,5
75,73
62,36
46,55
93,99
70,83
338
ESTADISTICA 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
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 2
n
; 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
Niveles
- 0 +
X
1
: Temperatura ()
X
2
: tiempo (h)
X
3
: Lquido/Slido (L:S)
30
1
8
45
2
10
60
3
12
Condiciones fijas del experimento: Velocidad de agitacin 600
rpm; pH 4,06.
Los modelos que regulan el proceso son:
9058 , 87 765 , 2 0625 , 0 1325 , 4 4475 , 6 2433 , 72
2 1 3 2 1
+ + + R X X X X X Y
Ni
5456 , 96 165 , 2 3425 , 0 255 , 2 58 , 3 0333 , 81
2 1 3 2 1
+ + + + R X X X X X Y
Co
339
Palacios C. Severo
0524 , 90 61125 , 1 51625 , 1 0613 , 17 24125 , 5 22625 , 6 36 , 71
3 2 2 1 3 2 1
+ + R X X X X X X X Y
Fe
9567 , 95 2425 , 3 4925 , 0 6675 , 4 5 , 6 2356 , 70
2 1 3 2 1
+ + + + R X X X X X Y
Mn
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 2
3
, 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 cm
3
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
Niveles
- 0 +
X
1
: Temperatura ()
X
2
: tiempo (h)
X
3
: Lquido/Slido (L:S)
30
1
1
45
3
5
60
5
9
Prueba
T
()
t
(h)
L/S
(cm/g)
% Extraccin
Ag Cu
1
2
3
4
-0,5
0,5
-0,5
0,5
-0,5
-0,5
0,5
0,5
-0,5
-0,5
-0,5
-0,5
62,96
71,60
69,07
82,40
77,38
80,53
77,93
87,39
340
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera
5
6
7
8
9
10
11
12
13
14
15
16
17
-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
0
-0,75
0,75
0
0
0
0
0
0,5
0,5
0,5
0,5
0
0
0
0
-0,75
0,75
0
0
0
64,24
70,45
63,72
87,12
78,63
76,35
77,25
79,56
77,95
78,45
79,36
79,46
79,58
77,58
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
Niveles
- 0 +
X
1
: [H
2
O
2
] (ml/L)
X
2
: Volumen a tratar (L)
X
3
: [TiO
2
] (mg/L)
0
4
0
1
8
100
2
12
200
Prueba
[H
2
O
2
]
(ml/L)
Volume
n
(L)
[TiO
2
]
(mg/L) Radiacin
(W/m)
pH Degradacin
(%)
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
-0,5
0,5
-0,5
0,5
-0,5
0,5
-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
-0,5
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
0,5
0,5
0,5
0
0
0
0
-0,75
0,75
0
0
0
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
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
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
341
Palacios C. Severo
del sistema de fotodegradacin respecto a las variables
experimentales estudiadas y que permitan establecer el grado
de confiabilidad de los datos obtenidos.
(319) Se seleccionaron modelos lineales del tipo 2
n
, 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
Floculante
(mg/L)
Coagulante
(mg/L)
pH
Concentracin residual
Color DQO
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
-0,5
0,5
-0,5
0,5
-0,5
0,5
-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
-0,5
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
0,5
0,5
0,5
0
0
0
0
-0,75
0,75
0
0
0
47,0
45
13
22,5
188,5
180,5
40,5
40,5
35,46
33,25
36,87
39,48
42,6
45,4
42,1
43,6
42,9
84,5
75,0
60,5
55,5
105,5
138,5
82,5
42,5
36,89
42,15
45,24
46,78
44,7
46,8
47,8
47,9
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.
342
ESTADISTICA 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(X
1
, X
2
,, X
k
), 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(X
1
) la superficie esta en
dos dimensiones como se muestra en la superficie de respuesta lineal,
mientras que si tenemos Y=f(X
1
, X
2
) la superficie est en tres
dimensiones, esto se observa en la superficie de respuesta.
343
Palacios C. Severo
X
Y
0 1 2 3 4 5
5
4
3
2
1
0
{
Yo
Superficie de Respuesta Estimada
0
2
4
6
8
1 0
X1
0.1
0.1 4
0.1 8
0.22
0.26
0.3
X2
0.7
1
1 .3
1 .6
1 .9
2.2
Y
Y
0.7-0.85
0.85- 1 .0
1 .0-1 .1 5
1 .1 5- 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
Superficie respuesta lineal Superficie respuesta espacial
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.
+ + + +
k k o
X A X A X A A Y
2 2 1 1
344
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera
Contornos de la Superficie de Respuesta Estimada
0 2 4 6 8 10
X1
0.1
0.14
0.18
0.22
0.26
0.3
X
2
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
Grafico contornos
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.
k k o
X A X A X A A Y + + +
2 2 1 1
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:
( )
2

Y Y SC
ij
Donde
Y
ij
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.
345
Palacios C. Severo
( )
2
Y Y SC
c regresin
La suma de cuadrado error, que corresponde a la no tomada en
cuenta, se calcula de la siguiente manera.
( )
2

c ij error
Y Y SC
En la tabla se observa un anlisis de varianza, en ella p representa el
nmero de trminos del modelo ajustado
Tabla 6.103 Anlisis de varianza
Fuente SC Gl CM
Regresin
Error
SC
regresin
SC
error
p-1
N-p
SCR/p-1
SCE/N-p
Total SC
total
N-1
La prueba de significanca de la ecuacin de regresin ajustada tiene
la siguiente hiptesis nula H
o
: Todas las A
s
(excluyendo A
o
) son cero
contra la alternativa H
A
: al menos una de las A
s
(excluyendo A
o
) 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.
p N
SC
p
SC
F
error
regresin

1
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 Y
s
con respecto a la media que se puede explicar con la ecuacin de
regresin ajustada. Esta se calcula de la siguiente manera.
346
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera
total
regresin
SC
SC
R
2
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
2
i ii
X B o de los trminos de productos
cruzados
k j i ijk
X X X B
que se refieren al efecto de la interaccin
entre los factores.
La prueba de falta de ajuste requiere que el diseo del experimento
satisfaga:
1. 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
2. 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.
( )


2
j
ij errorpuro
Y Y SC
Donde
Y
ij
es la i-sima observacin del j-simo punto del diseo
errorpuro error e faltaajust
SC SC SC
347
Palacios C. Severo
( )
2

i
i e faltaajust
Y Y r SC
La prueba adecuada del modelo ajustado es:
n N
SC
p n
SC
F
errorpuro
e faltaajust

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
significanca del modelo ajustado.
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 X
1
, X
2
, , X
k
. 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 A
1
, A
2
, A
3
.
Los experimentos se llevan a cabo hasta que deje de observarse un
incremento en la respuesta, entonces se ajusta un nuevo modelo de
348
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera
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 X
1
=X
2
== X
k
=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
j
j
i
i
X
A
A
X


3. Se convierte X
i
de variable codificada a variable natural
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 Variables naturales
X1 X2 t T Y
-
+
-
+
0
0
0
0
0
-
-
+
+
0
0
0
0
0
30
40
30
40
35
35
35
35
35
150
150
160
160
155
155
155
155
155
39,3
40,0
40,9
41,5
40,3
40,5
40,7
40,2
40,6
349
Palacios C. Severo
Por mtodo de mnimos cuadrados se obtiene:
2 1
325 , 0 755 , 0 44 , 40 X X Y + +
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 F
o
F
t
(95%)
Regresin
Residual
Falta ajuste
Error puro
2,825
0,1772
(0,0052)
(0,1720)
2
6
2
4
1,4125
0,0026
0,0430
32,84
0,06
>
<
18,00
18,00
Total 3,0022 8 R = 94,0976%
El modelo indica que hay que trasladarse 0,775 unidades en direccin
de X
1
por cada 0,325 unidades en direccin de X
2
. Sabemos que la
trayectoria pasa por el punto (X
1
=0, X
2
=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
X
1
=1.
Los incrementos a lo largo de la trayectoria son:
42 , 0 ) 755 , 0 / 325 , 0 ( 1
2 1
X y X
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
incremento X1 X2 t T Y
Origen

Origen +
Origen + 2
Origen + 3
Origen + 4
Origen + 5
Origen + 6
Origen + 7
0
1,00
1,00
2,00
3,00
4,00
5,00
6,00
7,00
0
0,42
0,42
0,84
1,26
1,68
2,10
2,52
2,94
35
5
40
45
50
55
60
65
70
155
2
157
159
161
163
165
167
169
41,00
42,90
47,10
49,70
53,80
59,90
65,00
350
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera
Origen + 8
Origen + 9
Origen +1o
Origen + 11
Origen + 12
8,00
9,00
10,00
11,00
12,00
3,36
3,78
4,23
4,62
5,04
75
80
85
90
95
171
173
175
177
179
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:
5 / ) 175 (
5 / ) 85 (
2
1


T X
t X
Nuevamente se utiliza un diseo 2 con cinco pruebas centrales, los
datos se adjuntan en la siguiente tabla.
Variables codificadas Variables naturales
X1 X2 t T Y
-
+
-
+
0
0
0
0
0
-
-
+
+
0
0
0
0
0
80
90
80
90
85
85
85
85
85
170
170
180
180
175
175
175
175
175
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:
2 1
50 , 0 00 , 1 97 , 79 X X Y + +
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 F
o
F
t
(95%)
Regresin
Residual
Falta ajuste
Error puro
5,00
11,12
(10,908)
(0,212)
2
6
2
4
2,50
5,454
0,053
47,16
102,91
>
>
18,00
18,00
Total 16,1200 8 R = 31,01%
351
Palacios C. Severo
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:

+ + + +
j i ij i ii i i o
X X A X A X A A Y
2
En ste caso los A
i
son los coeficientes de regresin para el trmino de
primer orden, los A
ii
son los coeficiente para los trminos cuadrticos,
los A
ij
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
ecuacin y obtenemos el modelo ajustado con valore ptimos de
respuesta.

+ + +
j i ij i ii i i o
X X A X A X A A Y
2
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 X
1
, X
2
, , X
k
tal que las derivadas parciales
0 ...
2 1

k
X
Y
X
Y
X
Y
352
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera
Dichos puntos X
1,o
, X
2,0
, , X
k,0
se denominan puntos estacionarios. El
punto estacionario puede ser:
a) Un punto de mxima respuesta
b) Un punto de mnima respuesta
c) Un punto silla
a) Pendiente descendente
5 6 7 8 9 10
X1
30
35
40
45
50
55
60
X
2
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
5 6 7 8 9 10
X1
30
35
40
45
50
55
60
X
2
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
d) Sillade montar
4 6 8 10 12 14
X1
8
9
10
11
12
X
2
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
Grafica de punto estacionario de superficie respuesta de segundo orden ajustado
a) Mxima b) Mnima c) Silla de montar
Podemos obtener el punto estacionario usando la notacin matricial
para el modelo de segundo orden.
aBX aX A Y
o
+ +
353
Palacios C. Severo
1
1
1
1
]
1

1
1
1
1
]
1

1
1
1
1
]
1

k k k k
k
k
k K
A k A A
M
A k A A
A k A A
A y
A
M
A
A
a
X
M
X
X
X
2 / 2 /
2 / 2 /
2 / 2 /
2 1
2 2 2 2 1
1 1 2 1 1
2
1
2
1
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 (A
ii
), mientras que los elementos fuera de sta corresponden a
un medio del valor de los coeficientes cuadrticos mixtos (A
ij
, ij).
La derivada de Y con respecto al vector X igualando a cero es:
0 2 +

Ax a
X
Y
El punto estacionario es la solucin de la ecuacin, es decir:
354
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera
a A X
o
1
2
1


Sustituyendo sta en la ecuacin matricial para el modelo de segundo
orden tenemos:
a X A Y
o o o
2
1
+
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 Z
1
, Z
2
, , Z
k
cuyos
ejes representan los ejes principales de la superficie de respuesta, los
cuales se interceptan en el punto estacionario como se observa. Esto
da por resultado el modelo ajustado.
2 2
2 2
2
1 1
...
k k o
Z Z Z Y Y + + + +
Donde:
Z
i
Son las variables independientes transformadas, y

i
Son constantes
Dicha ecuacin se llama forma cannica.
Las
i
son los valores propios y se obtienen de la matriz A.
355
Palacios C. Severo
60
70
80
90
pt im o
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
ortogonal 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.
356
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera
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 2
2
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
X
1
X
2
Temperatura
(C)
Presin
(Psi)
% conversin
-
+
-
+
0
0
0
0
-
-
+
+
0
0
0
0
130
160
130
160
145
145
145
145
325
325
475
475
400
400
400
400
8
24
16
32
21
23
20
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
contexto 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 2
n
son:
b
a V
X
i
i

Donde:
V
i
Viene a ser el valor real del factor principal
a Viene a ser el valor promedio del factor principal
357
Palacios C. Severo
b 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.
15
145
1

T
X
75
400
2

P
X
Estimaciones de las respuestas lineales
Las estimaciones de los coeficientes para el modelo de primer orden
son:
( ) 20 32 16 24 8
4
1
+ + +
o
A
( ) 8 32 16 24 8
4
1
1
+ + A
( ) 4 32 16 24 8
4
1
2
+ + A
Las estimaciones de los coeficientes lineales, A
1
y A
2
, es la media de las
estimaciones del efecto factorial para una factorial 2
n
.
La varianza del error de las cuatro observaciones centrales del diseo
y una estimacin del error estndar para las estimaciones de los
coeficientes es
( )
( ) 1 1
2
2
2

N N
Y
N
Y
S
i i
( )
334 , 3
12
88
3
24 20 23 21
2
2 2 2 2
2

+ + +
S
2
2
S
N
N
S

358
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera
91 , 0 334 , 3
4
4
2

S
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:
2 1
4 8 20 X X Y + +
La interaccin entre temperatura y presin TxP mide la falta de ajuste
con el modelo lineal y se representa mediante el trmino A
12
X
1
X
2
en el
modelo cuadrtico. La estimacin del coeficiente A
12
es un medio de la
interaccin TxP, es decir:
( ) 0 32 16 24 8
4
1
12
+ A
El error estndar de A
12
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
F Y
el
promedio de las combinaciones del tratamiento del factorial 2
2
y
C Y

el promedio de los puntos centrales; existe evidencia de curvatura en
la superficie de respuesta si la respuesta promedio en las coordenadas
del centro del diseo,
C Y
es mayor o menor que la respuesta
promedio en los niveles extremos de los factores,
F Y
. La diferencia
359
Palacios C. Severo
del valor absoluto C F Y Y
es una estimacin de
11
+
22
, donde
11
y
22
son los coeficientes de regresin cuadrtica.
Las medias observadas son 20
F
Y y
22
c
Y
, con una diferencia
de
2 C F Y Y
. El error estndar de la diferencia se estima como
29 , 1 ) 4 / 1 4 / 1 ( 334 , 3 + ; 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
2 1
4 8 20 X X Y + , 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 X
1
. De manera equivalente, la trayectoria
tiene un movimiento de 4/8 = 0,5 unidades en X
2
por cada unidad de
movimiento en X
1
.
La trayectoria de mayor pendiente inicia en el centro del diseo con
(X
1
, X
2
) = (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 X
1
= 1 unidad en la direccin X
1
es un cambio de 15C en la
temperatura y X
2
= 0,5 unidades en la direccin X
2
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
experimentos con las combinaciones de temperatura y presin a lo
largo de la trayectoria de mayor pendiente.
360
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera
P
325 400 475
160
145
130
T
8
16
24 32
20
Y
=
3
0
Y
=
2
5
Y
=
2
0
Y
=
1
5
Puntos pendi e nte ascendente
Puntos di seo ori gi nal
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 X
1
, y de media en X
2
, en el supuesto de que el
investigador desea realizar los cambios relacionados con la
modificacin de una unidad en X
1
.
Tabla 7.108 Pendiente ascendente de regin de respuesta mxima en % de conversin
Paso X1 X2 T P
0
1
2
3
4
.
.
.
0
1
2
3
4
.
.
.
0
0,5
1,0
1,5
2,0
.
.
.
145
160
175
190
205
.
.
.
400,0
437,5
475,0
512,5
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.
IX. DISEOS DE SUPERFICIE RESPUESTA
CUADRTICO
361
Palacios C. Severo
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 2
n
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 ( ) 2 / 1 2 1 + + n n n 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 3
n
para estimar superficies cuadrticas
Los factoriales 3
n
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 3
n
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 3
n
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 2
n
con 2n combinaciones adicionales, llamadas puntos
362
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera
estrella, 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.
P
325 400 475 550 625
220
190
160
130
T
8 16
24
32
36
34

+
+
20
Diseooriginal
Trayectoriade pendiente ascendente
Factorial conpuntoscentral es
Puntosestrel ladel diseocentral compuesto
30
32
Trayectoria de mayor pendiente y un diseo central compuesto
Como segundo paso en la secuencia, el investigador realiza un nuevo
experimento factorial 2
2
, con varias rplicas al centro del diseo (T, P)
= (190; 512,5).
Si la diferencia C F Y Y
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
363
Palacios C. Severo
combinaciones de tratamientos en los ejes, junto con el factorial 2
2
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
N 2
combinaciones de tratamientos del factorial 2
n
,
n N 2


combinaciones de tratamientos en los puntos estrella del diseo y m
rplicas en el centro para obtener un total de
m N N N
F
+ +


observaciones.
Las coordenadas en los ejes codificados X
1
y X
2
, 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
Diseo
X
1
X
2
-
+
-
+
-
-
+
+
Factorial

+
0
0
0
0

+
Estrella
0 0 Central
Adems, como se vera en la siguiente seccin, se puede evaluar
cualquier desviacin significativa de la aproximacin cuadrtica.
Las
m n N
n
+ + 2 2
unidades experimentales necesarias para el
diseo central compuesto con n factores son menos que las requeridas
por los factoriales 3
n
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 2
n
con interacciones de orden
mayor con alias como base del diseo 2
n
cuando hay ms factores en
el estudio.
Diseos rotatorios exploratorio de superficie de respuesta
364
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera
Una propiedad deseable al establecer cualquier diseo es la misma
precisin para todas las estimaciones de las medias. Sin embargo, la
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).
(-1, 1) (1, 1)
(-1, -1) (1, -1)
(0, )
(0, -)
(+, 0) (-, 0)
X1
X2
a)
X1
X3
X2
b)
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 2
n
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
( )
4 / 1
2
n

, El valor de para un diseo de
dos factores es ( ) 414 , 1 2 4
4 / 1
t t , y para un diseo de tres
factores ( ) 682 , 1 8
4 / 1
t t . Si hay r
F
rplicas del factorial 2
n
y r

,
rplicas de las combinaciones estrella, una forma ms general para
365
Palacios C. Severo
es
( )
4 / 1
/ 2

r r
n
F

, si se usa un factorial fraccionario 2


n-p
como base
para el diseo central compuesto, entonces
( )
4 / 1
/ 2

r r
p n
F

.
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 (X
1
, X
2
) 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 X
2
es 75 psi. Con
2
, las coordenadas del diseo y la temperatura y presin
requeridas sern:
Codificado Original
Diseo
X
1
X
2
T P
-
+
-
+
-
-
+
+
175
205
175
205
437,5
437,5
587,5
587,5
Factoria
l
2
2 +
0
0
0
0
2
2 +
168
211
190
190
512,5
512,5
406,
4
618,6
Estrella
0 0 190 512,5 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 2
n
1 1 1 1 1

F
N
1,4
1
4
4
1,68
2
8
6
2,0
0
16
8
2,37
8
32
10
2,0
0
16
10
2,82
8
64
12
2,37
8
32
12
366
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

N
m
5 6 7 10 6 15 9
N
13 20 31 52 32 91 53
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.
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 3
2
, 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 3
n
;
entonces, sta es otra alternativa para los diseos 3
n
que requiere
menos unidades experimentales.
Diseos Box-Behnken, alternativa para los factoriales 3
n
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 3
n
. Se
forman con la combinacin de diseos 2
n
y diseos de bloques
367
Palacios C. Severo
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 2
n
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
Box-Behnken slo debe usarse si no se tiene inters en predecir las
respuestas en las esquinas de la regin cuboidal.
Factor A B C
Nivel codificado X
1
X
2
X
3
Factorial 2
2
para A y B
-
+
-
+
-
-
+
+
0
0
0
0
Factorial 2
2
para A y C
-
+
-
+
0
0
0
0
-
-
+
+
Factorial 2
2
para B y C
0
0
0
0
-
+
-
+
-
-
+
+
Central
0
0
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
368
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera
superficie de respuesta. Sea n
b
, 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,:


b
k k
n
k
j i
n j i X X
1
,..., 1 , 1 , 0 0
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 cumplirse la siguiente relacin entre las
variables de diseo y el nmero de observaciones para cada
bloque:
n i
N
n
X X
X
b
N
k
i
n
k
i
k
b
k
,..., 2 , 1
1
2
1
2

Una estrategia sugerida para los bloques de diseos centrales


compuestos coloca los tratamientos N
F
para el diseo 2
n
y m
F
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 N
F
= 4 combinaciones de tratamientos del factorial de 2
n
ms m
F
= 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 X
1
, y X
2
en cada bloque. Es sencillo verificar que X
1
X
2
= 0 en
ambos bloques.
Factor A B
Nivel codificado X
1
X
2
Bloque I -
+
-
-
-
+
369
Palacios C. Severo
+ +
Bloque II
+1,414
-1,414
0
0
0
0
+1,414
-1,414
Central
0
0
0
0
0
0
Para el diseo completo:



12
1
12
1
2
2
2
8
k k
i
k k
X X
y tanto para el bloque 1 como el bloque 2:



6
1
6
1
2
2
2
4
k k
i
k k
X X
El nmero de observaciones del tratamiento en los bloques 1 y 2 es n
1
=
n
2
= 6 y el nmero total de observaciones es N = 12, con una razn
n
1
/N = 6/12 = 1/2. La segunda condicin, requiere de la razn de las
sumas de cuadrados de X
1
y X
2
en cada bloque para que todo el
experimento sea igual a n
i
/N. Para ambos bloques la razn de la suma
de cuadrados es 4/8 = 1/2, que es equivalente a la razn para n
i
/N,
por tanto, el diseo es ortogonal.
Para que se satisfaga la segunda condicin, debe cumplirse la
siguiente relacin:
1
]
1

+
+

F
p
p
n
1
1
2

Donde:
p

= m
a
/N

y p
F
= m
F
/N
F
.
Para que el diseo satisfaga las dos condiciones y sea rotatorio
( )
4 / 1
/ 2

r r
F
n

. No siempre es posible encontrar un diseo que


370
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera
cumpla con exactitud con
( )
) 1 (

1

N N
Y
N
Y
S
i i
, 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 r
F
y r

necesarias para los diseos


rotatorios y bloques ortogonales cuando p

=p
F
.
Para el diseo rotatorio central compuesto, la fraccin de
observaciones centrales en cada bloque es p

=p
F=1/2
y
2
.
Al evaluar la condicin de rotabilidad y ortogonalidad se tiene:
2
2 / 1 1
2 / 1 1
2
1
1
2

1
]
1

+
+

1
]
1

+
+

F
p
p
n

Y
2
como lo requiere la rotabilidad.
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 2
n
o el factorial fraccionario 2
n-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 2
n
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 2
n
1 1 1 1 1
N
F
m
F
4
2
8
2
16
2
32
4
16
2
64
2
32
2
Nmero bloques 1 2 2 4 1 8 2
a
N

1,41
4
4
2
1,68
2
6
2
2,0
0
8
1
2,37
8
10
1
2,0
0
10
4
2,82
8
12
1
2,37
8
12
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
371
Palacios C. Severo
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
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.
372
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera
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 X
1
X
2
Velocidad Profundida
d
+
+
-
-
2
2 +
0
0
0
0
0
0
0
0
+
-
+
-
0
0
2
2 +
0
0
0
0
0
0
600
600
200
200
683
117
400
400
400
400
400
400
400
400
0,100
0,050
0,100
0,050
0,075
0,075
0,110
0,040
0,075
0,075
0,075
0,075
0,075
0,075
154
132
166
83
156
144
166
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.
373
Palacios C. Severo
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 1
2
2
2
1 2 1
25 , 15 625 , 21 875 , 10 385 , 26 747 , 6 169 X X X X X X Y + +
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:
( )
946 , 10
2 1
2
2
2
1
2 1
, , , ,

X X X X X X R
SC
Se hace una particin de la suma de cuadrados de regresin en
reducciones para el modelo lineal y las componentes cuadrticas del
modelo, con el principio de particiones de sumas de cuadrados del
modelo reducido y el modelo completo.
La particin para las componentes lineales del modelo, X
1
y X
2
, o:
( )
933 , 5
2 1
,

X X R
SC
Tabla 7.112 ANAVA para modelo se superficie respuesta cuadrtico
Fuente SC Gl CM F
o
(99%
)
Regresin
Lineal
Cuadrtico
Error
Falta de ajuste
Error puro
10946
593
3
5013
371
111
260
5
2
3
8
3
5
2189,2
2966,5
1671,0
46,4
37,0
52,0
>
>
>
47,18
63,93
36,01
Total 11317 13 R = 96,7217%
374
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera
Es la suma de cuadrados de la regresin para el modelo reducido de
primer orden
+ + +
2 2 1 1
X A X A A Y
o
. 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:
5013 5933 10946
) (
2 1 2 1
2
2
2
1

X X X X X X R
SC
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, SC
E(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:
0 :
12 22 11 2 1
A A A A A H
o
1 , 42
52
2 , 2189

o
F
H
o
se rechaza, ya que F
o
> F
(95%)
= 5,05
Significanca de las componentes lineales para el modelo:
0 :
2 1
A A H
o
04 , 57
52
56 , 2966

o
F
H
o
se rechaza, ya que F
o
> F
(95%)
= 5,0579
375
Palacios C. Severo
Significanca de las desviaciones cuadrticas del
modelo lineal:
0 :
12 22 11
A A A H
o
1 , 32
52
1671

o
F
H
o
se rechaza, ya que F
o
> F
(95%)
= 5,41
Significanca de la falta de ajuste al modelo
cuadrtico:
71 , 0
52
37

o
F
H
o
se rechaza, ya que F
o
> 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 X
1
y la
profundidad de corte X
2
; por ejemplo, la vida de una herramienta de
corte de 150 se puede mantener para velocidades mayores, si se
incrementa X
1
y se disminuye la profundidad de corte, X
2
.
376
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera
-1,50 -0,75 0 ,0 0 ,75 1 ,50
1,50
0,75
0,00
-0,75
-1,50
X1
X2
Z1
Z2
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 X
1
y X
2
. Las
curvas de la vida de la herramienta aumentan con mayor rapidez
cerca del mximo sobre el eje de profundidades codificadas X
2
que
sobre el eje de las velocidades codificadas X
1
.
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.
Sin embargo, los resultados de los clculos se entienden cuando se
presentan con la forma grfica de curvas de nivel.
377
Palacios C. Severo
Punto estacionario de la superficie de respuesta
Las coordenadas X
1
y X
2
del punto estacionario se obtienen de las
derivadas parciales de la funcin de respuesta estimada respecto a X
1
y X
2
. La respuesta estimada para la duracin de la herramienta es:
2 1
2
2
2
1 2 1
250 , 15 625 , 21 875 , 10 385 , 26 747 , 6 169 X X X X X X Y + +
Las derivadas parciales se igualan a 0:
0
1

X
Y
0
2

X
Y
para producir las ecuaciones:
( ) ( )
( ) ( ) 385 , 26 625 , 21 2 250 , 15
747 , 6 250 , 10 875 , 10 2
2 1
2 1
+
+
X X
X X
Las soluciones de las ecuaciones para X
1
y X
2
son X
1S
=-0,156 y X
2S
=-
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 X
1S
=-0,156 y X
2S
=0,665 en el modelo; la respuesta estimada
en el punto estacionario es.
( ) ( ) ( ) ( )
( )( ) 25 , 177 665 , 0 156 , 0 250 , 15
665 , 0 625 , 21 156 , 0 875 , 10 665 , 0 385 , 26 156 , 0 747 , 6 169
2 2

+ +
S
Y
Dado:
( ) 200 / 400
1
V X
( ) 025 , 0 / 075 , 0
2
D X
378
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera
Los valores de la velocidad del torno (V) y la profundidad de corte (D)
en el punto estacionario son:
( ) 8 , 368 400 200 156 , 0 + V
( ) 092 , 0 075 , 0 025 , 0 665 , 0 + D
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 X
i
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
2 2
2
1 1
Z Z Y Y
S
+ +
Donde:
Z
1
y Z
2
son las variables de los ejes rotados.
Observe que slo se incluyen los trminos cuadrticos de las variables
cannicas Z
1
y Z
2
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
2
2
1
92 , 6 58 , 25 25 , 177 Z Z Y
Donde el centro del nuevo sistema de coordenadas se localiza en X
1
=-
0,156 y X
2
=0,665 en el sistema de coordenadas original mostrado en
379
Palacios C. Severo
la grfica de curvas de nivel. Se determin que la relacin entre los
dos sistemas de coordenadas es:
5185 , 0 8877 , 0 4603 , 0
2 1 1
+ X X Z
4446 , 0 4603 , 0 8877 , 0
2 1 2
+ X X Z
Observe que los ejes cannicos Z
1
y Z
2
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 Z
1
, Z
2
tiene como resultado una
disminucin en la respuesta. As, cuando todos los coeficientes , son
negativos 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 Z
1
, Z
2
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 Z
1
.
Las longitudes de los ejes principales de las elipses formadas por las
curvas de nivel son proporcionales a
2 / 1
. Para la superficie de la
vida de la herramienta 20 , 0 58 , 25
2 / 1


y 38 , 0 92 , 6
2 / 1


,
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
156 , 0
1
X
y
665 , 0 2
1
X
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 Z
1
= 0. Las coordenadas X
1
y X
2
en el eje Z
2
cuando Z
1
= 0
380
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera
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 X
2
que satisfacen 0,4603X
1
+ 0,887X
2
- 0,5185 = 0.
Los coeficientes de X
1
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 Z
2
con X
1
y X
2
, Z
2
= 0,887X
1
0,4603X
2
+ 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 Z
2
.
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
Niveles
- 0 +
Resina Orgnica AO
pH
0.4
2.5
0.6
3
0.8
3.5
En este caso se quiere optimizar el proceso por lo que deber
desarrollarse los siguientes pasos:
381
Palacios C. Severo
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.
AO
t
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.
pH
t
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:
382
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera
( )
( ) 1


N N
Y
N
Y
S
i
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
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 AO pH Y
1
2
3
4
5A
5B
5C
0.4
0.8
0.4
0.8
0.6
0.6
0.6
2.5
2.5
3.5
3.5
3
3
3
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
Lineal
Descendente
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:
( )
64745 , 0
6
81 , 211
2
71 , 69 28 , 71 82 , 70

+ +
S
383
Palacios C. Severo
( ) ( ) 2949 , 1 2 64745 , 0 1
2 1


N S SC
N GL
error
error
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 tanto las pruebas del error demuestran que el proceso esta
siendo desarrollado de una manera adecuada.
1
Aceptacin
R
e
c
h
a
z
o
0
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.
C F Y Y
Existen dos casos:
> 1, cuando es mayor de uno es cuadrtico
< 1, cuando es menor de uno es lineal
F Y
Representa el promedio de los valores del vector respuesta del
factorial.
C Y
Representa el promedio de los valores del vector respuesta de
las pruebas centrales.
384
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera
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
nueva tcnica denominado Diseo Central Compuesto a fin de
desarrollar el anlisis estadstico.
Calculo de efectos e interacciones:
Efectos Interacciones
A = +25,33
B = -38,92
AB = +6,68
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.
AO
0,4 0 ,8
pH
Y
2,5 3 ,5
88
78
68
58
48
Efectos medios para Y
AO
0,4
p H=2,5
Y
112
9 2
72
52
32
In te r a c c in p a r a Y
0,8
p H=3,5
p H=2,5
p H=3, 5
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.
385
Palacios C. Severo
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.
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:
C F Y Y
Es pequeo no existe curvatura
C F Y Y
Es grande existe curvatura
795 , 65 F Y 6033 , 70 C Y
La diferencia es 4,8083 siendo este valor grande, por lo tanto existe
curvatura
Lineal
C
u
r
v
a
t
u
r
a
1-2 3-4
5
C
u
r
v
a
t
u
r
a
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
386
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera
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.
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 AO pH Y
7
8
9
10
0,317
0,883
0,6
0,6
3
3
2,293
3.707
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.
387
Palacios C. Severo
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
interaccione
s
Efectos
cuadrticos
A =25,6545
B =-38,990
AB = +6,68
AA = -1,5708
BB = -8,1707
Errores estndar con 5 GL
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.
AO
0,4 0,8
Y
97
87
77
67
57
47
Efectos medios para Y
0,8
pH
2,5 3,5
AO
Y
110
90
70
50
30
Interaccin para Y
0,8 0, 4
pH=2,5
pH=3,5
pH=2,5
pH=3,5
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:
388
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera
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) esta dentro de la curva de Gauss, podemos decir el trabajo esta
bien desarrollado y se puede reconfirmar dicho proceso cuantas veces
sea.
Tabla 7.113 Anlisis de varianza
Fuente SC Gl CM F
o
F
t
(99%)
A
B
AA
AB
BB
Error
1316,31
3040,49
3,4836
44,6224
94,253
1,5546
1
1
1
1
1
5
1316,31
3040,49
3,4836
44,6224
94,253
0,3109
4233,59
9778,97
11,20
143,52
303,14
>
>
<
>
>
16,26
16,26
16,26
16,26
16,26
Total 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
389
Palacios C. Severo
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.
AOpH pH AO pH AO Y 4 , 33 3416 , 16 6356 , 19 0191 , 39 5009 , 12 0693 , 55 + +
Determinacin de condiciones ptimas
Se define las condiciones de operacin ptima, maximizando o
minimizando los resultados del mismo. Una condicin inicial es
remover los niveles de operacin y determinar los resultados ptimos
mediante la aplicacin de tcnicas para determinar los nuevos niveles
operacionales (pendiente ascendente o descendente).
Valor ptimo = 8,47071
Factor Bajo Alto ptimo
AO
pH
0,31715
7
2,29289
0,88284
3
3,70711
0,31715
7
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 X
i
tal que las derivadas parciales sean iguales
a cero. Dicho punto, es decir X
1S
, X
2S
, X
3S
... X
iS
se denomina punto
estacionario
390
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera
13 2 12 1 11
1
a X a X a
X
Y
+ +

23 2 22 1 21
2
a X a X a
X
Y
+ +

Desarrollando las derivadas parciales obtenemos la siguiente


relacin:
0191 , 39 6832 , 32 4000 , 33
5009 , 12 4000 , 33 2712 , 39
2 1
2 1
+
+ +
X X
X X
Desarrollando matricialmente, obtenemos el punto estacionario:
X
1
= 5,327
X
2
= 6,6377
R(P) = 151,27
Una vez obtenido el punto estacionario (sea la interseccin del nuevo
eje de planos Z
i
) debemos hallar el ngulo de giro de las nuevas
coordenadas, aplicando la siguiente relacin:
22 11
12
2
A A
A
Tan


Reemplazando valores obtenemos:
" 5 , 12 26 21
R(P)
Z2
Z1
X2
X1

Donde
391
Palacios C. Severo
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:
0
22 21
12 11
>
a a
a a
Para desarrollar la matriz derivamos por segunda vez la ecuacin
diferencia parcial, obtenindose:
2712 , 39

1 1

X X
Y
4 , 33

2 1
+

X X
Y
4 , 33

1 2
+

X X
Y
6832 , 39

2 2

X X
Y
Entonces:
94 , 167
22 21
12 11
>
a a
a a
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
392
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera
caso de minimizar la contaminacin se tendr que desarrollar la
pendiente descendente).
Camino de Mximo Ascenso para y
AO pH Y
0,6
0,635
0,67
0,705
0,74
0,775
3,0
2,87
2,74
2,63
2,53
2,44
70,603
77,462
83,199
87,904
91,685
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.
Estimated Response Surface
AO
pH
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
2. 5
2. 7
2. 9
3. 1
3.3
3. 5
30
50
70
90
110
Co nt o ur s of E st i m ated Respo nse S ur f ace
AO
p
H
Y
3 0. 0-3 8 . 0
3 8. 0-4 6 . 0
4 6. 0-5 4 . 0
5 4. 0-6 2 . 0
6 2. 0-7 0 . 0
7 0. 0-7 8 . 0
7 8. 0-8 6 . 0
8 6. 0-9 4 . 0
9 4. 0-1 0 2. 0
0 . 4 0. 5 0. 6 0. 7 0. 8
2 . 5
2 . 7
2 . 9
3 . 1
3 . 3
3 . 5
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
393
Palacios C. Severo
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
Niveles
Factores - 0 +
A: Tiempo (min)
B: pH
5,0
8,5
6,5
9,5
8,0
10,5
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 A B Y
1
2
3
4
5
6
7
8
9
10
11
12
13
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
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
75,9
72
78
79,5
78,4
75,6
72
79,9
79,5
85,1
85
79,1
79,8
Efectos e
interacciones
Efectos
cuadrticos
A = -1,59
B = 5,193
AB = 2,70
AA = -4,762
BB = -5,812
Errores estndar con 7 GL
394
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera
Tabla 7.114 Anlisis de varianza
Fuente SC Gl CM F
o
F
t
(95%)
A
B
AA
AB
BB
Error
5,055
53,935
39,445
7,29
58,756
38,304
1
1
1
1
1
7
5,055
53,935
39,445
7,29
58,756
5,472
0,92
9,86
7,21
1,33
10,74
<
>
<
<
>
5,59
5,59
5,59
5,59
5,59
Total 191,304 12 R = 80,0199%
Camino de Mximo Ascenso para y
A B Y
6,5
6,46
6,42
6,40
6,39
6,43
6,38
6,23
6,25
9,5
9,59
9,68
9,77
9,86
9,95
10,04
10,13
10,22
81,7
81,92
82,09
82,20
82,26
82,28
82,24
82,14
81,97
Y
5
B=8.5
B=10.5
Grfica de Interaccin para y
71
73
75
77
79
81
83
A
8
B=8.5
B=10.5
Y
5
B=8.5
B=10.5
Grfica de Interaccin para y
71
73
75
77
79
81
83
A
8
B=8.5
B=10.5
Efectos significativos de factores
principales
Interaccin de factores principales
AB B A B A Y 9 , 0 906 , 2 058 , 1 965 , 51 678 , 4 953 , 190 + + +
A
B
Contornos de la Superficie de Respuesta Estimada
5 5.5 6 6.5 7 7.5 8
8.5
8.9
9.3
9.7
10.1
10.5 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
A
B
Y
S uper f ic ie de R es pues t a E s t im ada
5
5.5
6
6.5
7
7.5
8
8.5
8.9
9.3
9.7
10.1
10. 5
71
73
75
77
79
81
83
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
395
Palacios C. Severo
Superficie respuesta estimada en el plano
con punto ptimo
Superficie respuesta estimada en el espacio
Valor ptimo = 82,2841
Factor Bajo Alto ptim
o
A
B
4,378
8,085
8,621
10,914
6,435
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
Niveles
- +
A: Altura de lecho
B: Velocidad de flujo
20
140
30
220
A B Y
20
30
20
30
25
25
25
140
140
220
220
180
180
180
6,22
5,57
9,51
8,15
6,15
6,18
6,12
Efectos Interacciones
A = -1,005
B = 2,935
AB = -0,355
Errores estndar con 3 GL
Tabla 7.115 Anlisis de varianza
Fuente SC Gl CM F
o
F
t
(95%)
A
B
AB
Error
1.01002
8,61423
0,126025
2,52207
1
1
1
3
1.01002
8,61423
0,126025
0,84068
1,20
10,25
0,15
<
>
<
10,13
10,13
10,13
Total 12,2723 6 R = 79,4492%
AB B A Y 00088 , 0 058 , 0 059 , 0 24 , 1 + +
Camino de Mximo Ascenso para y
A B Y
25
25,5
26
26,5
27
180
167,73
153,93
137,72
116,82
6,84
6,34
5,80
5,19
4,43
396
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera
27,5
28
28,5
29
72,29
66,68
230,66
223,15
2,87
2,68
8,19
7,87
Valor ptimo = 82,2841
Factor Bajo Alto ptim
o
A
B
20
140
30
220
20
220
20
B
220
Grficade Efectos Principales paraY
5.3
6.3
7.3
8.3
9.3
Y
A
30 140
20
B=140
B=220
Grfica de Interaccinpara Y
5
6
7
8
9
Y
A
30
B=140
B=220
Efectos de factores principales Interaccin de factores principales
Contornos de la Superficie de Respuesta Estimada
20 22 24 26 28 30
A
140
160
180
200
220
B
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
20
22
24
26
28
30
A
140
160
180
200
220
B
5
6
7
8
9
Y
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 respuesta estimada en el plano
con punto ptimo
Superficie respuesta estimada en el
espacio
Ejemplo 7.99
Se desea estimar el efecto del SO
2
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
Niveles
- +
397
Palacios C. Severo
A: Tasa de emisividad (g/s)
B: Altura (m)
5
30
10
60
A B Y
5
10
5
10
3,96
11,03
7,5
7,5
7,5
7,5
7,5
7,5
7,5
30
30
60
60
45
45
2,37
66,21
45
45
45
45
45
140
180
200
310
130
320
170
300
280
270
265
275
266
Efectos e
interacciones
Efectos
Cuadrticos
A = 104,675
B = 93,4619
AB = 35,000
AA = -57,4506
BB = -47,4500
Errores estndar con 7 GL
Tabla 7.116 Anlisis de varianza
Fuente SC Gl CM F
o
F
t
(95%)
A
B
AA
AB
BB
Error
21913,6
17470,3
5740,03
1225,0
3915,65
2937,24
1
1
1
1
1
7
21913,6
17470,3
5740,03
1225,0
3915,65
419,605
52,22
41,63
13,68
2,92
9,33
>
>
>
<
>
5,59
5,59
5,59
5,59
5,59
Total 52110,9 12 R (%) = 94,3635
AB B A B A Y 466 , 0 105 , 0 596 , 4 1054 , 9 8757 , 68 558 , 340 + + +
Camino de Mximo Ascenso para Y
A B Y
7,5
8,5
9,5
10,5
11,5
12,5
45,00
50,65
56,99
64,13
72,23
81,78
271,2
304,43
328,08
340,43
338,87
318,71
Valor ptimo = 341,554
Factor Bajo Alto ptim
o
A
B
3,964
23,786
11,035
33,213
10,854
66,213
398
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera
5
B
60
Grficade Efectos Principales para Y
190
210
230
250
270
290
310
Y
A
10 30
5
B=30
B=60
Grfica de Interaccin para Y
130
170
210
250
290
330
370
Y
A
10
B=30
B=60
Efectos de factores principales Interaccin de factores principales
Contornos de la Superficie de Respuesta Estimada
5 6 7 8 9 10
A
30
35
40
45
50
55
60
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
Superficie de Respuesta Estimada
5
6
7
8
9
10
A
30
35
40
45
50
55
60
B
130
170
210
250
290
330
370
Y
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
Superficie respuesta estimada en el plano
con punto ptimo
Superficie respuesta estimada en el
espacio
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).
399
Palacios C. Severo
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
Niveles
- +
A: H
2
SO
4
B: NaNO
3
C: NaCl
100
20
70
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.
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
Efectos
Cuadrticos
A: H
2
SO
4
0.885365
B: NaNO
3
1.48441
C: NaCl -12.7076
AB 0.25
AC 4.75
BC 11.25
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
400
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera
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.
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.
M ain Effects Plot for Au
82
85
88
91
94
97
100
A
u
H2SO4
1 00 120
NaNO3
2 0 30
NaCl
70 90

Interaction Plot for Au
72
77
82
87
92
97
102
A
u
AB
100 120
-
-
+
+
AC
100 120
-
-
+
+
BC
20 30
-
-
+
+
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
401
Palacios C. Severo
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.
Tabla 7.117 Anlisis de varianza
Fuente SC Gl CM F
o
F
t
(95%)
A; H
2
SO
4
B: NaNO
3
C: NaCl
AA
AB
AC
BB
BC
CC
Error
2,6763
7,5231
551,334
182,993
0,125
45,125
260,497
253,125
1185,25
604,753
1
1
1
1
1
1
1
1
1
9
2,6763
7,5231
551,334
182,993
0,125
45,125
260,497
253,125
1185,25
67,1948
0,04
0,11
8,21
2,72
0,00
3,88
3,77
17,64
<
<
>
<
<
<
<
>
5,12
5,12
5,12
5,12
5,12
5,12
5,12
5,12
Total 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
est en su mximo, debiendo ser regulado este por las dosificaciones
del cido sulfrico y las sales oxidantes.
NaCl NaNO NaCl SO H NaNO SO H NaCl
NaNO SO H NaCl NaNO SO H Au
* 112 , 0 * 023 , 0 * 002 , 0 093 , 0
174 , 0 0366 , 0 848 , 8 389 , 0 136 , 6 86 , 556
3 4 2 3 4 2
3 4 2 3 4 2
+ + +
+ + +
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.
402
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera
C o n t o u r s o f E s t i m a t e d R e s p o n s e S u r f a c e
N a C l = 8 0 . 0
H 2 S O 4
N
a
N
O
3
A u
8 9 . 0 - 9 0 . 0
9 0 . 0 - 9 1 . 0
9 1 . 0 - 9 2 . 0
9 2 . 0 - 9 3 . 0
9 3 . 0 - 9 4 . 0
9 4 . 0 - 9 5 . 0
9 5 . 0 - 9 6 . 0
9 6 . 0 - 9 7 . 0
9 7 . 0 - 9 8 . 0
9 8 . 0 - 9 9 . 0
1 0 0 1 0 4 1 0 8 1 1 2 1 1 6 1 2 0
2 0
2 2
2 4
2 6
2 8
3 0
E s t i m a t e d R e sp o n s e Su rfa c e
N a C l= 8 0 . 0
H 2 SO 4
N aN O 3
A
u
1 0 0
1 0 4
1 0 8
1 1 2
1 1 6
1 2 0
2 0
2 2
2 4
2 6
2 8
3 0
8 9
9 1
9 3
9 5
9 7
9 9
8 9 . 0 - 9 0 . 0
9 0 . 0 - 9 1 . 0
9 1 . 0 - 9 2 . 0
9 2 . 0 - 9 3 . 0
9 3 . 0 - 9 4 . 0
9 4 . 0 - 9 5 . 0
9 5 . 0 - 9 6 . 0
9 6 . 0 - 9 7 . 0
9 7 . 0 - 9 8 . 0
9 8 . 0 - 9 9 . 0
Respuesta en el Plano de extraccin de
oro con punto ptimo
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
Niveles
- +
A: Temperatura (C)
B: Concentracin (%)
C: Tiempo Agitacin (Hr)
20
0,5
0,25
60
1
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.
Temperatur
a (oC)
Concentracin
(%)
Tiempo agitacin
(Hr)
Y
20
60
20
60
20
60
20
60
0,5
0,5
1
1
0,5
0,5
1
1
0,25
0,25
0,25
0,25
1
1
1
1
42,83
56,93
78,92
81,00
64,17
72,13
87,17
88,25
20
60
20
0,5
0,5
1
0,25
0,25
0,25
41,67
56,14
78,33
403
Palacios C. Severo
60
20
60
20
60
1
0,5
0,5
1
1
0,25
1
1
1
1
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 Interacciones
A = 6,18
B = 25,06
C = 12,99
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.
Tabla 7.118 Anlisis de varianza
Fuente SC Gl CM F
o
F
t
(99%)
A
B
C
AB
AC
BC
Bloque
Error
152,83
2515,27
675,87
88,78
14,42
104,39
3,21
9,53
1
1
1
1
1
1
1
8
152,83
2512,27
675,87
88,78
14,42
104,39
3,21
1,19
128,19
2107,15
566,88
74,47
12,10
87,56
2,69
>
>
>
>
>
>
<
11,26
11,26
11,26
11,26
11,26
11,26
11,26
Total 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
fuentes 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 R
2
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.
404
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera
BC AC AB C B A Y 246 , 27 1265 , 0 471 , 0 83 , 42 996 , 85 5869 , 0 698 , 13 + + +
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 B C Y
40
41,66
42,64
42,88
42,34
41,03
40,10
0,75
0,85
0,95
1,05
1,15
1,25
1,3
0,625
0,689
0,731
0,813
0,852
0,877
0,885
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.
Valor ptimo = 87,6669
Factor Bajo Alto ptim
o
A
B
C
20
0,5
0,25
60
1
1
20
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.
M ain Effects Pl ot for Y
58
63
68
73
78
83
88
Y
Temperatura
20 60
Concentraci on
0.5 1
Tiempo agitacion
0.25 1
405
Palacios C. Severo
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
Tiempo agitacion=0.625
Temperatura
C
o
n
c
e
n
t
r
a
c
i
o
n
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
20 30 40 50 60
0.5
0.6
0.7
0.8
0.9
1
Contours of Estimated Response Surface
Concentracion=0.75
Temperatura
T
i
e
m
p
o

a
g
i
t
a
c
i
o
n
Y
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
0.25
0.45
0.65
0.85
1.05
Contours of Estimated Response Surface
Temperatura=40.0
Concentracion
T
i
e
m
p
o

a
g
i
t
a
c
i
o
n
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
0.5 0.6 0.7 0.8 0.9 1
0.25
0.45
0.65
0.85
1.05
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.
Estimated Response Surface
Tiempo agitacion=0.625
Temperatura
Concentracion
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
20
30
40
50
60
0.5
0.6
0.7
0.8
0.9
1
53
63
73
83
93
Estimated Response Surface
Concentracion=0.75
Temperatura
Tiempo agitacion
Y
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
0.25
0.45
0.65
0.85
1.05
60
64
68
72
76
80
84
406
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera
Estimated Response Surface
Temperatura=40.0
Concentracion
Tiempo agitacion
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
0.5
0.6
0.7
0.8
0.9
1
0.25
0.45
0.65
0.85
1.05
49
59
69
79
89
Superficie respuesta estimada en el espacio manteniendo constante una variable
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.
407
Temperatur
a (oC)
Concentraci
n (%)
Tiempo agitacin
(Hr)
Y
20
60
20
60
20
60
20
60
0,5
0,5
1
1
0,5
0,5
1
1
0,25
0,25
0,25
0,25
1
1
1
1
42,83
56,93
78,92
81,00
64,17
72,13
87,17
88,25
20
60
20
60
20
60
20
60
0,5
0.5
1
1
0,5
0,5
1
1
0,25
0,25
0,25
0